CN112508060A - 一种基于图卷积神经网络的滑坡体状态判断方法及系统 - Google Patents

Abstract

本发明涉及一种基于图卷积神经网络的滑坡体状态判断方法及系统，利用包括降雨量、地表位移、深部位移、土壤含水率、次声在内的多种类型监测数据，综合判断滑坡体状态。本发明方法主要包括特征提取、特征融合与特征分类三部分，在特征提取中，将五种类型检测数据经过预处理后，分别输入到不同的图卷积神经网络中进行训练，得到五组对应的特征向量；在特征融合中，将特征提取输出的五组特征向量进行融合，得到可以表征滑坡体整体状态的特征向量，在特征分类中，根据特征融合输出的整体特征向量计算出该滑坡体处于每种状态下的概率，进而给出滑坡体的状态判断。本发明所述方法能准确、快速地判断出滑坡体的状态。

Description

一种基于图卷积神经网络的滑坡体状态判断方法及系统

技术领域

本发明属于地质灾害监测领域，具体为滑坡体状态判断技术，更具体地涉及一种基于图卷积神经网络的滑坡体状态判断方法及系统。

背景技术

滑坡是指斜坡上的土体或岩体，受河流冲刷、地下水活动、雨水浸泡、地震及人工切坡等因素影响，在重力作用下沿着一定的软弱面或软弱带，整体地或者分散地顺坡向下滑动的自然现象。滑坡常常会砸、埋房屋、田地和道路，伤及人畜，给社会造成毁灭性打击。滑坡的防治要贯彻“及早发现，预防为主；查明情况，综合治理；力求根治，不留后患”的原则，结合边坡失稳的因素和滑坡形成的内外部条件进行综合治理。

近年来，人工智能技术在科研领域取得了巨大的成功，影响到了人们生活的方方面面，其中深度学习(Deep learning)作为机器学习的一分子，发展尤为迅速。深度学习在多个领域的成功主要归功于计算资源的快速发展(如GPU)、海量训练数据的收集以及从欧几里得数据(如图像、文本和视频)中提取潜在表征的有效性。欧氏空间下的数据最显著的特征就是有着规则的空间结构，这些数据能够通过一维或二维的矩阵进行表示。

但是，在现实生活中许多数据都是不具备规则的空间结构，即非欧氏空间下的数据(如图谱中每个节点与其他节点的连接不是固定的)。传统的神经网络对这些数据的处理则会稍显无力，为了解决这种不规则、无序的数据的相关问题，图神经网络应运而生。图神经网络可以对非欧氏空间的数据进行建模，捕获数据的内部依赖关系，它主要可以划分为五大类：图卷积网络(Graph ConvolutionNetworks，GCN)、图注意力网络(GraphAttentionNetworks)、图自编码器(GraphAutoencoders)、图生成网络(GraphGenerative Networks)和图时空网络(Graph Spatial-temporal Networks)。

发明内容

本发明的目的是利用图卷积神经网络，提出一种利用包括降雨量、地表位移、深部位移、土壤含水率、次声在内的多种类型监测数据，综合判断滑坡体状态的方法。

本发明的技术方案是：提供一种基于图卷积神经网络的滑坡体状态判断方法，包括如下步骤：

特征提取：将采集到的降雨量数据、地表位移数据、深部位移数据、土壤含水率数据、次声数据共五组数据经过预处理后，分别输入到不同的图卷积神经网络中进行训练，待图卷积神经网络的参数收敛后得到五组数据对应的特征向量；

特征融合：将所述特征提取输出的五组特征向量进行融合，得到表征滑坡体状态的整体特征向量；

特征分类：根据所述特征融合输出的整体特征向量，计算滑坡体处于每种状态下的概率，然后根据每种状态下的概率判断滑坡体的状态。

本发明的进一步技术方案是：所述降雨量数据由雨量计采集、地表位移数据由GNSS接收机采集、深部位移数据由测斜仪采集、土壤含水率数据由温湿度传感器采集、次声数据由次声仪采集。

