Research on multi-source heterogeneous data fusion algorithm of landslide monitoring based on BP neural network
-
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。Abstract: Aiming at the multi-source heterogeneous data fusion problem of landslide monitoring,a multi-source heterogeneous monitoring data fusion algorithm based on BP neural network is proposed in this paper. The temperature,humidity,wind power,cloudiness,precipitation and accumulated precipitation which affect the landslide deformation are taken as the input variables,and the landslide displacement changes data are taken as the expected output data in this algorithm. And the prediction accuracy of this algorithm can be effectively improved by filtering the environmental factor variables with calculating the correlation and significance of the environmental factor variables and the landslide displacement changes. This algorithm is verified by the monitoring data of the Dangchuan landslide in Heifangtai,Yongjing County,Gansu Province. The results show that the BP neural network data fusion algorithm can be used in the landslide displacement prediction with multi-source heterogeneous monitoring data. After the environmental factor variable filtering,the determination coefficient of the BP neural network data fusion algorithm can achieve 0.985 and the RMSE can achieve 0.4787 mm. Thus the accuracy of deformation prediction can be effectively improved.
-
Key words:
- landslide monitoring /
- multi-source heterogeneous data /
- data fusion /
- BP neural network /
- prediction
-
近年来, 地球空间信息学和对地观测学迅猛发展[1], 随着计算机图形技术、三维建模技术和可视化技术的迅猛发展, 地下三维可视化建模技术得到了日益广泛的应用。长期以来在传统的地质现象表达中, 通常是以二维平面图和剖面图来表达野外地质的成果[2], 这种方式存在着空间信息的损失与失真、制图过程繁杂及信息更新困难。地质体三维可视化建模技术正是针对传统的地质信息模拟与表达方法的缺陷, 借助计算机和科学计算可视化技术, 直接从三维空间的角度去理解和表达地质体与地质环境。它具有形象、直观、准确、动态、丰富等特点[3], 因此, 三维可视化研究有了越来越重要的现实意义和实用价值。在涌现出的众多地质三维可视化软件中, 处在世界领先地位的Micromine公司开发的Micromine软件在这些方面已取得了可喜的成果。本文利用国际矿业界通用的Micromine软件, 以东昆仑造山带1:5万水泥厂幅为例, 探索应用三维地质实体建模的技术和方法。
1. 研究区地质概况
格尔木南1: 5万水泥厂幅位于东昆仑造山带东段, 大地构造上位于昆中断裂带与昆南断裂带之间的东昆仑南地体[4]。该地区山势雄伟, 相对高差达1000m。该区出露的岩石地层主要有:中-新元古界万保沟群大理岩和砾状灰岩; 奥陶-志留系纳赤台群水泥厂组灰岩、石灰厂组火山岩和碳酸岩、哈拉巴依沟组千枚岩和砂岩等; 下泥盆统牦牛山组砾岩夹砂岩及流纹岩; 上石炭统浩特洛洼组灰岩、板岩和砂岩; 中下三叠统洪水川组砂岩、板岩和砾岩; 新生代沉积沿雪水河和格尔木河谷分布。由于加里东期和印支期强烈造山运动, 上述地层被近东西向的逆冲断层分割成大小不等的构造岩片, 原始沉积层序已被打乱, 形成了一套总体有序、局部无序的构造地层体(图 1)。
2. Micromine软件简介
Micromine软件是澳大利亚Micromine国际矿业软件有限公司开发的从事地质勘探、资源评估、储量计算及露天和地下矿山开采设计的地理信息系统(GIS)三维立体空间平台软件。
软件已经汉化, 适用于WINDOWS95和WINDOWSNT及以上的平台, 自引进中国以来, 在国内多个省(区)的地勘单位、矿山企业取得了较好的使用效果, 受到矿业系统的好评; 软件的记录格式符合中国的格式要求, 具有和其他软件的接口, 使该系统的数据可被其他数据库管理系统及相关软件查询和编辑, 如可以导入CAD、Mapgis、Excel等格式的数据; 软件能够实现各种工程和矿体的三维立体显示和成图, 并根据地质统计学的原理提供进行矿体品位估值和储量计算的各种方法, 同时还提供了矿山开采设计与境界优化等功能; 软件可以制作演示工作成果的三维电影, 以利于进行工作汇报、成果展示和招投标等工作。
3. 三维建模的基本概念及原理
在三维建模的过程中, 地表模型的构建依托于数字地形模型(DTM)的生成, 地下模型的构建实际上是各地质体三维线框的生成以及相互之间布尔运算的结果。
3.1 DTM
DTM (Digital Terrain Model)-数字地形模型是利用一个任意坐标系中大量选择的已知x、y、z的坐标点对连续地面的一个简单的统计表示, 或者说, DTM就是地形表面形态属性信息的数字表达, 是带有空间位置特征和地形属性特征的数字描述。地形表面形态的属性信息一般包括高程、坡度、坡向等。
