中國華電集團有限公司福建分公司 林棟來 肖樹燦 林建成 太極計算機股份有限公司 劉 剛 樊子昂

水利水電工程中，大壩的安全監(jiān)測是大壩安全管理的重要內(nèi)容，是控制安全風險的重要措施。其中形變監(jiān)測是水庫大壩安全評價的基礎(chǔ)和重要組成?，F(xiàn)階段水庫形變監(jiān)測多是在重點部位布設(shè)分散、不連續(xù)的單個監(jiān)測點，利用全站儀、全球?qū)Ш叫l(wèi)星系統(tǒng)等測量手段按以點代面、以局部代替整體的方法采集離散點形變信息進行數(shù)據(jù)處理，這種方式難免會遺漏一些重大的安全隱患。星載合成孔徑雷達干涉測量（interferometric synthetic aperture radar，InSAR）作為近年來迅速發(fā)展的空間大地測量新技術(shù)，能夠全天時、全天候、大面積同步獲取地形信息及地表形變信息，與傳統(tǒng)測量手段相比有效縮短了觀測周期，擴大了空間范圍，提高了監(jiān)測精度[1]。

本文中利用InSAR數(shù)據(jù)在池潭水電站進行了形變監(jiān)測應(yīng)用。電站裝機總?cè)萘?08MW，系閩江富屯溪支流金溪干流的第一級電站，壩址位于泰寧縣池潭村上游3km的峽谷中。工程以發(fā)電為主，兼顧防洪、航運、養(yǎng)殖等綜合效益。

1 InSAR衛(wèi)星遙感數(shù)據(jù)源及數(shù)據(jù)處理

本文使用了高分辨率TerraSAR雷達衛(wèi)星遙感數(shù)據(jù)進行監(jiān)測，完成了地質(zhì)災(zāi)害檢測數(shù)據(jù)的分析，利用該分析結(jié)果進行人工智能模型的預(yù)測。TerraSAR-X衛(wèi)星由德國航空航天中心和歐洲EADSAstrium公司合作開發(fā)，是固態(tài)有源相控陣的X波段合成孔徑雷達衛(wèi)星，具有10cm精度的軌道數(shù)據(jù)。本文采用覆蓋池潭水電站區(qū)域的2021年12月~2022年05月共計8景TerraSAR-X數(shù)據(jù)進行輔助地質(zhì)災(zāi)害隱患排查和預(yù)測分析，其中工作區(qū)DEM采用ALOS12.5mDEM。

基于雷達衛(wèi)星的地質(zhì)災(zāi)害隱患排查數(shù)據(jù)處理，通過對TerraSAR-X雷達衛(wèi)星影像開展數(shù)據(jù)配準、高相干點識別、干涉對組合、時序分析、形變區(qū)快速識別等技術(shù)手段，運用SVD方法得到池潭水電站區(qū)域2021年12月~2022年05月期間的地表形變速率。

2 基于LSTM模型預(yù)測

2.1 LSTM 模型構(gòu)建

LSTM模型全稱長短期記憶模型，是在循環(huán)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上進行的改進，因此也屬于RNN網(wǎng)絡(luò)的一種，主要規(guī)避了標準RNN網(wǎng)絡(luò)結(jié)構(gòu)中梯度爆炸和梯度消失問題，在其基礎(chǔ)上引入了門控機制概念，通過輸入門、遺忘門和輸出門對數(shù)據(jù)信息流動進行控制，因此訓練速度也會更快?；贚STM模型內(nèi)部結(jié)構(gòu)及網(wǎng)絡(luò)結(jié)構(gòu)，本文針對InSAR數(shù)據(jù)的分布及特點構(gòu)建了LSTM網(wǎng)絡(luò)。具體操作步驟為進行處理和標準化后的數(shù)據(jù)作為模型的輸入xt，輸入到LSTM模型，模型的輸出經(jīng)過兩個全連接層及最后的反標準化操作，得到的結(jié)果為最終的預(yù)測結(jié)果。

2.2 數(shù)據(jù)信息

本文收集整理的信息涵蓋了33327個InSAR點，其中每一個點都包含多個屬性，如InSAR點ID、相對位置xy、經(jīng)緯度、高程、形變速率、標準差以及八個觀測到的形變值。此外為了實現(xiàn)分級預(yù)測，根據(jù)形變速率對數(shù)據(jù)進行劃分，其等級標記、形變速率區(qū)間(mm/y)、數(shù)據(jù)量分別為：4：[17，+ ∞）、3105，3：[7，17）、4689，2：[4，7）、4607，1：[2，4）、5107，0：[0，2）、6740，-1：[-3，0）、4739，-2：[-6，-3）、2068，-3：[-13，-6）、1757，-4 ：（- ∞，-13）、515。

