滑坡論文摘要模板（論文推薦朱慶）

2023-05-25 14:37:52 2

《測繪學報》

構建與學術的橋梁 拉近與權威的距離

重大滑坡隱患分析方法綜述

朱慶1, 曾浩煒1

1.西南交通大學地球科學與環境工程學院, 四川 成都 611756;

2.武漢大學測繪學院, 湖北 武漢 430079;

3.四川測繪地理信息局測繪技術服務中心, 四川 成都 610081;

4.川藏鐵路有限公司, 四川 成都 610043;

5.中南大學地球科學與信息物理學院, 湖南 長沙 410083;

6.廣州市城市規劃勘測設計研究院, 廣東 廣州 510060

收稿日期：2019-10-31；修回日期：2019-11-12

基金項目：國家自然科學基金(41631174);國家重點研發計劃(2018YFB0505404);智慧廣州時空信息雲平臺建設項目(GZIT2016-A5-147)

第一作者簡介：朱慶(1966-), 男, 博士, 長江學者特聘教授, 博士生導師, 研究方向為多維動態GIS與虛擬地理環境。E-mail:[email protected]

通信作者：曾浩煒, E-mail: [email protected]

摘要：滑坡是發生頻繁且破壞力巨大的典型地質災害類型，高位山體崩滑和冰雪崩滑等重大滑坡隱患已經成為新型城鎮化和川藏鐵路工程等重大基礎設施建設重要的制約因素。本文系統歸納總結了現有滑坡隱患監測技術和分析方法的特點與局限，提出了一種數據驅動與模型驅動協同的滑坡隱患可靠分析方法，構建滑坡隱患分析知識圖譜、提取高層語義特徵指標、知識引導精準判別滑坡隱患。該方法系統考慮了深部-地表內外動力耦合作用的致災機制，為小樣本、高複雜度的滑坡隱患可靠分析提供了新途徑。

關鍵詞：滑坡隱患 孕災環境 監測技術 分析方法 知識圖譜

A review of major potential landslide hazards analysis

ZHU Qing1, ZENG Haowei1, DING Yulin1, XIE Xiao2, LIU Fei1,3, ZHANG Liguo4, LI Haifeng5, HU Han1,ZHANG Junxiao1, HEN Li1, CHEN Lin1, ZHANG Pengcheng6, HE Huagui6

1.Faculty of Geosciences and Environmental Engineering, Southwest Jiaotong University, Chengdu 611756, China;

2. School of Geodesy and Geomatics, Wuhan University, Wuhan 430079, China;

3.Surveying and Mapping Technology Service Center, Sichuan Surveying and Mapping Geographic Information, Chengdu 610081, China;

4. Sichuan-Tibet Railway Co. Ltd., Chengdu 610043, China;

5. School of Geosciences and Info-Physics, Central South University, Changsha 410083, China;

6. Guangzhou Urban Planning & Design Survey Research Institute, Guangzhou 510060, China

Foundation support: The National Natural Science Foundation of China (No. 41631174); The National Key Research and Development Program of China(No. 2018YFB0505404); The Smart Guangzhou Spatiotemporal Information Cloud Platform Construction Project(No. GZIT2016-A5-147)

First author: ZHU Qing (1966—), male, PhD, distinguished professor of Changjiang scholars program, PhD supervisor, majors in dynamic GIS and VG.E-mail:[email protected].

Corresponding author: ZENG Haowei, E-mail: [email protected].

Abstract: Landslide is a typical and frequent geological disaster, which causes great loss to human beings. Major landslide hazards, such as landslides in high mountains and ice avalanches, have become important constraints to the development of urbanization and major infrastructure projects such as the Sichuan-Tibet railway. This paper systematically analyzes the characteristics and limitations of existing monitoring technology and analysis methods of potential landslide hazards, introduces a reliable method for potential landslide hazards analysis by coupling monitoring data with mechanism models, to establish the knowledge graph for potential landslide hazards analysis, to extract the high-level semantic features and to identify the potential landslide hazards precisely guided by knowledge.This method systematically considers the mechanism of landslide disaster caused by the coupling of deep and surface, and provides a new way for the reliable analysis of potential landslide hazards with small sample and high complexity.

