基于衛星遙感數據的人工智能模型在水電站周邊地質監測中的應用

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，大壩的安全監測是大壩安全管理的重要內容，是控制安全風險的重要措施。其中形變監測是水庫大壩安全評價的基礎和重要組成。現階段水庫形變監測多是在重點部位布設分散、不連續的單個監測點，利用全站儀、全球導航衛星系統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據處理，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）作為近年來迅速發展的空間大地測量新技術，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，提高了監測精度[1]。

本文中利用InSAR數據在池潭水電站進行了形變監測應用。電站裝機總容量308MW，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。工程以發電為主，兼顧防洪、航運、養殖等綜合效益。

1 InSAR衛星遙感數據源及數據處理

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

基于雷達衛星的地質災害隱患排查數據處理，通過對TerraSAR-X雷達衛星影像開展數據配準、高相干點識別、干涉對組合、時序分析、形變區快速識別等技術手段，運用SVD方法得到池潭水電站區域2021年12月~2022年05月期間的地表形變速率。

2 基于LSTM模型預測

2.1 LSTM 模型構建

LSTM模型全稱長短期記憶模型，是在循環神經網絡的基礎上進行的改進，因此也屬于RNN網絡的一種，主要規避了標準RNN網絡結構中梯度爆炸和梯度消失問題，在其基礎上引入了門控機制概念，通過輸入門、遺忘門和輸出門對數據信息流動進行控制，因此訓練速度也會更快。基于LSTM模型內部結構及網絡結構，本文針對InSAR數據的分布及特點構建了LSTM網絡。具體操作步驟為進行處理和標準化后的數據作為模型的輸入xt，輸入到LSTM模型，模型的輸出經過兩個全連接層及最后的反標準化操作，得到的結果為最終的預測結果。

2.2 數據信息

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。此外為了實現分級預測，根據形變速率對數據進行劃分，其等級標記、形變速率區間(mm/y)、數據量分別為：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 數據處理

為保證LSTM模型快速收斂、保持數據一致性及提高模型的預測精度，在輸入時對數據進行標準化處理，在輸出時進行反標準化式中：x代表輸入數據，xmax代表輸入數據的最大值，abs()為取絕對值操作，代表標準化后的輸入數據。

為充分發揮數據作用，本文采樣連續七個時刻InSAR數據遞歸預測下一時刻，即采用2021年12月2日到2022年4月13日的數據預測2022年5月5日的形變量。根據構建完畢的樣本數據訓練預測模型，模型的輸出可與InSAR實際觀測值進行比較，根據評價指標的大小評判模型的表現力，選取最優異的模型進行最終的預測。最終預測樣本的構建本文選取2021年12月24日到2022年5月5日之間七個連續時刻的數據，預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遙感衛星數據根據形變速率劃分九個等級，并對每一個等級內的全部InSAR點進行聯合預測。本文使用Python語言進行編程，基于Pytorch的深度學習框架構建了LSTM模型（圖1）。

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

實驗參數：進行預測前根據多個水電站附近的inSar數據進行多次嘗試，最終確定采用Adam算法進行優化，并最終確定LSTM模型中關于網絡結構的參數："predictionLSTM_lr":0.001，預測模型學習率；"predictionEpoch":50，預測模型訓練周期；"predictionBatch":16，預測模型批大小；"predictionLSTM_numLayers":"1"，LSTM層數；"predictionLSTM_hidden_size":256，Lstm隱藏層狀態；"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k折劃分訓練集和測試集。

2.5 結果分析

本文通過對9個不同等級多個觀測點的數據，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，最后一個點是預測的結果。從中可看出，預測模型可沿著數據走勢對未來進行預測。

3 結語

在實際應用方面，本文構建的深度學習預測模型可很好地擬合時序數據的特點，能有效幫助管理人員對重點地質災害點進行安全排查監測。盡管本文提出了使用LSTM對未來InSAR數據進行預測，但是還有很多可補充改進的地方。本模型僅使用了循環神經網絡提取時序間的依賴關系，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InSAR數據之間的物理距離構建圖網絡模型。空間圖模型可用作捕獲基于物理距離的相關度，獲取的空間特征可應用于時序預測模型。隨著數據的不斷積累，圖網絡方法的結果也會和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用于地災監測的應用之中。