DTM系统主要是由计算机程序实现的, 应用于各种类型的计算机系统的DTM已经在许多国家开发成功, 尽管使用的方法不同、用户界面各异, 但主要功能都是从离散数据构建出相互连接的网络结构, 以此作为地形的数字模型基础。目前, DTM已经成为GIS的重要组成部分[5]。
数字地形模型通过野外测量、航测、地图数字化等途径可得到设计所需的地形资料, 这些资料经过计算机处理后可以形成数字地形模型[6~7]。通常数字地形模型建立的方法, 一是根据现在测量仪器(全站仪)得到的第一手地形测量数据(通常是点坐标)按照一定格式输入到相关软件后可以直接通过软件功能生成数字地形模型; 另一种是根据该地区提供的地质地形图进行矢量化后导入到软件中进行高程赋值, 然后直接生成数字地形模型。
3.2 三维线框实体基本原理
三维线框模型的构建主要是采用了TIN技术(不规则三角网模型)中的Voronoi图与Delaunay三角形算法。TIN是一种表示数字高程模型(DEM)的方法, 它既减少规则格网方法带来的数据冗余, 同时在计算效率(如坡度)方面又优于纯粹基于等高线的方法。这种表面模型可以进行体积估算、表面渲染、切制剖面、快速三维显示等操作, 比计算机图形学中的表面模型有所扩展, 能满足地质勘探中地质制图的基本要求, 也是建立三维实体模型的基础。地质体的地质形态复杂多变, 很难用规则的几何体来描述, 它需要一种灵活、简便、快速的方法来建立地质体的不规则几何模型, 这种模型正是基于这一需要而提出来的。
TIN不规则三角网技术 不规则三角网TIN属于场的数据模型范畴, 三角形单元遍布整个区域无重叠、无缝隙, 实体间的空间关系通过三角形连接表达。用于支持TIN建立的几何构造-Delaunay三角网因其特有的“外接圆规则”和“最大最小角规则”, 使得其成为空间邻近表达的有力工具。这些模型可以看作是不规则三角网TIN在平面空间场表达上发挥的具体作用。
Voronoi图 基于场论观念, 空白区域可看作是目标的相互“竞争”生成空间, 在群结构中, 每个面目标的“影响区域”通过竞争以中剖分结果达到平衡, 这是Voronoi图几何构造的基本思想。Voronoi图又叫泰森多边形或Dirichlet图, 它是由1组连接2邻点直线的垂直平分线组成的连续多边形组成。N个在平面上有区别的点, 按照最邻近原则划分平面, 每个点与它的最近邻区域相关联。Delaunay三角形是由与相邻Voronoi多边形共享1条边的相关点连接而成的三角形。Delaunay三角形的外接圆圆心是与三角形相关的Voronoi多边形的1个顶点。Voronoi三角形是Delaunay图的偶图[8]。
Delaunay三角形网的通用算法-逐点插入算法 基于散点建立数字地面模型, 常采用在d维的欧几里得空间中构造Delaunay三角形网的通用算法-逐点插入算法。具体算法过程包括:①遍历所有散点, 求出点集的包容盒, 得到作为点集凸壳的初始三角形并放入三角形链表; ②将点集中的散点依次插入, 在三角形链表中找出其外接圆包含插入点的三角形(称为该点的影响三角形), 删除影响三角形的公共边, 将插入点同影响三角形的全部顶点连接起来, 从而完成一个点在Delaunay三角形链表中的插入; ③根据优化准则对局部新形成的三角形进行优化(如互换对角线等), 将形成的三角形放入Delaunay三角形链表; ④循环执行上述第2步, 直到所有散点插入完毕。
3.3 线框模型布尔运算
线框模型布尔运算在复杂地质体建模中主要是对有相交关系的复杂地质体(实体与实体之间、面与实体之间)进行交、差、并等, 基本的布尔运算功能对实体进行交接拼合以得到建模所需的组合实体模型。
目前大多数数字矿山工程软件都可以实现实体模型的并、交和差运算, 表面模型可以进行差、并运算。在建模实际中, 按照软件提供的布尔运算功能进行组合, 能够满足复杂地质体的建模要求。复杂地质体建模中主要遇到的问题是地质体的分支复合和地质体被断层穿插切割等地质现象很难翔实地反映在可视化模型中。在建模中, 实际上2个实体剖面之间是按照直线的方式来进行三角网连接的, 但是遇到呈曲面的断层或者断层破碎带, 实际上这种地质体与断层实体之间的吻合关系是很难在建模实体中反映的。所以只有通过线框模型布尔运算得到的实体组合来逼近地质体实体间的切割和相交等空间形态和关系。
4. 1: 5万水泥厂幅三维地质模型的建立
对于水泥厂幅三维地质模型的建立主要有3方面内容, 数字地形模型(DTM)的生成以及地下地质体模型的构建, 进而将二者无缝结合一体化显示。
4.1 数字地形模型(DTM)
数字地形模型主要由栅格和TIN技术2种数据格式表示。该地质体地表模型的构建采用了TIN技术, 因为TIN模型可以根据地形的具体特点和复杂程度而确定采样点的密度和位置, 可以避免数据的冗余, 并且可以相对准确的描述出地形的结构和一些局部地区, 同时又便于进行地形计算和分析, 能够较好地反映实际地形信息[9]。具体步骤包括:①将1: 5万水泥厂幅地质地形图在Mapgis中进行矢量化(*.wl), 并压缩存盘。操作:打开Mapgis-输入编辑-矢量化-压缩存盘; ②把矢量化生成的Mapgis线文件(*.wl)转换输出为Mapgis明码格式文件(*.wal)。操作:图形处理-文件转换-装入线-输出Mapgis明码格式; ③将Mapgis明码格式文件(*.wal)导入到Micromine中, 转换成Micromine中的线文件(*. str)。操作:在Micromine菜单栏中, 文件-导入-Mapgis文件-线串; ④根据地形图等高线值为线串的每条等高线进行高程赋值。操作:视图管理器-线(加载)-属性窗口-Z值; ⑤对等高线线文件进行坐标矫正。操作:测量-坐标系统转换-平面; ⑥生成DTM, 其空间数据插值主要是通过TIN技术来实现的。操作:工具栏-创建DTM-选择线(图 2a); ⑦生成的DTM根据研究的需要可直接披覆该区域的地质图、地形图以及遥感图像等。操作:视图管理器-线框-属性-叠加图像。
4.2 地下地质体模型
剖面图的绘制 地下地质体模型的建立主要有2种数据, 钻孔数据和剖面图数据, 这里采用的是剖面图数据。根据水泥厂地质图以及地表DTM在软件中的坐标数据, 我们将由西到东绘制12幅地质剖面图, 具体步骤包括:①在Micromine中加载已经完成的地表DTM, 进行相应设置。操作:视图管理器-线框(地表DTM)-显示选项-二维切块; 工具栏-向西看; ②设置完成后, 软件中显示出地形线, 输入第一个剖面的东坐标。操作:显示设置-范围-东2200;③新建线文件, 对该剖面地形线进行捕捉矢量化, 选择合适的底面线, 生成闭合的剖面线轮廓。操作:工具栏-新线、创建线、捕捉线上点; ④依据相关资料, 对地质图中的地质体走向、产状、断层和地质界线等详细分析和合理的解释, 完成此幅剖面图的绘制, 并且保证剖面图中相同岩性的的岩石连接成一个封闭的曲线, 这样就形成反映地质体现状的剖面图(图 2b); ⑤同理, 重复1~4步骤, 完成其余11幅地质剖面图, 最后生成一个12幅地质剖面图的空间三维线文件(图 2c)。