本发明的进一步技术方案是：所述特征提取主要由图卷积神经网络完成，图卷积神经网络进行特征提取过程包括利用n个图卷积层得到邻接矩阵，其中，n个图卷积层中每一层图卷积层的输出均为下一层图卷积层的输入，第I层的输出H_l计算公式为：

其中为σ激活函数，A为同种类型所有检测设备的空间关系所对应图的邻接矩阵，D为对应邻接矩阵A的度矩阵，H_l-1为第(l-1)层的输出，W_l为第l层的权重参数矩阵，通过网络训练得到，所述得到邻接矩阵具体方法是：

同类型不同位置的两个检测设备i和j，在相同的历史时段T具有的历史数据分别为DATA_i和DATA_j，它们的皮尔森系数S_ij为：

根据皮尔森系数S_ij求得邻接矩阵A_ij为：

其中ε为超参阈值。

本发明的进一步技术方案是：所述特征融合得到整体特征向量的方法是哈达玛乘积融合方法，具体为：Z＝Z_a⊙W_a+Z_b⊙W_b+Z_c⊙W_c+Z_d⊙W_d+Z_e⊙W_e，其中，Z为整体特征向量，Z_a、Z_b、Z_c、Z_d、Z_f分别为特征提取阶段得到的五组数据对应的特征向量，⊙为哈达玛乘积运算，W_a、W_b、W_c、W_d、W_e为跟随整体网络一同训练的参数矩阵。

本发明的进一步技术方案是：所述特征分类具体方法为：

其中，S_i表示滑坡体第i个状态的概率值，j表示所述特征融合输出的整体特征向量的维度，求得S_i最大所对应的状态即判定为滑坡体当前的状态。

本发明的技术方案是：构建一种基于图卷积神经网络的滑坡体状态判断系统，特征提取模块、特征融合模块、特征分类模块，所述特征提取模块将采集到的降雨量数据、地表位移数据、深部位移数据、土壤含水率数据、次声数据共五组数据经过预处理后，分别输入到不同的图卷积神经网络中进行训练，待图卷积神经网络的参数收敛后得到五组数据对应的特征向量；所述特征融合模块将所述特征提取模块输出的五组特征向量进行融合，得到表征滑坡体状态的整体特征向量；所述特征分类模块根据所述特征融合模块输出的整体特征向量，计算滑坡体处于每种状态下的概率，然后根据每种状态下的概率判断滑坡体的状态。

本发明的进一步技术方案是，所述特征提取模块中所述降雨量数据由雨量计采集、地表位移数据由GNSS接收机采集、深部位移数据由测斜仪采集、土壤含水率数据由温湿度传感器采集、次声数据由次声仪采集。

本发明的进一步技术方案是，所述特征提取模块中的图卷积神经网络进行特征提取过程包括利用n个图卷积层得到邻接矩阵，其中，n个图卷积层中每一层图卷积层的输出均为下一层图卷积层的输入，第I层的输出H_l计算公式为：

其中为σ激活函数，A为同种类型所有检测设备的空间关系所对应图的邻接矩阵，D为对应邻接矩阵A的度矩阵，H_l-1为第(l-1)层的输出，W_l为第l层的权重参数矩阵，通过网络训练得到，所述得到邻接矩阵具体方法是：

同类型不同位置的两个检测设备i和j，在相同的历史时段T具有的历史数据分别为DATA_i和DATA_j，它们的皮尔森系数S_ij为：

根据皮尔森系数S_ij求得邻接矩阵A_ij为：

其中ε为超参阈值。

本发明的进一步技术方案是，所述特征融合模块得到整体特征向量的方法是哈达玛乘积融合方法，具体为：Z＝Z_a⊙W_a+Z_b⊙W_b+Z_c⊙W_c+Z_d⊙W_d+Z_e⊙W_e，其中，Z为整体特征向量，Z_a、Z_b、Z_c、Z_d、Z_f分别为特征提取模块得到的五组数据对应的特征向量，⊙为哈达玛乘积运算，W_a、W_b、W_c、W_d、W_e为跟随整体网络一同训练的参数矩阵。