Key words:potential landslide hazards geographical environment monitoring technology analytical method knowledge graph

高位山體崩滑與冰雪崩滑等重大滑坡隱患嚴重製約和威脅新型城鎮化與川藏鐵路工程等重大基礎設施建設及安全運行。重大滑坡隱患分析研究具有重要意義，事先發現和識別滑坡隱患並實施科學的監測預警，是變「被動避災救災」為「主動防災治災」，減少甚至避免造成災難性地質災害事件發生的主要途徑。然而，我國西部山區重大滑坡隱患多具有隱蔽性、突發性、不確定性等複雜特點，極大地增加了主動防範和監測預警的難度。其中，隱蔽性指受植被覆蓋、冰雪覆蓋和高海拔位置影響，滑坡形成條件、發育跡象和發生部位極為隱蔽，絕大多數災難性滑坡無法在災前及時發現；突發性是指滑坡受外界因素(如強降雨、地震等)的觸發而突然發生，滑坡從穩定狀態轉變為失穩狀態的過程極為短暫，事前並無可直接觀測和感知到的滑坡前兆；不確定性指滑坡災害多因子耦合關聯、過程動態隨機，難以預測，孕災條件不清(潛在不穩定山體、自然壩體、鬆散堆積等孕災條件的形成具有隱蔽性)、誘災因素隨機(強震、人類工程活動等誘災因素的產生具有隨機性)、成災規律不明(不同氣候條件下的成災危害、二次災害與災害鏈的臨界觸發點不明)。

依靠經驗式識別技術難以及時發現潛在的滑坡風險，做出科學預警和主動防範。特別是在西部複雜艱險山區，監測信息複雜零散導致「看不全」、災害風險隱蔽性強導致「看不清」、災害過程動態隨機導致「看不準」的問題極為突出。因此，滑坡隱患精準早期識別與定量預測分析，已成為國際滑坡研究領域關注的熱點和難點，也是川藏鐵路勘察、設計、施工、運營全生命周期風險防控亟須克服的難題。

1 「天-空-地-內」立體綜合監測手段

近年來物聯網和傳感器技術的迅速發展，遙感、地球物理、水文地質、地球化學、巖土工程、地貌學等多學科領域多手段聯合的多傳感器立體綜合探測和動態觀測，為滑坡災害成災機理、滑坡隱患早期識別，以及實時預測預警等持續提供時空解析度越來越高的滑坡災害鏈全鏈條多因素的多源動態監測數據。

1.1 航天遙感監測技術

航天遙感技術主要指星載光學遙感和星載InSAR技術。航天遙感技術時效性好、宏觀性強、信息豐富等特點，能為災害隱患識別分析提供重要的地表觀測數據，已被廣泛應用於大範圍區域滑坡普查和監測[1-3]。星載光學遙感獲取的地表光譜紋理信息，可揭示地表覆被、裸地、大型裂縫以及不同地物、建築設施的分布情況[4]，支撐區域滑坡識別與滑坡易發性分析，但面對多植被、多冰雪等複雜環境中，星載遙感數據難以體現地表裂縫、地形起伏等特徵，且多雲的氣候也導致影像質量難以保證。InSAR技術具有全天候全天時高解析度的特點，能夠周期性獲取高精度大範圍地表形變信息，捕捉大範圍內活動滑坡位置並觀測形變速率變化，在大範圍滑坡隱患排查與穩定性分析中應用廣泛[5-11]。但像元解析度與形變精度易受高坡體與坡體角度影響。面對西部地區高海拔落差、高植被、高冰雪覆蓋以及多變氣候環境，InSAR技術存在相干點點位密度低、空間分布不均勻，大氣延遲誤差嚴重的問題，數據精度和可靠度難以保障。同時InSAR技術只能獲取一維視線方向的形變，難以反映真實災害變形情況。

