EN中文

地球信息科学学报 >

2024 , Vol. 26 >Issue 12: 2772 - 2787

DOI: https://doi.org/10.12082/dqxxkx.2024.240409

遥感科学与应用技术

时序InSAR和LSTM结合的滑坡形变时空分析与预测方法

  • 林娜 , 1, * ,
  • 谭力兵 1 ,
  • 张迪 2 ,
  • 丁凯 1 ,
  • 李双桃 1 ,
  • 肖茂池 1 ,
  • 张精平 3 ,
  • 王小华 4
展开
  • 1.重庆交通大学智慧城市学院，重庆 400074
  • 2.北京市勘察设计研究院有限公司，北京 100038
  • 3.重庆市地理信息与遥感应用中心，重庆 401120
  • 4.航天宏图信息技术股份有限公司，北京 100089

林娜（1981— ），女，湖北襄阳人，博士，副教授，主要从事遥感影像智能处理等方面的研究。E-mail:

Office editor: 黄光玉

收稿日期: 2024-07-18

  修回日期: 2024-09-10

  网络出版日期: 2024-11-28

基金资助

重庆市自然科学基金面上项目(CSTB2023NSCQ-MSX0781)

教育部产学合作协同育人项目(220702313111054)

重庆交通大学研究生课程思政示范项目(KCSZ2023033)

重庆交通大学研究生科研创新项目(CYS240529)

重庆市研究生导师团队建设项目(JDDSTD2022002)

收起

Spatiotemporal Analysis and Prediction of Landslide Deformation Combining Time-Series InSAR and LSTM

  • LIN Na , 1, * ,
  • TAN Libing 1 ,
  • ZHANG Di 2 ,
  • DING Kai 1 ,
  • LI Shuangtao 1 ,
  • XIAO Maochi 1 ,
  • ZHANG Jingping 3 ,
  • WANG Xiaohua 4
Expand
  • 1. School of Smart City, Chongqing Jiaotong University, Chongqing 400074, China
  • 2. BGI Engineering Consultants LTD., Beijing 100038, China
  • 3. Chongqing Geographic Information and Remote Sensing Application Center, Chongqing 401120, China
  • 4. PIESAT Information Technology Co., Ltd., Beijing 100089, China
* LIN Na, E-mail:

Received date: 2024-07-18

  Revised date: 2024-09-10

  Online published: 2024-11-28

Supported by

Chongqing Natural Science Foundation project(CSTB2023NSCQ-MSX0781)

Ministry of Education Industry-university Cooperative Education Project(220702313111054)

Chongqing Jiaotong University Graduate Course Ideological and Political Demonstration Project(KCSZ2023033)

Chongqing Jiaotong University Graduate Research Innovation Project(CYS240529)

Team Building Project for Graduate Tutors in Chongqing(JDDSTD2022002)

Fold

摘要

我国是受地质灾害影响最大的国家之一，研究高精度、高可靠性的滑坡形变监测与预测方法对于防灾减灾工作具有切实意义。以三峡库区藕塘特大滑坡为例，针对时序InSAR技术滑坡形变提取过程中面临大气干涉效应问题，在时序InSAR滑坡形变提取中引入GACOS进行大气校正，并通过GNSS观测数据进行验证对比；针对滑坡形变预测前较少考虑时空分析的问题，计算莫兰指数、Hurst指数分析滑坡形变时空特征；针对滑坡形变不仅受历史形变影响，还与多种影响因子密切相关的问题。本文提出将滑坡影响因子与形变量耦合用于滑坡形变预测，并采用结合变分模态分解（Variational Mode Decomposition, VMD）和麻雀搜索算法（Sparrow Search Algorithm, SSA）优化的长短期记忆网络（Long Short-Term Memory, LSTM）模型进行预测。通过VMD分解滑坡位移数据为趋势项、周期项和随机项，构建LSTM网络结构并使用SSA寻找LSTM模型最优的隐藏单元数目、最大训练周期和初始学习率，同时通过数据归一化、正则化和模型评估等方法提升LSTM模型的性能和稳定性，最后利用影响因子与分解后的位移数据训练LSTM模型并完成预测，得到滑坡形变的预测结果。结果表明： ① 2021年1月—2023年6月藕塘滑坡形变最高与最低速率分别为-72.75 mm/a、50.74 mm/a； ② 研究区形变具有正向空间自相关性、沉降区域滑坡形变具有持续趋势； ③ 结合VMD和SSA优化的LSTM模型滑坡形变预测误差仅为0.37 mm，较LSTM的精度提升了11.004%。本文基于时序InSAR技术，结合时空分析结果，构建了一种耦合多个影响因子与滑坡形变的高精度预测模型，为滑坡灾害的防治提供了重要的参考依据。

关键词： 形变监测; 时空特征分析; 时序InSAR; 高精度预测; GACOS; 藕塘滑坡

本文引用格式

林娜 , 谭力兵 , 张迪 , 丁凯 , 李双桃 , 肖茂池 , 张精平 , 王小华 . 时序InSAR和LSTM结合的滑坡形变时空分析与预测方法[J]. 地球信息科学学报, 2024 , 26(12) : 2772 -2787 . DOI: 10.12082/dqxxkx.2024.240409

Abstract

China is one of the countries most severely affected by geological disasters. Researching high-precision and highly reliable methods for monitoring and predicting landslide deformation holds practical significance for disaster prevention and mitigation efforts. Using the massive Outang landslide in the Three Gorges Reservoir Area as a case study, this paper addresses the issue of the atmospheric interference in extracting landslide deformation using time-series InSAR technology. To correct for atmospheric effects, the GACOS model is introduced and validated against GNSS observation data. To address the often-overlooked temporal-spatial analysis before landslide deformation prediction, the Moran index and Hurst index are calculated to analyze the spatiotemporal characteristics of landslide deformation. Recognizing that landslide deformation is influenced not only by historical deformation but also by various external factors, this paper proposes coupling landslide influencing factors with deformation data for prediction. A Long Short-Term Memory (LSTM) model, optimized by Variational Mode Decomposition (VMD) and the Sparrow Search Algorithm (SSA), is employed for the prediction. By decomposing landslide displacement data into trend, periodic, and random components using VMD, the LSTM network structure is constructed. SSA is used to determine the optimal number of hidden units, maximum training periods, and the initial learning rate of the LSTM model. Additionally, methods such as data normalization, regularization, and model evaluation are employed to enhance the performance and stability of the LSTM model. Finally, the model is trained using the influencing factors and decomposed displacement data to predict landslide deformation. The results indicate that: (1) From January 2021 to June 2023, the maximum and minimum deformation rates of the Outang landslide were -72.75 mm/a and 50.74 mm/a, respectively; (2) The deformation in the study area exhibits positive spatial autocorrelation, with the landslide in the settlement area showing a persistent trend; (3) The prediction error of the LSTM model optimized by VMD and SSA is only 0.37 mm, representing an 11.004% accuracy improvement compared to the standard LSTM model. Based on time-series InSAR technology and spatiotemporal analysis results, this paper constructs a high-precision prediction model for landslide deformation, incorporating multiple influencing factors. This model provides a valuable reference for the prevention and control of landslide disasters.

