[发明专利]一种基于图卷积神经网络的滑坡体状态判断方法及系统

说明书

本发明涉及一种基于图卷积神经网络的滑坡体状态判断方法及系统，利用包括降雨量、地表位移、深部位移、土壤含水率、次声在内的多种类型监测数据，综合判断滑坡体状态。本发明方法主要包括特征提取、特征融合与特征分类三部分，在特征提取中，将五种类型检测数据经过预处理后，分别输入到不同的图卷积神经网络中进行训练，得到五组对应的特征向量；在特征融合中，将特征提取输出的五组特征向量进行融合，得到可以表征滑坡体整体状态的特征向量，在特征分类中，根据特征融合输出的整体特征向量计算出该滑坡体处于每种状态下的概率，进而给出滑坡体的状态判断。本发明所述方法能准确、快速地判断出滑坡体的状态。

技术领域

本发明属于地质灾害监测领域，具体为滑坡体状态判断技术，更具体地涉及一种基于图卷积神经网络的滑坡体状态判断方法及系统。

背景技术

滑坡是指斜坡上的土体或岩体，受河流冲刷、地下水活动、雨水浸泡、地震及人工切坡等因素影响，在重力作用下沿着一定的软弱面或软弱带，整体地或者分散地顺坡向下滑动的自然现象。滑坡常常会砸、埋房屋、田地和道路，伤及人畜，给社会造成毁灭性打击。滑坡的防治要贯彻“及早发现，预防为主；查明情况，综合治理；力求根治，不留后患”的原则，结合边坡失稳的因素和滑坡形成的内外部条件进行综合治理。

近年来，人工智能技术在科研领域取得了巨大的成功，影响到了人们生活的方方面面，其中深度学习(Deep learning)作为机器学习的一分子，发展尤为迅速。深度学习在多个领域的成功主要归功于计算资源的快速发展(如GPU)、海量训练数据的收集以及从欧几里得数据(如图像、文本和视频)中提取潜在表征的有效性。欧氏空间下的数据最显著的特征就是有着规则的空间结构，这些数据能够通过一维或二维的矩阵进行表示。

但是，在现实生活中许多数据都是不具备规则的空间结构，即非欧氏空间下的数据(如图谱中每个节点与其他节点的连接不是固定的)。传统的神经网络对这些数据的处理则会稍显无力，为了解决这种不规则、无序的数据的相关问题，图神经网络应运而生。图神经网络可以对非欧氏空间的数据进行建模，捕获数据的内部依赖关系，它主要可以划分为五大类：图卷积网络(Graph Convolution Networks，GCN)、图注意力网络(GraphAttention Networks)、图自编码器(Graph Autoencoders)、图生成网络(GraphGenerative Networks)和图时空网络(Graph Spatial-temporal Networks)。

发明内容

本发明的目的是利用图卷积神经网络，提出一种利用包括降雨量、地表位移、深部位移、土壤含水率、次声在内的多种类型监测数据，综合判断滑坡体状态的方法。

本发明的技术方案是：提供一种基于图卷积神经网络的滑坡体状态判断方法，包括如下步骤：

特征提取：将采集到的降雨量数据、地表位移数据、深部位移数据、土壤含水率数据、次声数据共五组数据经过预处理后，分别输入到不同的图卷积神经网络中进行训练，待图卷积神经网络的参数收敛后得到五组数据对应的特征向量；

特征融合：将所述特征提取输出的五组特征向量进行融合，得到表征滑坡体状态的整体特征向量；

特征分类：根据所述特征融合输出的整体特征向量，计算滑坡体处于每种状态下的概率，然后根据每种状态下的概率判断滑坡体的状态。

本发明的进一步技术方案是：所述降雨量数据由雨量计采集、地表位移数据由GNSS接收机采集、深部位移数据由测斜仪采集、土壤含水率数据由温湿度传感器采集、次声数据由次声仪采集。