生成线框模型 ①加载地质剖面图线文件, 新建线框, 按照地质体的趋势, 利用地质体轮廓线连接成面技术在相邻同种地质体剖面线之间用三角网连接三维地质体表面, 直到连接完毕, 最后根据具体情况选择将地质体两端封闭终点或者封闭到点, 这样就形成了地质体的实体。操作:工具栏-创建线框-新三角网-封闭终点(图 2c); ②同理连接完成所有该区域的地质体, 根据地质体颜色对照表分别赋予合适的地质体颜色(图 2d); ③对相交的地质体以及高出地表DTM地质体进行布尔运算, 布尔运算能够使不同实体间的吻合空间关系表现的淋漓尽致。当地质体构造很复杂的情况下, 布尔运算将是一个工程量相当大的工作, 而且要求建模人员格外仔细, 每进行一个运算时必须要对比两块岩体, 判断正确的运算结果。操作:线框-布尔运算(图 2e、2f); ④将地下地质体模型线框(3D)另存为2D的地质体模型线框, 用于截取剖面图时的二维剖面显示。操作:线框属性-显示选项-二维切块。
4.3 数字地形模型(DTM)和地下地质体模型的结合
在Micromine同一个三维视图中加载地表DTM和地下地质体线框(2D和3D均加载), 这样就实现了地表三维数据与地下三维地质体无缝集成三维一体化显示(图 2g)。由此, 按需要可截取任一范围、任一方向、任一比例尺的剖面图, 进一步可以进行矿产勘查分析和地质分析(图 2h)。
5. 基本认识
本文探讨了基于Micromine系统的三维可视化建模技术方法流程, 对于复杂地质体的建模, 地质断层、褶皱等复杂地质结构的表示方面仍然是地质体可视化建模研究的重点之一。本文所建立的1: 5万水泥厂幅三维地质模型, 再现了该地区地质体的三维空间形态和接触关系。但是, 深部地质体的分布与相互关系强烈地依赖于对深部地质的认知程度。尽管如此, 三维可视化建模技术在今后的地质应用中潜力巨大。
致谢: 感谢澳大利亚Micromine国际矿业软件及咨询集团对本项研究工作的大力支持。责任编辑:吴芳 -
表 1 多环境因子变量及GNSS位移量样本数据
Table 1. Sample data of multiple environmental factor variables and GNSS displacement
序号 温度/℃ 湿度/% 风力/级 云量/% 单日降水量/mm 累计降水量/mm 位移变化量/(mm/d) 1 -6 54.5 6 53 0.5 0.5 2.35 2 -7.5 72.5 6 89 17.7 18.2 3.15 3 -7 74.5 5 66 13.6 31.8 2.77 19 -2.5 83.5 5 71 3.9 54.3 4.13 20 -1.5 79.5 5 55 3.6 57.9 3.80 表 2 环境因子变量相关系数
Table 2. Correlation coefficients of environmental factor variables
相关系数 温度/℃ 湿度/% 风力/级 云量/% 单日降水量/mm 累计降水量/mm 温度/℃ 1 -0.197 -0.764 -0.468 -0.625 0.428 湿度/% -0.197 1 -0.081 0.818 0.508 0.521 风力/级 -0.764 -0.081 1 0.267 0.239 -0.466 云量/% -0.468 0.818 0.267 1 0.597 0.169 单日降水量/mm -0.625 0.508 0.239 0.597 1 -0.171 累计降水量/mm 0.428 0.521 -0.466 0.169 -0.171 1 表 3 各环境因子变量和滑坡位移变化量的相关性及显著性
Table 3. Correlation and significance of various environmental factor variables and landslide displacement changes
变量 温度/℃ 湿度/% 风力/级 云量/% 单日降水量/mm 累计降水量/mm 相关性 -0.190 0.598 0.063 0.465 0.206 0.475 显著性 0.423 0.005 0.792 0.039 0.383 0.034 表 4 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对比
Table 4. Comparison of the predicted displacement change and the actual displacement change of the fusion model under two schemes
序号 预测位移变化量/mm 实际位移变化量/mm 方案一 方案二 16 2.09 2.53 2.69 17 2.50 2.74 3.03 18 2.20 2.89 3.15 19 3.07 3.35 4.13 20 2.80 3.20 3.80 MAE 0.8280 0.4180 / RMSE 0.8564 0.4787 / 表 5 两种方案下融合模型的决定系数与残差平方和
Table 5. The residual sum of squares and the determination coefficient of the fusion model under two schemes
R2 RSS 方案一 0.890 0.073 方案二 0.985 0.006 -
CHEN M J, OUYANG Z X, FAN G S, et al., 2007. On information extraction method based on data fusion for integrated landslide monitoring[J]. Journal of Geodesy and Geodynamics, 27(6):77-81. (in Chinese with English abstract) http://en.cnki.com.cn/Article_en/CJFDTOTAL-DKXB200706014.htm CHENG J, ZHANG W J, 2018. Analysis on the changes and correlation of precipitation and cloud in northwest china in the past 40 years[J]. Journal of Qinghai Meteorology, (3):1-5. (in Chinese) DING