基于深度學習的滑坡預警分析

【摘要】鐵路沿線滑坡易造成線路中斷，人員傷亡都會對經濟發展，人民出行帶來不良影響。因此對鐵路沿線易發生滑坡的區域進行監測預警是十分必要的。而深度學習作為日益成熟的機器學習算法，越來越多應用到災害防治技術中?；谝酝鶄鹘y以及新興的滑坡預警方法與模型，對滑坡災害預警技術方法和預警模型的研究成果進行了總結。

【關鍵詞】預警模型； 深度學習； 滑坡監測

【中圖分類號】P642.22【文獻標志碼】A

［定稿日期］2023-08-18

［作者簡介］劉文杰（1991—），男，本科，工程師，研究方向為鐵路運營。

0 引言

滑坡是威脅中國人民和財產安全的重要災害之一。僅2019 年全國共發生地質災害 6 181 起，其中滑坡 4 220 起，占地質災害總數的 68.27%［1］?；率敲磕臧l生次數最多的地質災害，造成的人員傷亡和財產損失巨大。

在工程方面，鐵路沿線滑坡對鐵路行車安全、施工安全構成嚴重威脅。由于鐵路線路在勘察設計階段多會主動避開人口密集的城鎮，因此，新規劃的線路大量穿越山區，丘陵等地形復雜地段，在鐵路建設階段會形成大量邊坡，易在荷載、降雨、地震等外界誘因下觸發滑坡等地質災害［2］。鐵路沿線滑坡易造成線路中斷，人員傷亡都會對經濟發展，人民出行帶來不良影響。因此對鐵路沿線易發生滑坡的區域進行監測預警是十分必要的［3］。而深度學習作為日益成熟的機器學習算法，越來越多的應用到災害防治技術中。本文基于以往傳統以及新興的滑坡預警方法與模型，對滑坡災害預警技術方法和預警模型的研究成果進行了總結。

1 傳統技術手段

以往鐵路運營管理部門對既有鐵路沿線地質災害主要以人工巡查，看守為主，在個別重大工點采用地面傳感設備開展監測。佘小年［4］對國內外滑坡、崩塌地質災害監測技術和適應性進行了綜述，為滑坡、崩塌的正確分析評價、預測預報智力工程等提供可靠資料和科學依據。王珣等［5］以 ε-t 曲線為基礎，研究等效速率轉換后的時間-時間曲線。參考西原模型，分析滑坡蠕變特征、滑坡切線角，時間-時間曲線適用范圍，提出了新的臨滑依據，建立了一套滑坡智能監測預警系統。在某黃土高填方邊坡進行應用，取得了較好的監測預警效果，為滑坡預警模型提供了新的思路。馮海燕［6］論述了現有鐵路數據設備系統存在獨立運行，不互通互聯，接口不開放的缺陷，對于監測預警系統一管理應用造成困難，提出了建立鐵路中心系統為主體，統一設立的下屬監控單元，現場采集設備，以廣域網進行連接的全面性災害監測系統。為建立全國性數據共享的災害監測數據庫提供參考。監測系統具體構成見圖1。

張像源等［7］通過對滑坡影響因素劃分層級，結合專家經驗對影響因素進行科學量化，并提出指標量化公式，首次提出了利用 GIS 技術對災害區域地形進行網格剖分并進行空間分析，以得出滑坡災害綜合危險度指標值，還開發了預警分區模塊。為 GIS 技術在滑坡災害預警領域做出了探索。李聰等［8］搜集整理國內化典型滑坡失穩數據，以 31 個大型巖質滑坡的特征、地質條件、災害過程、災害內部及外部觀測資料建立滑坡數據庫。將破壞模式、滑面傾角、滑面類型、邊坡的巖體性質、 邊坡傾角、降雨條件、地下水、水庫蓄水、開挖、 爆破、地震動峰值加速度作為滑坡重要特征因素，錄入數據后可在數據庫中對比搜索滑坡相似實例，并以此為基礎建立邊坡預警指標修正的模糊綜合評判模型，是早期機器學習應用的先進案例。王治華等［9］首次提出了數字滑坡技術，以遙感和空間定位方法為主獲取數字形式的滑坡基本信息（包含滑坡地形、土地覆蓋、形變、地質構成等），利用 GIS 技術儲存管理數字信息，根據“三項原則”：滑坡，泥石流形成條件及觸發因素、研究區地質環境及當地災害特征、遙感方法能獲取的災害因子；“六個步驟”：確立滑坡、泥石流地質環境及降雨條件的物理關系，建立概念模型；明確發生滑坡、泥石流的必要地質環境因素，建立滑坡、泥石流危險性評價表達式；確定各必要地質環境因素的具體指標，即參與模型的變量；根據研究區災害及地質環境特征，確定變量的權重；確定降雨臨界值；建立模型的數學表達式。為滑坡預警監測模型研究提供了寶貴基礎。滑坡、泥石流預測模型見圖2。

