郭澳慶,胡 俊,鄭萬基,桂 容,杜志貴,朱 武,賀樂和
1. 中南大學地球科學與信息物理學院,湖南 長沙 410083; 2. 長沙天儀空間科技研究院有限公司,湖南 長沙 410205; 3. 長安大學地質工程與測繪學院,陜西 西安 710054
滑坡是指在斜坡上的巖體土體,當受流水沖刷、降雨沖刷、地下水運動及地震等因素的影響時,在重力作用下失穩(wěn)而沿斜坡向下滑動的自然現(xiàn)象[1]。山體滑坡通常發(fā)生突然,破壞力巨大,經常會造成重大的生命安全事故和財產損失。因此,滑坡形變的全面監(jiān)測和中短期實時預測技術的進步對防災救災來說更具有突出的現(xiàn)實意義。
滑坡形變監(jiān)測和預測方面的研究在目前來說仍是一大熱點。合成孔徑雷達干涉測量技術(interferometric synthetic aperture radar,InSAR)[2-5]以其非接觸式的測量功能獲得衛(wèi)星目所能及之處的面狀形變數(shù)據(jù),相較于利用全球導航衛(wèi)星系統(tǒng)數(shù)據(jù)(Global Navigation Satellite System,GNSS)和傳統(tǒng)地面監(jiān)測數(shù)據(jù)進行滑坡預測而言,InSAR技術能夠提供無接觸式低成本的面域測量,既降低了GNSS接收站和傳統(tǒng)地面監(jiān)測儀器的安裝維護成本,又能夠獲得滑坡形變區(qū)更加全面的面域形變狀態(tài),成為了滑坡形變的主流監(jiān)測手段之一[6-9]。
由于滑坡形變序列受到機理復雜和種類繁多的變量因子的影響[10],其波動呈現(xiàn)出非線性和不確定性而導致滑坡預測問題較難解決,在基于InSAR技術的滑坡形變預測方面的研究更是屈指可數(shù)。因此,尋找到更加適合于InSAR形變數(shù)據(jù)分析且能夠準確有效完成滑坡形變預測任務的方法和技術是解決問題的方向。
目前,針對InSAR滑坡形變數(shù)據(jù)分析的方法可以被分為兩類:模型驅動型和數(shù)據(jù)驅動型[11]。模型驅動型的代表有概率積分法、卡爾曼濾波、灰色系統(tǒng)理論模型、逆速法線性逼近、非線性最小二乘及有限元方法模擬等,依靠形變數(shù)據(jù)及豐富的巖土信息能夠獲得高精度且可靠的地面形變預測結果。但實際上,這類數(shù)值模擬方法受測量誤差、環(huán)境噪聲及建模假設等因素的干擾效果明顯,表現(xiàn)為模型抗差性能低,遷移應用能力弱,各類巖土信息的獲取也消耗巨大的人力物力資源,大多數(shù)中小型工程難以承擔設備維護及災害預警的成本。數(shù)據(jù)驅動是當前很熱門的數(shù)據(jù)分析方法,它利用數(shù)據(jù)本身的信息和特定任務的實際需要能夠創(chuàng)造出新的計算模型;在各種實際情況下使模型貼合特定的數(shù)據(jù),用客觀和清晰的數(shù)據(jù)將分析過程化繁為簡,因而無須受限于現(xiàn)有模型;相較于模型驅動更具有從統(tǒng)計觀點來解決實際問題的特色。數(shù)據(jù)驅動型分析方法隨著機器學習的出現(xiàn)而逐漸被研究者們接受和青睞,深度學習則是一種既能智能模擬人類大腦又具有強大計算和數(shù)值分析能力的工具,例如長短期記憶(long short-term memory,LSTM)網絡模型[12]在大范圍地表沉降形變預測的應用中大放異彩。神經網絡底層擴展分析(neural basis expansion analysis,N-BEATS)網絡模型[13]是一種深度神經網絡,是數(shù)據(jù)驅動模型進行時間序列數(shù)據(jù)分析的代表。它在不同領域的大型時間序列數(shù)據(jù)分析中都展現(xiàn)出了先進的預測能力,如M3、M4和TOURISM競賽數(shù)據(jù)集。常用時序形變預測方法見表1。
