一种基于深度学习的滑坡灾害检测系统

摘要

本发明公开了一种基于深度学习的滑坡灾害检测系统，包括滑坡信号检测模块、滑坡识别模块和滑坡精定位模块；所述滑坡信号检测模块用于通过预先训练的滑坡信号拾取模型在单个台站数据中检测滑坡信号；所述滑坡识别模块用于获取多个台站检测到的滑坡信号，通过过滤，滤除错误检测信号，并确定滑坡事件的真实滑坡信号；所述滑坡精定位模块，用于根据所述真实滑坡信号对所述滑坡事件进行精确定位，得到精确位置本发明提出了基于多地震台站的滑坡位置精确定位方法，提高了检测精确度。

权利要求

1.一种基于深度学习的滑坡灾害检测系统，其特征在于，包括滑坡信号检测模块、滑坡识别模块和滑坡精定位模块；

所述滑坡信号检测模块用于通过预先训练的滑坡信号拾取模型在单个台站数据中检测滑坡信号；

所述滑坡识别模块用于获取多个台站检测到的滑坡信号，通过过滤，滤除错误检测信号，并确定滑坡事件的真实滑坡信号；所述滑坡识别模块的识别过程具体包括：区分滑坡事件，并确认每个滑坡信号与对应滑坡事件的隶属关系:根据预设的时间窗对多个滑坡信号进行筛选，得到各个时间窗下对应的滑坡信号数量，当所述滑坡信号数量超过预设值时，判断为一个疑似滑坡事件，并明确所述疑似滑坡事件与当前时间窗下所述滑坡信号的隶属关系，得到一个或多个疑似滑坡事件；

对于每个疑似滑坡事件，在滑坡面中选择疑似滑坡位置，并计算从疑似滑坡位置到每个台站的到时估测值与滑坡信号观测值之间的差值，当所述差值超过阈值时，将该滑坡信号过滤，最终得到真实滑坡信号；

所述滑坡精定位模块，用于根据所述真实滑坡信号对所述滑坡事件进行精确定位，得到精确位置。

2.根据权利要求1所述的一种基于深度学习的滑坡灾害检测系统，其特征在于，所述滑坡信号拾取模型包括由多层卷积神经网络构成的编码器和解码器以及时序特征处理器；

所述编码器用于对获取天然地震波形进行特征提取，得到波形特征；

所述时序特征处理器用于对所述波形特征进行处理，得到时序特征；

所述解码器用于根据所述时序特征确定滑坡信号到时。

3.根据权利要求2所述的一种基于深度学习的滑坡灾害检测系统，其特征在于，所述特征处理器为循环神经网络或Transformer模型。

4.根据权利要求2所述的一种基于深度学习的滑坡灾害检测系统，其特征在于，所述滑坡信号拾取模型的训练步骤包括：获取天然地震历史数据对所述滑坡信号拾取模型进行预训练；

获取滑坡事件数据，对预训练后的所述滑坡信号拾取模型进行迁移训练，得到更新后的模型参数。

5.根据权利要求4所述的一种基于深度学习的滑坡灾害检测系统，其特征在于，在进行迁移训练时，基于所述预训练得到的模型参数，仅对其中的解码器参数进行训练。

6.根据权利要求1所述的一种基于深度学习的滑坡灾害检测系统，其特征在于，所述滑坡精定位模块根据所述真实滑坡信号计算损失值，并输出损失值最小时的最优解，确定滑坡精确位置。

7.根据权利要求6所述的一种基于深度学习的滑坡灾害检测系统，其特征在于，计算损失值，并输出损失值最小时的最优解，具体为：；

其中 是观测到的滑坡信号数量， 是当地平均速度， 是残差，计算方式为：

；

s s s

其中x 、y 、z 、分别滑坡事件的经纬度和深度， 为滑坡事件到时，这四个参数是待求i i i i s s s s解量；x 、y 、z 、t 分别是第 个台的经度、纬度、高度、和震相观测到时；调整x 、y 、z 、t 使得损失函数loss极小，输出此时确定滑坡的位置和时间。