本发明的进一步技术方案是，所述特征分类模块具体方法为：

其中，S_i表示滑坡体第i个状态的概率值，j表示所述特征融合模块输出的整体特征向量的维度，求得S_i最大所对应的状态即判定为滑坡体当前的状态。

本发明的技术效果是：本发明中的图卷积神经网络不仅可以捕捉到不同监测设备之间的空间依赖性，还可以提取同一个监测设备不同时间戳的数据间的时间依赖性，然后根据从各种类型的监测数据中提取到的不同特征，构建出可以更好表征滑坡体状态的整体特征向量，进而更加准确、快速地判断出滑坡体的状态。

附图说明

图1为本发明实施例的方法流程图；

图2为本发明实施例的模块结构示意图；

图3为本发明实施例中雨量计采集的降雨量数据预处理示意图；

图4为本发明实施例中GNSS接收机采集的地表位移数据预处理示意图；

图5为本发明实施例中测斜仪采集的深部位移数据预处理示意图；

图6为本发明实施例中温湿度传感器采集的土壤含水率数据预处理示意图；

图7为本发明实施例中次声仪采集的次声数据预处理示意图；

图8为本发明实施例中图卷积神经网络结构图。

具体实施方式

下面结合具体实施例，对本发明技术方案进一步说明。

本发明的具体实施方式是：提供一种基于图卷积神经网络的滑坡体状态判断方法，包括如下步骤：

特征提取：将采集到的降雨量数据、地表位移数据、深部位移数据、土壤含水率数据、次声数据共五组数据经过预处理后，分别输入到不同的图卷积神经网络中进行训练，待图卷积神经网络的参数收敛后得到五组数据对应的特征向量；

特征融合：将所述特征提取输出的五组特征向量进行融合，得到表征滑坡体状态的整体特征向量；

特征分类：根据所述特征融合输出的整体特征向量，计算滑坡体处于每种状态下的概率，然后根据每种状态下的概率判断滑坡体的状态。

具体实施过程是：如图1所示，降雨量数据、地表位移数据、土壤含水率数据、深部位移数据、次声数据经过预处理后，分别输入到不同的特征提取器得到对应的特征向量，然后通过特征融合器得到可以表征滑坡体的整体特征向量，最后通过特征分类器给出滑坡体的状态判断。

本发明的优选实施方式是：降雨量数据由雨量计采集、地表位移数据由GNSS接收机采集、深部位移数据由测斜仪采集、土壤含水率数据由温湿度传感器采集、次声数据由次声仪采集。

实施例中，对于被监测的滑坡体，在不同位置布设有m套雨量计A，用以采集降雨量数据；n套GNSS接收机B，用以采集地表位移数据；o套温湿度传感器C，用以采集土壤含水率数据；p套测斜仪D，用以采集深部位移数据；q套次声仪E，用以采集次声数据。

实施例中，在预处理阶段，每一轮训练截取T时间长度的数据送入特征提取器中。如图3至如图7所示，其中，A_t表示雨量计在t时刻采集到的降雨量数据，如图3所示，B_t ^x、B_t ^y、B_t ^z分别表示同一位置的GNSS接收机B在相同时刻t采集到的X、Y、Z三个方向的地表位移数据，如图4所示，C_t ⁰、C_t ¹、C_t ²…C_t ^l分别表示同一位置的温湿度传感器C在相同时刻t采集到的不同深度(0-l)的土壤含水率数据，如图5所示，D_t ⁰、D_t ¹、D_t ²…D_t ^l分别表示同一位置的测斜仪D在相同时刻t采集到的不同深度(0-l)的深部位移数据，如图6所示，E_t表示次声仪在t时刻采集到的次声数据，如图7所示。图3至图7中每种类型监测数据的矩阵中，每一行代表同一位置的该类型监测设备采集到的数据，以雨量计为例，有m套雨量计位于不同的位置，则其对应的输入矩阵中就有m行。

