基于循环神经网络的地面沉降危险性预测方法、装置以及系统

摘要

本发明提供一种基于循环神经网络的地面沉降危险性预测方法、装置及系统，该方法包括：获取地面沉降时空分布信息以及水位时空分布信息；根据所述地面沉降时空分布信息以及水位时空分布信息得到地质控制参数以及用于表征所述循环神经网络输入变量与地面沉降之间的空间关系的回归参数；构建用于地面沉降危险性预测的循环神经网络时空模型；将所述地质控制参数、沉降诱发因素作为输入变量输入至循环神经网络时空模型的输入层，并将所述回归参数输入至所述循环神经网络时空模型的空间关系层，利用循环神经网络时空模型预测得到地面沉降值。本发明能提升预测精度。

说明书

技术领域

本发明涉及地下水开采引发的地面沉降风险评估领域，尤其涉及一种基于循环神经网络的地面沉降危险性预测方法、装置以及系统。

背景技术

地下水过度开采导致的地面沉降是一种地质灾害，制约城市的可持续发展。进行地面沉降模拟预测，对地下水资源合理开采和地面沉降防控具有重要意义。基于本构关系的地面沉降模拟模型构建需要较多的水文地质、土力学参数、真实反映地层岩性分布的地质体结构等，获取的这些参数空间分布稀疏，在区域尺度模型的构建中往往难以满足要求。基于数据驱动的地面沉降时序模拟模型(例如：灰色模型(Grey Model,GM)、回归分析模型、人工智能(Artificial Intelligence,AI)模型)从数据本身出发，挖掘地面沉降与影响因素之间的时序发展关系，计算效率高、参数需求少，可进行短期预测且模拟效果良好。

对于具有强烈空间异质性的地层结构，地面沉降与水文地质参数等相关影响因素之间存在时序非线性关系，该关系在空间上也存在差异，且地面沉降发育程度与土体物理特性密切相关。已有的数据驱动模型未同时考虑水文地质参数与地面沉降之间的时空关系和土体物理特性(比如土体压缩性质)对地面沉降的控制作用。永久散射体合成孔径雷达干涉测量(Persistent Scattered Interferometric Synthetic Aperture Radar,PSI)技术通过提取永久散射体(Persistent Scatter，PS)的时序形变，可以获取大范围、长时序、高精度、高密度的地面沉降信息，结合近年来快速发展的深度学习技术，为数据驱动的地面沉降模拟提供了数据支持和技术支撑。

传统水文地质模型由于参数较多且参数难获取而导致应用难、数据驱动模型未同时考虑影响因素与地面沉降时空关系和物理机制的问题，导致预测精度不高。

发明内容

有鉴于此，本发明提供一种基于循环神经网络的地面沉降危险性预测方法、装置以及系统，以提升预测精度。

一方面，本发明提供一种基于循环神经网络的地面沉降危险性预测方法，包括:获取地面沉降时空分布信息以及水位时空分布信息；

根据所述地面沉降时空分布信息以及水位时空分布信息得到地质控制参数以及用于表征所述循环神经网络输入变量与地面沉降之间的空间关系的回归参数；

构建用于地面沉降危险性预测的循环神经网络时空模型；

将所述地质控制参数、沉降诱发因素作为输入变量输入至循环神经网络时空模型的输入层，并将所述回归参数输入至所述循环神经网络时空模型的空间关系层，利用循环神经网络时空模型预测得到地面沉降值。

进一步地，所述获取地面沉降时空分布信息以及水位时空分布信息的步骤包括：

基于PSI技术提取地面沉降时空分布信息；

基于误差校正的泛克里金插值法获取水位时空分布信息。

进一步地，所述地质控制参数包括含水层系统非弹性释水系数、弹性释水系数、压缩系数、可压缩层厚度等地质、水文地质、土力学参数；

所述根据所述地面沉降时空分布信息以及水位时空分布信息得到地质控制参数以及用于表征所述循环神经网络输入变量与地面沉降之间的空间关系的回归参数的步骤包括：

所述根据所述地面沉降时空分布信息以及水位时空分布信息得到所述含水层系统非弹性释水系数；

采用地理加权回归模型分析时间序列上每一个时刻所述循环神经网络输入变量与地面沉降之间的空间关系，得到不同位置处不同时刻上的回归参数。

进一步地，所述构建用于地面沉降危险性预测的循环神经网络时空模型的步骤包括：

构建用于地面沉降危险性预测的循环神经网络时空模型的输入层、空间关系层、隐藏层、输出层以及优化层，其中；

所述输入层用于接收所述地质控制参数以及沉降诱发因素；

所述空间关系层用于表征所述输入层的输入变量与PSI观测沉降之间的空间相关性；

所述隐藏层包括多层LSTM模型，多层LSTM模型的每一层中，上一时刻单元状态值和输出值输入到下一个时刻的记忆细胞中，每一个记忆细胞中包含多个神经元，通过全连接层来进行维度转换，将输出维度转换为循环神经网络时空模型优化时的维度。