表1 地質災害時序數(shù)據(jù)預測方法優(yōu)劣一覽
本文利用時序InSAR獲取形變監(jiān)測結果,結合N-BEATS神經網絡開展滑坡形變預測工作,發(fā)揮N-BEATS模型強大的時間序列數(shù)據(jù)自動分析,以及高精度、高可靠性和具有一定抗差能力的預測優(yōu)勢,將研究目標定位于中短期滑坡小數(shù)據(jù)集,應用于三峽庫區(qū)的Ⅰ級滑坡—新鋪滑坡,把這種有效的深度學習時間序列預測模型應用于解決基于時序InSAR形變觀測的中短期滑坡預測難題。
常規(guī)測量方法在理論建設階段都有著較為完美的效果,但在實際的工程實踐中卻難以克服一些特殊的環(huán)境因素,例如滑坡發(fā)生區(qū)域的茂密植被會遮擋導航定位信號,導致相位信息斷鏈使GNSS技術時而失效。地下地面常規(guī)測量方法一次建設投入成本巨大,二次建設及維護成本在滑坡發(fā)生之時被毀壞后更是不知凡幾。InSAR技術能夠高精度、少干擾獲得面狀形變數(shù)據(jù),更適合大范圍滑坡區(qū)域的全面監(jiān)測;而具有強大學習能力、有效探索時序變化規(guī)律的深度學習模型N-BEATS更適合復雜非線性滑坡形變預測。
本文基于深度學習和時序InSAR的滑坡形變預測任務主要分為3個步驟:滑坡形變監(jiān)測獲得歷史數(shù)據(jù)、組織數(shù)據(jù)結構和時間序列數(shù)據(jù)分析向前預測。首先,在SAR監(jiān)測獲得時序形變影像后經過時序TCP-InSAR技術[28]進行處理,該方法能夠克服在InSAR數(shù)據(jù)分析過程中,由于相位解纏處理不當而帶來的誤差影響的問題,得到滑坡區(qū)的形變速率。然后,對時序滑坡形變影像數(shù)據(jù)進行選擇和重新組織,找出滑坡危險區(qū)特征點,并將特征點數(shù)據(jù)重新組織成為一維時間序列,并對一維時間序列數(shù)據(jù)進行時序分解,分析其變化特征,確定預測任務數(shù)據(jù)集的輸入輸出窗口設置策略,以防損失數(shù)據(jù)特征。最后,將時間序列按照比例劃分為訓練集和測試集,訓練N-BEATS網絡模型并測試模型訓練結果,完成時序預測。本文的主要工作是預測任務數(shù)據(jù)集設置策略的探究及N-BEATS時序預測模型建立、訓練和預測兩個部分。
目前,基于InSAR技術的滑坡形變預測還停留在單點時序預測階段,對于深度學習來說,需要人為進行優(yōu)化控制的主要是超參數(shù)的選擇,除此之外還有數(shù)據(jù)組織形式的設置策略。由于硬件設備的計算性能有限,因此一次訓練的輸入數(shù)據(jù)不宜過大,也就是無法將全部歷史數(shù)據(jù)作為單次輸入進行操作,那么這就需要人工根據(jù)經驗選取部分具有充分代表性的數(shù)據(jù)作為輸入的訓練數(shù)據(jù)。研究者們通過豐富的試驗和經驗發(fā)現(xiàn),不同的數(shù)據(jù)組織形式對數(shù)據(jù)預測效果和訓練能力都有很大的影響。
在輸入窗口大小的設置中,針對具有周期性特征的時間序列,其輸入窗口的長度需要達到能夠體現(xiàn)真實周期的數(shù)據(jù)長度,以免丟失周期信息;針對具有突發(fā)性變化的時間序列,其輸入窗口的長度需要充分包括突發(fā)性狀況的整個時序變化趨勢;針對包括其他非線性特征的時間序列,也需要獲取相應的具有充分代表性的數(shù)據(jù)長度。在輸出窗口大小的設置中,需要在滿足深度學習預測結果正確的前提下同時兼顧真實預測時間頻率及時間延展需求。