J X, SHANG Y J, YANG Z F, et al., 2004. New method of predicting rainfall-induced landslides[J]. Chinese Journal of Rock Mechanics and Engineering, 23(21):3738-3743. (in Chinese with English abstract) DONG W W, ZHU H H, SUN Y J, et al., 2016. Current status and new progress on slope deformation monitoring technologies[J]. Journal of Engineering Geology, 24(6):1088-1095. (in Chinese with English abstract) http://en.cnki.com.cn/Article_en/CJFDTOTAL-GCDZ201606007.htm DU G L, ZHANG Y S, GAO J C, et al., 2016. Landslide susceptibility assessment based on GIS in Bailongjiang watershed, Gansu Province[J]. Journal of Geomechanics, 22(1):1-11. (in Chinese with English abstract) http://www.en.cnki.com.cn/Article_en/CJFDTotal-DZLX201601001.htm FAN J Q, 2015. Research on multi-source heterogeneous sensor information fusion for landslide monitoring[D]. Wuhan: China University of Geosciences. (in Chinese with English abstract) FENG Z, LI B, ZHAO C Y, et al., 2016. Geological hazards monitoring and application in mountainous town of Three Gorges Reservoir[J]. Journal of Geomechanics, 22(3):685-694. (in Chinese with English abstract) http://en.cnki.com.cn/Article_en/CJFDTOTAL-DZLX201603022.htm GAO Y, LI B, FENG Z, et al., 2017. Global climate change and geological disaster response analysis[J]. Journal of Geomechanics, 23(1):65-77. (in Chinese with English abstract) http://en.cnki.com.cn/Article_en/CJFDTOTAL-DZLX201701002.htm GUMILAR I, FATTAH A, ABIDIN H Z, et al., 2017. Landslide monitoring using terrestrial laser scanner and robotic total station in Rancabali, West Java (Indonesia)[C]//American Institute of Physics Conference Series, 1857: 060001. http://www.researchgate.net/publication/318705997_Landslide_monitoring_using_terrestrial_laser_scanner_and_robotic_total_station_in_Rancabali_West_Java_Indonesia GUO K, PENG J B, XU Q, 2005. Realization of the extraction of comprehensive information of multi-station monitoring data of landslide with the technique of multisensor target tracking[J]. Progress in Geophysics, 20(3):808-813. (in Chinese with English abstract) http://en.cnki.com.cn/Article_en/CJFDTOTAL-DQWJ200503036.htm GUO K, PENG J B, XU Q, et al., 2006. Application of multi-sensor target tracking to multi-station monitoring data fusion in landslide[J]. Rock and Soil Mechanics, 27(3):479-481. (in Chinese with English abstract) HIBERT C, GRANDJEAN G, BITRI A, et al., 2012. Characterizing landslides through geophysical data fusion:Example of the La Valette landslide (France)[J]. Engineering Geology, 128:23-29. doi: 10.1016/j.enggeo.2011.05.001 JIANG H Q, LI Z X, LI X S, et al., 2006. Discussion on the prediction theory and method of landslide disaster caused by meteorological change[J]. Research of Soil and Water Conservation, 13(5):20-22. (in Chinese with English abstract) http://en.cnki.com.cn/Article_en/CJFDTotal-STBY200605006.htm LIAO M S, ZHANG L, SHI X G, et al., 2017. Remote