所述输出层用于输出每一个时刻的地面沉降值；

所述优化层用于根据每一个时刻的地面沉降值与PSI观测值联合计算损失，并采用梯度下降方法求解损失最小时的循环神经网络时空模型参数，对循环神经网络时空模型进行优化。

进一步地，在所述利用循环神经网络时空模型预测得到地面沉降值的步骤之后还包括:

对PS点上预测的地面沉降值进行空间插值运算，制作区域沉降分布图。

进一步地，所述沉降诱发因素包括承压含水层水位参数。

本发明还提供一种基于循环神经网络的地面沉降危险性预测装置，包括：

数据获取模块，用于获取地面沉降时空分布信息以及水位时空分布信息；

数据处理模块,用于根据所述地面沉降时空分布信息以及水位时空分布信息得到地质控制参数以及用于表征所述循环神经网络输入变量与地面沉降之间的空间关系的回归参数；

模型构建模块,用于构建用于地面沉降危险性预测的循环神经网络时空模型；

沉降危险性预测模块,用于将所述地质控制参数、沉降诱发因素作为输入变量输入至循环神经网络时空模型的输入层，并将所述回归参数输入至所述循环神经网络时空模型的空间关系层，利用循环神经网络时空模型预测得到地面沉降值。

进一步地，所述模型构建模块具体用于构建用于地面沉降危险性预测的循环神经网络时空模型的输入层、空间关系层、隐藏层、输出层以及优化层，其中；

所述输入层用于接收所述地质控制参数以及沉降诱发因素；

所述空间关系层用于表征所述输入层的输入变量与PSI观测沉降之间的空间相关性；

所述隐藏层包括多层LSTM模型，多层LSTM模型的每一层中，上一时刻单元状态值和输出值输入到下一个时刻的记忆细胞中，每一个记忆细胞中包含多个神经元，通过全连接层来进行维度转换，将输出维度转换为循环神经网络时空模型优化时的维度。

所述输出层用于输出每一个时刻的地面沉降值；

所述优化层用于根据每一个时刻的地面沉降值与PSI观测值联合计算损失，并采用梯度下降方法求解损失最小时的循环神经网络时空模型参数，对循环神经网络时空模型进行优化；

所述地质控制参数包括含水层系统非弹性释水系数、弹性释水系数、压缩系数、可压缩层厚度等地质、水文地质、土力学参数；

所述沉降诱发因素包括承压含水层水位参数。

本发明还提供一种计算机可读存储介质，存储有程序，所述程序包括用于执行上述方法的指令。

本发明还提供一种基于循环神经网络的地面沉降危险性预测系统，包括存储有计算机程序的可读介质，所述程序包括用于执行上述方法的指令。

本发明基于循环神经网络的地面沉降危险性预测方法、装置以及系统，在建立基于数据驱动模型的时候，考虑在强烈非均质地层结构中，地质、水文地质、土力学参数在时序上非线性变化和空间上异质性导致的地面沉降时序非线性演化和空间差异性特征，建立一种考虑不同位置处土体具有不同压缩性质的地面沉降时空模拟方法，用于区域尺度地面沉降预测，进而实现为地面沉降的科学防控提供支撑。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为根据本发明示例性第一实施例的基于循环神经网络的地面沉降危险性预测方法的流程图。