對上述數(shù)據(jù)進行規(guī)律性分析的方法在時間序列分析領域有很多,本文主要采取的策略是對數(shù)據(jù)進行簡單時序分解,基于Loess的季節(jié)趨勢分解方法(seasonal-trend decomposition procedure based on Loess,STL)是一種能夠將存在可解釋性特征的時間序列分解成為趨勢因子、季節(jié)因子及隨機因子,適用于本文所針對的大型緩慢滑坡形變應用。
N-BEATS網絡是由若干感知機單元組成,依據(jù)一定策略搭建成的深度神經網絡。該網絡結構具有兩個作用:①模擬,對原始時間序列數(shù)據(jù)的特征進行提取并模擬;②預測,從時間維度延續(xù)模擬出的序列數(shù)據(jù)特征,從而完成預測。
N-BEATS網絡模型的搭建策略是從時間序列分解中獲得的靈感,因此該模型的優(yōu)勢不僅在于能夠獲得準確性高的預測結果,其預測結果也具有類似于STL方法的對趨勢性、季節(jié)性等時序變化的可解釋能力。其框架結構如圖1所示,網絡一次訓練的輸入即為設定窗口大小的歷史數(shù)據(jù)序列,使序列數(shù)據(jù)依次經過M個堆棧來分別識別數(shù)據(jù)的不同特征,每個堆棧中存在若干塊區(qū),塊區(qū)之間通過殘差模塊進行銜接,每個塊區(qū)中又含有幾個計算神經元。
1.2.1 N-BEATS網絡架構的工作思路
(1) 區(qū)塊層學習時間序列演化模式。首先,使原始時間序列數(shù)據(jù)經過4層全連接層;然后,經過線性投影層后進行線性變換分別生成向前預測系數(shù)和向后預測系數(shù);最后,使向前預測系數(shù)和向后預測系數(shù)分別通過偏置層輸出向前預測和向后預測結果,如圖1(a)所示。向前預測結果是沿時間序列發(fā)展方向的預測未來序列走向的結果。向后預測結果是恢復出的歷史時間序列,用于信號分離。因此,塊區(qū)中輸入為原始序列數(shù)據(jù);輸出為向前預測和向后預測結果。
(2) 堆棧層分解剩余時間序列特征。每一個塊區(qū)的輸出都是其的向前預測和向后預測結果,如圖1(b)所示。向前預測結果被整合起來成為該堆棧的輸出結果,向后預測結果通過殘差的形式存在于塊區(qū)之間,并將塊區(qū)銜接起來,更有利于梯度的反向傳播也使得下一個塊區(qū)的預測工作更加簡便。因此,本堆棧中的輸入為各塊區(qū)向前預測和向后預測結果;輸出為這部分中經過整合得到的向前預測結果。
(3) 整合時間序列特征預測分量。各部分堆棧的輸出最終被整合了起來,疊加各個堆棧獲得的特征分量就能夠得到總體預測結果,即預測數(shù)據(jù)的序列,如圖1(c)所示。
圖1 N-BEATS網絡模型架構Fig.1 N-BEATS network model architecture
1.2.2 N-BEATS網絡架構優(yōu)勢
該網絡架構能夠實現(xiàn)對趨勢性、季節(jié)性等時序變化的解釋,主要核心在于對不同堆棧中的神經單元建議不同的線性層和偏置層,架構中主要的優(yōu)勢即可解釋性,它體現(xiàn)在趨勢項和周期項兩堆棧中。
(1) 趨勢模型。趨勢模型的特征通常是呈線性單調遞增或單調遞減,并且其變化應是較為緩慢的。因此在趨勢項堆棧中(c)部分的線性層和偏置層被設置為
y=T·x
(1)
式中,T=[1,t1,t2,…,tp],p為一個小值,用于控制線性單調遞增或遞減行為的速度,使趨勢緩慢變化;t為時間向量;x為該塊區(qū)中線性層和偏置層的輸入;y為該塊區(qū)中線性層和偏置層的輸出。
(2) 周期模型。周期模型通常被認為是循環(huán)往復的,有漲落規(guī)律的變化。因此在周期項堆棧中(c)部分的線性層和偏置層被設置為傅里葉級數(shù)形式