本发明的优选实施方式是：特征提取主要由图卷积神经网络完成，图卷积神经网络进行特征提取过程包括利用n个图卷积层得到邻接矩阵，其中，n个图卷积层中每一层图卷积层的输出均为下一层图卷积层的输入，第I层的输出H_l计算公式为：

其中为σ激活函数，A为同种类型所有检测设备的空间关系所对应图的邻接矩阵，D为对应邻接矩阵A的度矩阵，H_l-1为第(l-1)层的输出，W_l为第l层的权重参数矩阵，通过网络训练得到，所述得到邻接矩阵具体方法是：

同类型不同位置的两个检测设备i和j，在相同的历史时段T具有的历史数据分别为DATA_i和DATA_j，它们的皮尔森系数S_ij为：

根据皮尔森系数S_ij求得邻接矩阵A_ij为：

其中ε为超参阈值。

具体实施过程是：图卷积神经网络结构图如图8所示，每一层网络的输出均为下一层网络的输入，除最后一层(全连接层)外，第一层的输入H₀为预处理阶段输出的数据矩阵，本实施例中如图2至图6所示，后面根据式(1)求得第I层的输出H_l，由于部署在滑坡体不同位置上的监测设备的空间关系所对应的图结构并不符合欧几里得空间，因此无法直接计算其度矩阵与邻接矩阵，本发明根据这些监测设备的历史数据计算其间的皮尔森系数，然后依照皮尔森系数的值构建这些监测设备所对应的邻接矩阵与度矩阵，根据式(2)和式(3)算得邻接矩阵，然后根据对应关系得到度矩阵。

本发明的优选实施方式是：特征融合得到整体特征向量的方法是哈达玛乘积融合方法，具体为：

Z＝Z_a⊙W_a+Z_b⊙W_b+Z_c⊙W_c+Z_d⊙W_d+Z_e⊙W_e (4)

其中，Z为整体特征向量，Z_a、Z_b、Z_c、Z_d、Z_f分别为特征提取阶段得到的五组数据对应的特征向量，⊙为哈达玛乘积运算，W_a、W_b、W_c、W_d、W_e为跟随整体网络一同训练的参数矩阵，分别为五组数据进行图卷积神经训练的参数矩阵。

具体实施过程是：降雨量数据对应的特征向量为Z_a，地表位移数据对应的特征向量为Z_b，土壤含水率数据对应的特征向量为Z_c，深部位移数据对应的特征向量为Z_d，次声数据对应的特征向量为Z_f，通过公式(4)得到整体特征向量Z。

本发明的优选实施方式是：特征分类具体方法为：

其中，S_i表示滑坡体第i个状态的概率值，j表示所述特征融合输出的整体特征向量的维度，求得S_i最大所对应的状态即判定为滑坡体当前的状态。

具体实施过程是：使用基本的神经网络，在特征融合器之后再追加一层全连接层作为分类器，该层的输入为表征滑坡体整体特征的特征向量Z，输出为对应滑坡体各状态概率的神经元，即输出神经元的个数与滑坡体状态数一致，激活函数σ为softmax函数，根据公式(5)得到滑坡体第i个状态的概率值S_i，j就是该全连接层的输入神经元个数，所有的S_i的取值范围均在0到1之间，S_i值最大的神经元对应的状态即判定为该滑坡体当前的状态。

如图2所示，本发明的具体实施方式是：构建一种基于图卷积神经网络的滑坡体状态判断系统，特征提取模块1、特征融合模块2、特征分类模块3，所述特征提取模块1将采集到的降雨量数据、地表位移数据、深部位移数据、土壤含水率数据、次声数据共五组数据经过预处理后，分别输入到不同的图卷积神经网络中进行训练，待图卷积神经网络的参数收敛后得到五组数据对应的特征向量；所述特征融合模块2将所述特征提取模块1输出的五组特征向量进行融合，得到表征滑坡体状态的整体特征向量；所述特征分类模块3根据所述特征融合模块2输出的整体特征向量，计算滑坡体处于每种状态下的概率，然后根据每种状态下的概率判断滑坡体的状态。

