买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国地质大学(武汉)

摘要：本申请提供了一种耦合InSAR和深度学习滑坡面状位移预测方法，涉及滑坡灾害预测预报领域，包括：通过时间序列InSAR技术提取目标滑坡体的地表位移时间序列并进行投影转换和空间插值，获取最陡坡度向位移的面状栅格数据集；根据邻域窗体建立空间关系索引，提取邻域窗体内栅格点的最陡坡度向位移，结合滑坡位移诱发因子，构建影响因子矩阵；通过滑坡类型以及地表距离，对邻域窗体内所有栅格点建立加权邻接矩阵；通过GCN网络，实现加权邻接矩阵对影响因子矩阵的重构，将重构后的影响因子矩阵输入BiLSTM网络，利用双向循环神经网络对每个栅格点进行预测，得到滑坡面状位移的预测结果。通过考虑面状滑坡整体的物理空间关联，提高变形预测的空间精细化程度。

主权项：1.一种耦合InSAR和深度学习滑坡面状位移预测方法，其特征在于，方法包括以下步骤：S1：通过时间序列InSAR技术提取目标滑坡体的地表位移时间序列；S2：对所述地表位移时间序列进行投影转换和空间插值，获取目标滑坡体的最陡坡度向位移的面状栅格数据集；S3：根据邻域窗体建立空间关系索引，提取邻域窗体内栅格点的最陡坡度向位移，结合滑坡位移诱发因子，构建影响因子矩阵；通过滑坡类型以及地表距离，对邻域窗体内所有栅格点建立加权邻接矩阵；S4：通过图卷积神经网络，实现所述加权邻接矩阵对所述影响因子矩阵的重构；步骤S4包括：所述图卷积神经网络包括：一个GCN输入层、多个隐藏层、多个Relu单元以及一个GCN输出层；所述GCN输入层连接多个所述隐藏层，多个所述隐藏层连接对应的多个Relu单元；多个所述隐藏层连接所述GCN输出层；所述Relu单元采用Relu函数为非线性激活函数；所述图卷积神经网络的输入数据为所述加权邻接矩阵与所述影响因子矩阵；通过传播表达式实现加权邻接矩阵对影响因子矩阵的重构，传播表达式如下：Hl+1＝σD-0.5AD-0.5HlWl式中，A为特征变换矩阵，l是单位矩阵；D是A的度矩阵；H为每一层的特征，σ是Relu函数，W为加权邻接矩阵的权重；S5：将重构后的影响因子矩阵作为双向循环神经网络输入，利用双向循环神经网络对每个栅格点进行预测，得到滑坡面状位移的预测结果；步骤S5包括：在双向循环神经网络中对隐藏层向量h_t以及cell层向量c_t进行卷积操作，其中，隐藏层向量h_t表示双向循环神经网络隐藏神经元状态，cell层向量c_t表示双向循环神经网络cell层向量参数；每个栅格点单独作为一个节点，得到滑坡位移的面状预测结果。

全文数据：

权利要求：

百度查询： 中国地质大学(武汉) 耦合InSAR和深度学习的滑坡面状位移预测方法、设备及介质