Key words： remote sensing science and technology; landslide deformation monitoring; spatio-temporal characteristics analysis; temporal InSAR; Outang landslide; high precision prediction; GACOS; Outang landslide

1 引言

滑坡是指岩土体受自然或人为因素影响，沿一定滑动面整体滑动的现象，是对世界影响最大的地质灾害之一。滑坡的突发性和不确定性给全世界人民造成了严重的生命威胁和财产损失。我国是受地质灾害影响最大的国家之一，研究如何高效地完成对滑坡区域的形变进行提取、评估与预测，从而避让和预防这些灾害，对于滑坡灾害的治理和防范、土地利用和规划、人民财产安全的保障都具有重大意义。
自2000年以来，关于滑坡形变提取与预测的研究中，合成孔径雷达干涉测量（Interferometric Synthetic Aperture Radar, InSAR）技术凭借着亚厘米级甚至毫米级的地表形变测量精度、不受天气条件的限制的全天候观测能力、多时相形变监测、以及非接触性测量等优点[1-2]，成为了提取大范围，多时相，微小滑坡地表形变中重要的工具。InSAR技术已经被广泛应用，例如闫斌等[3]利用D-InSAR技术实现了高海拔排土场边坡潜在滑移点与滑移量的识别。Moulishree等[4]利用PS-InSAR技术研究了发生在Satluj河谷里巴村和Pangi村的3次滑坡以及Sangla山谷的Batseri滑坡，绘制了Satluj河谷沿线的潜在滑坡区域，实现了未来滑坡的潜在位置识别，并提供了早期预警滑坡地图，以支持未来高度变形地区的灾害预防。Li等[5]在研究区域内，采集了Sentinel-1A卫星的多幅合成孔径雷达(SAR)图像，并利用SBAS-InSAR获得地表变形，证实了结合升降轨道图像可以成功地应用于复杂山区的滑坡监测。上述学者的研究验证了D-InSAR、PS-InSAR、SBAS-InSAR运用于滑坡监测的可行性，但是时空失相干、轨道误差和大气延迟等问题仍然限制了 InSAR技术获取准确地形信息[6]，其中大气延迟中的对流层延迟误差是主要误差源。对流层延迟误差指的是大气对流层中的电子信号传播速度的变化所导致的相位误差。这种误差主要是由于大气中的水蒸气含量、温度和压力等因素引起的折射率变化造成的。对流层中的这些变化会导致雷达信号的路径长度发生变化，从而影响到InSAR干涉图的质量[7]。对于高精度的InSAR应用而言，对流层大气延迟，极大的影响了InSAR形变测量的精度[8]，成为了一个重要的误差源。研究和选用合适的大气误差校正方法，成为InSAR应用中的关键问题之一。
与此同时，LSTM（Long Short-Term Memory）模型在提取和预测滑坡形变方面得到了广泛应用，如Zhao等[9]将无人机摄影测量与LSTM神经网络相结合，为TRIGRS模型获得更精确的输入数据，为在缺乏历史降雨记录和滑坡清单的地区预测降雨诱发的浅层滑坡提供了有效的方法。Xing等[10]验证了基于双移动平均(DMA)方法和长短期记忆(LSTM)网络的耦合预测模型是滑坡位移点预测的较好解决方案。Li等[11]提出了一种基于自适应噪声全系综经验模态分解(ICEEMDAN)、近似熵(ApEn)和卷积长短期记忆(CNN-LSTM)神经网络改进的滑坡位移动态预测模型并在三峡库区八字门滑坡中得到验证，该模型不仅预测精度高，而且更稳定，可以为实际的滑坡防治工程提供新的见解。上述学者的研究均验证了LSTM模型运用于滑坡形变预测的有效性，随着深度学习技术的不断进步，基于时序InSAR数据利用深度学习方法进行时序预测已成为研究热点，尤其LSTM[12]网络应用最为突出[13]。此外，王震豪等[14]、Wang等[15]、Liu等[16]、以及Khalili等[17]的研究进一步证明了，在滑坡形变预测领域，LSTM模型相较于其他模型具有更高的先进性和预测精度。滑坡变形受其地质条件和多种环境因素的影响，具有动态性、非线性和不稳定性的特点[11]，而LSTM模型在预测非平稳、非线性的时序滑坡形变时精度还有待提高，且多数学者并未考虑在预测前对形变区域进行时空分析，从而揭示变化规律、提取有用信息、帮助完成时间序列建模。因此构建考虑时空分析、结合多影响因子、融合优化算法的LSTM模型，成为实现滑坡形变高精度预测的有效方法之一。
藕塘特大滑坡作为三峡库区库岸滑坡的典型代表，也有学者利用时序InSAR技术[18]、非均匀大气相位校正方法[19]、SVM模型[20]实现了滑坡监测，但并未基于时序InSAR技术，综合考虑大气校正、时空分析、影响因子等来实现滑坡高精度预测。本文针对时序InSAR滑坡形变提取过程中大气延迟问题，利用在时序InSAR技术中加入通用型大气校正在线服务(Generic Atmospheric Correction Online Service for InSAR, GACOS)[21⇓-23]的方法的获取更加精确的滑坡形变数据；针对滑坡形变预测前较少考虑时空分析问题，利用莫兰指数（Moran's I）分析滑坡形变的空间自相关性,揭示滑坡形变集聚区域的具体位置。计算Hurst指数评估滑坡形变的持续性，筛选出具有代表性的点用于滑坡形变预测；针对滑坡形变的发生不仅与形变相关，还与影响因子密切联系且时序滑坡形变数据不易获取、非平稳、非线性以及含有复杂噪声的问题，在时空分析结果基础上，耦合影响因子与滑坡形变构建变分模态分解（Variational Mode Decomposition, VMD）麻雀搜索算法（Sparrow Search Algorithm, SSA）长短期记忆网络（LSTM）模型完成滑坡形变预测。这种组合方法为滑坡形变的提取与预测提供了工具，有助于提高滑坡监测的准确性和效率，为滑坡灾害的预防和预测提供重要支持。

2 研究方法

本研究以SARSCAPE5.6.2，PyCharm，MATLAB等软件为关键技术平台。结合PS-InSAR和SBAS-InSAR技术提取滑坡形变数据，并利用GACOS数据集进行大气校正以提高形变提取精度。同时，将滑坡形变数据与GNSS数据对比，验证了可靠性。随后，利用形变数据计算Moran's I衡量整个区域的空间自相关程度，揭示滑坡形变集聚区域的具体位置；计算Hurst指数评估区域持续性，并筛选出具有代表性的点用于滑坡形变预测，深入探讨了滑坡形变信息的时空特征。最后，利用滑坡形变和影响因子数据，建立滑坡形变预测的VMD-SSA-LSTM模型，并与VMD-LSTM、SSA-LSTM、LSTM模型进行精度对比，验证精确度。研究过程的详细技术路线可见图1。
图1 利用时序InSAR和LSTM的滑坡形变时空分析与预测技术流程

Fig. 1 Flow chart of temporal and spatial analysis and prediction of landslide deformation using InSAR and LSTM