本发明的优选实施方式是：所述特征提取模块1中所述降雨量数据由雨量计采集、地表位移数据由GNSS接收机采集、深部位移数据由测斜仪采集、土壤含水率数据由温湿度传感器采集、次声数据由次声仪采集。

本发明的优选实施方式是：所述特征提取模块1中的图卷积神经网络进行特征提取过程包括利用n个图卷积层得到邻接矩阵，其中，n个图卷积层中每一层图卷积层的输出均为下一层图卷积层的输入，第I层的输出H_l计算公式为：

其中为σ激活函数，A为同种类型所有检测设备的空间关系所对应图的邻接矩阵，D为对应邻接矩阵A的度矩阵，H_l-1为第(l-1)层的输出，W_l为第l层的权重参数矩阵，通过网络训练得到，所述得到邻接矩阵具体方法是：

同类型不同位置的两个检测设备i和j，在相同的历史时段T具有的历史数据分别为DATA_i和DATA_j，它们的皮尔森系数S_ij为：

根据皮尔森系数S_ij求得邻接矩阵A_ij为：

其中ε为超参阈值。

本发明的优选实施方式是：所述特征融合模块2得到整体特征向量的方法是哈达玛乘积融合方法，具体为：Z＝Z_a⊙W_a+Z_b⊙W_b+Z_c⊙W_c+Z_d⊙W_d+Z_e⊙W_e，其中，Z为整体特征向量，Z_a、Z_b、Z_c、Z_d、Z_f分别为特征提取模块1得到的五组数据对应的特征向量，⊙为哈达玛乘积运算，W_a、W_b、W_c、W_d、W_e为跟随整体网络一同训练的参数矩阵。

本发明的优选实施方式是：所述特征分类模块3具体方法为：

其中，S_i表示滑坡体第i个状态的概率值，j表示所述特征融合模块2输出的整体特征向量的维度，求得S_i最大所对应的状态即判定为滑坡体当前的状态。

本发明中的图卷积神经网络不仅可以捕捉到不同监测设备之间的空间依赖性，还可以提取同一个监测设备不同时间戳的数据间的时间依赖性，然后根据从各种类型的监测数据中提取到的不同特征，构建出可以更好表征滑坡体状态的整体特征向量，进而更加准确、快速地判断出滑坡体的状态。

在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的步骤、方法、装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种步骤、方法、装置所固有的要素。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种基于图卷积神经网络的滑坡体状态判断方法，其特征在于，包括：

特征提取：将采集到的降雨量数据、地表位移数据、深部位移数据、土壤含水率数据、次声数据共五组数据经过预处理后，分别输入到不同的图卷积神经网络中进行训练，得到五组数据对应的特征向量；

特征融合：将所述特征提取输出的五组特征向量进行融合，得到表征滑坡体状态的整体特征向量；

特征分类：根据所述特征融合输出的整体特征向量，计算滑坡体处于每种状态下的概率，然后根据每种状态下的概率判断滑坡体的状态。

2.根据权利要求1所述的滑坡体状态判断方法，其特征在于，所述降雨量数据由雨量计采集、地表位移数据由GNSS接收机采集、深部位移数据由测斜仪采集、土壤含水率数据由温湿度传感器采集、次声数据由次声仪采集。

3.根据权利要求1所述的滑坡体状态判断方法，其特征在于，所述特征提取主要由图卷积神经网络完成，图卷积神经网络进行特征提取过程包括利用n个图卷积层得到邻接矩阵，其中，n个图卷积层中每一层图卷积层的输出均为下一层图卷积层的输入，第I层的输出H_l计算公式为：

其中为σ激活函数，A为同种类型所有检测设备的空间关系所对应图的邻接矩阵，D为对应邻接矩阵A的度矩阵，H_l-1为第(l-1)层的输出，W_l为第l层的权重参数矩阵，通过网络训练得到，所述得到邻接矩阵具体方法是：

