基于DInSAR-BP神经网络的震后区域滑坡危险性综合评价研究
发布时间：2021-09-04 20:23
地震对人类的威胁不仅是发生时直接造成的人员伤亡和财产损失,更体现在地震所产生的高隐蔽性、高危险性滑坡隐患体带来的危害,震后区域滑坡隐患体的快速识别和科学评价在震后抢险、排险工作中至关重要。以九寨沟地区"川主寺—九寨沟"公路沿线区域为研究对象,建立了基于DIn SAR-BP神经网络技术的震后区域滑坡危险性综合评价模型。研究结果显示,九寨沟地区震后的滑坡高危险性区域面积约为2602. 35 km2,是震前的3. 4倍,并且这些区域主要分布在震中东北方向约20 km附近、九寨沟景区内以及川九路前70 km,符合震后调查情况;使用多元非线性回归法可以有效计算震后地表形变值对滑坡危险性的影响,使震后危险性评价结果精度提高了13. 9%,证明了模型在研究区域内具有良好的适用性。
【文章来源】：工程地质学报. 2020,28(03)北大核心CSCD
【文章页数】：11 页
【部分图文】：
川九路部分滑坡现场图像
人工神经网络(Artificial Neural Networks,ANN)是一种广泛用于模式识别、分类的通用非线性函数逼近器。神经网络由几组基本单元(神经元)构成，可以实现对输入数据的非线性计算。在人工神经网络中，每个输入节点都有一个分配权值，用于确定输入节点对输出节点的影响，人造神经单元结构如图3所示，其中，si是神经元i的输出，wij是从神经元i到神经元j的连接权重。单元j的输出过程由两步完成:(1)根据公式zj=∑jwijsij计算加权输入zj;(2)使用非线性函数(S函数或双曲函数)计算减去偏差项后的zj作为j单元的输出sj。本文建立了适用于震前滑坡危险性评价的BP神经网络模型，具体做法为:
差分干涉测量技术(DInSAR)是一种利用同一地区不同时间的SAR影像，通过差分干涉计算获得地表形变信息的技术手段，计算方法主要有两轨法、三轨法和四轨法。其中，两轨法仅需两张SAR影像，计算过程简易且精度较高，但是需要另外输入高精度DEM图像作为参照，本文在研究区域内可以获取1 m×1 m的三维激光扫描数据，保证了DEM图像质量，因此选择两轨法进行计算。两轨法的DInSAR技术实施流程主要包括:(1)基线估算;(2)主从影像配准;(3)高精度DEM参考图输入;(4)差分干涉;(5)滤波、相位解缠、地形校正;(6)获得地表形变信息。本文使用的两幅SAR影像对空间垂直基线距离为36.803 m，适合进行差分干涉处理，其中，震前(2017年7月30日)影像为主影像，震后影像(2017年8月10日)为从影像(图5)。DInSAR计算过程通过Sarscape软件实现。
【参考文献】：
期刊论文
[1]九寨沟震区地表形变监测及震损物源估算[J]. 熊轲,詹宇,Issaak Parcharidis,杜杰,第宝锋. 长江流域资源与环境. 2019(01)
[2]基于Sentinel-1A数据反演九寨沟地震地表形变场[J]. 李丹,杨斌,陈财. 遥感技术与应用. 2018(06)
[3]黑方台地表三维形变分析[J]. 王晨兴,谷天峰,张茂省,孔嘉旭. 工程地质学报. 2018(06)
[4]基于时间序列InSAR分析的西部山区滑坡灾害隐患早期识别——以四川丹巴为例[J]. 张路,廖明生,董杰,许强,龚健雅. 武汉大学学报(信息科学版). 2018(12)
[5]基于SBAS-InSAR技术的盘锦地区地面沉降监测[J]. 张静,冯东向,綦巍,周雪,赵玉星. 工程地质学报. 2018(04)
[6]九寨沟地震区公路沿线地质灾害发育规律及防治对策[J]. 程强,胡朝旭,杨绪波. 中国地质灾害与防治学报. 2018(04)
[7]四川茂县叠溪镇新磨村滑坡特征与成因机制初步研究[J]. 许强,李为乐,董秀军,肖先煊,范宣梅,裴向军. 岩石力学与工程学报. 2017(11)
[8]基于随机森林权重的滑坡危险性评价:以东江流域为例[J]. 吴孝情,赖成光,陈晓宏,任秀文. 自然灾害学报. 2017(05)
[9]2017年8月8日九寨沟M7.0地震及余震震源机制解与发震构造分析[J]. 易桂喜,龙锋,梁明剑,张会平,赵敏,叶有清,张致伟,祁玉萍,王思维,宫悦,乔惠珍,汪智,邱桂兰,苏金蓉. 地球物理学报. 2017 (10)
[10]2017年8月8日四川九寨沟地震诱发地质灾害空间分布规律及易发性评价初步研究[J]. 戴岚欣,许强,范宣梅,常鸣,杨琴,杨帆,任敬. 工程地质学报. 2017(04)
博士论文
[1]基于InSAR观测同震地表形变场反演汶川地震断层滑移[D]. 杨莹辉.西南交通大学 2015
硕士论文
