集成时间序列InSAR技术的滑坡早期识别与预测研究

发布时间：2020-05-12 01:57

【摘要】：滑坡灾害是地质灾害中一个非常重要的灾种,它不仅给人类生命安全带来威胁,而且对环境、资源、财产等都具有严重的破坏性。我国是一个地质灾害频发的国家,每年都造成了巨大的经济损失和人员伤亡。如2017年茂县滑坡,造成百余人死亡。受库水位周期性调度和强降雨影响,三峡库区发育了大量滑坡灾害。根据三峡库区防治减灾工作的需要,开展有效的滑坡早期识别、危险性评价和预测预警研究具有重要的理论和实际意义。合成孔径雷达干涉测量是近年来新发展的一种地表变形监测技术,与常规地表变形监测方法相比,具有监测范围广、密度大、精度高等优点,并且不受天气条件的限制,为滑坡研究提供了一种新的技术手段。但是,如何将InSAR技术和滑坡研究更好的结合,有效的提高滑坡监测预警和风险评价的精度和时效性,仍是一个处于探索阶段且亟待解决的问题。论文以三峡库区滑坡为研究对象,基于37景Sentinel-1雷达影像,利用时间序列InSAR技术反演了研究区的地表变形速率,结合工程地质原理和机器学习技术,开展了区域滑坡早期识别、动态危险性评价和预测预警研究。主要内容和研究成果如下:(1)应用时间序列InSAR技术开展了区域滑坡早期识别研究。基于Sentinel-1雷达影像,应用时间序列InSAR技术反演了三峡库区万州至巫山段的地表变形信息,通过速度投影方法将变形速率从雷达视向线投影至最大坡度向,剔除变形速率异常点,应用Getis Ord Gi*统计和核密度估计方法对区域地表变形进行热力分析,实现对滑坡的初步定位;结合InSAR变形速率值,实现最终的识别。本次研究共发现活动斜坡50处,包含已知滑坡40处,未知滑坡10处。通过滑坡编录数据分析和野外验证,发现InSAR技术是一种可靠的地表变形监测方法,能有效对滑坡进行早期识别。(2)基于机器学习技术的区域滑坡易发性评价研究。以巫山库岸段为例,基于信息量模型定量分析了滑坡影响因素与其发育的关系;通过计算指标间容差和方差膨胀因子分析其共线性,并应用信息增益率算法对评价指标的重要性进行定量计算,把存在共线性的指标和不重要指标进行剔除;应用支持向量机、人工神经网络、逻辑回归和分类回归树模型进行易发性建模。由精度对比分析可知:支持向量机的预测性能最好;河流、地层岩性等是影响研究区滑坡发育的主要因素,剔除不重要指标能有效提高滑坡易发性评价的精度。(3)集成时间序列InSAR技术的区域滑坡动态危险性评价。统计分析了滑坡历史编录数据和降雨数据,计算了在特定降雨诱发事件下滑坡发生的概率;结合滑坡易发性评价结果进行了滑坡危险性评价;应用时间序列InSAR技术对研究区不同时期的地表变形速率进行了反演,并结合初始危险性评价结果,开展了滑坡危险性动态评价研究。结果发现,不同时期的滑坡危险性存在较大差异;通过地表变形的动态监测,实现了滑坡危险性的动态评价;同时,该方法能有效的降低危险性评价中的假阳性和假阴性误差。(4)基于时间序列InSAR技术的库岸滑坡时空变形分析。以树坪滑坡和木鱼包滑坡为例,基于2016年3月至2017年9月37景Sentinel-1影像,应用时间序列InSAR技术反演了两个滑坡在影像获取期间的变形速率。通过分析发现:树坪滑坡的变形主要发生在库水位下降期(5-7月),累积位移呈阶跃状,变形较大区域位于滑坡中部及右侧,且主滑区位移具有同步性;木鱼包滑坡的累积位移在时间上呈直线型,右侧后缘的滑体变形较大,中部滑体次之,左侧滑体变形最小。(5)基于机器学习和诱发因素分析的滑坡位移预测研究。以三峡库区树坪滑坡和木鱼包滑坡为例,基于InSAR技术提取的滑坡位移时间序列,应用小波分析将InSAR位移序列分解为趋势项位移、周期项位移和噪音项;分别选取各位移分项的影响因素,应用人工蜂群算法优化的核极限学习机(ABC-KELM)、极限学习机和支持向量机模型分别进行预测,将预测的各位移分项相加得到预测总位移。由预测结果精度评价可知:三个模型都有较好的预测性能,能对不同类型滑坡的变形准确预测;考虑诱发因素的ABC-KELM耦合模型预测精度最高且性能稳定,是一种有效的滑坡位移预测方法。
【图文】：