说明书

一种基于深度学习的滑坡灾害检测系统

技术领域

[0001] 本发明涉及滑坡灾害检测技术领域，更具体的说是涉及一种基于深度学习的滑坡灾害检测系统。

背景技术

[0002] 目前滑坡灾害可以使用地震编目所使用的方法。地震编目工作中（即确定地震数量位置），通常使用的方法包括长短时窗对比法（STA/LTA）、互相关算法等。这些算法由于拾取精度较低，通常在拾取结果中需要人工进行确认，以降低误拾取概率。而基于深度学习方法大多是应用于天然地震分析中，而针对于滑坡地震的模型以及处理流程则涉及较少。因此有必要专门针对滑坡事件检测设计深度学习监测系统，以对滑坡事件进行更加准确、快速、自动化的监测。

[0003] 滑坡灾害监测可以使用传统的模板检测算法。但是互相关算法的问题是需要人工选择模板，在单一地区选择的模板未必适用于其他地区滑坡事件。另外由于模板检测算法需要模板数量较多，因此计算效率低，特别是在模板较多情况下，单日数据处理会耗费较长事件。最后便是模板检测误拾取较多，在拾取后需要人工进行确认，以减少误拾取事件数量。这些缺陷的存在使得模板检测方法存在速度慢、精度低的问题。

[0004] 另外一些算法使用深度学习算法。但是深度学习算法需要海量的人工标注数据进行训练，在训练数据不足的情况下精度较低。因此传统的深度学习方法同样面临精度低，缺少专门针对滑坡事件设计的深度学习模型。同样是由于缺少专门用于滑坡事件的模型，导致少量现有的滑坡模型计算速度较慢，无法再低功耗设备上完成计算。

[0005] 因此，如何提供一种基于深度学习的滑坡灾害检测系统，能够提高拾取精度，实现滑坡事件的自动化检测，是本领域技术人员亟需解决的问题。

发明内容

[0006] 有鉴于此，本发明提供了一种基于深度学习的滑坡灾害检测系统，提出了基于多地震台站的滑坡位置精确定位方法，提高了检测精确度；通过迁移训练提高滑坡信号拾取精度，实现滑坡事件的自动化检测。

[0007] 为了实现上述目的，本发明采用如下技术方案：

[0008] 一种基于深度学习的滑坡灾害检测系统，包括滑坡信号检测模块、滑坡识别模块和滑坡精定位模块；

[0009] 所述滑坡信号检测模块用于通过预先训练的滑坡信号拾取模型在单个台站数据中检测滑坡信号；

[0010] 所述滑坡识别模块用于获取多个台站检测到的滑坡信号，通过过滤，滤除错误检测信号，并确定滑坡事件的真实滑坡信号；

[0011] 所述滑坡精定位模块，用于根据所述真实滑坡信号对所述滑坡事件进行精确定位，得到精确位置。

[0012] 进一步的，所述滑坡识别模块还用于区分滑坡事件，并确认每个滑坡信号与对应滑坡事件的隶属关系。

[0013] 进一步的，所述滑坡信号拾取模型包括由多层卷积神经网络构成的编码器和解码器以及时序特征处理器；

[0014] 所述编码器用于对获取天然地震波形进行特征提取，得到波形特征；

[0015] 所述时序特征处理器用于对所述波形特征进行处理，得到时序特征；

[0016] 所述解码器用于根据所述时序特征确定滑坡信号到时。

[0017] 进一步的，所述时序特征处理器为循环神经网络或Transformer模型。

[0018] 进一步的，所述滑坡信号拾取模型的训练步骤包括：

[0019] 获取天然地震历史数据对所述滑坡信号拾取模型进行预训练；

[0020] 获取滑坡事件数据，对预训练后的所述滑坡信号拾取模型进行迁移训练，得到更新后的模型参数。

[0021] 进一步的，在进行迁移训练时，基于所述预训练得到的模型参数，仅对其中的解码器参数进行训练。

[0022] 进一步的，所述滑坡识别模块的识别过程具体包括：

[0023] 根据预设的时间窗对多个滑坡信号进行筛选，得到各个时间窗下对应的滑坡信号数量，当所述滑坡信号数量超过预设值时，判断为一个疑似滑坡事件，并明确所述疑似滑坡事件与当前时间窗下所述滑坡信号的隶属关系，得到一个或多个疑似滑坡事件；