1.2 航空遙感監測技術

航空遙感主要指機載航空攝影測量與機載LiDAR技術。由於觀測距離的縮短，搭載平臺的靈活性提升，航空遙感可以觀測時空解析度更為精細的地表特徵，能更好地支撐川藏鐵路廊道滑坡隱患詳細排查。機載LiDAR測量系統由於其高精度、高密度的特性，可穿透植被獲取高精度的地面三維形態信息，有效識別植被覆蓋的地表裂縫、古滑坡、滑坡堆積區等隱患區域[12-13]，彌補了攝影測量在高植被山區受視場遮擋對精細地表形態表示的不足。另外，多期LiDAR觀測可進行區域地表、裂縫等形變監測，支撐詳細的滑坡隱患穩定性分析，但在複雜艱險的高山高落差且高植被非常茂密的覆蓋區域，雷射點雲密度不勻，精細分類難度大，難以反映地表真實形態。

1.3 地面監測技術

在衛星定位技術、電子測量技術、計算機技術的發展下，各種精密的傳感器和新型的觀測技術被應用於滑坡隱患監測中，以滿足災害防控高時空解析度的監測需求。如地面觀測儀器設備，如測距儀、GNSS、測量機器人等，可獲取滑坡隱患點長期實時的點位高精度地表位移[14-16]。地基合成孔徑雷達(GB-InSAR)和地面雷射掃描技術憑藉大面積高精度的特點[17]可以獲取高精度的三維地表形態[18]和高精度連續空間覆蓋的形變信息[19-20]，可實現單體滑坡穩定性分析與監測預警，進一步加強對滑坡隱患的狀態核查[21-23]。

1.4 地下監測技術

地下監測技術可以監測滑坡體內部的相對位移量(深部測斜儀、鑽孔多點位移計、光纖光柵傳感器等)，監測土壤含水率等地下水相關參數(水位計、滲壓計、孔隙水壓力計、土壤水分儀等)，監測滑坡內部物理場信息(應變計、應力計、土壓力計等)[24]。為滑坡隱患分析、機理分析提供可靠的深部監測信息。除鑽孔點位監測外還有無須鑽孔的地球物理探測技術，通過電阻率、地震波探測不同地球物理場，能夠得到連續的地層巖性和地質構造信息，更好地支撐滑坡隱患識別和穩定性分析[25]。

同樣，面對人跡罕至、難至的複雜艱險山區，目前的地面、地下監測技術仍面臨著通信難、續航難和布設安裝難的問題。

圖 1歸納了不同類型監測數據適宜表達的不同時空尺度的滑坡隱患特徵[15, 26]。傳統單一的觀測手段無法獲得全面、準確的觀測數據，存在點觀測與面觀測脫節的問題，難以「看全」和「看清」滑坡體立體三維結構及其變形演化過程。因此，靈活運用多種監測手段，融合多視角多時空尺度監測信息，才能保障準確可靠的滑坡隱患分析。

圖 1 不同監測手段的適用性 Fig. 1 The suitability of different monitoring approaches

圖選項

2 滑坡隱患分析方法現狀

滑坡隱患分析是指對區域內潛在的滑坡隱患進行識別排查及隱患狀態評估分析(主要有易發性分析、危險性分析、風險性分析)。在滑坡隱患識別方面，早期地質災害專家採用判別分析和回歸分析法對斜坡的穩定性、滑坡的可能規模以及古老滑坡的復活性進行定量預測，並提出了臨界條件值的概念，量化發生滑坡相關因素(地層巖性、地質構造、地形地貌、水文地質，地震及人類工程活動等)整體性的描述值。基於上述理論，發展了一系列經驗性、統計性的滑坡隱患識別方法。