sensing monitoring method and practice of landslide deformation radar[M]. Beijing:Science Press. (in Chinese) LIU C Y, YIN X B, ZHANG B, 2015. Analysis and prediction of landslide deformations based on data fusion technology of Kalman-filter[J]. The Chinese Journal of Geological Hazard and Control, 26(4):30-35. (in Chinese with English abstract) http://en.cnki.com.cn/Article_en/CJFDTotal-ZGDH201504007.htm LIU X H, YAO X, ZHOU Z K, et al., 2018. Study of the technique for landslide rapid recognition by InSAR[J]. Journal of Geomechanics, 24(2):229-237. (in Chinese with English abstract) http://www.en.cnki.com.cn/Article_en/CJFDTotal-DZLX201802067.htm MO Y S, DONG X M, WEN R H, 2010. Analysis of the influence of meteorological factors on the formation of landslide[J]. West-China Exploration Engineering, 22(6):51-52, 55. (in Chinese) NI X J, 2005. Application of wavelet theory to the denoising and the combinatorial predetermination for landslide[D]. Chengdu: Chengdu University of Technology. (in Chinese with English abstract) PENG H, HUANG B Z, YANG Y, 2012. Study on technical methods of landslide monitoring[J]. Resources Environment & Engineering, 26(1):45-50. (in Chinese with English abstract) http://en.cnki.com.cn/Article_en/CJFDTOTAL-HBDK201201010.htm PENG P, SHAN Z G, DONG Y F, et al., 2011. Application of multi-sensor valuation fusion theory to monitoring dynamic deformation of landslides[J]. Journal of Engineering Geology, 19(6):928-934. (in Chinese with English abstract) http://en.cnki.com.cn/Article_en/CJFDTotal-GCDZ201106023.htm PRADHAN B, JEBUR M N, SHAFRI H Z M, et al., 2016. Data fusion technique using wavelet transform and Taguchi methods for automatic landslide detection from airborne laser scanning data and QuickBird satellite imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 54(3):1610-1622. doi: 10.1109/TGRS.2015.2484325 QI X, HUANG B L, LIU G N, et al., 2017. Landslide susceptibility assessment in the Three Gorges area, China, Zigui synclinal basin, using GIS technology and frequency ratio model[J]. Journal of Geomechanics, 23(1):97-104. (in Chinese with English abstract) QI X, XU Q, ZHAO K Y, et al., 2018. Analysis on law of response from irrigation to groundwater level at Heifangtai Tableland in Gansu Province[J]. Water Resources and Hydropower Engineering, 49(9):205-209. (in Chinese with English abstract) QIU D D, 2017. Landslide risk analysis based on multi-source data fusion[D]. Wuhan: China University of Geosciences. (in Chinese with English abstract) SUN B, 2012. Method research on comprehensive treatment and data fusion of multiple monitoring data[D]. Wuhan: China University of Geosciences. (in Chinese) SUN Y P, ZHANG S P, CHEN W K, et al., 2018. Risk assessment of landslides caused by Wenchuan Earthquakes:a case study in the Wudu District and Wenxian County, Gansu Province[J]. China Earthquake Engineering Journal, 40(5):1084-1091. (in Chinese with English abstract) VILLALPANDO F, TUXPAN J, RAMOS-LEAL J A, et al., 2020. New framework based on fusion information from multiple landslide data sources and 3D visualization[J]. Journal of Earth Science, 31(1):159-168. doi: 10.1007/s12583-019-1243-8 WANG J, 2013. 