y=S·x
(2)
(3)
式中,t為時間序列向量;H為向前預測的窗口長度;x為該塊區(qū)中線性層和偏置層的輸入;y為該塊區(qū)中線性層和偏置層的輸出。
新鋪滑坡區(qū)是位于三峽庫區(qū)的安坪鄉(xiāng)新鋪村境內的Ⅰ級地質災害區(qū),研究區(qū)位置示意如圖2所示。圖2(a)、(b)顯示了新鋪滑坡研究區(qū)在重慶市及其與長江的相對位置,圖2(c)顯示了滑坡體的具體分布情況?;乱装l(fā)區(qū)地處長江右岸。新鋪滑坡由于其多期活動,整個斜坡的坡面形成了多級臺地地貌,滑坡從上至下共有3處,分別是大坪滑坡、上二臺滑坡和下二臺滑坡。
圖2 新鋪滑坡研究區(qū)Fig.2 Xinpu landslide research area
大坪滑坡區(qū)域的巖體呈現(xiàn)出裂隙發(fā)育,傾角為20°~28°,該區(qū)域的變形破壞特征并不明顯,為順層基巖滑坡破壞模式。
上二臺滑坡區(qū)域整體土體的厚度變化較大,在降雨入滲的影響下,土體會沿著滑面產生緩慢的變形破壞,形成推移式淺層土體滑坡。
下二臺滑坡區(qū)域由于前緣的長江河谷創(chuàng)造了較好的臨空條件,但受到地形、降水、長江水位波動及掏蝕等的作用,表面松散物質沿坡面發(fā)生牽引式滑移破壞,最下層至江邊地段受長江河水漲落和沖刷作用產生蠕滑變形。
該區(qū)域滑坡評估結果顯示變形破壞模式為順層基巖滑坡破壞模式、推移式淺層土體滑坡破壞模式和牽引式淺層土體滑坡破壞模式,非常適合采用InSAR技術進行滑坡變形的長期監(jiān)測。因此本文試驗以重慶市奉節(jié)縣安坪鄉(xiāng)新鋪村的新鋪滑坡作為研究對象。
本文試驗針對新鋪滑坡形變的監(jiān)測預報收集的原始合成孔徑雷達(synthetic aperture radar,SAR)影像取自哨兵一號(Sentinel-1)衛(wèi)星星座。該星座由1A和1B兩顆星組成,每單個衛(wèi)星12 d可覆蓋地球一次,其上的C波段合成孔徑雷達能夠全天時全天候地提供對地觀測影像。
Sentinel-1A地球監(jiān)測衛(wèi)星于2014年發(fā)射并試運行,Sentinel-1B地球監(jiān)測衛(wèi)星于2016年發(fā)射。目前,Sentinel-1數(shù)據(jù)和影像已經能夠提供一系列的運營服務,例如海洋測繪、地面運動風險監(jiān)測、森林制圖,以及地籍管理和測繪等眾多應用。
本文試驗獲取了由Sentinel-1A提供的時間序列SAR數(shù)據(jù),獲取了由2016年8月1日—2020年10月15日時間間隔為12 d的124幅SAR影像,數(shù)據(jù)相關信息見表2。
表2 Sentinel-1A時序SAR數(shù)據(jù)信息
N-BEATS模型預測數(shù)據(jù)的結構由窗口大小決定,根據(jù)窗口大小來決定由向后的k個歷史時刻作為輸入序列,向前預測m個未來時刻的輸出結果,本文試驗需要預先根據(jù)時序數(shù)據(jù)特征設置窗口大小,即輸入數(shù)據(jù)窗口為x1,x2,…,xk,標簽值為xk+1,xk+2,…,xk+m,以此類推至最后一個窗口的輸入數(shù)據(jù)為xn-9,xn-8,…,xn,標簽值為xn+1,xn+2,…,xn+m,其中n為總數(shù)據(jù)長度。數(shù)據(jù)需要滿足等間隔要求,若存在缺失數(shù)據(jù)的情況則需要通過插值方法補全。
試驗設置3個堆棧,分別處理季節(jié)性、趨勢性及其他形變信號,每堆棧設置塊區(qū)數(shù)為2,每個塊區(qū)中設置4層全連接層,其中隱藏層單元均為64個,隨全連接層之后的線性層和偏置層參數(shù)維度設置分別為[2,2,3](季節(jié)堆棧模型、趨勢堆棧模型和其他形變堆棧模型)。N-BEATS滑坡預測網絡模型結構如圖3所示。模型訓練過程采用小批量為16的mini-batch梯度下降,訓練所有樣本共400次。
