CN114859351A - 一种基于神经网络的地表形变场异常检测的方法 - Google Patents
一种基于神经网络的地表形变场异常检测的方法 Download PDFInfo
- Publication number
- CN114859351A CN114859351A CN202210658245.8A CN202210658245A CN114859351A CN 114859351 A CN114859351 A CN 114859351A CN 202210658245 A CN202210658245 A CN 202210658245A CN 114859351 A CN114859351 A CN 114859351A
- Authority
- CN
- China
- Prior art keywords
- neural network
- time
- time series
- negative
- positive
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000006073 displacement reaction Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 238000007637 random forest analysis Methods 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 2
- 238000012731 temporal analysis Methods 0.000 claims description 2
- 238000000700 time series analysis Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 19
- 238000013459 approach Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000002085 persistent effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000001427 coherent effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000005305 interferometry Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 208000013715 atelosteogenesis type I Diseases 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9023—SAR image post-processing techniques combined with interferometric techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明涉及滑坡灾害预测领域,公开了一种基于神经网络的地表形变场异常检测的方法。本发明基于使用视线多时间、多几何干涉合成孔径雷达(InSAR)时间序列位移的组合的监督分类方法;创建了一个训练数据集,该数据集已与独立验证的数据和当前最先进的分类技术进行了比较。本方法以创建一个利用InSAR表面变形时间序列的全自动异常检测系统。与InSAR时间序列处理相比,该方法将使异常识别后处理时间可以忽略不计。通过展示了所提出的神经网络系统如何提供准确且暂时可行的解决方案,与射频方法和分析模型相比,大大减少了异常时间序列检测处理时间。
Description
技术领域
本发明涉及滑坡灾害预测领域,具体涉及一种基于神经网络的地表形变场异常检测的方法。
背景技术
基于合成孔径雷达(SAR)的大地测量成像已经彻底改变了固体地球、生态系统和冰冻圈等学科的地球科学研究。然而,由于端到端过程处理的复杂性、数据量大小和延迟等问题存在,使得有效利用SAR数据进行研究、广泛空间兴趣区(AOIs)长期监测和快速灾害响应的能力受到了限制。例如,紧急应对的障碍包括缺乏来自预测的自动化数据触发,需要目前依靠专家干预的专门处理参数。决策支持通常在快速生成并具有简化信息(例如,损坏或未损坏或加速或未加速)时最有用。往往需要使用基于变化检测的方法,利用事前和事后场景进行处理,往往需要在基础SAR处理参数值上设置阈值。这些需要人工参与的步骤已成为快速可靠地利用大地数据进行长期监测和SAR数据事件响应的瓶颈。SAR的全天候多时相特性使其产品适用于结构健康监测系统,特别是在现场测量不可行或成本效益不高的地区。这提供了利用多时相数据堆栈进行长期监测的机会,例如来自地震事件、洪水事件、火山、滑坡和基础设施监测的数据。已经开发的几种基于机器学习的技术演示,以帮助对观测数据中的事件和其他特征进行分类。尽管许多先前的分类方法侧重于土地利用和基于地面的物体分类,而机器学习的新方法更多集中在自然现象的检测上。
