数据驱动的滑坡灾害预测预报方法研究

Geological disasters such as landslides often happen suddenly and can bring sevre damages to human lifes and and the living environment. Based the current knowledge about the pregnancy mechanisms of landslide disaster, precise mechanism models of landslide can hardly be established, however, data-driven prediction models are much easier to construct. In these kinds of models, the complicated physical mechanisms are avoid, which makes the prediciton and forcasting of landslides a possible mission. We introduces advanced data-drive methods into the study of landslide hazard, to discover the spatial distribution patterns and time-dependent evolving trends of landslides from landslide-related data. The project contains three aspects: First, use change detection methods to analyze remote sensing images, and landlide risk can therefore be located; Then, use feed-forward neural network algorithms to establish a data fusion model, which can fuse different types of in-situ measurement data and produce spatial landslide risk map based on land cover types; Finally, employ dynamic recurrent network to establish the time series prediciont model for the in-situ landslide movement measurements, and forcast potential landslide disasters from these landslide movement predicionts. In this project, spatial prediciont and time forcasting of landslide are combined,and a complete landslide prediction and forecasting methodology will therefore be obtained.

滑坡等地质灾害具有突发性，并会对人类生命财产和生存环境带来巨大破坏。以当前对滑坡灾害孕灾机理的认知建立精确的滑坡运行机理模型还存在困难，而构造数据驱动的预测模型，则可以避开复杂的力学分析，为滑坡的空间预测与时间预报提供一条可行之径。本项目将先进的数据驱动建模方法引入滑坡灾害的研究中，通过对滑坡相关数据的分析，对滑坡在空间上的分布和时间上的发展变化规律进行预测。项目采用图像变化检测技术分析遥感空间数据，对滑坡风险区域进行定位；以前馈神经网络建立数据融合模型，在地面分布式测量数据的支持下，以区域地物类型信息为主要依据实现滑坡灾害的区域风险评估；基于动态的递归网络建立滑坡位移时序测量数据的预测模型，通过预测滑坡位移的变化趋势来对可能发生的滑坡灾害以及灾害发生时间进行预报。项目通过将滑坡空间预测与时间预报相结合，从而得到一套滑坡预测与预报的完整方法体系。

滑坡是一类常见的地质灾害，在我国长江三峡、西南三江、黄土高原等众多区域广泛分布且频繁发生，对这些区域的自然环境和社会经济安全都构成了巨大的威胁。滑坡灾害的爆发过程往往十分突然且破坏力巨大，对滑坡灾害进行防治的关键在于预测和预报。在此背景下，项目搜集滑坡灾害的时序监测数据及空间图像数据，以先进的神经网络建模方法建立数据驱动的滑坡灾害预测模型，对滑坡在时间尺度上的演化规律以及在空间尺度上的分布特征进行分析。.项目的研究内容可分为基于时序监测数据的滑坡灾害时间预测以及基于空间图像数据的滑坡灾害空间分析两个方面，对应的研究成果主要包括：.建立了滑坡监测时序数据的静态预测模型和动态预测模型，来对滑坡位移等状态参数的变化进行预测。以静态模型和动态模型来分别描述滑坡在环境因素影响下的演化规律，和滑坡在自身内部状态驱动下的发展趋势，并对两类模型进行整合；基于集成学习的理论方法，建立多神经网络的集成预测模型，并提出一种多模型集成预测的实时切换机制；通过插值来解决滑坡监测时序数据集数据规模小的问题，以基于插值数据的强化训练方法来充分训练动态网络，从而获得更可靠的预测结果；采用一种分叉迭代的方式来实现滑坡位移的多步预测，从而对滑坡演化趋势进行更准确且更全面的描述。.建立滑坡灾害空间图像数据的全色锐化模型和特征分析模型，应用于滑坡灾害区域的自动识别。通过全色锐化实现图像增强；通过构造高维的滑坡图像特征数据集，来有效描述滑坡区域的空间特征；通过图像变化检测获得滑坡区域空间特征的学习样本；利用高效的前向网络训练算法建模，并结合多分类器融合的分类方法，来快速有效地获得滑坡灾害区域的空间分析结果。.项目研究得到的滑坡预测模型，在对长江三峡流域的白水河、黄土坡、大清坎等不同类型滑坡进行位移预测和空间分析的过程中，均得到了与实际观测相吻合的预测结果，这体现了项目研究结果的工程应用价值，为滑坡灾害防治过程中的各类实际工程问题提供了可靠的解决方案。在解决实际工程问题的同时，项目研究在神经网络建模方法的层面上也提出了多个创新，所提的动态建模的通用方法框架是对现有时间序列预测理论的发展，分叉迭代预测是对多步预测方法体系的补充，切换预测则为集成预测的研究提供了新的思路，这些成果体现了项目研究的理论参考价值。