圖3 N-BEATS滑坡預測網絡模型結構Fig.3 N-BEATS landslide prediction network model structure
損失函數(shù)用于估量模型的預測值與標簽值的差異程度,深度學習的目標是利用優(yōu)化器來最小化損失函數(shù)的計算值,使得模型預測值與標簽值的差異縮小至最小,從而訓練得到最好的模型,本文中N-BEATS網絡模型所使用到的損失函數(shù)是平均絕對誤差損失函數(shù)(mean absolute error loss,MAELoss),平均絕對誤差描述的是模型預測值與樣本標簽值之間距離的平均值。優(yōu)化器為Adam,學習率設置為0.002。Adam是通過計算梯度的一階矩估計和二階矩估計來為不同參數(shù)設計獨立的自適應學習率的一種優(yōu)化算法。在實踐中相較于其他的隨機優(yōu)化算法具有更好的性能,以上超參數(shù)設置見表3,本文中使用的網絡超參數(shù)應用了N-BEATS網絡模型的推薦參數(shù)進行經驗性多次實驗后微調獲得。
表3 N-BEATS網絡模型設置一覽表
為探究預測數(shù)據(jù)集輸入輸出窗口設置對預測效果的影響,本文采取對數(shù)據(jù)進行簡單時序分解的策略,利用STL算法將研究目標時間序列分解成為趨勢因子、季節(jié)因子及隨機因子,分解后P點的序列特征如圖4所示,圖4(a)、(b)分別為P點時間序列分解特征及P點點位示意??梢娫摶聲r間序列數(shù)據(jù)成分大致為84%的趨勢項、8%的周期項及8%的不確定因子。數(shù)據(jù)表現(xiàn)出持續(xù)下降的走勢(遠離衛(wèi)星方向),并存在以年為周期的季節(jié)性形變,除此之外還在4年間有過兩次突發(fā)性形變發(fā)生,但該突發(fā)性影響所帶來的形變并不是很大,未超過1 cm。
圖4 形變時間序列分解特征Fig.4 Deformation time series decomposition feature diagram
上述時序分解成分中,趨勢項成分在整個時間序列中的特性表現(xiàn)為穩(wěn)定不變,無須在輸入輸出窗口大小的設置中考慮該成分;不確定成分呈現(xiàn)無規(guī)律發(fā)展的變化形式,無法在設置窗口時照顧到該成分的變化特征;周期性成分在整個時間序列中表現(xiàn)出明顯的局部性特征,因此該成分是輸入輸出窗口大小設置的重要依據(jù),若要求網絡模型學習到一個整周期的形變趨勢,則周期性成分也是限制使用者需要提供訓練樣本最低數(shù)量的重要依據(jù),若對形變趨勢的周期性形變捕捉能力不做要求則無須滿足此數(shù)量條件。以年為周期的周期性成分在一年的時間序列中的長度約為30,考慮到總樣本長度為124,為保證訓練數(shù)據(jù)的樣本集豐富的同時兼顧序列的周期性特征,分別將輸入窗口設置為[4,6,…,18,20],輸出窗口設置為[1,2,…,5,6],對這54種組合進行訓練并測試得到預測結果如圖5所示,并對預測結果計算均方根誤差見表4,可見隨著輸入和輸出窗口的增大,預測結果的準確度在逐漸降低。輸入窗口越大,表明在模型訓練時被考慮到的周期性成分更加完備,但由于同時縮小了數(shù)據(jù)集而使得模型的學習數(shù)據(jù)減少,訓練效果反而降低;輸出窗口越大,表明期待預測到未來未知時間序列數(shù)據(jù)的長度越長,即更加“貪心”,則也相應地會付出預測精度下降的代價。
