时序InSAR和LSTM结合的滑坡形变时空分析与预测方法

研究方法

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

时序InSAR技术

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。将滑坡形变数据与GNSS数据对比，验证了可靠性。

时空特征分析

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。

预测模型构建

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。

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。

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、改善变形监测和提高数据解释的可靠性等方面，有助于更准确地获取地表形变信息并解释地质现象。

滑坡形变时空分析

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。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。

持续性分析：Hurst指数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。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。

研究区域与数据来源

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。

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°。

图2 研究区范围、藕塘滑坡范围与各类监测点位置示意图

数据来源

表1 数据来源与相关信息

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
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
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

结果与分析

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。

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。

图3 2021年1月—2023年6月藕塘滑坡形变点形变速率数量统计

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

设备编号	GNSS形变速率(mm/month)	InSAR大气校正前(mm/month)	InSAR大气校正后(mm/month)	改正前速率差(mm/month)	改正后速率差(mm/month)
GTA8	-1.87	-0.09	-0.73	-1.78	-1.14
GTA9	-0.58	-0.22	-0.55	-0.36	-0.03
GTA0	-1.80	0.26	-0.35	-2.06	-1.45

滑坡形变时空分析结果

空间分析结果

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-0.000015，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。

持续性分析结果

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。

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。

（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]。

图4 2022年5月—2023年7月藕塘滑坡形变数据VMD分解结果

表3 SSA超参数寻优结果

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

结论与讨论

结论

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。

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。

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```html 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。

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。