3D geological modeling of landslide mass based on QuantyView and multi-source data[D]. Wuhan: China University of Geosciences. (in Chinese with English abstract) WANG L, ZHANG Q, ZHAO C Y, et al., 2005. The application study of GPS multi-antenna monitoring technique in the monitoring of road slope disaster[J]. Journal of Highway and Transportation Research and Development, 22(6):163-166. (in Chinese with English abstract) http://en.cnki.com.cn/Article_en/CJFDTOTAL-GLJK2005S1042.htm WANG L, ZHANG Q, LI X C, et al., 2011. Dynamic and real time deformation monitoring of landslide with GPS-RTK technology[J]. Journal of Engineering Geology, 19(2):193-198. (in Chinese with English abstract) http://cn.bing.com/academic/profile?id=c717bdc0a7a24a19b42883c5496f8f78&encoded=0&v=paper_preview&mkt=zh-cn WANG Y M, FENG Q, LI Z X, 2014. Analysis of low cloud amount variations in the northwest China during 1960-2005[J]. Scientia Geographica Sinica, 34(5):635-640. (in Chinese with English abstract) http://cn.bing.com/academic/profile?id=09089b50bb335a6a0f0c0a0ee8f013eb&encoded=0&v=paper_preview&mkt=zh-cn WU W, WANG S G, DENG L T, et al., 2010. Four-season distribution of cloud and its correlation with precipitation in northern China[J]. Journal of Lanzhou University (Natural Sciences), 46(3):32-40. (in Chinese with English abstract) http://cn.bing.com/academic/profile?id=adf29f12b2346c2630ca9ea66d022dfb&encoded=0&v=paper_preview&mkt=zh-cn XU Q, FENG D L, QI X, et al., 2016. Dangchuan 2# landslide of April 29, 2015 in Heifangtai area of Gansu Province:characteristics and failure mechanism[J]. Journal of Engineering Geology, 24(2):167-180. (in Chinese with English abstract) YIN J X, HE Y Q, YAO Y S, et al., 2019. Research on deformation of plateau landslide based on meteorological conditions[J]. Urban Geotechnical Investigation & Surveying(1):184-188. (in Chinese with English abstract) http://en.cnki.com.cn/Article_en/CJFDTotal-CSKC201901052.htm ZHANG W Q, 2019. Research on high-precision deformation monitoring and prediction methods for loess landslide[D]. Xi'an: Chang'an University. (in Chinese) ZHANG X Y, ZHANG C S, MENG H J, et al., 2018. Landslide susceptibility assessment of new Jing-Zhang high-speed railway based on GIS and information value model[J]. Journal of Geomechanics, 24(1):96-105. (in Chinese with English abstract) ZHANG Y J, 2006. Research on detection and recognition of underwater target based on network and data fusion[D]. Xi'an: Northwestern Polytechnical University. (in Chinese with English abstract) ZHANG Y Z, 2007. Study on the theory of structural damage identification based on neural network and data