圖5 54種輸入輸出窗口組合的預測結果Fig.5 Prediction results of 54 combinations of input and output windows
對比之下,本文選擇了輸入輸出窗口為[10,2]的數(shù)據(jù)集組織模式,該模式能夠在滿足預測中短期滑坡形變時長的條件下達到最高精度要求。
經過TCP-InSAR技術處理后獲得形變區(qū)位移圖,選取影像中整體相干性大于0.8的5148個樣本點,將其展開并重組為時間序列數(shù)據(jù)。將數(shù)據(jù)集按照2∶1比例劃分為訓練集數(shù)據(jù)和測試集數(shù)據(jù),為保證預測效果表現(xiàn)力,未將測試數(shù)據(jù)集打亂順序。根據(jù)模型運行的實際情況發(fā)現(xiàn)窗口大小為[5,1],設置參數(shù)維度為[2,8,3],迭代次數(shù)在300時已經能夠穩(wěn)定地呈現(xiàn)出較為理想的預測結果。
A、B、C3點位置在圖6中體現(xiàn),其形變趨勢如圖7所示,藍色曲線為數(shù)據(jù)樣本點的歷史觀測值,橙紅色曲線為樣本點未來趨勢的真實標簽值,黃色曲線為N-BEATS網絡模型的預測結果。可見,數(shù)據(jù)預測結果遵循歷史數(shù)據(jù)的走向,說明了預測的正確性;放大預測結果與真實標簽值的細節(jié),可以看出預測結果與真實標簽高度吻合,說明了該方法用于新鋪滑坡區(qū)的長期時間序列預測的有效性。
圖6 新鋪滑坡區(qū)沉降區(qū)特征點位置Fig.6 Location of feature points in settlement area of Xinpu landslide area
圖7 A、B、C 3點形變趨勢Fig.7 Deformation trend diagram at A,B and C points
選取均方根誤差(RMSE)、平均絕對誤差(MAE)及標準差(SD)3種時間序列評價指標對預測結果和真實標簽的差異進行評估,計算結果見表5。可見,N-BEATS網絡模型預測形變趨勢結果的各項誤差指標均滿足形變預測的要求,進一步從真實數(shù)據(jù)試驗的角度說明了該方法的可靠性。
表5 預測效果評價
現(xiàn)將時序預測得到的部分結果陳列如圖8所示。圖8列出了2019年8月22日、2019年12月8日、2020年3月25日及2020年6月17日的預測形變結果、真實觀測的形變結果及二者之間的殘差圖??梢园l(fā)現(xiàn),在直觀的目視判別中二者幾乎相差無幾,雖然在局部出現(xiàn)了殘差高值,但在整體范圍內仍然表現(xiàn)出的是較為均一且不超過±1 cm的預測偏差,說明預測效果較好。
圖8 部分時間序列形變預測結果對比及其殘差圖Fig.8 Comparison and residual diagram of partial time series deformation prediction results
圖9為STL、支持向量回歸(support vector regression,SVR)、無損卡爾曼濾波(unscented Kalman filter,UKF)、一次指數(shù)平滑法(single exponential smoothing,SES)及N-BEATS 5種時序預測方法在不同噪聲水平數(shù)據(jù)下的應用效果對比,該節(jié)所選取的數(shù)據(jù)仍為3.1節(jié)中提到的P點時間序列數(shù)據(jù)??梢姳疚膽玫腘-BEATS網絡模型在原始時序數(shù)據(jù)及添加毫米級和厘米級誤差序列數(shù)據(jù)的應用效果都優(yōu)于其他方法,達到毫米級的預測精度。在為原始時序數(shù)據(jù)添加毫米級噪聲后,N-BEATS模型能夠抵抗噪聲干擾,完成高精度預測如圖9(b)所示,然而對于添加厘米級噪聲數(shù)據(jù)的抗差性能降低如圖9(c)所示,可見該模型具有一定的抵抗數(shù)據(jù)噪聲的能力,這一特點表明本文提出的方法對于輸入形變序列的精度要求較低,即使序列中存在厘米級誤差,仍能夠獲得相對更優(yōu)的預測成果從而擴展N-BEATS神經網絡預測的應用廣度。