2.1 模型驅動的滑坡分析方法

滑坡隱患分析模型是進行滑坡隱患分析的前提，是通過將滑坡知識(如專家經驗規則和力學機理模型等)進行函數化、模型化表達，在假定滑坡演化過程符合某一已知模型的前提下，以此作為滑坡進行隱患分析。目前，滑坡隱患分析模型主要包括兩類：專家經驗規則模型、滑坡力學機理模型。

經驗規則模型通過領域專家經驗知識選取典型的滑坡孕災環境因子和誘發因子，並確定不同因子對滑坡隱患的貢獻權重，再進行因子的疊加分析評價，典型的有專家打分法、層次分析法[27-29]。層次分析法是一種多目標綜合評價方法，分析結果可解釋性強，在區域評估中應用十分廣泛。針對滑坡的顯現特徵的不確定性和模糊性，模糊數學理論被引入且獲得了較好的效果，如模糊層次分析法[30-32]。經驗規則模型具有操作簡單、不依賴數據樣本的特點。同時利用專家知識逐一對比各因素之間的關係，還能有效降低人為誤差，實現較為準確可靠的隱患分析[33]。但由於缺乏知識庫儲備，不同專家經驗相互分散未被有效利用，面對遇到新的問題和場景需要人工重新確定因子和權重因子與權重需重新確定，分析結果準確性受專家水平影響較大。

力學機理模型將滑坡理想化為單個或多個規則對象，考慮其物質組成、力學結構及誘發因子的作用機制，以準確的力學模型進行滑坡隱患的狀態分析，應用最廣泛的有極限平衡法與有限元法[34-36]。極限平衡法又可推演出無限斜坡穩定模型，如結合了無限斜坡穩定模型和坡面水文模型的SHALSTAB模型[37]，被驗證在多個地區具有較準確的分析結果[38-39]。此外還有SINMAP模型[40]，以及加入瞬態空隙壓力的TRIGRS模型[41]，相比極限平衡法有限元強度折減法通過斜坡內部應力分布與位移形變進行狀態評估[42]，能夠更好地考慮內部變化與外部因素影響，處理非線性、非均質和複雜邊界的問題[43]。儘管力學機理模型具備區域滑坡隱患準確定量評估的能力，但現有力學機理模型依賴高詳細度的地質空間調查數據、合適的模型選擇與準確的模型參數確定，只適用於地質條件相似的小範圍詳細評估，對於不同區域往往需要重新調查、試驗以確定模型，泛化能力較弱。

無論是經驗規則模型對因子、權重的確定和力學機理模型對模型的選擇都有很強的區域特殊性，且選擇過程易受專家經驗和主觀性影響。現有的分析模型難以有效表達複雜多樣的滑坡災害的形成條件、誘發因素以及機理過程，難以靈活應對不確定的、多階段性的滑坡變形演化過程。重大滑坡變形破壞過程是地形、地質結構、氣象、地下水等多因素耦合作用下發展演化的非線性動力系統災害，驅動因素和滑坡形變位移演化過程既存在典型的時空異質性也存在時空關聯性特徵。現有滑坡隱患分析模型並未與滑坡變形演化過程和內在機理建立動態聯繫，往往僅能適用於某一類滑坡或某一演化階段的小範圍滑坡分析，對於偏離「正常」的隱蔽性、隨機性、不確定性滑坡災害並不能完全適用，分析結果的隨機性、偏移性和盲目性難以避免。因此，亟須研究發展能綜合反映滑坡地質條件、力學機理與宏觀表象有機結合的滑坡隱患分析模型。

2.2 數據驅動的滑坡隱患分析方法

數據驅動分析是以數據為核心的數據分析方法，以數理統計為基礎，通過量化已發生滑坡過程中相關地理變量歷史觀測數據之間的時空相關關係(地層巖性、地形地貌、地質構造、水文地質等因素與滑坡變形)，基於歷史觀測數據，建立適用於全局的目標變量與輔助變量之間的統計相關模型，利用輔助變量觀測值推測目標變量在未知時刻和空間位置的特徵值；即對已發生的滑坡與影響滑坡的因素的歷史觀測數據進行統計回歸，對特定的地點和時間可能發生的滑坡進行分析。其分析過程客觀，在數據樣本足夠多且具有代表性的情況下分析結果的可信度和實用價值高。按照分析方法的智能度，又可進一步劃分為數理統計方法和機器學習方法。