[0024] 对于每个疑似滑坡事件，在滑坡面中选择疑似滑坡位置，并计算从疑似滑坡位置到每个台站的到时估测值与滑坡信号观测值之间的差值，当所述差值超过阈值时，将该滑坡信号过滤，最终得到真实滑坡信号。

[0025] 进一步的，所述滑坡精定位模块根据所述真实滑坡信号计算损失值，并输出损失值最小时的最优解，确定滑坡精确位置。

[0026] 进一步的，计算损失值，并输出损失值最小时的最优解，具体为：

[0027]

[0028] 其中 是观测到的滑坡信号数量，是当地平均速度， 是残差，

[0029]   计算方式为：

[0030]

[0031] 其中xs、ys、zs、分别滑坡事件的经纬度和深度， 为滑坡事件到时，这四个参数是i i i i s s s待求解量；x、y 、z、t 分别是第 个台的经度、纬度、高度、和震相观测到时；调整x 、y、z 、s
t使得损失函数loss极小，输出此时确定滑坡的位置和时间。

[0032] 本发明的有益效果：

[0033] 经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于深度学习的滑坡灾害检测系统，提出了基于多地震台站（震动台站）的滑坡位置精确定位方法，提高了检测精确度；通过迁移训练提高滑坡信号拾取精度，实现滑坡事件的自动化检测。

附图说明

[0034] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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，还可以根据提供的附图获得其他的附图。

[0035] 图1附图为本发明提供一种基于深度学习的滑坡灾害检测系统的结构示意图。

[0036] 图2附图为使用循环神经网络构建时序特征处结构的滑坡信号拾取模型。

[0037] 图3附图为使用Transformer构建时序特征处结构的滑坡信号拾取模型。

[0038] 图4 附图为预训练流程示意图；

[0039] 图5 附图为迁移训练流程示意图。

具体实施方式

[0040] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0041] 如图1，本发明实施例公开了一种基于深度学习的滑坡灾害检测系统，包括滑坡信号检测模块、滑坡识别模块和滑坡精定位模块；

[0042] 滑坡信号检测模块用于通过预先训练的滑坡信号拾取模型检测滑坡信号；其中，滑坡信号拾取模型基于卷积神经网络进行设计，在卷积神经网络设计过程中，充分考虑了计算效率的因素，因此使用残差网络（ResNet）对深度学习模型进行优化，用于提升拾取模型的精度和效率。

[0043] 本发明实施例提供了2种震相拾取模型的模型结构：

[0044] 在一种实施例中，震相拾取模型包括由多层卷积神经网络构成的编码器和解码器以及特征处理器；如图2和图3，编码器用于对获取天然地震波形进行特征提取，得到波形特征；时序特征处理器用于对波形特征进行处理，得到时序特征；解码器用于根据时序特征确定滑坡信号。其中，时序特征处理器为循环神经网络或Transformer模型。

[0045] 如图4和图5，本发明实施例提供了滑坡信号拾取模型的训练方法：

[0046] 在一种实施例中，震相拾取模型的训练步骤包括：

[0047] S1：获取天然地震历史数据对滑坡信号拾取模型进行预训练；在预训练过程中，天然地震历史数据为现有可直接获得的数据，并且具有人工标注，因此，能够对震相拾取模型进行充分训练，随着预训练过程，震相拾取模型的各个结构的模型参数均进行调整，如编码器模型参数、特征提取器模型参数和解码器模型参数；

[0048] S2：获取滑坡地震数据，对预训练后的滑坡信号拾取模型进行迁移训练，得到模型参数。标注少量的滑坡地震数据对震相拾取模型进行迁移训练，迁移训练的初始模型参数，为预训练后的模型参数调整结构，随迁移训练的进行，仅解码器的参数进行调整更新，其他参数固定不动，完成迁移训练，确认最终的模型参数，最终的模型参数中编码器的模型参数和特征提取器的模型参数均由预训练过程得到，而最终的解码器模型参数由迁移训练得到。