fusion[D]. Chengdu: Southwest Jiaotong University. (in Chinese) ZHAO C Y, LIU X J, ZHANG Q, et al., 2019. Research on loess landslide identification, monitoring and failure mode with InSAR technique in Heifangtai, Gansu[J]. Geomatics and Information Science of Wuhan University, 44(7):996-1007. (in Chinese with English abstract) http://en.cnki.com.cn/Article_en/CJFDTotal-WHCH201907005.htm ZHAO S Q, ZHU S J, 2013. On forecasting typical landslides in the Three-Gorge Reservoir[J]. Journal of Safety and Environment, 13(6):259-264. (in Chinese with English abstract) ZHOU F, 2015. Study on the deformation characteristics of loess slope and mechanism of landslide in Heifangtai, Gansu Province[D]. Chengdu: Chengdu University of Technology. (in Chinese with English abstract) ZHU Z M, ZHOU K R, TAN C H, et al., 2013. Study on technology of slope/landslide stability analysis and early warning under heavy rainfall[J]. Journal of Geomechanics, 19(4):423-430. (in Chinese with English abstract) http://cn.bing.com/academic/profile?id=022cb0e78d567d546d7dc2f0dde56d44&encoded=0&v=paper_preview&mkt=zh-cn 陈明金, 欧阳祖熙, 范国胜, 2007.基于数据融合的滑坡综合监测信息提取方法[J].大地测量与地球动力学, 27(6):77-81. http://www.cqvip.com/Main/Detail.aspx?id=26071326 成静, 张文军, 2018.西北地区近40年降水量和云量的变化及其相互关系分析[J].青海气象(3):1-5. http://www.cnki.com.cn/Article/CJFDTotal-QHQX201803001.htm 丁继新, 尚彦军, 杨志法, 等, 2004.降雨型滑坡预报新方法[J].岩石力学与工程学报, 23(21):3738-3743. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=yslxygcxb200421030 董文文, 朱鸿鹄, 孙义杰, 等, 2016.边坡变形监测技术现状及新进展[J].工程地质学报, 24(6):1088-1095. http://www.cnki.com.cn/Article/CJFDTotal-GCDZ201606007.htm 杜国梁, 张永双, 高金川, 等, 2016.基于GIS的白龙江流域甘肃段滑坡易发性评价[J].地质力学学报, 22(1):1-11. https://journal.geomech.ac.cn/ch/reader/view_abstract.aspx?flag=1&file_no=20160101&journal_id=dzlxxb 樊俊青, 2015.面向滑坡监测的多源异构传感器信息融合方法研究[D].武汉: 中国地质大学. http://cdmd.cnki.com.cn/Article/CDMD-10491-1016061177.htm 冯振, 李滨, 赵超英, 等, 2016.三峡库区山区城镇重大地质灾害监测预警示范研究[J].地质力学学报, 22(3):685-694. https://journal.geomech.ac.cn/ch/reader/view_abstract.aspx?flag=1&file_no=20160322&journal_id=dzlxxb 高杨, 李滨, 冯振, 等, 2017.全球气候变化与地质灾害响应分析[J].地质力学学报, 23(1):65-77. https://journal.geomech.ac.cn/ch/reader/view_abstract.aspx?flag=1&file_no=20170102&journal_id=dzlxxb 郭科, 彭继兵, 许强, 2005.应用多传感器目标跟踪融合技术实现滑坡多点监测数据综合信息的提取[J].地球物理学进展, 20(3):808-813. http://www.cnki.com.cn/Article/CJFDTotal-DQWJ200503036.htm 郭科, 彭继兵, 许强, 等, 2006.滑坡多点数据融合中的多传感器目标跟踪技术应用[J].岩土力学, 27(3):479-481. http://www.cqvip.com/qk/94551X/200603/21629942.html 姜海泉, 黎祖贤, 李细生, 等, 2006.论气象类滑坡灾害的预报原理和方法[J].水土保持研究, 13(5):20-22. http://www.cqvip.com/Main/Detail.aspx?id=23089748 廖明生, 张路, 史绪国, 等, 2017.滑坡变形雷达遥感监测方法与实践[M].北京:科学出版社. 刘超云, 尹小波, 张彬, 2015.基于Kalman滤波数据融合技术的滑坡变形分析与预测[J].中国地质灾害与防治学报, 26(4):30-35. http://d.wanfangdata.com.cn/Periodical/zgdzzhyfzxb201504006 刘星洪, 姚鑫, 周振凯, 等, 2018.滑坡灾害InSAR应急排查技术方法研究[J].地质力学学报, 24(2):229-237. https://journal.geomech.ac.cn/ch/reader/view_abstract.aspx?flag=1&file_no=20180209&journal_id=dzlxxb 莫运松, 董雪梅, 文日海, 2010.