數理統計分析是從大量數據的統計信息出發，分析滑坡孕災環境因子、誘發因子與滑坡隱患點編錄之間的相關性，如信息量分析[44]、回歸分析[45-46]。在此基礎上確定因子及其權重，進行滑坡隱患的相關分類與評估，避免了經驗模型的主觀性，其結果客觀性強。針對滑坡分析數據不完備情況，有灰色模型分析[47]、粗糙集[48]等方法。由於數理統計模型難以精確表達因子與滑坡隱患之間的非線性關係，分析結果仍存在一定的局限性。目前已經出現了大量基於歷史監測數據統計回歸的滑坡隱患然分析方法；然而，特大滑坡受多種地質結構因素、環境驅動因素耦合制約，動力學演化過程機制(類型/模型)複雜且非線性，反映滑坡平衡狀態的狀態量，如應力場、應變場、位移場、滲流場等，與影響滑坡平衡的激發驅動因素，如降雨、水位、溼度、氣壓、溫度等監測大數據異構多源，並且由於非線性、非平穩等特性，狀態量與激發驅動因素之間在時空上並不簡單遵守統計回歸、高斯分布等相關規律。因此該類方法的可靠性和科學性難以保證。

近年來，邏輯回歸[49-50]、決策樹[51-52]、隨機森林[53]、人工神經網絡[54-55]、支持向量機[56-59]等典型機器學習方法被廣泛用於滑坡易發性評估，一定程度上較好解決了非線性關係表達的問題。深度學習憑藉多維時空處理能力和關聯關係挖掘能力也越來越多應用於災害分析領域[60-61]。相關研究表明，基於深度學習的滑坡隱患早期識別具有巨大潛力[61]。深度學習採用「端對端」的特徵學習，通過多層處理機制揭示隱藏於數據中的非線性特徵，能夠從大量訓練集中自動學習全局特徵(這種特徵被稱為「學習特徵」)，這是其在遙感影像自動目標識別取得成功的重要原因，也標誌特徵模型從手工特徵向學習特徵轉變。基於深度學習的滑坡隱患分析方法，其本質是利用歷史已知的多場滑坡驅動因素觀測值與滑坡狀態集，挖掘滑坡監測數據間隱患關聯，自動學習滑坡狀態空間與多場異源觀測數據特徵空間的映射關係模型，並用此模型預測新的滑坡狀態值。其缺點是過於依賴大量數據對複雜網絡的擬合，不同任務場景的數據人工標記過程人力成本很大。

重大滑坡災害通常是深部-地表多因子耦合作用的結果，受觀測能力的限制(如第1章所述)，以及災前高質量多源數據的匱乏，滑坡隱患分析多存在樣本數據的不完備、隱患特徵難以標記的問題。無論是直接輸入的滑坡歷史形變監測信息，還是根據歷史滑坡事件總結的滑坡宏觀變形破壞跡象和前兆異常特徵信息，數據驅動方法所歸納的滑坡災害時空演變信息量較為片面和滯後，沒有與滑坡變形破壞機理和物理過程建立關聯，易導致分析結果的欠擬合和過度擬合問題，直接影響隱患發現與識別的精準性與可靠性。

