[发明专利]基于电阻率法的地质灾害多模态监测数据融合成像方法

说明书

本发明涉及一种基于电阻率法的地质灾害多模态监测数据融合成像方法，其特征在于，以电阻率监测数据为一个完整的模态子空间，以包括水位、深部位移和土壤湿度的空间和时间不连续的数据方式为不完整模态数据集，通过图规则化因子来编码数据的几何结构保证每个模态数据的局部相似性；融合深度学习和不完整多模态分析，构建融合模态深度神经网络和不完整多模态矩阵分解的深度语义匹配模型，通过联合深度矩阵分解、优化，以及逐层模态语义匹配、更新，得到多模态数据的深度语义匹配特征，其中，完成共享空间内不完整多模态数据至少包括分类、聚类的分析。提高滑坡渗流场、地质体结构场和耦合产生的深部位移场动态变化反演剖面的有效性。

技术领域

本发明涉及的是地质灾害监测数据融合成像方法，具体是一种基于电阻率法的地质灾害多模态监测数据融合成像方法。

背景技术

地质灾害是具有较长时间演化过程的复杂物理系统。从演化机理方向研究，滑坡是由地质体结构场、渗流场、应力场、化学场和温度场等产生的基本场、作用场和耦合场共同作用的结果。对滑坡演化过程监测包括：变形监测、影响因素监测和宏观前兆监测。目前，大面积滑坡区宏观形变监测主要采用合成孔径雷达(InSAR)、三维激光扫描和地理信息系统(GIS)等技术。隐患区重点监测常侧重于滑坡变形演化机制的研究，多采用全站仪、激光测距和全球定位技术(GNSS)的地表位移监测，固定式钻孔测斜技术的深部水平位移监测，以及水位、裂缝、降雨和应力等形变和不同影响因素监测相结合的技术方式。

地质灾害具有频发性、危害性和复杂性等特点，单一监测手段很难准确反映滑坡演变过程，将天空地多时相、多尺度的位移监测、水文气象与地质监测、岩土体相互作用监测等不同方法所获取的数据综合分析与融合对地质灾害的预测具有重要意义。

发明内容

本发明的目的是为了解决滑坡变形演化机制研究过程中，宏观地表位移监测数据不能有效反映地质体内部形变过程，深部位移和相关监测受钻孔等技术条件限制，无法在空间上完整描述和解释三维地质体整体变形演化机理的问题，而提供了一种基于电阻率法的地质灾害多模态监测数据融合成像方法。

为了实现上述目的，本发明采用的技术方案如下：

基于电阻率法的地质灾害多模态监测数据融合成像方法，其特征在于，以电阻率监测数据为一个完整的模态子空间，以包括水位、深部位移和土壤湿度的空间和时间不连续的数据方式为不完整模态数据集，通过图规则化因子来编码数据的几何结构保证每个模态数据的局部相似性；融合深度学习和不完整多模态分析，构建融合模态深度神经网络和不完整多模态矩阵分解的深度语义匹配模型，通过联合深度矩阵分解、优化，以及逐层模态语义匹配、更新，得到多模态数据的深度语义匹配特征，其中，完成共享空间内不完整多模态数据至少包括分类、聚类的分析。

具体包括如下步骤：

S1.模态私有深度神经网络，将电阻率、深部位移和土壤湿度数据实例转换成深度特征表示利用融合局部不变图规则化的非负矩阵分解模型将每个模态表示H⁽ⁿ⁾分解成基矩阵U⁽ⁿ⁾和一致编码矩阵P⁽ⁿ⁾＝[P_C；P_I⁽ⁿ⁾],通过联合训练、优化模态私有深度网络和基矩阵，以及模态一致编码矩阵，得到子空间中多模态深度语义共享特征；

S2.通过不变图模型对学习到的共享编码矩阵P_C进行规则化表示，保证每个模态数据与其在潜在子空间中几何结构的一致；

假设模态n中两个数据实例和在原始数据空间中距离较近，在学习到的子空间中它们的低维表示和也相近；

通过构建每个模态的最近邻图G⁽ⁿ⁾描述数据点间的局部几何结构，模态n中的每一个数据实例表示成G⁽ⁿ⁾中的一个点，通过查找离最近的p个邻接点，构建G⁽ⁿ⁾的权重邻接矩阵W⁽ⁿ⁾。