发明内容
本发明意在提供一种基于神经网络的地表形变场异常检测的方法,通过对多个位移图像的观察,提供更高的检测精度和更短的处理时间。
为达到上述目的,本发明采用如下技术方案:一种基于神经网络的地表形变场异常检测的方法,包括如下步骤:
S1:选择算法与方法;选用随机森林分类算法,以及改进的神经网络算法,通过滑坡检测集成系统(LADIS)生成的更新的滑坡清单地图与CSK数据集用作分析模型的输入,输出数据集由标记为“异常/无异常”的数据组成,用于训练随机森林分类算法和神经网络算法;
S2:选择InSAR时间序列分析;用ps-like的方法使用数据预处理;
S3:使用分析模型进行异常检测;在使用S2的InSAR时间序列分析方法生成了时间序列的地表变形后,系统地分析每个时间序列测量点,以识别变形模式的变化并突出相关的异常点;
S4:选择随机森林分类算法;使用随机森林分类算法,进行两组实验,第一组用工程特征,第二组使用整个时间序列;在第一组中,使用了以下特征:时间序列位移的平均值和标准偏差;时间序列速度的平均值和标准偏差;时间序列加速度的均值和标准差;三分之一、三分之二和整个时间序列内的最大绝对位移;
S5:改进的神经网络方法;使用一个简单的两层完全连接的神经网络,该神经网络具有丢失和批量归一化以及损失函数的交叉熵,使用了批量标准化(BN)提高神经网络的性能;
S6:选择数据集;初始数据集包括研究区大规模地表位移时间序列图,还有人工识别滑坡区域的多边形形状文件,多边形代表了对受滑坡影响区域的最佳估计;
S7:随机森林分类算法与神经网络算法对比;TP:(True Positive)将正类预测为正类数;FP:(False Positive)将负类预测为正类数误报;TN:(True Negative)将负类预测为负类数;FN:(False Negative)将正类预测为负类数;
准确率(accuracy)计算公式为:
精确率(precision)计算公式为:
召回率(recall)计算公式为:
将各个指标的大小相互比较。
进一步,步骤S2中,所述异常点是指,在其后150天(TW时间窗口)的后续时期之间将其速度(VC阈值)改变10毫米/年的测量,设定VC和TW任意阈值,按照以下程序自动分析:
①在整个监测区间(T0-Tn)内,在TS(Tn-150-Tn)的最后部分设置150天的时间窗,允许在时间序列内采样两个不同的子区间,即历史(H)(T0-Tn-150)和最近(R)区间(Tn-150-Tn);
②对子区间R内的变形TS进行分析,以识别在监测期间Tn–150–Tn期间相对于TS的前一部分发生的任何潜在偏差;
③当识别出变形模式的变化时,定义断点Tb;
④将每个子样本的平均变形速率(即时间区间T0-Tb为v1,时间区间Tb-Tn为v2)作为地面变形数据的简单线性回归重新计算;
⑤当|ΔV|=V2-V1>10mm/yr;速度阈值,THR,突出显示异常点。
进一步,步骤S5中,批量大小为2048时,神经网络获得最佳性能;在验证步骤中,通过检查F1分数最高的模型的状态来选择最佳模型。
进一步,步骤S6中,异常检测使用分析模型将多边形内的时间序列点分类为正信号,即加速滑坡或不分类;通过考虑随机选择的PS,而PS不是任何多边形的一部分,分析模型提供了一个负信号,从而确定了负信号,正负信号的集合代表了黄金标准,将用来训练和验证神经网络来识别异常变形模式。
进一步,步骤S6中,创建了一个包含16%的正信号和84%的负信号的训练集。
进一步,步骤S6中,创建了一个包含4%的正信号和96%的测试集。
本发明是基于使用视线多时间、多几何干涉合成孔径雷达(InSAR)时间序列位移的组合的监督分类方法;创建了一个训练数据集,该数据集已与独立验证的数据和当前最先进的分类技术进行了比较,与最先进的算法相比,所提出的框架提供了更高的检测精度、精度、召回率、减少关键基础设施和滑坡监测的处理时间,并且在理论上可以扩展到其他大地测量,例如GPS、水准数据或引伸计。本方法研究了神经网络模式识别算法的性能,以创建一个利用InSAR表面变形时间序列的全自动异常检测系统。与InSAR时间序列处理相比,该方法将使异常识别后处理时间可以忽略不计。通过展示了所提出的神经网络系统如何提供准确且暂时可行的解决方案,与射频方法和分析模型相比,大大减少了异常时间序列检测处理时间。
附图说明
图1是本发明一种基于神经网络的地表形变场异常检测的方法的流程图。
具体实施方式
下面通过具体实施方式进一步详细说明:
本发明中S1表示步骤1,S101表示S1中的01步骤,S102表示S1中的02步骤,依次类推。
具体实施过程如下:
S1:选择算法与方法;
用最先进的随机森林算法,以及改进的神经网络方法,通过滑坡检测集成系统(LADIS)生成的更新的滑坡清单地图与CSK数据集用作分析模型的输入,输出数据集由标记为“信号/异常或噪声/无异常”的数据组成,用于训练随机森林和神经网络。图1提供了数据处理工作流程。
S2:选择InSAR时间序列分析;
SAR是在微波波段工作的相干有源传感器,它利用天线与目标之间的相对运动,以便在利用多普勒效应的飞行方向获得更精细的空间分辨率,差分SAR干涉测量法(DInSAR),是检测表面变化的强大工具。这样,就可以用几米的实际天线(一般为10米)合成千米级的天线。在垂直于飞行方向(范围)的方向上,使用脉冲调制技术以提高空间分辨率。由于SAR的相干特性,它可以同时利用电磁信号的幅度和相位。SAR数据可以看作一个包含与后向散射电磁辐射相关的相位和幅度信息的二维阵列。重复通过干涉相位取决于在两次采集的时间采集间隔内发生的地面变化。这种技术称为差分SAR干涉测量法(DInSAR),是检测表面变化的强大工具。本发明用ps-like的方法使用数据预处理。
S3:使用分析模型进行异常检测;
一旦使用多时相InSAR方法生成了时间序列的地表变形,就会系统地分析每个时间序列测量点,以识别变形模式的变化并突出“异常点”。本发明采用了“异常点”的定义,在其后150天(TW时间窗口)的后续时期之间将其速度(VC阈值)改变10毫米/年的测量。该方法基于位移时间序列的时间欠采样,一旦设定VC和TW任意阈值,则按照以下程序自动分析:
①在整个监测区间(T0-Tn)内,在TS(Tn-150-Tn)的最后部分设置150天的时间窗,允许在时间序列内采样两个不同的子区间,即历史(H)(T0-Tn-150)和最近(R)区间(Tn-150-Tn)。
②对子区间R内的变形TS进行分析,以识别在监测期间Tn–150–Tn期间相对于TS的前一部分发生的任何潜在偏差;
③当识别出变形模式的变化时,定义断点Tb;
④将每个子样本的平均变形速率(即时间区间T0-Tb为v1,时间区间Tb-Tn为v2)作为地面变形数据的简单线性回归重新计算;
⑤当|ΔV|=V2-V1>10mm/yr(速度阈值,THR),突出显示异常点。
S4:选择随机森林分类算法;
使用随机森林分类算法,进行两组实验,其中一组用工程特征,另一组使用整个时间序列。在第一组实验中,使用了以下特征:时间序列位移的平均值和标准偏差;时间序列速度的平均值和标准偏差;时间序列加速度的均值和标准差;三分之一、三分之二和整个时间序列内的最大绝对位移。精度是真阳性(TP)与真阳性和假阳性(FP)之和之间的比率。召回率是TP与TP和假阴性(FN)之和之间的比率。准确率是TP和真阴性(TN)之和与TP+TN+FP+FN之和之间的比率。推理速度就是一秒内可以分析的101个样本的单个时间序列的数量。
S5:改进的神经网络方法;
本发明使用一个简单的两层完全连接神经网络与辍学和批处理规范化和交叉熵损失函数,使用了批量标准化(BN)提高神经网络的性能,由于数据集不平衡,批次的大小导致了一个重要的超参数。当批大小为2048时,我们获得了最佳性能,而较小的批大小会导致不稳定的损失函数。通过在验证步骤中检查具有最高F1分数的模型的状态来选择最佳模型。
S6:选择数据集;
初始数据集包括研究区大规模地表位移时间序列图,还有人工识别滑坡区域的多边形形状文件,多边形代表了对受滑坡影响区域的最佳估计,但实际上并非所有的PS时间序列都表现出与实际活动加速滑坡相对应的模式(也就是说,并非所有滑坡多边形内所有的点都可能被归类为“异常”)。异常检测使用分析模型将多边形内的时间序列点分类为正信号(即加速滑坡)或不分类。通过考虑随机选择的PS,而PS不是任何多边形的一部分,分析模型提供了一个负信号,从而确定了负信号。正负信号的集合代表了黄金标准,将用来训练和验证神经网络来识别异常变形模式。滑坡是罕见事件,选择未识别(即未包含在形状文件中)的正信号并将其错误分类为负信号的机会非常小。为了反映数据分布,创建了一个包含16%的正信号和84%的负信号的训练集和一个包含4%的正信号和96%的测试集。
在执行上述拆分之前,没有执行随机化,因为彼此接近的PS可能高度相关(即,时间位移可能看起来非常相似)。还避免了随机化步骤,以避免将一些训练数据泄漏到测试数据中。执行此步骤是为了确保两个数据集来自不同的物理区域。因为位移的时间序列长度不同,我们对它们进行插值,使它们的长度为101,将它们重新采样到常数步。
S7:随机森林与神经网络对比:
通过推理速度、准确度、精确度和召回率方面对两种算法进行比较,可知神经网络的速度更快,神经网络模型产生更多的假阳性(较低的精度)和更少的假阴性(较高的召回率)。考虑到问题的性质,假阳性意味着在分类之后,一个专业的人工操作人员将花费一些额外的时间来评估信号的真实状态;另一方面,将真正的山体滑坡误认为是负面事件可能会造成灾难性的后果,包括人命的损失。