[1]汶川地震滑坡与InSAR同震形变场及库伦应力变化的关系研究[D]. 罗容.西南交通大学 2016
[2]多元回归分析法在滑坡空间预测中的应用[D]. 韦浩.长安大学 2011
[3]基于模糊综合评价和神经网络对边坡稳定性的分析研究[D]. 夏卜敬.武汉科技大学 2008
[4]九寨沟景观地质背景及成因研究[D]. 杨更.成都理工大学 2005
本文编号：3383947
【文章来源】：工程地质学报. 2020,28(03)北大核心CSCD
【文章页数】：11 页
【部分图文】：
川九路部分滑坡现场图像
人工神经网络(Artificial Neural Networks,ANN)是一种广泛用于模式识别、分类的通用非线性函数逼近器。神经网络由几组基本单元(神经元)构成，可以实现对输入数据的非线性计算。在人工神经网络中，每个输入节点都有一个分配权值，用于确定输入节点对输出节点的影响，人造神经单元结构如图3所示，其中，si是神经元i的输出，wij是从神经元i到神经元j的连接权重。单元j的输出过程由两步完成:(1)根据公式zj=∑jwijsij计算加权输入zj;(2)使用非线性函数(S函数或双曲函数)计算减去偏差项后的zj作为j单元的输出sj。本文建立了适用于震前滑坡危险性评价的BP神经网络模型，具体做法为:
差分干涉测量技术(DInSAR)是一种利用同一地区不同时间的SAR影像，通过差分干涉计算获得地表形变信息的技术手段，计算方法主要有两轨法、三轨法和四轨法。其中，两轨法仅需两张SAR影像，计算过程简易且精度较高，但是需要另外输入高精度DEM图像作为参照，本文在研究区域内可以获取1 m×1 m的三维激光扫描数据，保证了DEM图像质量，因此选择两轨法进行计算。两轨法的DInSAR技术实施流程主要包括:(1)基线估算;(2)主从影像配准;(3)高精度DEM参考图输入;(4)差分干涉;(5)滤波、相位解缠、地形校正;(6)获得地表形变信息。本文使用的两幅SAR影像对空间垂直基线距离为36.803 m，适合进行差分干涉处理，其中，震前(2017年7月30日)影像为主影像，震后影像(2017年8月10日)为从影像(图5)。DInSAR计算过程通过Sarscape软件实现。
【参考文献】：
期刊论文
[1]九寨沟震区地表形变监测及震损物源估算[J]. 熊轲,詹宇,Issaak Parcharidis,杜杰,第宝锋. 长江流域资源与环境. 2019(01)
[2]基于Sentinel-1A数据反演九寨沟地震地表形变场[J]. 李丹,杨斌,陈财. 遥感技术与应用. 2018(06)
[3]黑方台地表三维形变分析[J]. 王晨兴,谷天峰,张茂省,孔嘉旭. 工程地质学报. 2018(06)
[4]基于时间序列InSAR分析的西部山区滑坡灾害隐患早期识别——以四川丹巴为例[J]. 张路,廖明生,董杰,许强,龚健雅. 武汉大学学报(信息科学版). 2018(12)
[5]基于SBAS-InSAR技术的盘锦地区地面沉降监测[J]. 张静,冯东向,綦巍,周雪,赵玉星. 工程地质学报. 2018(04)
[6]九寨沟地震区公路沿线地质灾害发育规律及防治对策[J]. 程强,胡朝旭,杨绪波. 中国地质灾害与防治学报. 2018(04)
[7]四川茂县叠溪镇新磨村滑坡特征与成因机制初步研究[J]. 许强,李为乐,董秀军,肖先煊,范宣梅,裴向军. 岩石力学与工程学报. 2017(11)
[8]基于随机森林权重的滑坡危险性评价:以东江流域为例[J]. 吴孝情,赖成光,陈晓宏,任秀文. 自然灾害学报. 2017(05)
[9]2017年8月8日九寨沟M7.0地震及余震震源机制解与发震构造分析[J]. 易桂喜,龙锋,梁明剑,张会平,赵敏,叶有清,张致伟,祁玉萍,王思维,宫悦,乔惠珍,汪智,邱桂兰,苏金蓉. 地球物理学报. 2017 (10)
[10]2017年8月8日四川九寨沟地震诱发地质灾害空间分布规律及易发性评价初步研究[J]. 戴岚欣,许强,范宣梅,常鸣,杨琴,杨帆,任敬. 工程地质学报. 2017(04)
博士论文
[1]基于InSAR观测同震地表形变场反演汶川地震断层滑移[D]. 杨莹辉.西南交通大学 2015
硕士论文
[1]汶川地震滑坡与InSAR同震形变场及库伦应力变化的关系研究[D]. 罗容.西南交通大学 2016
[2]多元回归分析法在滑坡空间预测中的应用[D]. 韦浩.长安大学 2011
[3]基于模糊综合评价和神经网络对边坡稳定性的分析研究[D]. 夏卜敬.武汉科技大学 2008
[4]九寨沟景观地质背景及成因研究[D]. 杨更.成都理工大学 2005
本文编号：3383947
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3383947.html
