[發明專利]基于電阻率法的地質災害多模態監測數據融合成像方法

在審

• 申請號: 202010829072.2
• 申請日: 2020-08-18
• 公開（公告）號: CN111983693A
• 公開（公告）日: 2020-11-24
• 發明（設計）人: 徐哈寧;肖慧;鄧居智;簡語;黃靈湛;劉奇;王澤輝;李熠釗;孫蒙;侯潔婷
• 申請（專利權）人: 東華理工大學
• 主分類號: G01V3/00
• 分類號: G01V3/00;G01N27/04;G06K9/62
• 代理公司: 南昌新天下專利商標代理有限公司 36115
• 代理人: 熊婷

本發明涉及一種基于電阻率法的地質災害多模態監測數據融合成像方法，其特征在于，以電阻率監測數據為一個完整的模態子空間，以包括水位、深部位移和土壤濕度的空間和時間不連續的數據方式為不完整模態數據集，通過圖規則化因子來編碼數據的幾何結構保證每個模態數據的局部相似性；融合深度學習和不完整多模態分析，構建融合模態深度神經網絡和不完整多模態矩陣分解的深度語義匹配模型，通過聯合深度矩陣分解、優化，以及逐層模態語義匹配、更新，得到多模態數據的深度語義匹配特征，其中，完成共享空間內不完整多模態數據至少包括分類、聚類的分析。提高滑坡滲流場、地質體結構場和耦合產生的深部位移場動態變化反演剖面的有效性。

技術領域

本發明涉及的是地質災害監測數據融合成像方法，具體是一種基于電阻率法的地質災害多模態監測數據融合成像方法。

背景技術

地質災害是具有較長時間演化過程的復雜物理系統。從演化機理方向研究，滑坡是由地質體結構場、滲流場、應力場、化學場和溫度場等產生的基本場、作用場和耦合場共同作用的結果。對滑坡演化過程監測包括：變形監測、影響因素監測和宏觀前兆監測。目前，大面積滑坡區宏觀形變監測主要采用合成孔徑雷達(InSAR)、三維激光掃描和地理信息系統(GIS)等技術。隱患區重點監測常側重于滑坡變形演化機制的研究，多采用全站儀、激光測距和全球定位技術(GNSS)的地表位移監測，固定式鉆孔測斜技術的深部水平位移監測，以及水位、裂縫、降雨和應力等形變和不同影響因素監測相結合的技術方式。

地質災害具有頻發性、危害性和復雜性等特點，單一監測手段很難準確反映滑坡演變過程，將天空地多時相、多尺度的位移監測、水文氣象與地質監測、巖土體相互作用監測等不同方法所獲取的數據綜合分析與融合對地質災害的預測具有重要意義。

發明內容

本發明的目的是為了解決滑坡變形演化機制研究過程中，宏觀地表位移監測數據不能有效反映地質體內部形變過程，深部位移和相關監測受鉆孔等技術條件限制，無法在空間上完整描述和解釋三維地質體整體變形演化機理的問題，而提供了一種基于電阻率法的地質災害多模態監測數據融合成像方法。

為了實現上述目的，本發明采用的技術方案如下：

基于電阻率法的地質災害多模態監測數據融合成像方法，其特征在于，以電阻率監測數據為一個完整的模態子空間，以包括水位、深部位移和土壤濕度的空間和時間不連續的數據方式為不完整模態數據集，通過圖規則化因子來編碼數據的幾何結構保證每個模態數據的局部相似性；融合深度學習和不完整多模態分析，構建融合模態深度神經網絡和不完整多模態矩陣分解的深度語義匹配模型，通過聯合深度矩陣分解、優化，以及逐層模態語義匹配、更新，得到多模態數據的深度語義匹配特征，其中，完成共享空間內不完整多模態數據至少包括分類、聚類的分析。

具體包括如下步驟：

S1.模態私有深度神經網絡，將電阻率、深部位移和土壤濕度數據實例轉換成深度特征表示利用融合局部不變圖規則化的非負矩陣分解模型將每個模態表示H⁽ⁿ⁾分解成基矩陣U⁽ⁿ⁾和一致編碼矩陣P⁽ⁿ⁾＝[P_C；P_I⁽ⁿ⁾],通過聯合訓練、優化模態私有深度網絡和基矩陣，以及模態一致編碼矩陣，得到子空間中多模態深度語義共享特征；

S2.通過不變圖模型對學習到的共享編碼矩陣P_C進行規則化表示，保證每個模態數據與其在潛在子空間中幾何結構的一致；

假設模態n中兩個數據實例和在原始數據空間中距離較近，在學習到的子空間中它們的低維表示和也相近；

通過構建每個模態的最近鄰圖G⁽ⁿ⁾描述數據點間的局部幾何結構，模態n中的每一個數據實例表示成G⁽ⁿ⁾中的一個點，通過查找離最近的p個鄰接點，構建G⁽ⁿ⁾的權重鄰接矩陣W⁽ⁿ⁾。