2.3 滑坡隱患分析方法對比

不同的監測手段應用的分析模型特點與局限整理見表 1。

表 1 滑坡隱患分析方法Tab. 1 Comparison of potential landslide hazards analysis methods

表選項

綜上所述，目前制約滑坡隱患可靠早期識別與發現的主要問題和困難在於：滑坡內部結構認知不清楚，變形破裂過程和內在機理不明確，可用於早期識別的監測信息不豐富。針對上述問題，本文提出一種數據趨動與模型趨動協同的重大滑坡隱患分析方法，在系統分析隱蔽性滑坡成因機理和模式的基礎上，深度分析多源多模態滑坡監測數據和機理模型變量的時空變化特徵及物理含義，挖掘多源多模態立體滑坡監測數據間潛在、深層的關聯模式。在深度學習框架下，建立「天-空-地」多源觀測數據與滑坡機理模型之間的高層映射，實現數據與模型耦合的重大滑坡隱患早期智能識別。

3 數據驅動與模型驅動協同的重大滑坡隱患分析原理

面向高位高隱蔽重大滑坡隱患分析的可靠性和準確性，筆者提出數據驅動與模型趨動協同的滑坡隱患分析方法，如圖 2所示。核心關鍵技術包括：①構建滑坡隱患知識圖譜，實現對典型滑坡隱患中孕災環境、誘發因子、承災體三元素的特徵及其關聯關係，以及滑坡隱患顯現因子的形態、形變、形勢「三形」特徵形式化表達；②分析重大滑坡特點與形成條件，篩選和確定滑坡發生的關鍵性因子，基於多模態觀測數據提取滑坡隱患特徵，建立滑坡形變位移演化機理與多源動態監測數據之間的語義映射，構建關鍵性滑坡控制性因子(孕災環境)、誘(觸)發因子的成災指標體系；③建立知識圖譜與深度學習模型的耦合機制，實現知識引導的滑坡隱患精準分析。

圖 2 數據驅動與模型驅動協同的滑坡隱患分析框架

Fig. 2 A data-driven and model-driven collaborative landslide hazards analysis framework

圖選項

3.1 滑坡隱患分析知識圖譜

知識圖譜是描述特定領域存在的各類實體、概念及語義關係的描述表達，能夠直觀、自然、直接、高效的表達現實世界的各種關係。知識圖譜採用三元組結構，不僅易於人們解讀還方便計算機知識抽取與加工處理，有助於消除自然語言和計算機理解之間的語義鴻溝。如圖 3所示，系統深入分析滑坡隱患「孕災環境-誘發因子-承災體」三元素的內涵特徵、概念屬性及其關聯關係。在孕災環境中綜合考慮深部地質條件因子、地表地貌環境因子；誘發因子中綜合考慮人為因素因子和自然因素因子；在承災體中考慮人類社會因子和生態環境因子。同時，建立孕災環境的形態、形變、形勢特徵，紋理形態、地表形態、地層結構形態可體現滑坡隱患的規模、狀態和威脅範圍；形態的變化特徵可體現滑坡隱患的穩定性以及對誘發因子的敏感性；形勢特徵是形態形變綜合分析得到的特徵，可體現滑坡隱患的危險性與風險性。結合滑坡內在機理和專家知識關聯實體、特徵、屬性，形成滑坡隱患知識圖譜，為智能化的精準分析滑坡隱患奠定基礎。

