中國(guó)華電集團(tuán)有限公司福建分公司 林棟來(lái) 肖樹(shù)燦 林建成 太極計(jì)算機(jī)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(cè)是大壩安全管理的重要內(nèi)容，是控制安全風(fēng)險(xiǎn)的重要措施。其中形變監(jiān)測(cè)是水庫(kù)大壩安全評(píng)價(jià)的基礎(chǔ)和重要組成?，F(xiàn)階段水庫(kù)形變監(jiān)測(cè)多是在重點(diǎn)部位布設(shè)分散、不連續(xù)的單個(gè)監(jiān)測(cè)點(diǎn)，利用全站儀、全球?qū)Ш叫l(wèi)星系統(tǒng)等測(cè)量手段按以點(diǎn)代面、以局部代替整體的方法采集離散點(diǎn)形變信息進(jìn)行數(shù)據(jù)處理，這種方式難免會(huì)遺漏一些重大的安全隱患。星載合成孔徑雷達(dá)干涉測(cè)量（interferometric synthetic aperture radar，InSAR）作為近年來(lái)迅速發(fā)展的空間大地測(cè)量新技術(shù)，能夠全天時(shí)、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(cè)量手段相比有效縮短了觀測(cè)周期，擴(kuò)大了空間范圍，提高了監(jiān)測(cè)精度[1]。

本文中利用InSAR數(shù)據(jù)在池潭水電站進(jìn)行了形變監(jiān)測(cè)應(yīng)用。電站裝機(jī)總?cè)萘?08MW，系閩江富屯溪支流金溪干流的第一級(jí)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(yùn)、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(dá)衛(wèi)星遙感數(shù)據(jù)進(jìn)行監(jiān)測(cè)，完成了地質(zhì)災(zāi)害檢測(cè)數(shù)據(jù)的分析，利用該分析結(jié)果進(jìn)行人工智能模型的預(yù)測(cè)。TerraSAR-X衛(wèi)星由德國(guó)航空航天中心和歐洲EADSAstrium公司合作開(kāi)發(fā)，是固態(tài)有源相控陣的X波段合成孔徑雷達(dá)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(jì)8景TerraSAR-X數(shù)據(jù)進(jìn)行輔助地質(zhì)災(zāi)害隱患排查和預(yù)測(cè)分析，其中工作區(qū)DEM采用ALOS12.5mDEM。

基于雷達(dá)衛(wèi)星的地質(zhì)災(zāi)害隱患排查數(shù)據(jù)處理，通過(guò)對(duì)TerraSAR-X雷達(dá)衛(wèi)星影像開(kāi)展數(shù)據(jù)配準(zhǔn)、高相干點(diǎn)識(shí)別、干涉對(duì)組合、時(shí)序分析、形變區(qū)快速識(shí)別等技術(shù)手段，運(yùn)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(cè)

2.1 LSTM 模型構(gòu)建

LSTM模型全稱長(zhǎng)短期記憶模型，是在循環(huán)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行的改進(jìn)，因此也屬于RNN網(wǎng)絡(luò)的一種，主要規(guī)避了標(biāo)準(zhǔn)RNN網(wǎng)絡(luò)結(jié)構(gòu)中梯度爆炸和梯度消失問(wèn)題，在其基礎(chǔ)上引入了門控機(jī)制概念，通過(guò)輸入門、遺忘門和輸出門對(duì)數(shù)據(jù)信息流動(dòng)進(jìn)行控制，因此訓(xùn)練速度也會(huì)更快。基于LSTM模型內(nèi)部結(jié)構(gòu)及網(wǎng)絡(luò)結(jié)構(gòu)，本文針對(duì)InSAR數(shù)據(jù)的分布及特點(diǎn)構(gòu)建了LSTM網(wǎng)絡(luò)。具體操作步驟為進(jìn)行處理和標(biāo)準(zhǔn)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(guò)兩個(gè)全連接層及最后的反標(biāo)準(zhǔn)化操作，得到的結(jié)果為最終的預(yù)測(cè)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(gè)InSAR點(diǎn)，其中每一個(gè)點(diǎn)都包含多個(gè)屬性，如InSAR點(diǎn)ID、相對(duì)位置xy、經(jīng)緯度、高程、形變速率、標(biāo)準(zhǔn)差以及八個(gè)觀測(cè)到的形變值。此外為了實(shí)現(xiàn)分級(jí)預(yù)測(cè)，根據(jù)形變速率對(duì)數(shù)據(jù)進(jìn)行劃分，其等級(jí)標(biāo)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?jǐn)?shù)據(jù)一致性及提高模型的預(yù)測(cè)精度，在輸入時(shí)對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，在輸出時(shí)進(jìn)行反標(biāo)準(zhǔn)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(duì)值操作，代表標(biāo)準(zhǔn)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(gè)時(shí)刻InSAR數(shù)據(jù)遞歸預(yù)測(cè)下一時(shí)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(cè)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(xùn)練預(yù)測(cè)模型，模型的輸出可與InSAR實(shí)際觀測(cè)值進(jìn)行比較，根據(jù)評(píng)價(jià)指標(biāo)的大小評(píng)判模型的表現(xiàn)力，選取最優(yōu)異的模型進(jìn)行最終的預(yù)測(cè)。最終預(yù)測(cè)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(gè)連續(xù)時(shí)刻的數(shù)據(jù)，預(yù)測(cè)的值為下一個(gè)時(shí)刻，即2022年5月27日的形變值。