宮清華等［10］首次將滑坡災害預警和單點地質災害穩定性研究結合在一起，正視滑坡背后的致災機理。結合 GIS 技術，以水文、人文、氣象過程為主要參數，構建了氣象-地形-水文-地質-人文耦合模型并利用廣東省程江流域歷史數據進行了驗證，為滑坡災害的有效預測提供了很大幫助。吳益平等［11］全面研究湖北恩施地區歷史滑坡資料，以地層巖性為參數，將研究區域地層劃分為 3 類易發巖組，再對降雨監測數據進行統計，研究有效降雨輕度與關鍵降雨持續時間，得到不同滑坡發生概率的降雨強度閾值，并結合 GIS 技術對于該區域滑坡空間易發性進行區劃，建立了較為精準、可切實應用的滑坡預警模型。王俊等［12］以實驗室滑坡數據為研究基礎，基于“無限邊坡”算法建立了監測災害數據，分析預測滑坡危險性，發布預警信息，給出防治措施集成一體化的滑坡監測預警系統，對滑動面、幾何形狀特定的單體滑坡具有較好的預測效果。

2 新興技術手段

隨著機器學習技術和智能監測設備的日益發展，傳統以地面監測技術、專家決策為主的經驗型滑坡預警手段逐漸被定量化、精細化、多維度滑坡預警模型取代。魏少偉［13］總結論述了“天基”光學衛星影像、 SAR 圖像（圖3）、衛星定位、星載降水雷達；“空基”遙感技術；“陸基”變形監測、地下水位監測、孔隙水壓力檢測、滑動力監測、地質災害特征檢測等；還有三維激光掃描技術、地面合成孔徑干涉雷達技術的應用現狀，給出了崩塌、滑坡、泥石流3 類主要地質災害的監測方法。杜釗鋒等［14］全面闡述了地基干涉雷達測量技術的理論基礎和測量方法并進行了案例分析，展望了地基雷達干涉測量技術在今后應急測繪中的應用?？准涡竦龋?5］基于野外滑坡地形地貌，地質條件、人類活動、土壤植被情況等信息，利用卷積神經網絡建立耦合模型開展黃土高原滑坡易發性評價研究，結果顯示耦合模型預測準確性較高，并且給出了滑坡發育控制因子貢獻排名，為黃土高原滑坡防治提供了模型優化思路。趙會芹等［16］詳細論述了高分辨率衛星遙感影像解譯中滑坡的光譜、形狀、紋理特征，并且比較了現有解譯方法，如目視解譯、機器學習解譯、深度學習解譯的優缺點并提出了未來的改進方向。付饒等［17］以中國高分二號衛星拍攝的海地 7.2 級地震后影像制作數據集，訓練以 MobileNetv3 作為特征提取網絡的改進YOLOv4網絡結構，模型準確度比原模型提高 5.24%，檢測速度提高 6.19 f/s，有較好的優化效果。郭澳慶等［18］利用 INSAR 技術獲取區域滑坡高精度時序數據，對數據采取基于 Loess 的季節趨勢分解方法，再利用 N-BEATS 網絡模型對數據進行學習、分解特征、整合預測，從而達到預測滑坡時間序列形變，在數據集測試中快速達到了 95%的可靠性。郭子正等［19］提出了一種全新的基于時空注意力機制的 STA-CNN-LSTM 模型，將卷積神經網絡與長短期記憶神經網絡相耦合，并在其中引入時空注意力機制，能夠全面提取滑坡空間位移數據、時序特征和滑坡變形時空特征，可適用于大規?；挛灰祁A測。王安迪等［20］利用 SABS-INSAR 技術獲取滑坡變形數據，結合離散元數值模擬方法對滑坡破壞過程和機理進行深層研究。以核桃坪滑坡為研究對象，分析了滑坡演化機制、局部變形特征、滑坡發展趨勢。為將監測技術與數值模擬技術結合做出了很好的實例參考。對上述滑坡預警新興技術手段進行歸納總結，結果見表1。