鉴于结果可知NN模型可以被认为是最快的模型,比第二快的模型(RF有五棵树,没有工程特征)高出2倍。就精度而言,具有100棵树(RF100)且无工程特征的RF模型分别比具有50棵树(RF50)且无工程特征的RF模型和神经网络模型的精度高0.01%和0.02%。在精度方面,具有10棵树且无工程特征的RF模型的性能分别比RF100和NN好0.006%和0.017%。与RF100和RF50相比,神经网络模型提供了最好的召回参数(0.9705),RF100和RF50的召回性能分别差0.82%和1%。从数字上讲,一切都取决于比较指标,推理时间很重要。RF五树模型是RF模型中速度最快的模型,但与没有工程特征的RF模型相比,其精度实际上是最差的。此外,与最好的RF模型相比,NN模型产生更多的误报(更低的精度)和更少的误报(更高的召回率)。鉴于问题的性质,误报意味着在分类之后,专业的人工操作员将花费一些额外的时间来评估信号的真实状态(在这种情况下,不是预测为滑坡的滑坡)。另一方面,将真正的山体滑坡误认为是负面事件可能会产生灾难性后果,包括人员伤亡。
本发明创建一个全自动低延迟系统,该系统能够检测表面变形InSAR时间序列中的“异常”。与RF相比,建议的神经网络系统优化了速度、准确度和召回率。就处理速度而言,NN方法将在68秒内处理完整的ERS、ENVISAT和CSK MapItaly数据集(1.7亿个时间序列),而RF5将需要2.2分钟。相比之下,最慢的算法(具有工程特征的RF500)将需要2.8小时来处理整个数据集,而不考虑计算工程特征所花费的处理时间。
考虑到大量可用的SAR数据和越来越多的SAR传感器(预计可在附近地区运行),减少大规模监测的处理时间对于降低风险和在合理的时间范围内提供警告至关重要。尽管如此,该系统能够检测InSAR时间序列表面位移中的异常点。在考虑基于InSAR的检测系统时要考虑的最重要方面之一是InSAR技术本身固有的限制。
本方法研究了神经网络模式识别算法的性能,以创建一个利用InSAR表面变形时间序列的全自动异常检测系统。结果表明,与InSAR时间序列处理相比,该方法将使异常识别后处理时间可以忽略不计。通过展示了所提出的神经网络系统如何提供准确且暂时可行的解决方案,与射频方法和分析模型相比,将异常时间序列检测处理时间减少了2–147倍。
本方法研究的数据集包含一个包括4000万个PS点和20亿个位移测量值的数据库。在研究区的域处理了100个以升序和降序几何图形采集的COSMO-SkyMed(CSK)数据堆栈。CSK数据集提供了1.3亿个PS点和60亿个位移测量值。初始数据集包括研究区的大规模地表位移时间序列图,另外获得了一组形状文件,其中多边形包围了手动识别滑坡的区域。多边形代表了受滑坡影响的区域的最佳估计,但实际上并非所有PS时间序列都显示出与实际活跃的加速滑坡必然对应的模式;即并非滑坡多边形内的所有点都是可能被归类为我们分析模型中定义的“异常”。例如,可能有滑坡向垂直于卫星LOS的方向移动(即,基于卫星的位移时间序列对垂直于LOS的运动方向不敏感)。
异常检测使用分析模型将多边形内的时间序列点分类为正信号(即加速滑坡)或非正信号。将CSK数据集与分析模型异常检测中描述的方法一起用作训练,在滑坡检测集成系统(基于CSK数据采集时间同时进行的现场调查)确定的多边形内,我们可以获得近560000个正信号(持续散射点)。同样,通过考虑随机选择的PS来识别负信号,这些PS不是提供给我们的任何多边形的一部分,并且分析模型为其提供了负信号。由于滑坡是罕见的事件,问题的性质是高度不平衡的,选择未识别(即未包含在形状文件中)的正信号并将其错误分类为负信号的可能性非常小,为了反映数据分布,创建了一个包含16%的阳性(448000个阳性信号持续散射点)和84%的阴性(2352000个阴性信号)的训练集,以及一个包含4%的阳性(112000个阳性信号持续散射点)和96%的阴性(2688000个阴性信号)的测试集。在进行上述分割之前,没有进行随机化,因为彼此接近的PS可能高度相关(即,时间位移可能看起来非常相似)。特别还避免了随机化步骤,以避免将一些训练数据泄漏到测试数据中。执行此步骤是为了确保这两个数据集来自不同的物理区域。由于位移的时间序列并非都具有相同的长度,我们对其进行插值,使其长度为101,并将其重新采样为常数步长。
以上所述的仅是本发明的实施例,方案中公知的具体技术方案和/或特性等常识在此未作过多描述。应当指出,对于本领域的技术人员来说,在不脱离本发明技术方案的前提下,还可以作出若干变形和改进,在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (6)