2.4 實(shí)驗(yàn)

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(gè)等級(jí)，并對(duì)每一個(gè)等級(jí)內(nèi)的全部InSAR點(diǎn)進(jìn)行聯(lián)合預(yù)測(cè)。本文使用Python語(yǔ)言進(jìn)行編程，基于Pytorch的深度學(xué)習(xí)框架構(gòu)建了LSTM模型（圖1）。

評(píng)價(jià)指標(biāo)：為展現(xiàn)LSTM模型對(duì)形變值的預(yù)測(cè)結(jié)果，本文使用了均方誤差（MSE）的評(píng)價(jià)指標(biāo)來(lái)衡量預(yù)測(cè)結(jié)果與實(shí)際值間的差距。均方誤差既可作為L(zhǎng)STM模型的損失函數(shù)進(jìn)行網(wǎng)絡(luò)的訓(xùn)練，還可度量評(píng)估網(wǎng)絡(luò)輸出與真實(shí)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(shí)驗(yàn)參數(shù)：進(jìn)行預(yù)測(cè)前根據(jù)多個(gè)水電站附近的inSar數(shù)據(jù)進(jìn)行多次嘗試，最終確定采用Adam算法進(jìn)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(cè)模型學(xué)習(xí)率；"predictionEpoch":50，預(yù)測(cè)模型訓(xùn)練周期；"predictionBatch":16，預(yù)測(cè)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(zhǎng) ；"k":5，根據(jù)k折劃分訓(xùn)練集和測(cè)試集。

2.5 結(jié)果分析

本文通過(guò)對(duì)9個(gè)不同等級(jí)多個(gè)觀測(cè)點(diǎn)的數(shù)據(jù)，訓(xùn)練出一個(gè)LSTM模型。圖2每個(gè)小圖中一條曲線代表一個(gè)觀測(cè)點(diǎn)的觀測(cè)值，圖中曲線上前七個(gè)點(diǎn)是歷史觀測(cè)值特征，最后一個(gè)點(diǎn)是預(yù)測(cè)的結(jié)果。從中可看出，預(yù)測(cè)模型可沿著數(shù)據(jù)走勢(shì)對(duì)未來(lái)進(jìn)行預(yù)測(cè)。

3 結(jié)語(yǔ)

在實(shí)際應(yīng)用方面，本文構(gòu)建的深度學(xué)習(xí)預(yù)測(cè)模型可很好地?cái)M合時(shí)序數(shù)據(jù)的特點(diǎn)，能有效幫助管理人員對(duì)重點(diǎn)地質(zhì)災(zāi)害點(diǎn)進(jìn)行安全排查監(jiān)測(cè)。盡管本文提出了使用LSTM對(duì)未來(lái)InSAR數(shù)據(jù)進(jìn)行預(yù)測(cè)，但是還有很多可補(bǔ)充改進(jìn)的地方。本模型僅使用了循環(huán)神經(jīng)網(wǎng)絡(luò)提取時(shí)序間的依賴關(guān)系，成千上萬(wàn)個(gè)InSAR點(diǎn)之間的空間拓?fù)洳⑽醇{入建模過(guò)程中。在未來(lái)的研究過(guò)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?？臻g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(shí)序預(yù)測(cè)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(huì)和LSTM方法進(jìn)行比較。相信基于深度學(xué)習(xí)的模型和方法將會(huì)越來(lái)越多地應(yīng)用于地災(zāi)監(jiān)測(cè)的應(yīng)用之中。