[发明专利]一种滑坡地表变形空间区域权重的计算方法

说明书

本发明提供了一种滑坡地表变形空间区域权重的计算方法，属于工程地质技术领域。该方法首先从滑坡监测系统中获取各个监测点的变形数据，将监测点的变形数据按照其空间分布处理为不同通道的时间序列数据输入到卷积神经网络(CNN)模型中进行处理；将经过卷积神经网络(CNN)模型处理后的数据作为输入数据，输入到改进的卷积注意模块(ICBAM)中进行计算，最后输出滑坡各个监测点的位移预测值以及各个监测点所在区域在滑坡地表变形中所占的权重。本发明根据监测数据计算出监测点所在区域在滑坡位移预测中所占的权重，根据权重大小判断出该区域对滑坡位移预测的影响程度，最后能有效地进行滑坡位移预测。

技术领域

本发明属于工程地质研究领域，具体涉及一种滑坡地表变形空间区域权重的计算方法。

背景技术

滑坡是最常见的自然地貌过程之一，每年可在世界各地造成巨大的人员伤亡和财产损失。我国滑坡灾害防治仍然面临巨大的挑战。

在过去的几十年里，随着各种用于滑坡监测的传感器的开发和引入，世界范围内建立了大量的滑坡监测系统。这些具有高精度和环境适应性的监测设备为分析滑坡变形特征和机理提供了必要的基础。目前大多数滑坡变形的研究方法仅仅实现了单点建模，对滑坡的早期预警造成了一定的不确定性。例如，人工神经网络(ANN)、支持向量机(SVM)、极限学习机(ELM)、速度倒数法。上述方法通常具有较好的研究效果，然而，滑坡的变形具有空间意义，特别是大型滑坡，即监测点的变形特征随空间位置的不同而不同。因此，依靠单点建模对滑坡进行位移预测的结果不能揭示大规模滑坡变形的真实情况。现如今仅有有限的研究考虑了边坡中不同点之间的空间相关性，例如，似乎不相关模型(SUR),但该模型仅仅考虑多个监测点之间的空间相关性，忽略了各个监测点所在的空间区域在滑坡整体变形中所占的权重，使得在滑坡位移预测中出现较大偏差。

综上所述，虽然现如今已经开发了很多模型用于滑坡变形的研究，但此类课题的研究模型大多都忽略了滑坡的整体相关性或者空间各区域所占的权重对滑坡位移的影响。为了解决这一技术性问题，本发明提供了一种滑坡地表变形空间区域权重的计算方法。

发明内容

本发明的目的是，提供一种滑坡地表变形空间区域权重的计算方法，解决了“依靠单点建模进行滑坡位移预测造成不确定性”以及“忽略空间区域在滑坡变形中所占权重造成滑坡位移预测不准确性”的问题，通过监测点的监测数据(位移，速度，加速度)计算出滑坡地表变形中各空间区域所占的权重。

为实现上述目的，本发明采用的技术方案为：

一种滑坡地表变形空间区域权重的计算方法，其特征在于，包括以下步骤：

S1、从滑坡监测系统中获取各个监测点的监测数据，根据监测数据获得滑坡变形特征相关的多种变形数据；

S2、将监测点的多种变形数据按照监测点的空间分布处理为不同通道的时间序列数据输入到卷积神经网络(CNN)模型中进行处理，每个通道对应一种变形数据；

S3、将步骤S2中经过卷积神经网络(CNN)模型处理后的数据作为输入数据，输入到改进的卷积注意模块ICBAM中进行筛选，其中ICBAM包含通道注意力模块、空间注意力模块和残差块；ICBAM的输入通过通道注意力模块用于确定不同变形特征的重要性，通道注意力模块的输出作为空间注意力模块的输入用于确定不同监测点空间位置的变形数据对于最终滑坡预测结果的重要性，残差块链接ICBAM的输入和空间注意力模块的输出；

S4、最后经一个全连接层输出滑坡各个监测点的变形数据的空间相关性，同时输出各个监测点所在区域在滑坡地表变形中所占的空间注意力权重。

在所述步骤S2中，将监测点的多种变形数据按照监测点的空间分布处理为不同通道的时间序列数据输入到卷积神经网络(CNN)模型中进行处理包括以下步骤：

S21、输入数据