第一章 绪论1.1 立题依据和背景滑坡是一种在地球斜坡表面常见的地质灾害类型，在城镇区、交通远山区等都造成了严重的经济损失和人员伤亡。在全球范围内，许每年都有大量的滑坡灾害发生（图 1.1、图 1.2），且由滑坡及其次生员伤亡数以万计[1-3]。2014 年 5 月 2 日，受连续强降雨影响，阿富汗尚省发生特大型山体滑坡灾害，造成将近 2700 人死亡和 300 多间017 年 8 月 13 日，印度北部的喜马偕尔邦山区发生特大型滑坡，造，近 300 米的高速公路被完全摧毁。滑坡每年造成的经济损失近百国在 20 世纪 70 年代，，每年由滑坡灾害造成的经济损失高达 10 亿美

每年都有大量的滑坡灾害发生（图 1.1、图 1.2），且由滑坡及其次生灾害导致员伤亡数以万计[1-3]。2014 年 5 月 2 日，受连续强降雨影响，阿富汗东北部巴尚省发生特大型山体滑坡灾害，造成将近 2700 人死亡和 300 多间房屋被淹[4017 年 8 月 13 日，印度北部的喜马偕尔邦山区发生特大型滑坡，造成了 47 人，近 300 米的高速公路被完全摧毁。滑坡每年造成的经济损失近百亿美元，国在 20 世纪 70 年代，每年由滑坡灾害造成的经济损失高达 10 亿美元[5-6]。图 1.1 全球重大滑坡灾害点分布图（2004-2016）[3]
【学位授予单位】：中国地质大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：P642.22;P237

【相似文献】

相关期刊论文 前10条

1 孙其法;闫秋艳;闫欣鸣;;基于多样化top-k shapelets转换的时间序列分类方法[J];计算机应用;2017年02期

2 王金策;杨宁;;时间序列趋势预测[J];现代计算机(专业版);2017年02期

3 彭佳星;肖基毅;;基于分型转折点的证券时间序列分段表示法[J];商;2016年31期

4 刘伟龙;;基于ARMA模型的股价预测及实证研究[J];智富时代;2017年02期

5 周仰;;《漫长的告别》(年度资助摄影图书)[J];中国摄影;2017年04期

6 王嵬;;王嵬作品[J];当代油画;2017年07期

7 刘明华;张晋昕;;时间序列的异常点诊断方法[J];中国卫生统计;2011年04期

8 郭崇慧;苏木亚;;基于独立成分分析的时间序列谱聚类方法[J];系统工程理论与实践;2011年10期

9 王佳林;王斌;杨晓春;;面向不确定时间序列的分类方法[J];计算机研究与发展;2011年S3期

10 万里;廖建新;朱晓民;倪萍;;一种基于频繁模式的时间序列分类框架[J];电子与信息学报;2010年02期

相关会议论文 前10条

1 周家斌;张海福;杨桂英;;多维多步时间序列预报方法及其应用[A];中国现场统计研究会第九届学术年会论文集[C];1999年

2 张可;李媛;柴毅;黄磊;;基于分段趋势的符号化时间序列聚类表示[A];第37届中国控制会议论文集（D）[C];2018年

3 徐光晶;;统计学在大地电磁测深时间序列处理中的应用[A];2017中国地球科学联合学术年会论文集（二十九）——专题57：电磁地球物理学研究及其应用[C];2017年

4 毛宇清;王咏青;王革丽;;支持向量机方法应用于理想时间序列的预测研究[A];中国气象学会2008年年会气候预测研究与预测方法分会场论文集[C];2008年

5 吴丽娜;黄领梅;沈冰;吕继强;;黄河上游降水时间序列混沌特性识别与预测年限分析[A];水系统与水资源可持续管理——第七届中国水论坛论文集[C];2009年

6 吴坚忠;路子愚;郑应平;;时间序列社会悖论模型及分析[A];1989年控制理论及其应用年会论文集（上）[C];1989年

7 雷敏;孟光;谢洪波;Kerreie Mengersen;Peter Bartlett;;嵌入维数对复杂时间序列的熵分析的影响研究[A];中国力学大会-2015论文摘要集[C];2015年

