1.一种滑坡地表变形空间区域权重的计算方法,其特征在于,包括以下步骤:
S1、从滑坡监测系统中获取各个监测点的监测数据,根据监测数据获得滑坡变形特征相关的多种变形数据;
S2、将监测点的多种变形数据按照监测点的空间分布处理为不同通道的时间序列数据输入到卷积神经网络(CNN)模型中进行处理,每个通道对应一种变形数据;
S3、将步骤S2中经过卷积神经网络(CNN)模型处理后的数据作为输入数据,输入到改进的卷积注意模块ICBAM中进行筛选,其中ICBAM包含通道注意力模块、空间注意力模块和残差块;ICBAM的输入通过通道注意力模块用于确定不同变形特征的重要性,通道注意力模块的输出作为空间注意力模块的输入用于确定不同监测点空间位置的变形数据对于最终滑坡预测结果的重要性,残差块链接ICBAM的输入和空间注意力模块的输出;
S4、最后经一个全连接层输出滑坡各个监测点的变形数据的空间相关性,同时输出各个监测点所在区域在滑坡地表变形中所占的空间注意力权重。
2.根据权利要求1所述的一种滑坡地表变形空间区域权重的计算方法,其特征在于,在所述步骤S2中,将监测点的多种变形数据按照监测点的空间分布处理为不同通道的时间序列数据输入到卷积神经网络(CNN)模型中进行处理包括以下步骤:S21、输入数据
将监测点的变形数据按照监测点的空间分布处理成多通道图像,不同类型的变形数据对应不同的通道,输入到卷积神经网络(CNN)模型中;
S22、数学操作
卷积神经网络(CNN)模型包含卷积和池化操作,通过合并不同监测点的变形信息提取空间特征图,一个卷积神经网络(CNN)模型包括卷积层、池化层和全连接层,在卷积层上,输出特征矩阵M是通过在输入特征F上移动滤波器k产生的,池化操作通常在卷积层之后进行,M的相邻元素由最大池化、平均池化或其他池化操作整合,卷积方程如下:其中,m为矩阵M中的一个元素,∑表示矩阵元素的总和,c是输入特征F的通道数,fi,j为F的子矩阵,大小与k相同,i,j分别为滤波器k的行、列移动步长;当子矩阵fi,j在输入特征图上移动时,重复应用滤波器k。
3.根据权利要求1所述的一种滑坡地表变形空间区域权重的计算方法,其特征在于,所述步骤S3中改进的卷积注意模块ICBAM的输入为卷积神经网络(CNN)模型输出的空间特征图X,X∈RC×H×W,其中C,H,W分别对应ICBAM输入数据在三个不同维度上的尺寸,ICBAM依次按照公式(2)-(4)推断出通道特征图XC∈RC×H×W,空间特征图XS∈RC×H×W和引入残差块之后的最终的细化特征图X’∈RC×H×W,在注意力处理的过程中,原始特征的大小没有变化:S31、通道注意力模块
所述步骤S3中通道注意力模块,包含一个全连接层、一个sigmoid激活函数和四种不同的池化操作分别为:最大池化、均值池化、中值池化和组合池化;步骤S2的输出作为通道注意力模块的输入X∈RC×H×W,输入X同时执行四种池化操作分别得到数据A、M、D和C,之后这4组数据经过共享权值的全连接层和激活函数处理得到通道注意力权重Ac;通道注意力模块的输入与Ac相乘得到通道注意力模块的输出Xc;
S32、空间注意力模块
所述步骤S3中空间注意力模块包含一个标准的7×7卷积层、一个激活函数和两个池化层,分别为:均值池化、最大池化;空间注意力模块的输入为通道注意力模块的输出Xc,Xc分别经过两个池化层后,再经过7×7卷积层和激活函数处理后获得空间注意力权重As,As与Xc相乘得到空间注意力模块的输出Xs;
S33、残差块
所述步骤3中的残差块包含一个标准的1×1卷积层、一个ReLU激活函数,残差块的输入为步骤S2的输出X和空间注意力模块的输出Xs,X经过1×1卷积层处理后与Xs相加,并经ReLU激活函数处理后获得最终特征图X’,即为IBCAM的输出;
改进的卷积注意模块ICBAM的具体计算方法如下:
X'=ReLU(conv1×1(X)+Xs) (4)
其中表示逐元素乘法,ReLU为激活函数,conv1×1为卷积层,卷积核大小为1×1,Xc为通道注意结果,Xs为空间注意结果,X’为ICBAM最终的细化特征图,Ac为通道注意力权重,As为空间注意力权重;
通道注意力模块中通道注意力权重Ac计算过程为:
A=AvgPool(X) (5)
M=MaxPool(X) (6)
D=MedPool(X) (7)
然后,A,M,D和C通过一个由全连接层和一个激活函数组成的共享权值网络MLP,将输出向量以元素为单位求和,得到最终的通道注意力权重:Ac=σ(MLP(A)+MLP(M)+MLP(D)+MLP(C)) (9)式中,σ为Sigmoid激活函数,Ac∈RC×1×1的通道数C与原始特征图X的通道数相同,Ac的每个位置赋予一个权值对应于原始特征图的通道;
通道特征图Xc∈RC×H×W作为空间注意力模块的输入,以计算空间注意力权重,计算方法如下:As=σ(f7×7([AvgPool(Xc):MaxPool(Xc)])) (10)式中,σ为Sigmod激活函数,f7×7为卷积层,卷积核大小为7×7。
4.根据权利要求1所述的一种滑坡地表变形空间区域权重的计算方法,其特征在于,所述步骤S4中,待研究的滑坡监测点所在区域的权重计算结果越大,说明该监测点所在区域的变形数据对滑坡位移预测结果的影响越大;监测点所在区域的权重计算结果越小,说明该监测点所在区域的变形数据对滑坡位移预测结果的影响越小。
5.根据权利要求1所述的一种滑坡地表变形空间区域权重的计算方法,其特征在于,所述变形数据包括位移、速度、加速度、相邻监测点之间的位移差值、相邻监测点之间的速度差值、相邻监测点之间的平均位移,根据实际的预测效果选择,输入的变形数据种类至少三个。
6.根据权利要求1所述的一种滑坡地表变形空间区域权重的计算方法,其特征在于,每个监测点的空间区域权重范围在0到1之间,所有点的空间区域权重之和为1,空间区域权重越大则相对影响越大。