2.1 结合GACOS的时序InSAR滑坡形变监测

InSAR技术通过分析合成孔径雷达（SAR）成像时的相位差来获取地表形变信息。而PS-InSAR技术，选取了在长时间序列上保持高相干性的永久散射体（PS）点，构建稀疏的PS网络。基于地形相位、大气相位、形变相位各自独特的时空特征，分离出所需的相位，最终得到高精度的监测结果[24]。SBAS-InSAR技术，则在这个基础上是通过设定适宜的时间基线和空间基线，产生一系列短时间基线的差分干涉图，有效地克服了时空相干性丧失的问题[25]。而结合GACOS大气校正则可以提高InSAR沉降观测量测量精度、减少大气延迟影响[26]、改善变形监测和提高数据解释的可靠性等方面[27]，有助于更准确地获取地表形变信息并解释地质现象[28]。
使用时序InSAR技术获取覆盖研究区的Sentinel-1A数据的地表形变信息是一个复杂的过程。首先，数据必须经过导入、裁剪等一系列预处理步骤，然后利用PS-InSAR技术进行滤波、干涉和第一次反演，以得到GCP参考点。这些参考点通常选在形变较小、相干性高的区域，符合SBAS中GCP点选取的标准。这使得PS中的参考点能够成功应用在SBAS中，作为轨道精炼的GCP点。
接着，在SBAS-InSAR技术中，采用了由李振洪[21⇓-23]团队开发的GACOS数据集进行大气校正，数据集包括：空间分辨率0.1°、时间分辨率6 h的高分辨率ECMWF天气模型[29]；GNSS对流层延迟产品；空间分辨率90 m的航天飞机雷达地形测绘使命（Shuttle Radar Topography Mission, SRTM）[30]与先进星载热发射和反射辐射仪全球数字高程模型（Advanced Spaceborne Thermal Emission and Reflection Radiometer Global Digital Elevation model, ASTER GDEM）地形数据[31]。利用SBAS-InSAR技术执行滤波、干涉、反演和地理编码等步骤，来获取研究区地表形变沿雷达视线方向（LOS）在时间序列上的位移特征。这些位移数据需要被分解到垂直方向（VD），以符合研究的需求。在整个SBAS-InSAR处理过程中，需要根据研究区情况和数据基础综合考虑，合理地调整和选择时间基线阈值、空间滤波方法、相位解缠阈值、空间小波大小、最小有效干涉图百分比等参数。合适的参数有助于处理大气延迟、结果稀疏性等问题，以获得更为理想的形变和速率结果。
最后，通过将时序InSAR获取的地表形变结果与GNSS实地地表形变监测垂直方向（VD）的结果进行交叉验证分析，验证数据的可靠性。

2.2 滑坡形变时空分析

2.2.1 滑坡空间自相关分析

全局莫兰指数和局部莫兰指数可以对滑坡形变的空间自相关性进行分析[32-33]。本文利用两点之间的距离定义空间权重矩阵，进而计算全局Moran's I 和局部Moran's I，全局Moran's I用于衡量整个区域的空间自相关程度，局部Moran's I用于揭示滑坡形变集聚区域的具体位置。
计算全局莫兰指数统计量I：
I = n ∑ i = 1 n ∑ j = 1 n ω i j ( x i - x - ) ( x j - x - ) W ∑ i = 1 n ( x i - x - ) 2
局部莫兰指数统计量Ii：
I i = ( x i - x - ) s 2 ∑ j = 1 n ω i j ( x i - x - )
式中：I是全局莫兰指数；Ii是位置i处的局部莫兰指数；n是观测值的数量；i，j是索引变量，它们分别代表不同的观测点或者说是不同位置上的样本点；xi是在位置i观测到的变量值； x -是标准化观测值的平均值；ωij是观测值i和j之间的空间权重；W是所有ωij的总和；s2是标准差即为：
s 2 = ∑ i = 1 N ( x i - x - ) 2 N

2.2.2 滑坡形变持续性分析

Hurst指数[34]用于定量评估滑坡形变数据的长期记忆性，揭示滑坡历史形变对未来形变的影响[35]。本文利用重标记极差分析（Rescaled Range Analysis，R/S）方法，计算Hurst指数，评估滑坡形变的持续性或反持续性。
R S n = C × n H
式中：R为3年滑坡形变数据序列的极差；S为该时段内的标准差；n为每个时间子序列的长度；C为常数；H为Hurst指数值。

2.3 耦合滑坡影响因子及形变量的滑坡形变预测

由于滑坡形变的发生不仅与历史形变有关，还受多种影响因子的影响，因此选取合适的影响因子对滑坡形变预测至关重要。为确保滑坡形变与影响因子数据在时间和空间上的对应，本研究选取了同一研究区域内的影响因子数据，并以源数据的时间分辨率为基准进行了数据匹配。鉴于影响因子的时间分辨率显著高于卫星影像数据，这种方法确保了所有数据集的时空尺度[36]一致，从而满足了本研究的需求。在此基础上，参考前人在滑坡形变预测研究中选取的影响因子[11,37-38]，本研究选择了具有未来时间效应的影响因子，例如，降雨量：未来持续或高强度的降雨会显著增加滑坡的风险。大量降雨渗透到地下，使土壤含水量增加，孔隙水压力上升，有效应力减小，降低了土体的抗剪强度。同时，雨水的冲刷作用可能破坏坡体表面的稳定性。长期来看，降雨模式的变化，如更频繁的暴雨事件，将加大滑坡发生的可能性和形变程度。最终，本研究选定了降雨量、日均气温、地下水位深度、地下水位流速这4个影响因子，并通过耦合滑坡影响因子与形变量，构建VMD-SSA-LSTM深度学习模型，以实现滑坡形变的高精度预测。
首先，根据前文形变监测与时空分析的结果，选取沉降区域且具有持续性的滑坡形变数据，并将其与降雨量、日均气温、地下水位深度、地下水位流速这些时序数据进行了缺失值处理和异常值处理。针对原始数据部分缺失问题，采用了三次样条拟合[39]方法处理；对于原始数据异常值，则根据实际情况进行筛选、剔除。接着，将经过处理的数据应用VMD[40]方法分解为3种本征模态函数（Intrinsic Mode Functions，IMFs）分别表示趋势项，周期项和随机项。随后，将分解后的IMFs数据集使用滑动窗口法[41]划分为监督训练的输入输出集。在时间上，输人序列长度为5，即5期数据，输出序列长度为1，即1期数据，滑动的步长为1，即1期数据，最后一次滑动作为测试数据，剩下的数据按照8:2划分为训练集与测试集。与此同时，通过数据归一化[42]、正则化[43]、学习率调度、模型评估等方法提升LSTM模型的性能和稳定性，确保数据的可靠性，使模型具备良好的泛化能力。之后，构建LSTM网络结构，运用SSA[44]寻找LSTM模型最优的隐藏单元数目、最大训练周期和初始学习率。最后，在训练集上训练LSTM模型[45]，利用训练好的模型对测试集进行预测，并进行反归一化处理。将各个IMFs数据集的预测结果相加，最终得到滑坡形变的预测结果。
为了分析每个算法对模型预测性能的具体影响，本研究采用了消融实验的方法[46]。通过逐一移除模型中的算法进行训练和预测，量化分析每个被移除的算法对模型预测性能的影响。实验设计包括4组不同的配置：1组作为基准实验，使用包含所有算法的完整模型（VMD-SSA-LSTM）进行训练和预测；另外3组实验分别从完整模型中移除VMD算法（SSA-LSTM）、移除SSA算法（VMD-LSTM），以及同时移除VMD和SSA算法（LSTM）。采用均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）、以及决定系数（R2）作为评估指标，通过比较这4个模型在训练和预测阶段的精度，评估各个算法对模型预测精度提升的具体贡献。

3 研究区域与数据来源

3.1 研究区概况

本文研究区为三峡库区藕塘特大滑坡以及周边区域。藕塘滑坡是三峡库区库岸滑坡的典型代表，多年来一直是该领域的重要研究对象，被视为库岸滑坡研究的经典案例[47⇓-49]。研究区位于奉节县安坪镇，坐落于长江南岸，在长江三峡库区腹心地带。该地形属于构造―浅切割河谷单斜顺向岸坡，南高北低。滑坡体的整体地形呈现折线型斜坡，具有上陡下缓的特点，坡度一般在12°~38°之间，局部区域的陡坡地带可达40°~62°。在平面上呈现斜歪倒立“古钟”状，前部较宽后部较窄，滑坡体的最大纵长约为1 800 m，面积约为1.78 km2，高差约为600 m，体积约为9 000×104 m3[50]。该滑坡区域属于亚热带季风气候，年平均气温约为16.3 ℃，年平均降雨量为 1 147.9 mm，降水丰沛且集中在5—9月[51]、地区水系发育，自然条件有利于滑坡、泥石流、崩塌等地质灾害的发育，使研究区成为地质灾害频发的重灾区。