气象因素对滑坡形成的影响分析[J].西部探矿工程, 22(6):51-52, 55. http://d.wanfangdata.com.cn/Periodical/xbtkgc201006019 倪秀静, 2005.小波理论在滑坡降噪和组合预测中的应用[D].成都: 成都理工大学. http://d.wanfangdata.com.cn/Thesis/Y759169 彭欢, 黄帮芝, 杨永, 2012.滑坡监测技术方法研究[J].资源环境与工程, 26(1):45-50. http://www.cnki.com.cn/Article/CJFDTotal-HBDK201201010.htm 彭鹏, 单治钢, 董育烦, 等, 2011.多传感器估值融合理论在滑坡动态变形监测中的应用研究[J].工程地质学报, 19(6):928-934. http://www.cnki.com.cn/Article/CJFDTotal-GCDZ201106023.htm 齐信, 黄波林, 刘广宁, 等, 2017.基于GIS技术和频率比模型的三峡地区秭归向斜盆地滑坡敏感性评价[J].地质力学学报, 23(1):97-104. https://journal.geomech.ac.cn/ch/reader/view_abstract.aspx?flag=1&file_no=20170105&journal_id=dzlxxb 亓星, 许强, 赵宽耀, 等, 2018.甘肃黑方台灌溉与地下水位响应规律分析[J].水利水电技术, 49(9):205-209. http://www.cnki.com.cn/Article/CJFDTotal-SJWJ201809028.htm 邱丹丹, 2017.基于多源数据融合的滑坡风险分析研究[D].武汉: 中国地质大学. http://cdmd.cnki.com.cn/Article/CDMD-10491-1018714830.htm 孙波, 2012.多传感器融合估计算法的研究及在滑坡中的应用[D].武汉: 中国地质大学. http://d.wanfangdata.com.cn/Thesis_Y2188880.aspx 孙艳萍, 张苏平, 陈文凯, 等, 2018.汶川地震滑坡危险性评价:以武都区和文县为例[J].地震工程学报, 40(5):1084-1091. http://kns.cnki.net/KCMS/detail/detail.aspx?dbcode=CJFD&filename=ZBDZ201805032 王静, 2013.基于QuantyView和多源数据的滑坡体三维地质建模技术研究[D].武汉: 中国地质大学. http://cdmd.cnki.com.cn/Article/CDMD-10491-1014164902.htm 王利, 张勤, 赵超英, 等, 2005. GPS一机多天线技术在公路边坡灾害监测中的应用研究[J].公路交通科技, 22(6):163-166. http://www.cqvip.com/QK/91479X/2005S1/4000368954.html 王利, 张勤, 李寻昌, 等, 2011. GPS RTK技术用于滑坡动态实时变形监测的研究[J].工程地质学报, 19(2):193-198. http://www.cnki.com.cn/Article/CJFDTotal-GCDZ201102008.htm 王亚敏, 冯起, 李宗省, 2014. 1960-2005年西北地区低云量的时空变化及成因分析[J].地理科学, 34(5):635-640. http://qikan.cqvip.com/Qikan/Article/Detail?id=663134564 吴伟, 王式功, 邓莲堂, 等, 2010.中国北方云量的四季分布与降水[J].兰州大学学报(自然科学版), 46(3):32-40. http://www.cqvip.com/Main/Detail.aspx?id=34377940 许强, 彭大雷, 亓星, 等, 2016. 2015年4.29甘肃黑方台党川2#滑坡基本特征与成因机理研究[J].工程地质学报, 24(2):167-180. http://www.cqvip.com/QK/98122X/201602/668435894.html 尹继鑫, 何永晴, 姚永顺, 等, 2019.高原滑坡变形与气象因素相关性研究[J].城市勘测(1):184-188. http://www.cnki.com.cn/Article/CJFDTotal-CSKC201901052.htm 张伟琪, 2019.黄土滑坡高精度变形监测及预测方法研究[D].西安: 长安大学. http://cdmd.cnki.com.cn/Article/CDMD-10710-1019674872.htm 张向营, 张春山, 孟华君, 等, 2018.基于GIS和信息量模型的京张高铁滑坡易发性评价[J].地质力学学报, 24(1):96-105. https://journal.geomech.ac.cn/ch/reader/view_abstract.aspx?flag=1&file_no=20180111&journal_id=dzlxxb 张亚军, 2006.基于神经网络数据融合的水下目标检测识别研究[D].西安: 西北工业大学. http://d.wanfangdata.com.cn/Thesis/Y930415 张育智, 2007.基于神经网络与数据融合的结构损伤识别理论研究[D].成都: 西南交通大学. http://d.wanfangdata.com.cn/Thesis/Y1237418 赵超英, 刘晓杰, 张勤, 等, 2019.甘肃黑方台黄土滑坡InSAR识别、监测与失稳模式研究[J].武汉大学学报(信息科学版), 44(7):996-1007. http://www.cnki.com.cn/Article/CJFDTotal-WHCH201907005.htm 赵松琴, 朱思军, 2013.三峡库区典型滑坡预测预报研究[J].安全与环境学报, 13(6):259-264. http://www.cqvip.com/QK/83738X/201306/48277161.html 周飞, 2015.甘肃省黑方台黄土斜坡变形特征与滑坡机理研究[D].成都: 成都理工大学. http://cdmd.cnki.com.cn/Article/CDMD-10616-1015312387.htm 朱志铭, 周凯睿, 谭春洪, 等, 2013.强降雨作用下边(滑)坡稳定性分析及预警技术研究[J].地质力学学报, 19(4):423-430. http://d.wanfangdata.com.cn/Periodical_csjsllyj201408874.aspx -