2.3 數(shù)據(jù)處理

為保證LSTM模型快速收斂、保持數(shù)據(jù)一致性及提高模型的預(yù)測精度，在輸入時對數(shù)據(jù)進行標準化處理，在輸出時進行反標準化式中：x代表輸入數(shù)據(jù)，xmax代表輸入數(shù)據(jù)的最大值，abs()為取絕對值操作，代表標準化后的輸入數(shù)據(jù)。

為充分發(fā)揮數(shù)據(jù)作用，本文采樣連續(xù)七個時刻InSAR數(shù)據(jù)遞歸預(yù)測下一時刻，即采用2021年12月2日到2022年4月13日的數(shù)據(jù)預(yù)測2022年5月5日的形變量。根據(jù)構(gòu)建完畢的樣本數(shù)據(jù)訓練預(yù)測模型，模型的輸出可與InSAR實際觀測值進行比較，根據(jù)評價指標的大小評判模型的表現(xiàn)力，選取最優(yōu)異的模型進行最終的預(yù)測。最終預(yù)測樣本的構(gòu)建本文選取2021年12月24日到2022年5月5日之間七個連續(xù)時刻的數(shù)據(jù)，預(yù)測的值為下一個時刻，即2022年5月27日的形變值。

2.4 實驗

本文基于InSAR遙感衛(wèi)星數(shù)據(jù)根據(jù)形變速率劃分九個等級，并對每一個等級內(nèi)的全部InSAR點進行聯(lián)合預(yù)測。本文使用Python語言進行編程，基于Pytorch的深度學習框架構(gòu)建了LSTM模型（圖1）。

評價指標：為展現(xiàn)LSTM模型對形變值的預(yù)測結(jié)果，本文使用了均方誤差（MSE）的評價指標來衡量預(yù)測結(jié)果與實際值間的差距。均方誤差既可作為LSTM模型的損失函數(shù)進行網(wǎng)絡(luò)的訓練，還可度量評估網(wǎng)絡(luò)輸出與真實值的距離。損失函數(shù)越小、距離越小，也就是均方誤差的值越小，模型的表現(xiàn)力就越優(yōu)異

實驗參數(shù)：進行預(yù)測前根據(jù)多個水電站附近的inSar數(shù)據(jù)進行多次嘗試，最終確定采用Adam算法進行優(yōu)化，并最終確定LSTM模型中關(guān)于網(wǎng)絡(luò)結(jié)構(gòu)的參數(shù)："predictionLSTM_lr":0.001，預(yù)測模型學習率；"predictionEpoch":50，預(yù)測模型訓練周期；"predictionBatch":16，預(yù)測模型批大?。?predictionLSTM_numLayers":"1"，LSTM層數(shù)；"predictionLSTM_hidden_size":256，Lstm隱藏層狀態(tài)；"predictionLSTM_embed_dim1":1024，全連接層1的映射維度；"predictionLSTM_embed_dim2":512，全連接層2的映射維度；"predictionLSTM_stepLr":20，步長 ；"k":5，根據(jù)k折劃分訓練集和測試集。

2.5 結(jié)果分析

本文通過對9個不同等級多個觀測點的數(shù)據(jù)，訓練出一個LSTM模型。圖2每個小圖中一條曲線代表一個觀測點的觀測值，圖中曲線上前七個點是歷史觀測值特征，最后一個點是預(yù)測的結(jié)果。從中可看出，預(yù)測模型可沿著數(shù)據(jù)走勢對未來進行預(yù)測。

3 結(jié)語

在實際應(yīng)用方面，本文構(gòu)建的深度學習預(yù)測模型可很好地擬合時序數(shù)據(jù)的特點，能有效幫助管理人員對重點地質(zhì)災(zāi)害點進行安全排查監(jiān)測。盡管本文提出了使用LSTM對未來InSAR數(shù)據(jù)進行預(yù)測，但是還有很多可補充改進的地方。本模型僅使用了循環(huán)神經(jīng)網(wǎng)絡(luò)提取時序間的依賴關(guān)系，成千上萬個InSAR點之間的空間拓撲并未納入建模過程中。在未來的研究過程中，將考慮根據(jù)InSAR數(shù)據(jù)之間的物理距離構(gòu)建圖網(wǎng)絡(luò)模型。空間圖模型可用作捕獲基于物理距離的相關(guān)度，獲取的空間特征可應(yīng)用于時序預(yù)測模型。隨著數(shù)據(jù)的不斷積累，圖網(wǎng)絡(luò)方法的結(jié)果也會和LSTM方法進行比較。相信基于深度學習的模型和方法將會越來越多地應(yīng)用于地災(zāi)監(jiān)測的應(yīng)用之中。