3 結束語

基于深度學習的滑坡預警模型是當前較為先進的預測手段，但也存在一些問題和瓶頸。未來應該進一步優化模型的算法和模型的訓練方式，不斷提高模型的準確性和泛化能力。此外，也需要加強對監測數據的采集和整理，為模型提供更加完整和準確的數據支撐。在未來的研究中，基于深度學習的滑坡預警模型將會持續發揮作用，為人類對自然災害的防范和減災提供更好的支持。

參考文獻

［1］ 地調局環境監測院. 全國地質災害通報（2019 年）［R］.北京：自然資源部地質災害技術指導中心，2020：1.

［2］ 唐佑綿.降雨誘發鐵路邊坡滑坡監測預警技術研究［J］.鐵路工程技術與經濟，2020，35（6）：17-22.

［3］ 許佑頂 ，姚令侃 .川藏鐵路沿線特殊環境地質問題的認識與思考 ［J］.鐵道工程學報，2017，34（1）：1-5+59.

［4］ 佘小年. 崩塌、滑坡地質災害監測現狀［J］. 企業技術開發（學術版）， 2007（5）： 51-52.

［5］ 王珣， 李剛， 劉勇，等. 基于滑坡等速變形速率的臨滑預報判據研究［J］. 巖土力學， 2017，38（12）：10.

［6］ 馮海燕. 高速鐵路災害監測系統設計及安全性研究［J］. 高速鐵路技術， 2017， 8（2）：6.

［7］ 張像源，周萌.基于專家評分模型和GIS的滑坡預警分析開發研究［J］.中國地質災害與防治學報，2006（2）：107-110.

［8］ 李聰，姜清輝，周創兵，等.基于實例推理系統的滑坡預警判據研究［J］.巖土力學，2011，32（4）：1069-1076.

［9］ 王治華，郭兆成，杜明亮，等.基于數字滑坡技術的暴雨滑坡、泥石流預警、監測模型研究［J］.地學前緣，2011，18（5）：303-309.

［10］ 宮清華，黃光慶.基于氣象-地形-水文-地質-人文耦合的滑坡災害空間預警研究［J］.災害學，2013，28（3）：20-23.

［11］ 吳益平，張秋霞，唐輝明，等.基于有效降雨強度的滑坡災害危險性預警［J］.地球科學（中國地質大學學報），2014，39（7）：889-895.

［12］ 王俊，黃潤秋，聶聞，等.基于無限邊坡算法的降雨型滑坡預警系統的模型試驗研究［J］.巖土力學，2014，35（12）：3503-3510.

［13］ 魏少偉.線性工程地質災害監測新技術及發展趨勢［J］.鐵道建筑，2019，59（2）：57-63.

［14］ 杜釗鋒，張慶濤，陳真，等.地基雷達干涉測量技術在地質災害應急測繪中的應用［J］.測繪與空間地理信息，2019，42（6）：26-29.

［15］ 孔嘉旭，莊建琦，彭建兵，等.基于信息量和卷積神經網絡的黃土高原滑坡易發性評價［J］.地球科學，2023，48（5）：1711-1729.

［16］ 趙會芹，于博，陳方，等.基于高分辨率衛星遙感影像滑坡提取方法研究現狀［J］.遙感技術與應用，2023，38（1）：108-115.

［17］ 付饒，何敬，劉剛.基于改進 YOLOv4 的 2021 年海地7.2級地震震后滑坡識別［J］.地震研究，2023，46（2）：300-307.

［18］ 郭澳慶，胡俊，鄭萬基，等.時序InSAR滑坡形變監測與預測的N-BEATS深度學習法：以新鋪滑坡為例［J］.測繪學報，2022，51（10）：2171-2182.

［19］ 郭子正，楊玉飛，何俊，等.考慮注意力機制的新型深度學習模型預測滑坡位移［J］.地球科學，2024， 49（5）： 1665-1678.

［20］ 王安迪，李龍起.結合SBAS-InSAR與離散元模擬的茂縣核桃坪滑坡變形破壞趨勢分析［J］.大地測量與地球動力學，2023，43（7）：685-691.