圖 3 滑坡隱患知識圖譜 Fig. 3 Potential landslide hazards knowledge graph

圖選項

3.2 滑坡成災顯現高層語義特徵提取

滑坡隱患場景複雜，現有滑坡隱患分析結果的準確度和泛化能力遠不如專家判讀，其根本原因在於分析的數據特徵仍是低層的視覺特徵，如顏色、紋理樣式、空間位置、局部形狀(坡度、坡向、曲率等)，只能表達低層數據特徵信息，難以直觀表現複雜的滑坡隱患特點。同時，低層特徵在面對不同區域的滑坡隱患往往表現出較大的差異，限制了研究成果的分析精度和適用範圍。知識圖譜中豐富的高層語義特徵(如圈椅狀及類似地貌，匯水地形條件，前緣臨空，後緣拉裂等)可以更穩定、更準確地體現滑坡隱患場景的狀態特徵甚至隱患邊界，因此滑坡隱患分析的指標體系中，應儘可能多地考慮高層語義特徵。上述問題，研究融合空天地多模態監測數據的滑坡成災顯現高層語義特徵提取方法，重點研究兩類滑坡隱患特徵提取方法：①孕災環境因子(內在控制因子)。例如坡體地形結構及地貌特徵；②外界誘發因子。例如引起滑坡形變的降雨、水位變化模式等特徵。利用知識圖譜豐富的語義關聯，獲取高層語義特徵對應的低層數據特徵，引導樣本數據的選擇。如圈椅形態、匯水地形等對應剖面線特徵和俯視形狀特徵，則樣本數據在剖面線數據和平面特徵線數據中採集，輸入到機器學習模型中(如支持向量機)學習適用於分類的多維特徵向量，再結合知識圖譜中先驗知識篩選結果，實現高層語義特徵提取。

3.3 知識引導的滑坡隱患智能判別

受益於計算機技術、算法與測試技術的迅猛發展，科學發現第四研究範式正在逐漸興起，即以大數據為背景，通過系統的數據分析，綜合理解滑坡隱患未知的潛在關鍵因素，有望成為精準判別滑坡隱患的一條有效途徑。在這一範式下，全面考慮滑坡隱患所有因素的時間序列數據特性，充分利用滑坡隱患立體監測網絡獲得的海量數據，並從這些數據的潛在關係發掘出發，提供了理解滑坡隱患常用本構關係之外的一條途徑：即通過以時間為紐帶的多源數據關聯性分析，從龐大的滑坡隱患監測數據集中提取信息，發現其主要特徵，並理解其間的關係，進而獲得更為先進的或者完整的微觀機理解釋。要完成這一個工作需要內在機理和外顯數據的有機協同，即有機融合表徵滑坡隱患內在機理的知識圖譜和表徵數據特徵的深度神經網絡，在符號推理和模式識別兩個層面無縫集成[62-63]。目前實現這一目標主要有兩種潛在的思路：直接提取滑坡隱患知識圖譜中的語義信息，將知識圖譜離散化為低維空間的向量，然後通過嵌入機制直接融合輸入到深度學習模型中[64]；知識圖譜中高層語義特徵已經能較為準確的判識滑坡隱患相關屬性，因此，可以將不同的高層語義特徵判識作為深度學習的目標任務。滑坡隱患知識圖譜中抽取的知識作為先驗融入優化目標或者約束函數中[65]，從而實現知識引導的深度神經網絡的學習。

4 結束語

針對廣域範圍內複雜地質地理環境中隱蔽的滑坡隱患可靠分析需求，本文歸納總結了已有的數據驅動和模型驅動兩大類滑坡監測數據分析方法的特點與局限，提出了構建滑坡隱患分析知識圖譜和數據驅動與模型驅動協調的隱患分析方法，突破現有分析方法準確性低、泛化能力不強和數據依賴高的技術瓶頸。隨著天空地內協同監測技術被廣泛應用，時空大數據特點日益明顯，不僅量大，而且維度、尺度、模態差異也非常顯著，單純依靠數據驅動的方法即使採用各種深度學習仍然面臨依賴大量標註樣本的技術瓶頸。知識圖譜作為一種有效的知識表達方式，有效融合知識圖譜與深度學習將是滑坡監測數據處理的主要方向，這是深度學習擺脫大量樣本依賴並提升模型綜合效能的有效途徑。監測數據與機理模型的耦合分析，系統考慮了深部-地表內外動力耦合作用的致災機理，急需發展形成具有通用地理空間智能的機器學習機制與人機融合智能，為新型城鎮化和川藏鐵路工程等全壽命周期內重大災害風險智能識別、精準預測和科學管理等提供有效解決方案。

【引文格式】朱慶, 曾浩煒, 丁雨淋, 等. 重大滑坡隱患分析方法綜述. 測繪學報，2019，48(12)：1551-1561. DOI: 10.11947/j.AGCS.2019.20190452