1.一种基于神经网络的地表形变场异常检测的方法,其特征在于,包括如下步骤:
S1:选择算法与方法;选用随机森林分类算法和神经网络算法,通过滑坡检测集成系统(LADIS)生成的更新的滑坡清单地图与CSK数据集用作分析模型的输入,输出数据集由标记为“异常或无异常”的数据组成,用于训练随机森林分类算法和神经网络算法;
S2:选择InSAR时间序列分析方法;用ps-like的方法使用数据预处理;
S3:使用分析模型进行异常检测;使用步骤S2的InSAR时间序列分析方法生成了时间序列的地表变形后,系统地分析每个时间序列测量点,以识别变形模式的变化并突出相关的异常点;
S4:选择随机森林分类算法;使用随机森林分类算法,进行两组实验,第一组用工程特征,第二组使用整个时间序列;在第一组中,使用了以下特征:时间序列位移的平均值和标准偏差;时间序列速度的平均值和标准偏差;时间序列加速度的均值和标准差;三分之一、三分之二和整个时间序列内的最大绝对位移;
S5:改进的神经网络算法;使用一个简单的两层完全连接的神经网络,该神经网络具有丢失和批量归一化以及损失函数的交叉熵,使用了批量标准化(BN)提高神经网络的性能;
S6:选择数据集;初始数据集包括研究区大规模地表位移时间序列图,还有人工识别滑坡区域的多边形形状文件,多边形代表了对受滑坡影响区域的最佳估计;
S7:随机森林分类算法与神经网络算法对比;TP:(True Positive)将正类预测为正类数;FP:(False Positive)将负类预测为正类数误报;TN:(True Negative)将负类预测为负类数;FN:(False Negative)将正类预测为负类数;
准确率(accuracy)计算公式为:
精确率(precision)计算公式为:
召回率(recall)计算公式为:
将各个指标的大小相互比较。
2.根据权利要求1所述的一种基于神经网络的地表形变场异常检测的方法,其特征在于:步骤S2中,所述异常点是指,在其后150天(TW时间窗口)的后续时期之间将其速度(VC阈值)改变10毫米/年的测量,设定VC和TW任意阈值,按照以下步骤自动分析:
①在整个监测区间(T0-Tn)内,在TS(Tn-150-Tn)的最后部分设置150天的时间窗,允许在时间序列内采样两个不同的子区间,即历史(H)(T0-Tn-150)和最近(R)区间(Tn-150-Tn);
②对子区间R内的变形TS进行分析,以识别在监测期间Tn–150–Tn期间相对于TS的前一部分发生的任何潜在偏差;
③当识别出变形模式的变化时,定义断点Tb;
④将每个子样本的平均变形速率,即时间区间T0-Tb为v1,时间区间Tb-Tn为v2作为地面变形数据的简单线性回归重新计算;
⑤当|ΔV|=V2-V1>10mm/yr;速度阈值,THR,突出显示异常点。
3.根据权利要求1所述的一种基于神经网络的地表形变场异常检测的方法,其特征在于:步骤S5中,批量大小为2048时,神经网络获得最佳性能;在验证步骤中,通过检查F1分数最高的模型的状态来选择最佳模型。
4.根据权利要求1所述的一种基于神经网络的地表形变场异常检测的方法,其特征在于:步骤S6中,异常检测使用分析模型将多边形内的时间序列点分类为正信号,即加速滑坡或不分类;通过考虑随机选择的PS,而PS不是任何多边形的一部分,分析模型提供了一个负信号,从而确定了负信号,正负信号的集合代表了黄金标准,将用来训练和验证神经网络来识别异常变形模式。
5.根据权利要求1所述的一种基于神经网络的地表形变场异常检测的方法,其特征在于:步骤S6中,创建了一个包含16%的正信号和84%的负信号的训练集。
6.根据权利要求1所述的一种基于神经网络的地表形变场异常检测的方法,其特征在于:步骤S6中,创建了一个包含4%的正信号和96%的测试集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210658245.8A CN114859351A (zh) | 2022-06-10 | 2022-06-10 | 一种基于神经网络的地表形变场异常检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210658245.8A CN114859351A (zh) | 2022-06-10 | 2022-06-10 | 一种基于神经网络的地表形变场异常检测的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114859351A true CN114859351A (zh) | 2022-08-05 |
Family