3.2 数据来源

本文选取了65景升轨、干涉宽幅模式、VV极化方式的Sentinel-1A的卫星影像与相对应的卫星精密轨道数据作为源数据，时间跨度为2021年1月—2023年6月，时间分辨率为12 d，数据来自美国阿拉斯加大学费尔班克斯校区的一个卫星数据处理中心（https://search.asf.alaska.edu/）[52]。获取了研究区域内、时间分辨率相同的GACOS数据集，数据来自于InSAR通用大气校正在线服务网站（http://www.gacos.net/）[53]。ALOS数字高程模型，分辨率为12.5 m，数据来自于重庆市基础地理信息数据库。GF-1、GF-2以及ZY3-01高分辨率遥感卫星影像数据，数据来自于国家高分辨率对地观测系统重庆数据与应用中心。获取了时间分辨率为1 d的多种影响因子数据，具体包括：藕塘滑坡区域的8个GNSS监测站点的地表绝对位移数据，1个雨量计观测站点降雨量数据，时间跨度均为2022年5月—2023年7月；9个水位测量仪观测站点的地下水位和流速数据，时间跨度为2021年1月—2023年 7月，数据来自于重庆市地质灾害综合防治信息系统，以及2020—2022年全球气象站站点逐日平均气温数据，数据来源于美国国家海洋和大气管理局（NOAA）下设的国家环境信息中心（NCEI）(https://www.ncei.noaa.gov/)。为确保不同数据源之间的一致性，本文使用的所有数据均取自研究区域内，并以源数据的时间分辨率为基准进行了数据匹配，保证了数据在时空方面的一致性。数据来源与相关信息如表1所示，研究区范围、滑坡范围与各类监测点位置如图2所示。
表1 数据来源与相关信息

Tab. 1 Data sources and related information

数据名称 时间跨度 分辨率 数据来源
卫星影像、卫星精密轨道数据 2021年1月—2023年6月 12 d 美国阿拉斯加大学费尔班克斯校区的一个卫星数据处理中心（https://search.asf.alaska.edu/）
GACOS数据集 2021年1月—2023年6月 12 d InSAR通用大气校正在线服务网站（http://www.gacos.net/）
ALOS数字高程模型 2010年9月—2010年11月 12.5 m 重庆市基础地理信息数据库
GF-1、GF-2以及ZY3-01高分辨率遥感
卫星影像数据		 2018年5月—2023年4月 2~8 m 国家高分辨率对地观测系统重庆数据与应用中心
8个GNSS监测站点的地表绝对位移数据 2022年5月—2023年7月 1 d 重庆市地质灾害综合防治信息系统
1个雨量计观测站点降雨量数据 2022年5月—2023年7月 1 d 重庆市地质灾害综合防治信息系统
9个水位测量仪观测站点的地下水位和
流速数据		 2021年1月—2023年7月 1 d 重庆市地质灾害综合防治信息系统
图2 研究区范围、藕塘滑坡范围与各类监测点位置示意图

Fig. 2 Schematic diagram illustrating the study area boundaries, Outang landslide extents, and locations of various monitoring points

4 结果与分析

4.1 滑坡形变提取结果

利用结合GACOS的时序InSAR技术，成功获取了68 358个藕塘滑坡地表形变点数据，根据形变速率将其划分为12个等级。滑坡区域的形变速率统计图与结果与空间分布如图3、图4所示，直观地展现了地表变化的动态过程。
图3 2021年1月—2023年6月藕塘滑坡形变平均位移速率分布

Fig. 3 Distribution map of mean displacement rate of landslide deformation from January 2021 to June 2023

图4 2021年1月—2023年6月藕塘滑坡形变点形变速率数量统计

Fig. 4 Statistical map of deformation rate and quantity of deformation point of Youtang landslide from January 2021 to June 2023

据图3可见，研究区域最大的沉降速率达到了-72.75 mm/a，而最大的上升速率为50.74 mm/a。研究区域存在3个显著的高沉降速率区域，即图3中的1—3号区域。这3处区域高沉降速率形变点集中分布且密集，1号和2号区域的沉降速率较高且范围集中，而3号区域的范围较大但速率较低。
从图4可见，研究区域形变速率集中在-30~ 20 mm/a之间，约占了全域形变点的95.20%。其中，形变速率在-20~10 mm/a之间的形变点共计54 181个，占全域形变点的79.30%，覆盖了研究区大部分 区域。
为验证在时序InSAR技术中引入GACOS数据集进行大气校正的方法提取的滑坡形变数据的可靠性，本研究将大气校正前后的InSAR形变数据与重庆市地质灾害综合防治信息系统中关于藕塘滑坡的8个地表绝对位移数据进行对比。为确保数据的可比性，选取每个监测站点周围10 m范围内的所有形变点数据，并在剔除异常值后取平均值。然后，将这些平均值与观测站点的GNSS数据竖直方向上的位移量（VD）进行对比。采用RMSE、MAE作为评估标准，以验证形变结果的可靠性。具体结果详见表2。
表2 2022年5月—2023年7月藕塘滑坡各GNSS监测站点与InSAR形变点形变速率对比

Tab. 2 Comparison of deformation rates between GNSS monitoring stations and InSAR deformation points in Youtang landslide from May 2022 to July 2023

设备编号 形变速率/(mm/month) 评估指标/(mm/month)
GNSS InSAR大气校正前 InSAR大气校正后 改正前速率差 改正后速率差 RMSE MAE
GTA8 -1.87 -0.09 -0.73 -1.78 -1.14 0.75 0.61
GTA9 -0.58 -0.22 -0.55 -0.36 -0.03
GTA0 -1.80 0.26 -0.35 -2.06 -1.45
GTA1 -0.56 0.10 -0.85 -0.66 0.29
GTA2 -0.83 0.34 -0.36 -1.17 -0.47
GTA3 -0.47 -0.15 -0.96 -0.32 0.49
GTA4 -0.52 -0.51 -0.94 -0.01 0.42
GTA5 -0.69 -0.78 -1.28 0.09 0.59
均值 -0.92 -0.18 -0.75 -0.74 -0.17
从表2可见，大气校正后的InSAR形变速率与GNSS形变速率更接近，速率差和误差都更小。这表明引入GACOS数据集进行大气校正可提高InSAR沉降观测测量精度、有助于更准确地获取地表形变信息并解释地质现象。总体上，GNSS形变速率略高于InSAR形变速率。二者间月形变速率差值在-1.45~0.59 mm/month之间，其中有5个点的差值小于0.50 mm/month，平均差值为-0.16 mm/month。此外，RMSE、MAE的数值均小于0.80，这表明引入GACOS的时序InSAR技术提取的滑坡形变数据与GNSS观测值趋势相同且误差较小，进一步证明通过该方法获取的滑坡形变数据具有较高的可靠性。

4.2 滑坡形变时空分析结果

4.2.1 空间分析结果

利用时序InSAR技术获得的68 358个形变点数据的形变速率用作空间分析。为了衡量形变点之间的空间关联性，首先，根据两点之间的距离定义了空间权重矩阵。随后，计算了Moran's I和局部Moran's I。
Moran's I的取值范围为[-1, 1]，[0,1]说明滑 坡形变呈现空间正相关，值越大空间相关性越强；[-1, 0]之间说明存在负相关的关系，而0值表示随机分布。根据全局Moran's I分析结果可知，全局Moran's I为0.51，表明各形变点之间存在正向的空间自相关性。预期指数为-0.000 015，这意味空间分布不是随机的。方差为0，这说明所有观测值具有相同的Moran's I，即不存在变异性。
进行局部Moran's I分析有助于了解形变数据在空间上的聚集和分散情况，识别揭示滑坡形变集聚区域的具体位置，并揭示空间数据的空间关联模式。局部Moran's I分析结果如图5所示，图中将每个观测值及其邻近观测值的空间关系分类为4种类型：HH（High-High）、HL（Low-High）、LL（Low-Low）和LH（High-Low），便于更清晰地观察空间数据的特征。
图5 2021年1月—2023年6月藕塘滑坡空间关系分类

