基于深度学习的滑坡位移时空预测

罗袆沅，蒋亚楠,，许 强，廖 露，燕翱翔，刘陈伟

1. 成都理工大学地质灾害防治与地质环境保护国家重点实验室,四川 成都 610059； 2. 成都理工大学地球科学学院,四川 成都 610059； 3. 四川测绘地理信息局测绘技术服务中心，四川 成都 610081

滑坡是陆地环境中普遍存在的一种地质灾害，对人类生命财产乃至整个社会经济系统构成严重威胁[1]。为减少人员伤亡和财产损失，当前，许多国家已建立了针对典型重大滑坡的监测预警系统[2]。而监测系统获取的时序位移数据集通常能够直接反映滑坡的变形或稳定特征[3]。因此，监测数据集对于构建高效的预测预报模型，实现滑坡灾害动态预测预警具有重要应用价值。

滑坡位移预测模型除了复杂的物理模型，还包括基于监测数据集的数理模型[4]。与物理模型相比，数理模型的建立过程更简单、精确[5]。然而，滑坡变形演化是一个非线性动力作用过程，受地形地貌、岩土结构、水文地质、气候和人类活动等因素的影响[6]，存在时空相关性。因此，数理模型中的机器学习方法因能处理非线性时序的复杂性、动态性和非线性特征，被广泛应用于滑坡位移时序预测。近年来，人工神经网络(artificial neural network,ANN)[7]、支持向量机(support vector machine,SVM)[8]、极限学习机(extreme learning machine,ELM)[9]和循环神经网络(recurrent neural network,RNN)[10-11]等机器学习方法广泛应用于滑坡位移预测。但是，这些预测模型只考虑了位移监测数据的时间相关性，可实现单个典型监测点的位移预测，忽略了监测点之间的空间相关性。一定程度上限制了预测精度的提高，且无法准确地判断滑坡整体变形趋势，从而导致潜在的威胁被忽视。……