[0049] 滑坡识别模块用于获取多个台站检测到的滑坡信号，通过过滤，滤除错误检测信号，并确定滑坡事件的真实滑坡信号。

[0050] 在一种实施例中，滑坡识别模块中包括图形处理器（GPU），通过图形处理器对获取的滑坡信号进行处理，确定滑坡数量，并区分出各个滑坡的位置和时间；其中，滑坡的位置为滑坡发生的经纬度信息；通过对经纬度网格进行搜索，确定滑坡事件的粗略位置和时间。滑坡识别模块使用一个时间段内多个台站所检测到的滑坡信号作为输入，这些滑坡信号可能是属于零个或者多个滑坡事件的。使用图形处理器计算滑坡信号到达每个台站的最佳时间，从而计算滑坡发生时刻和滑坡的粗略位置。在此过程中去除到达时间明显偏离的信号，为噪声信号。在时间段内包含多个滑坡事件时可以区分不同滑坡事件，计算每个滑坡事件的发生时刻和粗略位置，并确定每个滑坡事件所包含的滑坡信号用于后续精定位。计算粗略位置和滑坡发生时刻使用网格搜索算法进行，并使用图形处理器进行加速计算。

[0051] 在一种实施例中，滑坡识别模块的识别过程具体包括：

[0052] 根据预设的时间窗对多个滑坡信号进行筛选，得到各个时间窗下对应的滑坡信号数量，当滑坡信号数量超过预设值时，判断为一个疑似滑坡事件，并明确疑似滑坡事件与当前时间窗下滑坡信号的隶属关系，得到一个或多个疑似滑坡事件；首先在时间维度上进行网格搜索，如果某一时刻开始 时间内（ 为人工设定）有大于等于N个台站（N由人工设定）接收到多个滑坡信号，那么此时刻和所有相关滑坡信号（如果记录到K个相关信号，则记录其到时为 ，到时为信号记录时刻与某一时刻之差）被认为某一疑似滑坡事件产生。在时间维度网格搜索完毕后，可能搜索到一个或者多个疑似滑坡事件。处理完成后不属于任何疑似滑坡事件的滑坡信号被定义为“噪声”。

[0053] 对于每个疑似滑坡事件，在滑坡面中选择疑似滑坡位置，并计算从疑似滑坡位置到每个台站的到时估测值与滑坡信号即观测值之间的差值，当差值超过阈值时，将该滑坡信号过滤，最终得到真实滑坡信号。

[0054] 其中，对于疑似滑坡位置的选取，可先将滑坡面划分为二维网格，网格密度为，然后将其中某个网格点作为疑似滑坡位置。

[0055] 在本实施例中，通过遍历全部网格点确认最佳疑似滑坡位置，即滑坡粗略位置，具体为：

[0056] 计算每个疑似滑坡位置到滑坡信号 接收台站位置的距离 ，计算所有滑坡信号到疑似滑坡位置的平均到时与理论到时差；

[0057] ，

[0058] 其中 为滑坡上信号传播速度，此部分计算由图形处理器进行加速。当平均距离最小时，疑似滑坡位置即为滑坡粗略位置。在此过程中如果滑坡信号理论到时与观测到时 之差大于某一人工设定的阈值则视为噪声信号过滤掉，仅保留小于阈值的滑坡信号。如果筛选后滑坡信号数量大于某一阈值人工设定，则意思滑坡事件被认定为真实滑坡事件。

[0059] 在本实施例中，最终滑坡识别模块可以确定零个或者多个真实滑坡事件的发生时刻、粗略位置以及筛选后的滑坡信号。这些筛选后的滑坡信号用于滑坡精定位。

[0060] 信号精定位模块用于根据多个地震台站识别的滑坡事件对滑坡位置进行精确定位，得到精确位置。

[0061] 在一种实施例中，基于GPU的滑坡精定位算法。精定位算法目标是确定最优滑坡位置使得观测走时差取得极小。

[0062]

[0063] 其中 是观测到的滑坡信号数量，是当地平均速度， 是残差，  i计算方式为[0064]s s s

[0065] 其中x 、y 、z、分别滑坡事件的经纬度和深度， 为滑坡事件到时，这四个参数是i i i i s s s待求解量；x、y 、z、t 分别是第 个台的经度、纬度、高度、和震相观测到时；调整x 、y、z 、s
t使得损失函数loss极小，输出此时确定滑坡的位置和时间。

[0066] 本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

[0067] 对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。