[发明专利]一种基于动态时间规整与k-means聚类的边坡形变区域划分方法

说明书

本发明提供一种基于动态时间规整与k‑means聚类的边坡形变区域划分方法，通过比较监测区间各监测点累计位移量变化情况，选取基准点位移时间序列；之后采用移动平均平滑预处理，提取监测区域内各监测点变化趋势，通过设置门限值筛选进行后续分类的监测点坐标位置集合，从而利用动态时间规整算法计算集合内位移时间序列相似度；最后以监测区间内累计位移量和DTW相似度矩阵为输入特征，建立以k‑means无监督聚类算法的监测点位移时间序列分类模型，从而获得边坡形变区域在不同类簇数目下的初步划分结果，再通过计算多指标综合评价不同类簇数目下的分类结果，为边坡形变区域划分提供了一种简洁、高效的分类方法。

技术领域

本发明属于微波遥感和地质灾害预测预警的技术领域，尤其涉及一种基于动态时间规整与k-means聚类的边坡形变区域划分方法。

背景技术

基于地基合成孔径雷达差分干涉测量技术，通过对同一位置、不同时刻获取的两幅雷达图像进行差分干涉处理，基于相位信息可以获得监测区域的位移信息。从大范围的目标区域中准确提取出各处形变区域，并结合各处形变区域的时间演变和空间分布信息等，有利于分析监测区域的整体稳定性，评估滑坡发生风险等级等。因此，边坡形变区域划分是滑坡稳定性监测中很重要的一步。

边坡形变区域划分方法，根据是否含有标签集，分为有监督学习算法和无监督学习算法两类。有监督学习算法主要通过搭建神经网络模型，进行监测区域内监测点的分类，但通常需要利用人为经验设置隐藏层个数、每层包含神经元个数等参数。无监督学习算法，如k-means聚类算法等，通常是以形变速率为单一指标进行各监测点的分类，由于形变速率无法评估监测点所处变形阶段，分类准确度较低。

理想位移-时间曲线包含初始变形阶段、等速变形阶段、加速变形阶段三个阶段，其滑坡演变阶段以累计加速度、累计加加速度为定量依据进行划分。位移时间序列能够描述一个监测点的变形演变情况及潜在变化，因此可引入各监测点所处形变状态作为边坡形变区域划分的评价标准。动态时间规整算法为一种模版匹配方法，通过遍历模版库内所有对象，选择出相似度足够高的结果，即认为其与该模版匹配。因此，可以通过动态时间规整算法计算不同监测点位移时间序列的相似度，来判断各监测点所处状态是否相近。

因此，针对常规边坡形变区域划分方法所存在的各项问题，有必要研究基于动态时间规整与k-means聚类的边坡形变区域划分方法。

发明内容

为解决无监督边坡形变区域划分中计算量大、以位移速率为单一指标等问题，本发明提供一种基于动态时间规整与k-means聚类的边坡形变区域划分方法，能够实现边坡形变区域的有效划分。

一种基于动态时间规整与k-means聚类的边坡形变区域划分方法，包括以下步骤：

S1：在待监测边坡区域中，选取监测时间区间内累计位移量绝对值最大的监测点作为基准点；

S2：采用移动平均法分别从基准点与待监测边坡区域内其余监测点对应的位移时间序列中提取基准点与其余监测点的趋势项位移；

S3：分别对其余监测点的趋势项位移进行求导，得到其余监测点的变形速率序列，再将变形速率序列中变形速率零值的占比小于门限值的监测点作为备选监测点；

S4：采用动态时间规整算法分别获取各备选监测点的趋势项位移与基准点的趋势项位移之间的DTW相似度矩阵；

S5：将DTW相似度矩阵与监测时间区间内的累计位移量作为各备选监测点与基准点在k-means无监督聚类算法中对应的特征向量，并设定两个以上的类簇数目，再分别在不同类簇数目下，根据确定好特征向量的k-means无监督聚类算法对各备选监测点与基准点进行分类，得到各类簇数目对应的分类结果；

S6：按照设定的评价指标分别对各类簇数目对应的分类结果进行评估，将最大评估值对应的类簇数目作为边坡形变区域被划分的类别数，并将该类簇数目对应的分类结果作为边坡形变区域的划分结果。