同类型不同位置的两个检测设备i和j，在相同的历史时段T具有的历史数据分别为DATA_i和DATA_j，它们的皮尔森系数S_ij为：

根据皮尔森系数S_ij求得邻接矩阵A_ij为：

其中ε为超参阈值。

4.根据权利要求1所述的滑坡体状态判断方法，其特征在于，所述特征融合得到整体特征向量的方法是哈达玛乘积融合方法，具体为：Z＝Z_a⊙W_a+Z_b⊙W_b+Z_c⊙W_c+Z_d⊙W_d+Z_e⊙W_e，其中，Z为整体特征向量，Z_a、Z_b、Z_c、Z_d、Z_f分别为特征提取阶段得到的五组数据对应的特征向量，⊙为哈达玛乘积运算，W_a、W_b、W_c、W_d、W_e分别为特征提取阶段得到的五组数据跟随图卷积神经网络一同训练的参数矩阵。

5.根据权利要求1所述的滑坡体状态判断方法，其特征在于，所述特征分类具体方法为：

其中，S_i表示滑坡体第i个状态的概率值，j表示所述特征融合输出的整体特征向量的维度，求得S_i最大所对应的状态即判定为滑坡体当前的状态。

6.一种基于图卷积神经网络的滑坡体状态判断系统，其特征在于，特征提取模块、特征融合模块、特征分类模块，所述特征提取模块将采集到的降雨量数据、地表位移数据、深部位移数据、土壤含水率数据、次声数据共五组数据经过预处理后，分别输入到不同的图卷积神经网络中进行训练，待图卷积神经网络的参数收敛后得到五组数据对应的特征向量；所述特征融合模块将所述特征提取模块输出的五组特征向量进行融合，得到表征滑坡体状态的整体特征向量；所述特征分类模块根据所述特征融合模块输出的整体特征向量，计算滑坡体处于每种状态下的概率，然后根据每种状态下的概率判断滑坡体的状态。

7.根据权利要求6所述的滑坡体状态判断系统，其特征在于，所述特征提取模块中所述降雨量数据由雨量计采集、地表位移数据由GNSS接收机采集、深部位移数据由测斜仪采集、土壤含水率数据由温湿度传感器采集、次声数据由次声仪采集。

8.根据权利要求6所述的滑坡体状态判断系统，其特征在于，所述特征提取模块中的图卷积神经网络进行特征提取过程包括利用n个图卷积层得到邻接矩阵，其中，n个图卷积层中每一层图卷积层的输出均为下一层图卷积层的输入，第I层的输出H_l计算公式为：

其中为σ激活函数，A为同种类型所有检测设备的空间关系所对应图的邻接矩阵，D为对应邻接矩阵A的度矩阵，H_l-1为第(l-1)层的输出，W_l为第l层的权重参数矩阵，通过网络训练得到，所述得到邻接矩阵具体方法是：

同类型不同位置的两个检测设备i和j，在相同的历史时段T具有的历史数据分别为DATA_i和DATA_j，它们的皮尔森系数S_ij为：

根据皮尔森系数S_ij求得邻接矩阵A_ij为：

其中ε为超参阈值。

9.根据权利要求6所述的滑坡体状态判断系统，其特征在于，所述特征融合模块得到整体特征向量的方法是哈达玛乘积融合方法，具体为：Z＝Z_a⊙W_a+Z_b⊙W_b+Z_c⊙W_c+Z_d⊙W_d+Z_e⊙W_e，其中，Z为整体特征向量，Z_a、Z_b、Z_c、Z_d、Z_f分别为特征提取模块得到的五组数据对应的特征向量，⊙为哈达玛乘积运算，W_a、W_b、W_c、W_d、W_e分别为特征提取模块得到的五组数据跟随图卷积神经网络一同训练的参数矩阵。

10.根据权利要求6所述的滑坡体状态判断系统，其特征在于，所述特征分类模块具体方法为：

其中，S_i表示滑坡体第i个状态的概率值，j表示所述特征融合模块输出的整体特征向量的维度，求得S_i最大所对应的状态即判定为滑坡体当前的状态。

Images