基于卫星遥感数据的人工智能模型在水电站周边地质监测中的应用

中国华电集团有限公司福建分公司 林栋来 肖树灿 林建成 太极计算机股份有限公司 刘 刚 樊子昂

水利水电工程中，大坝的安全监测是大坝安全管理的重要内容，是控制安全风险的重要措施。其中形变监测是水库大坝安全评价的基础和重要组成。现阶段水库形变监测多是在重点部位布设分散、不连续的单个监测点，利用全站仪、全球导航卫星系统等测量手段按以点代面、以局部代替整体的方法采集离散点形变信息进行数据处理，这种方式难免会遗漏一些重大的安全隐患。星载合成孔径雷达干涉测量（interferometric synthetic aperture radar，InSAR）作为近年来迅速发展的空间大地测量新技术，能够全天时、全天候、大面积同步获取地形信息及地表形变信息，与传统测量手段相比有效缩短了观测周期，扩大了空间范围，提高了监测精度[1]。

本文中利用InSAR数据在池潭水电站进行了形变监测应用。电站装机总容量308MW，系闽江富屯溪支流金溪干流的第一级电站，坝址位于泰宁县池潭村上游3km的峡谷中。工程以发电为主，兼顾防洪、航运、养殖等综合效益。

1 InSAR卫星遥感数据源及数据处理

本文使用了高分辨率TerraSAR雷达卫星遥感数据进行监测，完成了地质灾害检测数据的分析，利用该分析结果进行人工智能模型的预测。TerraSAR-X卫星由德国航空航天中心和欧洲EADSAstrium公司合作开发，是固态有源相控阵的X波段合成孔径雷达卫星，具有10cm精度的轨道数据。本文采用覆盖池潭水电站区域的2021年12月~2022年05月共计8景TerraSAR-X数据进行辅助地质灾害隐患排查和预测分析，其中工作区DEM采用ALOS12.5mDEM。

基于雷达卫星的地质灾害隐患排查数据处理，通过对TerraSAR-X雷达卫星影像开展数据配准、高相干点识别、干涉对组合、时序分析、形变区快速识别等技术手段，运用SVD方法得到池潭水电站区域2021年12月~2022年05月期间的地表形变速率。

2 基于LSTM模型预测

2.1 LSTM 模型构建

LSTM模型全称长短期记忆模型，是在循环神经网络的基础上进行的改进，因此也属于RNN网络的一种，主要规避了标准RNN网络结构中梯度爆炸和梯度消失问题，在其基础上引入了门控机制概念，通过输入门、遗忘门和输出门对数据信息流动进行控制，因此训练速度也会更快。基于LSTM模型内部结构及网络结构，本文针对InSAR数据的分布及特点构建了LSTM网络。具体操作步骤为进行处理和标准化后的数据作为模型的输入xt，输入到LSTM模型，模型的输出经过两个全连接层及最后的反标准化操作，得到的结果为最终的预测结果。

2.2 数据信息

本文收集整理的信息涵盖了33327个InSAR点，其中每一个点都包含多个属性，如InSAR点ID、相对位置xy、经纬度、高程、形变速率、标准差以及八个观测到的形变值。此外为了实现分级预测，根据形变速率对数据进行划分，其等级标记、形变速率区间(mm/y)、数据量分别为：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 数据处理

为保证LSTM模型快速收敛、保持数据一致性及提高模型的预测精度，在输入时对数据进行标准化处理，在输出时进行反标准化式中：x代表输入数据，xmax代表输入数据的最大值，abs()为取绝对值操作，代表标准化后的输入数据。

为充分发挥数据作用，本文采样连续七个时刻InSAR数据递归预测下一时刻，即采用2021年12月2日到2022年4月13日的数据预测2022年5月5日的形变量。根据构建完毕的样本数据训练预测模型，模型的输出可与InSAR实际观测值进行比较，根据评价指标的大小评判模型的表现力，选取最优异的模型进行最终的预测。最终预测样本的构建本文选取2021年12月24日到2022年5月5日之间七个连续时刻的数据，预测的值为下一个时刻，即2022年5月27日的形变值。

2.4 实验

本文基于InSAR遥感卫星数据根据形变速率划分九个等级，并对每一个等级内的全部InSAR点进行联合预测。本文使用Python语言进行编程，基于Pytorch的深度学习框架构建了LSTM模型（图1）。

评价指标：为展现LSTM模型对形变值的预测结果，本文使用了均方误差（MSE）的评价指标来衡量预测结果与实际值间的差距。均方误差既可作为LSTM模型的损失函数进行网络的训练，还可度量评估网络输出与真实值的距离。损失函数越小、距离越小，也就是均方误差的值越小，模型的表现力就越优异

实验参数：进行预测前根据多个水电站附近的inSar数据进行多次尝试，最终确定采用Adam算法进行优化，并最终确定LSTM模型中关于网络结构的参数："predictionLSTM_lr":0.001，预测模型学习率；"predictionEpoch":50，预测模型训练周期；"predictionBatch":16，预测模型批大小；"predictionLSTM_numLayers":"1"，LSTM层数；"predictionLSTM_hidden_size":256，Lstm隐藏层状态；"predictionLSTM_embed_dim1":1024，全连接层1的映射维度；"predictionLSTM_embed_dim2":512，全连接层2的映射维度；"predictionLSTM_stepLr":20，步长 ；"k":5，根据k折划分训练集和测试集。

2.5 结果分析

本文通过对9个不同等级多个观测点的数据，训练出一个LSTM模型。图2每个小图中一条曲线代表一个观测点的观测值，图中曲线上前七个点是历史观测值特征，最后一个点是预测的结果。从中可看出，预测模型可沿着数据走势对未来进行预测。

3 结语

在实际应用方面，本文构建的深度学习预测模型可很好地拟合时序数据的特点，能有效帮助管理人员对重点地质灾害点进行安全排查监测。尽管本文提出了使用LSTM对未来InSAR数据进行预测，但是还有很多可补充改进的地方。本模型仅使用了循环神经网络提取时序间的依赖关系，成千上万个InSAR点之间的空间拓扑并未纳入建模过程中。在未来的研究过程中，将考虑根据InSAR数据之间的物理距离构建图网络模型。空间图模型可用作捕获基于物理距离的相关度，获取的空间特征可应用于时序预测模型。随着数据的不断积累，图网络方法的结果也会和LSTM方法进行比较。相信基于深度学习的模型和方法将会越来越多地应用于地灾监测的应用之中。