ID=82623867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210658245.8A Pending CN114859351A (zh) | 2022-06-10 | 2022-06-10 | 一种基于神经网络的地表形变场异常检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114859351A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116299466A (zh) * | 2023-05-22 | 2023-06-23 | 国网电力空间技术有限公司 | 一种输电通道地质形变监测方法和装置 |
CN117421684A (zh) * | 2023-12-14 | 2024-01-19 | 易知谷科技集团有限公司 | 基于数据挖掘和神经网络的异常数据监测与分析方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056134A (zh) * | 2016-05-20 | 2016-10-26 | 重庆大学 | 一种基于Spark的半监督随机森林分类方法 |
CN109709550A (zh) * | 2019-01-17 | 2019-05-03 | 武汉大学 | 一种基于InSAR影像数据的库岸边坡形变监测处理方法 |
CN113033697A (zh) * | 2021-04-15 | 2021-06-25 | 浙江大学 | 一种基于批量归一化层的模型自动评估方法及装置 |
CN113340191A (zh) * | 2021-04-08 | 2021-09-03 | 河北省高速公路延崇筹建处 | 时间序列干涉sar的形变量测量方法及sar系统 |
CN114442094A (zh) * | 2022-02-10 | 2022-05-06 | 中国地质科学院岩溶地质研究所 | 一种地表形变预测方法及系统 |
CN114578356A (zh) * | 2022-03-02 | 2022-06-03 | 中南大学 | 基于深度学习的分布式散射体形变监测方法、系统及设备 |
-
2022
- 2022-06-10 CN CN202210658245.8A patent/CN114859351A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056134A (zh) * | 2016-05-20 | 2016-10-26 | 重庆大学 | 一种基于Spark的半监督随机森林分类方法 |
CN109709550A (zh) * | 2019-01-17 | 2019-05-03 | 武汉大学 | 一种基于InSAR影像数据的库岸边坡形变监测处理方法 |
CN113340191A (zh) * | 2021-04-08 | 2021-09-03 | 河北省高速公路延崇筹建处 | 时间序列干涉sar的形变量测量方法及sar系统 |
CN113033697A (zh) * | 2021-04-15 | 2021-06-25 | 浙江大学 | 一种基于批量归一化层的模型自动评估方法及装置 |
CN114442094A (zh) * | 2022-02-10 | 2022-05-06 | 中国地质科学院岩溶地质研究所 | 一种地表形变预测方法及系统 |
CN114578356A (zh) * | 2022-03-02 | 2022-06-03 | 中南大学 | 基于深度学习的分布式散射体形变监测方法、系统及设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116299466A (zh) * | 2023-05-22 | 2023-06-23 | 国网电力空间技术有限公司 | 一种输电通道地质形变监测方法和装置 |
CN116299466B (zh) * | 2023-05-22 | 2023-08-22 | 国网电力空间技术有限公司 | 一种输电通道地质形变监测方法和装置 |
CN117421684A (zh) * | 2023-12-14 | 2024-01-19 | 易知谷科技集团有限公司 | 基于数据挖掘和神经网络的异常数据监测与分析方法 |
CN117421684B (zh) * | 2023-12-14 | 2024-03-12 | 易知谷科技集团有限公司 | 基于数据挖掘和神经网络的异常数据监测与分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Eftekhar Azam et al. | Damage detection in structural systems utilizing artificial neural networks and proper orthogonal decomposition | |