8 王兆甲;王海良;;一种相似时间序列挖掘算法及其在汽车运动分析中的应用[A];2014中国汽车工程学会年会论文集[C];2014年

9 林忠辉;莫兴国;薛玲;;用NDVI时间序列确定作物物侯和作物类型判别[A];第十四届全国遥感技术学术交流会论文摘要集[C];2003年

10 王冬;章家义;陈宗;;配电网时间序列数据的云计算集群快速压缩模型[A];2017年江西省电机工程学会年会论文集[C];2018年

相关重要报纸文章 前10条

1 王晓宝 杨永恒 永安期货;浅析波动率的均值回复特征[N];期货日报;2017年

2 东证期货 王爱华　杨卫东;两年涨跌轮回 秋季普遍下跌[N];期货日报;2009年

3 国家统计局核算司 吕峰;不变价GDP时间序列数据的构造[N];中国信息报;2016年

4 ;《时间序列与金融数据分析》[N];中国信息报;2004年

5 何德旭 王朝阳;时间序列计量经济学：协整与有条件的异方差自回归[N];中国社会科学院院报;2003年

6 刘俏;让数据坦白真相[N];21世纪经济报道;2003年

7 卞纪;我国多时间序列湿地遥感制图完成[N];中国气象报;2011年

8 权证一级交易商 国信证券;正股走势及时间序列主导下半年权证市场运行结构[N];证券时报;2006年

9 广发期货股指研究小组 谢贞联;Hurst指数提示市场升势或将形成[N];上海证券报;2012年

10 丁睿 中粮期货研究院;试论指数HP滤波分析法的应用[N];期货日报;2014年

相关博士学位论文 前10条

1 马俊;GPS坐标时间序列严密三维噪声模型建立方法[D];武汉大学;2018年

2 周超;集成时间序列InSAR技术的滑坡早期识别与预测研究[D];中国地质大学;2018年

3 康峻;基于时间序列遥感数据的植被精细分类与覆盖度反演研究[D];中国科学院大学(中国科学院遥感与数字地球研究所);2018年

4 林蕾;基于循环神经网络模型的遥感影像时间序列分类及变化检测方法研究[D];中国科学院大学(中国科学院遥感与数字地球研究所);2018年

5 丁红;柳江径流分析与预测研究[D];武汉理工大学;2016年

6 丁超;MODIS时间序列重建方法与应用[D];中国地质大学(北京);2018年

7 魏永强;煤矿瓦斯监测数据插值与预测研究[D];中国矿业大学(北京);2015年

8 杨玉军;基于机器学习的时间序列模型研究及其应用[D];电子科技大学;2018年

9 鲁韵帆;随机交互金融模型的构建及金融时间序列的统计分析[D];北京交通大学;2018年

10 郭珩;复杂网络在非线性时间序列分析中的应用[D];华东师范大学;2018年

相关硕士学位论文 前10条

1 许小芬;基于时间序列的磨削颤振预测方法研究[D];浙江理工大学;2019年

2 廉雯清;基于波动率调整的动量策略收益分析[D];东北财经大学;2018年

3 吴孟韩;基于模糊时间序列近似匹配的股票指数预测方法[D];东北大学;2017年

4 颜永逸;基于模糊聚类和时间序列的结构损伤识别方法研究[D];华中科技大学;2018年

5 曾琛;基于分类的时间序列特征选择方法[D];武汉大学;2018年

6 赵益;多时间序列上时序关联规则的挖掘[D];东华大学;2018年

7 宫志晨;模型空间中的时间序列分类算法及其在不平衡数据上的应用[D];中国科学技术大学;2018年

8 卞松寒;时间序列的细化二元熵和递归性研究[D];北京交通大学;2018年

9 刘成功;时间序列的复杂性和递归性研究[D];北京交通大学;2018年

10 江粉桃;非线性方法的时间序列组合模型在农产品价格预测中的应用研究[D];兰州交通大学;2018年

本文编号：2659438