图2为根据本发明示例性第二实施例的基于循环神经网络的地面沉降危险性预测方法的流程图。

图3为根据本发明示例性第三实施例的基于循环神经网络的地面沉降危险性预测方法中地面沉降时空循环神经网络模型(Geo-GWLSTM)的示意图。

图4为根据本发明示例性第三实施例的基于循环神经网络的地面沉降危险性预测方法中地面沉降时空循环神经网络模型(Geo-GWLSTM)网络结构示意图。

图5为根据本发明示例性第三实施例的基于循环神经网络的地面沉降危险性预测方法中地面沉降时空循环神经网络模型(Geo-GWLSTM)预测期固定时长数据预处理示意图。

图6为根据本发明示例性第三实施例的基于循环神经网络的地面沉降危险性预测方法中地面沉降时空循环神经网络模型(Geo-GWLSTM)优化训练过程。

图7为根据本发明示例性第四实施例的基于循环神经网络的地面沉降危险性预测装置的结构框图。

具体实施方式

下面结合附图对本发明实施例进行详细描述。

需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合；并且，基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。

如图1所示，本发明一种基于循环神经网络的地面沉降危险性预测方法，包括：

步骤101,获取地面沉降时空分布信息以及水位时空分布信息。

步骤102,根据所述地面沉降时空分布信息以及水位时空分布信息得到地质控制参数以及用于表征所述循环神经网络输入变量与地面沉降之间的空间关系的回归参数。

步骤103,构建用于地面沉降危险性预测的循环神经网络时空模型。

步骤104,将所述地质控制参数、沉降诱发因素作为输入变量输入至循环神经网络时空模型的输入层，并将所述回归参数输入至所述循环神经网络时空模型的空间关系层，利用循环神经网络时空模型预测得到地面沉降值。

本实施例建立一种数据驱动的且同时考虑时空特征和物理特征的地面沉降时空模拟方法，用于区域尺度地面沉降模拟预测，进而实现为地面沉降的科学防控提供支撑。

如图2所示，本发明另一种基于循环神经网络的地面沉降危险性预测方法作为图1所示方法的优选实施方式，本发明所述的考虑物理机制的地面沉降循环神经网络时空预测方法，优化集成PSI、地理加权循环神经网络模型和地面沉降物理模型，考虑地面沉降物理机制，针对非均质地层结构环境下地下水开采诱发的地面沉降问题，构建一种数据驱动且反映物理机制的地面沉降时空模拟模型(Geo-GWLSTM)，提供一个基于物理模型、PSI技术和深度学习的地面沉降时空模拟框架。具体包含时空数据集获取、考虑物理机制的地面沉降循环神经网络时空模型构建、地面沉降时空预测三个部分。其中：

第一部分：时空数据集获取。包含数据获取模块和数据分析模块。

(1)数据获取模块。包含基于PSI技术的地面沉降时空分布信息提取和基于误差校正泛克里金插值法的水位时空分布信息获取。

①基于PSI技术提取地面沉降时空分布信息。采用PSI技术提取区域尺度的时序t上的地面沉降信息B，表示为

②基于误差校正的泛克里金插值法获取水位时空分布信息。结合水位等值线数据，分析插值结果空间误差，对水位观测点的空间插值结果进行校正，得到每一个PS点的时序地下水水位信息H，表示为

校正的具体方法如下所述：

第一步，对地下水水位观测点数据采用泛克里金法进行空间插值，得到初步的地下水水位空间分布GL

第二步，对比分析观测点和等值线分别获取的流场数据之间的空间分布特征，综合丰水期、枯水期和月降水量情况，按照如下公式(1)计算两个流场数据的误差ε空间分布。对于丰水期ε的计算方式为丰水期的等值线水位GL

GL

(2)数据分析模块。基于获取的水位和沉降数据集反演水文地质信息，分析时空关系。包含水文地质信息反演和时空关系分析两个子模块。

①水文地质信息反演子模块。含水层系统非弹性释水系数S

液体的压缩量忽略不计且忽略弹性压缩时，第(1)步得到的地面沉降均为土体非弹性形变导致。因此，通过预固结水头以下的水位变化Δh

②时空关系分析子模块。采用地理加权回归(Geographically WeightedRegression,GWR)模型分析时间序列上每一个时刻模型输入变量与地面沉降之间的空间关系，得到不同位置处不同时刻上的回归参数，作为空间权重。

第二部分：考虑物理机制的地面沉降循环神经网络时空模型构建。

针对非均质地层岩性环境中，地面沉降与地下水水位之间的时序非线性和空间差异性关系以及土体压缩性质对地面沉降控制作用的集成，构建考虑物理机制的地面沉降循环神经网络时空模拟模型，进行沉降模拟模型训练优化。

第一步，模型架构搭建。将内在水文地质、地质条件作为物理控制变量，构建考虑物理机制的地面沉降时空循环神经网络模型(Geology and Geographically WeightedLong Short-Term Memory，Geo-GWLSTM)，如图3所示。在时序上采用长短时记忆(LongShort-Term Memory，LSTM)模型模拟地下水水位变化与地面沉降量之间的时序非线性演化关系，在空间上通过土体物理特性来控制水位变化下的地面沉降响应，同时通过空间权重来表示输入变量与地面沉降之间的空间差异性关系(在不同位置处不同的相关性)。时序上输入特征X

第二步，模型网络结构设计。基于模型搭建方法，在循环神经网络的输入输出结构中，增加控制变量层和空间关系层，与输入的沉降诱发因素结合，设计Geo-GWLSTM模型网络结构如图4所示。

①输入层：包括诱发地面沉降的人为因素和控制地面沉降的内在地质条件因素。

②空间关系层：输入变量与PSI观测沉降之间的空间相关性，通过该关系来增强每一个样本点上输入变量与沉降之间的相关性。对于时序上的每一个时刻，输入时序上每一个样本点(PS点)处的空间权重，将该矩阵集成到对应的PS点中，得到地理加权的PS点。对于大样本量的数据，为了提升模型训练效率，采用小批量样本方法进行模型训练，即每次模型训练的输入样本量为设置的批大小。

③隐藏层：为了更有效的学习样本，采用多层LSTM模型，根据模型训练优化结果来设计循环体层数。每一层中，上一时刻单元状态值和输出值输入到下一个时刻的记忆细胞中。每一个记忆细胞中包含多个神经元，通过全连接层来进行维度转换，将输出维度转换为模型优化时的维度。

④输出层：采用多输出方式，输出每一个时刻的模型预测值(即地面沉降值

⑤优化层：每一个时刻的模型输出值与PSI观测值y

第三部分，地面沉降时空预测。在模型训练期时序t上增加n个时序长度的水位信息，作为预测期，预测该n个时刻上的沉降量。主要有数据预处理和沉降预测两个步骤。

第一步，数据预处理。设置预测期n个时刻上的输入特征和空间权重。对于单个PS点上的水位数据，需要进行预处理，即从第2时刻开始以固定时序长度t-1依次提取排列，得到单个点上的模型输入数据，如图5所示。再对所有PS点按照同样的方式进行批处理，得到区域上的模型输入数据。

第二步，沉降预测。首先，调用训练好的模型，预测时间序列n上的沉降变化量。然后，从预测期开始提取每一个PS点中每一个时间序列上最后一个时刻模型输出的沉降变化量值，该值即该PS点预测的沉降值。最后，通过预测的沉降变化量值计算预测期内的年沉降量和整个时段内的累积沉降量。

第三步，区域沉降制图。对PS点上预测的沉降值进行空间插值运算，制作区域沉降分布图，分析沉降危险性。

本实施例针对传统水文地质模型由于参数较多且参数难获取而导致应用难、数据驱动模型未同时考虑影响因素与地面沉降时空关系和物理机制的问题，采用本发明所述的考虑物理机制的地面沉降循环神经神经网络时空预测方法，可以易获取、且数据量丰富的时序SAR遥感影像作为数据支撑，利用深度学习方法进行地面沉降模拟预测。本发明综合考虑了人为诱发因素和地质条件控制因素对地面沉降的综合影响及该影响的时空差异性特征，提升了地面沉降数据驱动模型的可靠性，为地面沉降有效模拟预测提供可靠的方法。

以下结合一个具体实例对本发明的地面沉降时空预测方法进行详细说明，具体包含时空数据集获取、地面沉降模拟模型训练、地面沉降预测三个部分。本发明融合了PSI技术、空间分析方法、循环神经网络模型，进行强烈非均质地层结构下区域尺度的地面沉降时空模拟及预测。本次实施例中的输入诱发因素为承压含水层水位变化，地质控制因素为含水层系统非弹性释水系数。

第一步，基于多景时间序列SAR遥感影像，通过PSI技术获取时间序列的地面沉降信息

第二步，结合水位长期观测站点数据，采用泛克里金插值法获取与PSI提取地面沉降信息相同时序上的水位信息。利用每年6月份(丰水期)水位观测点插值结果与等值线数据之间的空间误差值校正同年4～9月份的水位观测点插值结果，每年12月份(枯水期)水位观测点插值结果与等值线数据之间的空间误差值校正同年10～12月和次年1～3月的水位观测点插值结果。得到每个PS点的时序水位信息

第三步，结合第一步和第二步得到的沉降和水位信息，选取时序沉降中的第一年6月份水位作为预固结水头，通过水位下降期内最后一年6月份水位相对预固结水头的水位降幅和对应沉降量计算每一个PS点处的含水层系统非弹性释水系数。

第四步，对第一步和第二步得到的时序沉降和水位信息进行差分计算，得到每个PS点在每个时刻上的水位变化量

第五步，采用GWR模型计算每一个时刻每一个PS点位置处

第六步，模型数据输入，设置超参数，进行模型训练优化。模型输入变量为

第七步，通过损失函数值最小化和精度最高原则，选取最优超参数，获得训练的最优模型，模型训练优化方法和步骤如图6所示。

①数据集划分：采用ArcGIS软件中的抽稀工具，将所有PS点随机划分为训练集和测试集，划分后的训练集与测试集空间分布一致。

②模型超参数初始化：设置模型超参数，包括神经元个数、隐藏层数、批大小、学习率、损失函数、优化算法。

③模型训练：输入特征矩阵和空间权重矩阵，每次输入batch size个样本，完成一个Epoch(即所有样本都完成一次训练)以后，采用梯度下降法计算每一个时刻的沉降预测值和PSI观测的沉降值之间的损失，模型迭代训练(完成Epoch次训练)得到损失最小值。

④模型过拟合判断：当损失值不再下降时，模型收敛。通过该值进行模型过拟合判断，选取模型最佳迭代次数。

⑤最优化模型训练：基于训练好的模型，在测试集数据上评估模型泛化能力和预测效果，分析模型精度，综合损失函数值、损失函数曲线、测试集精度，选取最优超参数组合，得到最优模型。

第八步，对于测试集上的PS点，这预测期n个时刻上的含水层系统非弹性释水系数采用固定不变值(即与训练期相同的值)，空间权重为训练期内空间权重的平均值(即训练期中时序上所有时刻计算的空间权重的平均值)；对水位序列进行差分计算，得到预测期每个时刻上水位变化量，表示为

如图7所示，本发明一种基于循环神经网络的地面沉降危险性预测装置，图1-6所示方法实施例的解释说明均适用于本实施例，如图7所示，包括：

数据获取模块701，用于获取地面沉降时空分布信息以及水位时空分布信息；

数据处理模块702,用于根据所述地面沉降时空分布信息以及水位时空分布信息得到地质控制参数以及用于表征所述循环神经网络输入变量与地面沉降之间的空间关系的回归参数；

模型构建模块703,用于构建用于地面沉降危险性预测的循环神经网络时空模型；

沉降危险性预测模块704,用于将所述地质控制参数、沉降诱发因素作为输入变量输入至循环神经网络时空模型的输入层，并将所述回归参数输入至所述循环神经网络时空模型的空间关系层，利用循环神经网络时空模型预测得到地面沉降值。

进一步地，所述模型构建模块具体用于构建用于地面沉降危险性预测的循环神经网络时空模型的输入层、空间关系层、隐藏层、输出层以及优化层，其中；

所述输入层用于接收所述地质控制参数以及沉降诱发因素；

所述空间关系层用于表征所述输入层的输入变量与PSI观测沉降之间的空间相关性；

所述隐藏层包括多层LSTM模型，多层LSTM模型的每一层中，上一时刻单元状态值和输出值输入到下一个时刻的记忆细胞中，每一个记忆细胞中包含多个神经元，通过全连接层来进行维度转换，将输出维度转换为循环神经网络时空模型优化时的维度。

所述输出层用于输出每一个时刻的地面沉降值；

所述优化层用于根据每一个时刻的地面沉降值与PSI观测值联合计算损失，并采用梯度下降方法求解损失最小时的循环神经网络时空模型参数，对循环神经网络时空模型进行优化；

所述地质控制参数包括含水层系统非弹性释水系数、弹性释水系数、压缩系数、可压缩层厚度等地质、水文地质、土力学参数；

所述沉降诱发因素包括承压含水层水位参数。

本发明还提供一种计算机可读存储介质，存储有程序，所述程序包括用于执行上述方法的指令。此外，本发明还提供一种基于循环神经网络的地面沉降危险性预测系统，包括存储有计算机程序的可读介质，所述程序包括用于执行上述方法的指令。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。