圖9 N-BEATS與4種時序預測方法在不同噪聲水平數(shù)據(jù)下的應用效果對比Fig.9 Comparison of N-BEATS and four time series prediction methods in different noise level data
由于點估計存在誤差,僅對滑坡形變做出點估計仍不充分,因此為衡量N-BEATS神經網絡模型預測滑坡形變數(shù)據(jù)的可靠度和精度水平,本文對N-BEATS網絡模型的預測結果進行了置信區(qū)間估計。假設N-BEATS網絡模型對InSAR數(shù)據(jù)的滑坡形變預測結果服從正態(tài)分布X~N(μ,σ2),給定可信度為95%,利用N-BEATS網絡模型的300個對P點時序數(shù)據(jù)預測結果求取均值μ的置信區(qū)間估計如圖10所示。對置信上限和置信下限分別計算均方根誤差得到該模型預測的精度水平,可見對滑坡形變做300次預測的數(shù)據(jù)以95%的可靠性保證了預測誤差在±10 mm之內。
圖10 N-BEATS神經網絡置信區(qū)間估計Fig.10 N-BEATS Neural network confidence interval estimation
本文拓展了一種利用N-BEATS深度學習網絡模型預測可解釋性滑坡時間序列形變的方法,試驗結果展示出該方法在滑坡預測應用中高可靠性、高精度及具有一定抗差能力的優(yōu)勢。三峽庫區(qū)新鋪滑坡真實試驗結果表明以下4點。
(1) 針對本文所選取的時間間隔為12 d一景的Sentinel-1數(shù)據(jù),選取單次預測輸入輸出窗口大小為[10,2]的數(shù)據(jù)結構能夠在滿足中短期滑坡預測的前提下取得較好的預測效果。
(2) 新鋪滑坡應用N-BEATS網絡模型進行預測,以均方根誤差為1.1 mm的高預測精度完成了滑坡預測工作,證實了N-BEATS網絡模型在時間序列預測任務上的有效性、可靠性及其工程實踐性。
(3) 對原始滑坡形變時序數(shù)據(jù)添加毫米級和厘米級誤差驗證N-BEATS網絡模型預測的抗差性能,與其余4種傳統(tǒng)時間序列預測方法相比仍能夠保持最高精度水平的預測,特別是針對存在毫米級誤差的時間序列數(shù)據(jù)該方法體現(xiàn)出了良好的降低偏差預測功能。
(4) 利用N-BEATS網絡模型對滑坡形變做300次預測,分析了該方法預測結果數(shù)據(jù)能夠以95%的可靠性保證預測誤差在±10 mm之內。
雖然利用N-BEATS網絡模型進行新鋪滑坡的形變預測取得了良好的效果,但在滑坡智能預測方面仍存在著許多有待解決的問題,例如預測時間跨度取決于訓練數(shù)據(jù)的時間跨度而無法滿足超越InSAR時間分辨率的短期預報需求;目前的時序預測模型仍停留在逐點預測的階段,但不可否認的是逐點預測非常耗時且忽略了空間相關關系這一信息;單變量預測的突發(fā)性滑坡預測結果尚存在時間延遲問題等,在未來越來越多的SAR衛(wèi)星(座)成功發(fā)射之后,有可能實現(xiàn)利用InSAR形變數(shù)據(jù)預測突發(fā)性形變的愿景。此外,InSAR數(shù)據(jù)與其他高時間分辨率數(shù)據(jù)融合也有助于實現(xiàn)形變序列數(shù)據(jù)的突發(fā)性預測。