Dervilis et al. | On robust regression analysis as a means of exploring environmental and operational conditions for SHM data | |
Sarmadi et al. | Bridge health monitoring in environmental variability by new clustering and threshold estimation methods | |
CN114859351A (zh) | 一种基于神经网络的地表形变场异常检测的方法 | |
US7792598B2 (en) | Sparse sampling planner for sensor resource management | |
WO2016031174A1 (ja) | シミュレーション装置、シミュレーション方法、および、記憶媒体 | |
RU2503938C2 (ru) | Способ и устройство частотного анализа данных | |
Adirosi et al. | Raindrop size distribution: Fitting performance of common theoretical models | |
CN111899568A (zh) | 桥梁防撞预警系统、方法、装置和存储介质 | |
JP6773606B2 (ja) | レーダ装置及びそのレーダ信号処理方法 | |
Tang et al. | Autoregressive model-based structural damage identification and localization using convolutional neural networks | |
CN111830501B (zh) | Hrrp历史特征辅助的信号模糊数据关联方法及系统 | |
Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
French et al. | Advanced technologies for earthquake risk inventories | |
CN113221709B (zh) | 用于识别用户运动的方法、装置及热水器 | |
Khlamov et al. | The astronomical object recognition and its near-zero motion detection in series of images by in situ modeling | |
Orsini et al. | Transferability and seasonality in extreme value theory applications to road safety: a case study in an Italian motorway. | |
Hao et al. | Structure identification and tracking of multiple resolvable group targets with circular formation | |
Khattak et al. | Interpretable ensemble imbalance learning strategies for the risk assessment of severe‐low‐level wind shear based on LiDAR and PIREPs | |
Shahamatnia et al. | Data Inconsistency in Sunspot Detection | |
JP2020149259A (ja) | 異常診断装置 | |
CN115220002B (zh) | 一种固定单站的多目标数据关联跟踪方法和相关装置 | |
Kreković et al. | Prediction of Microclimate Parameters for Application in Precision Agriculture | |
Solomentsev et al. | Truncated Sequential Procedure of Statistical Data Processing | |
Cotra et al. | Lidar-based methods for tracking and identification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |