数据科学基础算法的应用 基于BP神经网络的滑坡监测多源异构数据融合算法研究

编者按：

今天为大家推荐《地质力学学报》2020 年4期文章。此次推送的是王智伟等作者的《基于BP神经网络的滑坡监测多源异构数据融合算法研究》。

作者：王智伟，王利，黄观文，韩清清，徐甫，岳聪

摘要：针对滑坡监测中的多源异构数据融合问题，论文提出了一种基于BP神经网络的多源异构监测数据融合算法。该算法将影响滑坡变形的温度、湿度、风力、云量、单日降水量和累计降水量等多环境因子变量作为输入变量，以滑坡位移变化量数据作为期望输出数据，并利用各环境因子变量和滑坡位移变化量的相关性及显著性进行环境因子变量筛选，以提高算法的预测精度。论文采用甘肃省永靖县黑方台党川滑坡的实测数据进行了试验，结果表明：反向传播（Back-Propagation，BP）神经网络数据融合算法适用于具有多源异构监测数据的滑坡变形预测；在进行环境变量因子筛选后，BP神经网络数据融合算法的决定系数达到0.985，均方根误差（RMSE）达到0.4787 mm，从而有效提高了变形预测结果的精度。

关键词: 滑坡监测；多源异构数据；数据融合；BP神经网络；预测

图件及说明

图1 研究区位置和监测点位分布图

黑方台位于甘肃省永靖县盐锅峡镇，地理位置为36°04′10″N—36°07′20″N，103°16′40″E—103°20′50″E，地处黄河北岸。研究区为黑方台党川滑坡(图 1)，其在黑方台滑坡群中处于党川段。黑方台地貌单元属于黄河Ⅳ级阶地，台塬下方的党川村属于黄河的Ⅱ级阶地。党川滑坡位于西北内陆干旱、半干旱地区，属于温带大陆性气候，全年降雨量少，日照时间长，水资源蒸发量大。由于降水作用和灌溉作用，滑坡体上形成了一些侵蚀型冲沟，台塬边缘形成了一些塌陷土坑，并有大量的裂缝发育，而滑坡体后缘存在大量的黄土落水洞，大致呈串珠状分布(周飞，2015；许强等，2016；亓星等，2018；赵超英等，2019)。

图2 不同隐层神经元数目的预测误差标准差

根据公式(5)可知方案一中隐层神经元数目可取3.65~12.65之间的任意整数，方案二中隐层神经元数目可取3~12之间的任意整数，实验中发现隐层神经元数目设置不同，预测结果会不一样。因此，分别设置不同的隐层神经元数目对第16组数据进行预测，连续预测30次得到的预测误差标准差变化情况如图 2所示。从图中可以看出方案一中隐层神经元数目为6时得到的预测误差标准差最小，约为0.63 mm；方案二中隐层神经元数目为7时得到的预测误差标准差最小，约为0.33 mm。故方案一中隐层神经元数目设置为6，方案二中隐层神经元数目设置为7。

图3 两种方案下融合模型的预测位移变化量和实际位移变化量的相关图

进一步比较两种方案下融合模型的预测位移变化量和实际位移变化量的相关程度，并对融合模型的预测结果进行线性拟合(图3)，计算融合模型的决定系数与残差平方和(表5)，其中方案一的决定系数R2达到0.890，残差平方和(RSS)为0.073；方案二的决定系数R2达到0.985，残差平方和(RSS)为0.006，说明基于BP神经网络的多源异构监测数据融合模型在方案二中更具准确性。

文章结论

多源数据融合技术能对滑坡监测多源异构数据进行综合分析和合理利用，消除数据之间可能存在的冗余性和互斥性，有效改善滑坡监测数据的可靠性、提高滑坡状态判断的准确性。本文以甘肃省永靖县黑方台党川滑坡为研究区，针对滑坡监测获得的多种环境因子变量和滑坡位移变化量数据，研究了滑坡多源异构监测数据融合问题，得到如下结论：

(1) 阐述了环境因子变量对滑坡稳定性的影响。温度、湿度和风力能够软化滑坡体、降低坡体强度；降雨会增加坡体容重，加大孔隙水压力，诱发滑坡失稳；云量与降水呈正相关，间接地影响滑坡稳定性。

(2) 提出了一种基于BP神经网络的滑坡多源异构监测数据融合算法。该算法将影响滑坡的6种环境因子变量作为模型的输入变量，采用BP神经网络算法对滑坡的位移变化量进行预测，该算法决定系数达到0.890，RMSE达到0.8564 mm，预测结果的准确性较好。

(3) 在利用各环境因子变量和滑坡位移变化量的相关性及显著性对环境因子变量筛选后，采用BP神经网络算法对滑坡的位移变化量进行预测，该算法决定系数达到0.985，RMSE达到0.4787 mm，有效提高了预测结果的精度。

在对滑坡体的稳定性进行综合分析时，除了文中提及的环境因子变量外，还需考虑研究区域的地下水位、土壤湿度、灌溉数据及应力应变等可量测信息。此外，一些不可量测的信息(人类各种活动信息，如耕地、开挖取土、采矿等)也可能是影响滑坡体变形的重要因素。因此，在对滑坡监测数据进行融合处理时，可以将滑坡变形的位移信息与其他可量测、不可量测的信息进行有效融合，从而实现智能分析、预测和预警。