Fig. 5 Classification of spatial relationships in Youtang landslide from January 2021 to June 2023

HH代表抬升区域。抬升区域主要分布在研究区的外围，远离滑坡中心，形成了对核心地带的包围状势。
LL则表示沉降区域。沉降区域主要集中在滑坡的核心地带，其中有3个明显的集中地带，表现出相对的聚集性。
LH和HL则表示边界区域。代表抬升区域和沉降区域之间的过渡区域。这些区域在图中呈现分散分布，同时存在于HH和LL区域之间，显示出抬升区域和沉降区域之间没有明显的边界。
综合全局Moran's I与局部Moran's I分析结果，可以得出以下结论：研究区具有显著的正向空间自相关性，沉降与抬升形变点在空间上各自聚集。沉降区域主要集中分布在核心地带，且与使用时序 InSAR技术提取的高沉降速率区域相对应。抬升区域则分布在外围，并包围着沉降区域，二者之间并没有明显的边界。研究区显示出显著的空间模式。

4.2.2 持续性分析结果

利用时序InSAR技术获得的68 358个形变点的形变时序数据，采用R/S方法计算各自的Hurst指数，然后将这些Hurst指数赋予相应形变点并进行分类，以评估滑坡形变的持续性。形变点Hurst指数分析结果如图6所示。
图6 2021年1月—2023年6月藕塘滑坡形变点Hurst指数分布

Fig. 6 Hurst index distribution map of landslide deformation point in Youtang from January 2021 to June 2023

Hurst指数的取值范围是0~1之间。将Hurst结果分为了3类，当0.5 < H ≤ 1，表明滑坡形变时间序列具有长期记忆性，未来的形变和历史形变趋势一致，具有持续性；当0<H ≤0.5，表明滑坡形变趋势和历史趋势相反，具有反持续性；当H≈0.5，表示该时间序列为随机序列。从图6可见，呈现随机性的形变点数量极少。在显示沉降特征的1、2、3号区域中，持续性形变点分布相对较为集中，具有持续性的形变点占据多数，整体形变趋势具有持续性。对比图3与图6可见，在此区域内，部分沉降形变点与抬升形变点表现出反持续性，这表明，并非所有发生沉降的点都会持续下沉，同样，抬升点也可能会发生的沉降。因此，要想精确预测滑坡形变，应在预测前评估研究区域的整体趋势，并根据整体趋势筛选出具有代表性的点用于滑坡形变预测。根据形变规律分析结果，本文选择了位于1号沉降区域，Hurst指数为0.70，具有持续性沉降趋势的JW06水位仪处的形变点作为后续预测的例子。

4.3 滑坡形变预测及结果

以JW06水位仪监测的形变点为例，结合日均降雨量、地下水位深度、地下水位流速以及气温这 4个的影响因子，构建VMD-SSA-LSTM模型，完成对滑坡形变的预测。
（1）利用VMD将32期滑坡形变量原始信号分解成3个固有模态函数（IMFs）。它们分别代表了趋势项、周期项和随机项，分解结果如图7所示。这些IMFs提供了关于滑坡形变变化的不同尺度和频率的信息，与此同时这些模态的总和能更好地重构原始信号，并更好地捕捉滑坡形变的变化趋势和周期性，提高预测的准确性和可靠性。
图7 2022年5月—2023年7月藕塘滑坡形变数据VMD分解结果

Fig. 7 VMD decomposition results of landslide deformation data of Youtang from May 2022 to July 2023

（2）使用麻雀搜索算法（SSA）寻找最优的LSTM模型超参数，超参数包括：隐藏单元数目、最大训练周期和初始学习率。设置了种群数量为3、最大迭代次数为50、优化的超参数维度为3，以及超参数的上限[300,300,0.01]，下限[50,50,0.001]。使用RMSE评估每个超参数组合的性能，最后选择了在测试集上平均性能最好的一组超参数。将最优的超参数运用到模型中，通过优化这些超参数，提高了LSTM模型性能、准确性和泛化能力，使得模型更好地适应了滑坡形变数据的特性，从而提高了预测的效果和稳定性。最优的LSTM模型超参数如表3所示。
表3 SSA超参数寻优结果

Tab. 3 Optimal hyperparameter tuning results for SSA

超参数 初始参数 SSA-LSTM VMD-SSA-LSTM
最优隐藏单元数目 100 51 300
最优最大训练周期 300 205 300
最优初始学习率 0.01 0.01 0.01
（3）使用训练集根据最优最大训练周期数训练LSTM模型，从图8可见模型训练过程中，损失函数（Loss）和均方根误差（RMSE）变化收敛正常，训练过程中易出现的过拟合被有效抑制，再利用训练好的模型对测试集进行单步预测。为了研究每一个算法对于模型预测性能的具体影响，以消融实验的方法，来进行量化分析。
图8 VMD-SSA-LSTM模型训练过程中指标值变化

Fig. 8 Changes of index values during VMD-SSA-LSTM model training

考虑到VMD分解算法对原始数据进行分解再相加的过程存在数据损失，导致与原始数值存在差异，因此将模型训练结果根据是否运用VMD分解分为2组会更直观，模型训练结果对比图与评价指标结果表如图9、表4所示。
图9 4种模型训练结果对比

Fig. 9 Comparison of training results of four models

表4 4种模型训练结果评价指标对比

Tab. 4 Comparison of four evaluation indexes of model training results

评价指标 预测模型
LSTM SSA-LSTM VMD-LSTM VMD-SSA-LSTM
RMSE/mm 1.06 0.97 0.21 0.16
MAE/mm 0.87 0.78 0.16 0.12
MAPE/% 2.36 2.08 0.45 0.33
R² 0.885 0.903 0.991 0.995
根据图8、表4可见，VMD-SSA-LSTM模型的RMSE、MAE、MAPE值均为最低，R²值为最高，这表示模型的拟合误差最小，精度最高，其次是VMD-LSTM，SSA-LSTM，最后是LSTM。以R²为例，相较于LSTM，SSA提升了0.018，VMD提升了0.106，VMD-SSA提升了0.110。由此可见，使用VMD与SSA算法均能有效的提高LSTM模型的拟合精度，且VMD的提升效果优于SSA，VMD-SSA的提升效果最为显著。在完成模型训练后，进行单步预测，并通过RMSE、MAPE进行了精度评估。预测结果如表5所示。
表5 4种模型预测结果与评价指标对比

Tab. 5 The prediction results of the four models were compared with the evaluation indexes

评价指标 预测模型
LSTM SSA-LSTM VMD-LSTM VMD-SSA-LSTM
预测值/mm -34.04 -35.32 -35.45 -35.70
RMSE/mm 2.03 0.74 0.62 0.37
MAPE/% 5.63 2.06 1.70 1.02
JW06号滑坡点的观测形变量为-36.07 mm，通过表5可知，LSTM、SSA-LSTM、VMD-LSTM、VMD-SSA-LSTM 4个模型的预测误差分别为2.03、0.74、0.62、0.37 mm，VMD-SSA对于模型预测精度的提升最大，最接近观测值，且RMSE、MAPE均为最低，展现了最佳的预测性能。其次是VMD-LSTM，再次是SSA-LSTM，最后是LSTM，可见VMD与SSA对模型预测精度的提升与训练集拟合趋势相符。这一预测结果相较于Li等[11]、黄发明等[54-55]在同一类型的库岸滑坡形变预测中使用的GRU、SVM、BP、ELM等基础机器学习方法表现更佳，预测精度更高。这在一定程度上验证了新方法相对于其他机器学习方法的优越性。这种精确性可归因于该模型结合了VMD和SSA技术的优势，解决了时序形变数据复杂、非平稳、非线性的问题，提高了模型的泛化能力、效率与预测的准确性。这也表明VMD-SSA-LSTM模型在滑坡形变量预测中具有潜力，并可在实际应用中提供准确的预测结果。

5 结论与讨论

5.1 结论

本文创新性的提出了时序InSAR和LSTM相结合的滑坡形变时空分析与预测方法，以实现 滑坡形变的高精度监测与预测。首先，通过结合PS-InSAR和SBAS-InSAR技术，提取三峡库区藕塘特大滑坡的形变数据。在提取过程中，引入GACOS数据集进行大气校正，提高形变提取的精度，实现滑坡形变的高精度监测。然后，利用提取的形变数据计算Moran's I指数和Hurst指数。并通过这些指数对滑坡区域进行时空分析。最后，基于时空分析的结果，建立耦合滑坡形变与影响因子的VMD-SSA-LSTM预测模型，实现滑坡形变的高精度监测。通过以上实验，验证了该方法的有效性与精度。
（1）通过在时序InSAR技术中引入GACOS数据集进行大气校正的方法成功获取了藕塘特大滑坡的地表形变数据。结果显示，研究区形变速率最高与最低分别为-72.75 mm/a、50.74 mm/a，存在3个明显的高沉降速率区域。将获取的地表形变数据与GNSS观测数据对比验证，二者的平均差值为-0.16 mm/month，RMSE、MAE的数值均小于0.80，这说明二者形变趋势相同且误差较小。这一结果证明了此方法获取的滑坡区域地表形变数据具有较高的精度，实现了藕塘滑坡形变的高精度监测。
（2）基于Moran's I和Hurst指数对地表形变数据进行时空分析可筛选出形变热点区域。利用提取的地表形变数据计算Moran's I与Hurst指数进行时空分析。运用Moran's I识别出了研究区内的高沉降速率区域与显著的正向空间自相关性；运用Hurst指数确定了沉降区域滑坡形变的持续性，并筛选出代表性形变点—JW06，用于构建VMD-SSA-LSTM滑坡形变预测模型。对滑坡形变进行时空分析可为滑坡的高精度预测筛选热点区域，完成滑坡形变预测的代表性目标选取。
（3）耦合影响因子与滑坡形变的VMD-SSA-LSTM模型在藕塘滑坡的形变预测精度最优，与VMD-LSTM、SSA-LSTM及LSTM模型相比，预测误差仅为0.37 mm。经VMD与SSA优化后的LSTM模型，在结合时空分析结果与耦合多种影响因子的情况下，仅使用32期滑坡形变量数据便达到了较高的预测精度。这种方法有效地减少了滑坡形变预测所需的时序数据长度，并提升了预测精度，在滑坡形变预测中展现出极大的潜力。表明该方法有助于更早地识别和监测滑坡风险，为地质灾害管理与预防提供有力支持。

5.2 讨论

本研究展示了从滑坡形变提取、规律分析到高精度预测的全过程，为滑坡形变的监测和预测提供了新的研究思路与重要参考，为地质灾害管理和预防提供了科学依据。本研究主要聚焦于LSTM类型的模型，虽然与他人研究所用的一些基础模型进行了简单对比，但仍缺乏一定的周密性，未来的研究应深入探索与其他类型模型的对比分析，以更全面地探讨这种方法的优越性与局限性。此外，由于滑坡区域影响因子数据获取困难，当前研究在影响因子的选取上存在一定的局限性，故此未来可综合考虑更多因子，延长研究时段，并选择大量持续性形变点，以实现面域预测，提高对滑坡形变的全面监测和预测能力，进一步加强地质灾害管理和预防。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
魏冠军, 高茂宁. 结合TRIGRS模型的黄土滑坡危险性评价粒子滤波数据同化方法[J]. 地球信息科学学报, 2023, 25(10):2084-2092.

DOI

[Wei G J, Gao M N. Particle filter data assimilation method for loess landslide risk assessment combined with TRIGRS model[J]. Journal of Geo-information Science, 2023, 25(10):2084-2092.] DOI:10.12082/dqxxkx.2023.230274

[2]
陈宇, 陈思, 李杰, 等. 融合主成分时空分析与时序InSAR的高精度地表形变信息提取——以徐州地区为例[J]. 地球信息科学学报, 2023, 25(12):2402-2417.

DOI

[Chen Y, Chen S, Li J, et al. High precision extraction of surface deformation information based on principal component spatiotemporal analysis and time-series InSAR: Taking Xuzhou as an example[J]. Journal of Geo-information Science, 2023, 25(12):2402-2417.] DOI:10.12082/dqxxkx.2023.220779

[3]
闫斌, 董建军, 梅媛. 高海拔石灰石排土场汛期潜在滑移区域的D-InSAR评价研究[J]. 安全与环境工程, 2023, 30(6):162-168.

[Yan B, Dong J J, Mei Y, et al. D-InSAR evaluation of potential slip area in high-altitude limestone dump in flood season[J]. Safety and Environmental Engineering, 2023, 30(6):162-168.] DOI:10.13578/j.cnki.issn.1671-1556.20220142

[4]
Joshi M, Kothyari G C, Kotlia B S. Landslide detection in Kinnaur Valley,NW India using PS-InSAR technique[J]. Physical Geography, 2024, 45(2):160-174. DOI:10.1080/02723646.2023.2202932

[5]
Li Y M, Feng X J, Li Y T, et al. Detection and analysis of potential landslides based on SBAS-InSAR technology in alpine canyon region[J]. Environmental Science and Pollution Research International, 2024, 31(4):6492-6510. DOI:10.1007/s11356-023-31473-w

PMID

[6]
杨书成, 黄国满, 程春泉. 基于DEM的SAR影像几何定位参数校正方法[J]. 地球信息科学学报, 2019, 21(4):580-587.

DOI

[Yang S C, Huang G M, Cheng C Q. Correction method of SAR image geometric positioning parameters based on DEM[J]. Journal of Geo-Information Science, 2019, 21(4):580-587.] DOI:10.12082/dqxxkx.2019.180386

[7]
Liu Z W, Fu H Q, Zhu J J, et al. Using dual-polarization interferograms to correct atmospheric effects for InSAR topographic mapping[J]. Remote Sensing, 2018, 10(8):1310. DOI:10.3390/rs10081310

[8]
丁刘建, 陶秋香, 李涛, 等. 高分三号SAR影像广域范围联合几何检校技术[J]. 测绘学报, 2020, 49(5):598-610.

DOI

[Ding L J, Tao Q X, Li T, et al. A joint geometric calibration technique for GF-3 SAR image in wide area[J]. Acta Geodaetica et Cartographica Sinica, 2020, 49(5):598-610.] DOI:10.11947/j.AGCS.2020.20190276

[9]
Zhao L H, Xu X, Lyu G S, et al. Sensitivity analysis of regional rainfall-induced landslide based on UAV photogrammetry and LSTM neural network[J]. Journal of Mountain Science, 2023, 20(11):3312-3326. DOI:10.1007/s11629-023-7991-z

[10]
Xing Y, Yue J P, Chen C. Interval estimation of landslide displacement prediction based on time series decomposition and long short-term memory network[J]. IEEE Access, 2020, 8(2):3187-3196. DOI:10.1109/ACCESS.2019.2961295

[11]
Li L M, Wang C Y, Wen Z Z, et al. Landslide displacement prediction based on the ICEEMDAN, ApEn and the CNN-LSTM models[J]. Journal of Mountain Science, 2023, 20(5):1220-1231. DOI:10.1007/s11629-022-7606-0

[12]
Yang B B, Guo Z Z, Wang L Q, et al. Updated global navigation satellite system observations and attention-based convolutional neural network-long short-term memory network deep learning algorithms to predict landslide spatiotemporal displacement[J]. Remote Sensing, 2023, 15(20):4975. DOI:10.3390/rs15204971

[13]
Radman A, Akhoondzadeh M, Hosseiny B. Integrating InSAR and deep-learning for modeling and predicting subsidence over the adjacent area of Lake Urmia, Iran[J]. GIScience & Remote Sensing, 2021, 58(8):1413-1433. DOI:10.1080/15481603.2021.1991689

[14]
王震豪, 聂闻, 许汉华, 等. 基于EEMD-Prophet-LSTM的滑坡位移预测[J]. 中国科学院大学学报, 2023, 40(4):514-522.

[Wang Z H, Nie W, Xu H H, et al. Prediction of landslide displacement based on EEMD-prophet-LSTM[J]. Journal of University of Chinese Academy of Sciences, 2023, 40(4):514-522.] DOI:10.7523/j.ucas.2022.002

[15]
Wang Y X, Li S Y, Li B. Deformation prediction of cihaxia landslide using InSAR and deep learning[J]. Water, 2022, 14(24):3990. DOI:10.3390/w14243990.

[16]
Liu Y H, Zhang J. Integrating SBAS-InSAR and AT-LSTM for time-series analysis and prediction method of ground subsidence in mining areas[J]. Remote Sensing, 2023, 15(13):3409. DOI:10.3390/rs15133409

[17]
Khalili M A, Guerriero L, Pouralizadeh M, et al. Monitoring and prediction of landslide-related deformation based on the GCN-LSTM algorithm and SAR imagery[J]. Natural Hazards, 2023, 119(1):39-68. DOI:10.1007/s11069-023-06121-8

[18]
史绪国, 徐金虎, 蒋厚军, 等. 时序InSAR技术三峡库区藕塘滑坡稳定性监测与状态更新[J]. 地球科学, 2019, 44(12):4284-4292.

[Shi X G, Xu J H, Jiang H J, et al. Slope stability state monitoring and updating of the outang landslide, Three Gorges area with time series InSAR analysis[J]. Earth Science, 2019, 44(12):4284-4292.] DOI: 10.3799/dqkx.2019.180

[19]
白泽朝, 王彦平, 王振海, 等. 地基大视场SAR形变监测的非均匀大气相位校正方法[J]. 雷达学报, 2023, 12(1):53-63.

[Bai Z C, Wang Y P, Wang Z H, et al. A non-homogenous atmospheric compensation method for deformation monitoring of wide-field ground-based SAR[J]. Journal of Radars, 2023, 12(1):53-63.] DOI:10.12000/JR22120

[20]
江南, 苏爱军. 基于诱发因素响应与DE-SVM模型的滑坡位移预测[J]. 安全与环境工程, 2018, 25(5):44-49,54.

[Jiang N, Su A J. Displacement prediction of landslide based on the response of inducing factors and DE-SVM model[J]. Safety and Environmental Engineering, 2018, 25(5):44-49,54.] DOI:10.13578/j.cnki.issn.1671-1556.2018.05.007

[21]
Yu C, Li Z H, Penna N T, et al. Generic atmospheric correction model for interferometric synthetic aperture radar observations[J]. Journal of Geophysical Research(Solid Earth), 2018, 123(10):9202-9222. DOI:10.1029/2017JB015305

[22]
Yu C, Li Z H, Penna N T. Interferometric synthetic aperture radar atmospheric correction using a GPS-based iterative tropospheric decomposition model[J]. Remote Sensing of Environment, 2018, 204:109-121. DOI:10.1016/j.rse.2017.10.038

[23]
Yu C, Penna N T, Li Z H. Generation of real-time mode high-resolution water vapor fields from GPS observations[J]. Journal of Geophysical Research: Atmospheres, 2017, 122(3):2008-2025. DOI:10.1002/2016jd025753

[24]
Ferretti A, Prati C, Rocca F. Permanent scatterers in SAR interferometry[J]. IEEE Transactions on Geoscience and Remote Sensing, 2001, 39(1):8-20. DOI:10.1109/36.898661

[25]
Berardino P, Fornaro G, Lanari R, et al. A new algorithm for surface Deformation Monitoring based on small baseline differential SAR interferograms[J]. IEEE Transactions on Geoscience and Remote Sensing, 2002, 40(11):2375-2383. DOI:10.1109/TGRS.2002.803792

[26]
杨文韬, 刘国林, 牛冲, 等. GACOS的SBAS-InSAR小尺度大气延迟改正及沉降监测[J]. 测绘科学, 2023, 48(6):73-81.

[Yang W T, Liu G L, Niu C, et al. Small scale atmospheric delay correction of SBAS-InSAR based on GACOS in subsidence monitoring[J]. Science of Surveying and Mapping, 2023, 48(6):73-81.] DOI:10.16251/j.cnki.1009-2307.2023.06.009

[27]
白希选, 张兵强, 徐昊, 等. 基于DEM与GACOS的InSAR同震形变场大气误差校正[J]. 大地测量与地球动力学, 2023, 43(2):191-197.

[Bai X X, Zhang B Q, Xu H, et al. Atmospheric error correction of InSAR co-seismic deformation based on DEM and GACOS[J]. Journal of Geodesy and Geodynamics, 2023, 43(2):191-197.] DOI:10.14075/j.jgg.2023.02.015

[28]
Yu C, Li Z, Bai L, et al. Successful applications of Generic Atmospheric Correction Online Service for InSAR(GACOS)to the reduction of atmospheric effects on InSAR observations[J]. Journal of Geodesy and Geoinformation Science, 2021, 4(1):109-115. DOI:10.11947/j.JGGS.2021.0113

[29]
Frnda J, Durica M, Nedoma J, et al. A weather forecast model accuracy analysis and ECMWF enhancement proposal by neural network[J]. Sensors, 2019, 19(23):5144. DOI:10.3390/s19235144

[30]
Ivanova Y N, Nafigin I O. Using the landsat-8 data set and shuttle radar topography mission digital terrain model for gold-polymetallic mineralization prediction on the territory of the central part of the malouralskaya zone, the polar urals[J]. Izvestiya, Atmospheric and Oceanic Physics, 2023, 59(10):1397-1408. DOI:10.1134/S0001433823120125

[31]
Abrams M, Tsu H, Hulley G, et al. The Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) after fifteen years: Review of global products[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 38:292-301. DOI:10.1016/j.jag.2015.01.013

[32]
茹少峰, 马茹慧. 黄河流域生态环境脆弱性评价、空间分析及预测[J]. 自然资源学报, 2022, 37(7):1722-1734.

DOI

Ma R H. Evaluation,spatial analysis and prediction of ecological environment vulnerability of Yellow River Basin[J]. Journal of Natural Resources, 2022, 37(7):1722-1734.] DOI:10.31497/zrzyxb.20220705

[33]
孙一可, 宫辉力, 陈蓓蓓, 等. 综合莫兰指数和交叉小波的不均匀沉降量化分析[J]. 国土资源遥感, 2020, 32(2):186-195.

[Sun Y K, Gong H L, Chen B B, et al. Quantitative analysis of uneven subsidence by Moran's I and cross wavelet[J]. Remote Sensing for Land & Resources, 2020, 32(2):186-195.] DOI:10.6046/gtzyyg.2020.02.24

[34]
Carbone A, Castelli G, Stanley H E. Time-dependent Hurst exponent in financial time series[J]. Physica A: Statistical Mechanics and Its Applications, 2004, 344(1/2):267-271. DOI:10.1016/j.physa.2004.06.130

[35]
Zhang X C, Chen L X, Zhou C. Deformation monitoring and trend analysis of reservoir bank landslides by combining time-series InSAR and Hurst index[J]. Remote Sensing, 2023, 15(3):619. DOI:10.3390/rs15030619

[36]
Zhang X D, Han X, Sun C S, et al. Effects of landscape pattern on water quality at different spatial and temporal scales in Wuding River Basin and Yanhe River Basin[J]. Huan Jing Ke Xue= Huanjing Kexue, 2024, 45(8):4540-4552. DOI:10.13227/j.hjkx.202307031

[37]
刘航源, 陈伟涛, 李远耀, 等. 基于EEMD-CNN-LSTM的新型综合模型在滑坡位移预测中的应用[J/OL]. 地质力学学报, 2024:1-14.

[Liu H Y, Chen W T, LI Y Y, et al. Application of a novel integrated model based on EEMD-CNN-LSTM in landslide displacement prediction[J]. Journal of Geomechanics, 2024:1-14.] DOI:10.12090/j.issn.1006-6616.2023145

[38]
林宇, 苏爱军. 重庆藕塘滑坡地下水位时间序列混沌性判别与预测[J]. 人民长江, 2020, 51(S1):102-105,131.

Su A J. Chaotic characteristics identification of groundwater level time series of Outang landslide in Chongqing city[J]. Yangtze River, 2020, 51(S1):102-105,131.] DOI:10.16232/j.cnki.1001-4179.2020.S1.024

[39]
Xu G, Chen D H, Zhang X, et al. Improvement of orbit prediction algorithm for SpacecraftThrough simplified precession-nutation model UsingCubic spline interpolation method[J]. Computer Modeling in Engineering & Sciences, 2020, 125(2):865-878. DOI:10.32604/cmes.2020.012844

[40]
Wang X W, Qu X Y, Guo L, et al. Faulty feeder selection based on improved Hough transform in resonant grounded distribution networks[J]. International Journal of Electrical Power & Energy Systems, 2024, 156:109727. DOI:10.1016/j.ijepes.2023.109727

[41]
Yi N C, Li W T, Li Y G, et al. Estimation of feeding composition content based on novel variable sliding window method and layered data reconciliation with multiple modes[J]. Chemometrics and Intelligent Laboratory Systems, 2024, 248:105105. DOI:10.1016/j.chemolab.2024.105105

[42]
游淳淋, 黄明清, 丘浩禹. 基于多元数据归一化处理的破碎岩体质量分级[J]. 中国矿业, 2022, 31(8):158-164.

Huang M Q, Qiu H Y. Quality classification of broken rock mass based on normalization of multivariate data[J]. China Mining Magazine, 2022, 31(8):158-164.] DOI:10.12075/j.issn.1004—4051.2022.08.006

[43]
Chao M T, Lu Y Z, Jian J B, et al. An efficient regularized PR splitting type algorithm for two-block nonconvex linear constrained programs in ℓ1/2 regularized compressed sensing problems[J]. Journal of Computational and Applied Mathematics, 2025, 453:116145. DOI:10.1016/j.cam2024.116145

[44]
Wang Y Y, Sun S D, Cai Z Q. Daily peak-valley electric-load forecasting based on an SSA-LSTM-RF algorithm[J]. Energies, 2023, 16(24):7964. DOI:10.3390/en16247964

[45]
李兰茹, 孟涵, 姚成. 基于SSA-LSTM模型的增江流域洪水模拟[J]. 水利技术监督, 2023, 31(12):152-157.

[Li L R, Meng H, Yao C. Flood simulation of Zengjiang river basin based on SSA-LSTM model[J]. Technical Supervision in Water Resources, 2023, 31(12):152-157.] DOI:10.3969/j.issn.1008-1305.2023.12.041

[46]
姜文文, 夏英. 改进U-Net的多尺度特征融合遥感图像语义分割网络[J/OL]. 计算机科学, 2024:1-10.

[Jiang W W, Xia Y. Improved U-Net Multi-scale feature fusion semantic segmentation network for remote sensing images[J]. Computer Science, 2024:1-10.] https://link.cnki.net/urlid/50.1075.TP.20240726.1947.021

[47]
Zou Z X, Luo T, Zhang S, et al. A novel method to evaluate the time-dependent stability of reservoir landslides: Exemplified by Outang landslide in the Three Gorges Reservoir[J]. Landslides, 2023, 20(8):1731-1746. DOI:10.1007/s10346-023-02056-0

[48]
Dai Z W, Zhang Y J, Zhang C Y, et al. Interpreting the influence of reservoir water level fluctuation on the seepage and stability of an ancient landslide in the Three Gorges Reservoir area: A case study of the outang landslide[J]. Geotechnical and Geological Engineering, 2022, 40(9):4551-4561. DOI:10.1007/s10706-022-02170-1

[49]
Huang D, Luo S L, Zhong Z, et al. Analysis and modeling of the combined effects of hydrological factors on a reservoir bank slope in the Three Gorges Reservoir area, China[J]. Engineering Geology, 2020, 279:105858. DOI:10.1016/j.enggeo.2020.105858

[50]
代贞伟, 殷跃平, 魏云杰. 三峡库区藕塘滑坡特征、成因及形成机制研究[J]. 水文地质工程地质, 2015, 42(6):145-153.

[Dai Z W, Yin Y P, Wei Y J, et al. Characteristics,origin and formation mechanism of the Outang landslide in the Three Gorges Reservoir area[J]. Hydrogeology & Engineering Geology, 2015, 42(6):145-153.] DOI:10.16030/j.cnki.Issn.1000-3665.2015.06.23

[51]
黄达, 匡希彬, 罗世林. 三峡库区藕塘滑坡变形特点及复活机制研究[J]. 水文地质工程地质, 2019, 46(5):127-135.

[Huang D, Kuang X B, Luo S L. A study of the deformation characteristics and reactivation mechanism of the Outang landslide near the Three Gorges Reservoir of China[J]. Hydrogeology & Engineering Geology, 2019, 46(5):127-135.] DOI:10.16030/j.cnki.issn.1000-3665.2019.05.17

[52]
阿拉斯加卫星设施数据搜索平台[EB/OL]. https://search.asf.alaska.edu/.

[ASF Search.[EB/OL]. https://search.asf.alaska.edu/.]

[53]
InSAR通用大气校正在线服务网[EB/OL]. http://www.gacos.net/.

[Generic Atmospheric Correction Online Service for InSAR (GACOS)[EB/OL]. http://www.gacos.net/.]

[54]
黄发明, 殷坤龙, 张桂荣, 等. 多变量PSO-SVM模型预测滑坡地下水位[J]. 浙江大学学报(工学版), 2015, 49(6):1193-1200.

[Huang F M, Yin K L, Zhang G R, et al. Prediction of groundwater level in landslide using multivariable PSO-SVM model[J]. Journal of Zhejiang University(Engineering Science), 2015, 49(6):1193-1200.] DOI:10.3785/j.issn.1008-973X.2015.06.027

[55]
黄发明, 殷坤龙, 杨背背, 等. 基于时间序列分解和多变量混沌模型的滑坡阶跃式位移预测[J]. 地球科学, 2018, 43(3):887-898.

[Huang F M, Yin K L, Yang B B, et al. Step-Like displacement prediction of landslide based on time series decomposition and multivariate chaotic model[J]. Earth Science, 2018, 43(3):887-898.] DOI:10.3799/dqkx.2018.909

Options
文章导航

/

〈 〉