ISSN 1003-8035 CN 11-2852/P
  • 中国科技核心期刊
  • CSCD收录期刊
  • Caj-cd规范获奖期刊
  • Scopus 收录期刊
  • DOAJ 收录期刊
  • GeoRef收录期刊
欢迎扫码关注“i环境微平台”

基于长短期记忆网络的甘肃舟曲立节北山滑坡变形预测

高子雁, 李瑞冬, 石鹏卿, 周小龙, 张娟

高子雁,李瑞冬,石鹏卿,等. 基于长短期记忆网络的甘肃舟曲立节北山滑坡变形预测[J]. 中国地质灾害与防治学报,2023,34(6): 30-36. DOI: 10.16031/j.cnki.issn.1003-8035.202303062
引用本文: 高子雁,李瑞冬,石鹏卿,等. 基于长短期记忆网络的甘肃舟曲立节北山滑坡变形预测[J]. 中国地质灾害与防治学报,2023,34(6): 30-36. DOI: 10.16031/j.cnki.issn.1003-8035.202303062
GAO Ziyan,LI Ruidong,SHI Pengqing,et al. Deformation prediction of the Northern Mountain landslide in Lijie Town of Zhouqu, Gansu Province based on long-short term memory network[J]. The Chinese Journal of Geological Hazard and Control,2023,34(6): 30-36. DOI: 10.16031/j.cnki.issn.1003-8035.202303062
Citation: GAO Ziyan,LI Ruidong,SHI Pengqing,et al. Deformation prediction of the Northern Mountain landslide in Lijie Town of Zhouqu, Gansu Province based on long-short term memory network[J]. The Chinese Journal of Geological Hazard and Control,2023,34(6): 30-36. DOI: 10.16031/j.cnki.issn.1003-8035.202303062

基于长短期记忆网络的甘肃舟曲立节北山滑坡变形预测

基金项目: 甘肃省自然资源厅科技创新项目(202257);甘肃省科技重大专项(19ZD2FA002)
详细信息
    作者简介:

    高子雁(1999-),女,甘肃兰州人,本科,助理工程师,主要从事地质灾害早期识别工作。E-mail:1269782387@qq.com

  • 中图分类号: P642.22

Deformation prediction of the Northern Mountain landslide in Lijie Town of Zhouqu, Gansu Province based on long-short term memory network

  • 摘要: 立节镇北山滑坡长期处于蠕动变形状态,已多次发生滑坡、泥石流灾害。监测地表形变,以掌握灾害体地表形变规律,是实现地质灾害预警预报的可靠依据。文章引入一种机器学习模型——长短期记忆网络,通过立节北山监测点位移数据,运用该方法对立节北山滑坡变形进行预测,并且将预测结果与实际数据进行比对和分析。文章预测结果评价指标选用均方根误差、平均绝对误差、决定系数以及可解释方差,其中决定系数和可解释方差均达到0.99,预测值和真实值的拟合均方根误差和平均绝对误差也表现较低,说明长短期记忆网络在立节北山滑坡变形的预测中达到了良好的预测性能。
    Abstract: The North Mountain landslide in Lijie Town has been in a long-term creeping deformation state and has experienced multiple landslide and debris flow disasters. Monitoring the surface deformation of landslide to grasp the surface deformation pattern of disaster body is a reliable basis for realizing early warning prediction of geological disaster. In this paper, a machine learning model is introduced to predict the relevant data, and a long and short-term memory network is used to predict the landslide deformation by monitoring the displacement data of North Mountain in Lijie, and the prediction results are compared with the actual data and analyzed. In this paper, root mean square error , mean absolute error , coefficient of determination and explainable variance are used to evaluate the prediction results, among which the coefficient of determination and explainable variance reach 0.99. It shows that the long short-term memory network used in this paper achieves good prediction performance in the prediction of landslide deformation in the North Mountain of Lijie.
  • 近年来,基于“一带一路”发展战略需求,对于南亚通道的建设开始逐渐完善。作为中国与尼泊尔密切往来的口岸,吉隆是中尼铁路建设的必经之地。这里地质构造复杂、内外动力作用强烈,具有强地震风险、强地壳变形、强应力集中等特征,是重大地质灾害频发区域[1]。经沿线实地调查,该地区滑坡灾害发生较频繁,且滑坡具有突发性和不确定性。因此掌握滑坡的易发性对于滑坡预测和防灾减灾具有重要意义。

    滑坡易发性评价指某一区域内现有自然条件下已经发生了和诱发因素下滑坡灾害与空间分布的定性或定量关系[2-3]。目前多种滑坡灾害易发性的评价方法中,大体可以总结为定性和定量两类方法。早期基于专家经验的现场分析和评价因子图层叠加分析的方法过分依赖评价者的主观意识,可比性较低。随着地理信息系统技术、卫星遥感技术和数字地形数据的全面推进,机器学习模型借助GIS平台逐步被引用到地质灾害评价领域[4-6]

    MaxEnt 模型是以最大熵原理为理论,以JAVA语言为支撑的机器学习模型。在1957年由杰恩斯首先提出最大熵原理,它的中心思想是,在只知道关于未知分布的部分约束条件时,应选取满足这些约束条件且熵值最大的概率分布。Phillips等在2006年提出了最大熵模型,专门用于生态建模和物质分布预测。该模型在2013年被引入滑坡灾害的预测研究中。相比其他概率模型,如频率比、证据权法、多标准决策分析和逻辑回归等,最大熵模型既可以考虑滑坡与评价因子之间的关系,同时还能充分考虑所有因子本身之间的关系。相较于层次分析法,最大熵模型不需要专家经验,在易发性分析时不需要加入主观假设。比较同为机器学习模型的神经网络,最大熵模型可以克服人工神经网络的“黑箱”限制。总之,最大熵模型虽然数学推导较复杂,但模型适应性、稳定性和灵活性更高,预测准确度也更高[7-16]

    文中使用最大熵模型对研究区滑坡易发性建模,然后通过ROC曲线验证模型的效果。并进一步对各评价因子的贡献度和敏感阈值进行研究。为中尼交通廊道区域的滑坡灾害预警提供参考。

    吉隆县地处西藏自治区日喀则地区西南部,南面和西南面与尼泊尔相邻,东临聂拉木县,北面与萨噶县搭界,自古就是西藏通往南亚的交通要道[17]图1)。

    图  1  研究区地理位置
    Figure  1.  Location of the study area

    研究区地处青藏高原西南部,全县平均海拔在4000 m以上,地势北高南低。按地貌成因可划分为侵蚀剥蚀山地地貌和河谷侵蚀堆积地貌。位于冈底斯构造带和北喜马拉雅构造带之间,新构造运动活跃,属缓慢抬升区[18-19]。加之地震多发且强烈,诱发差异性抬升等特殊的第四纪地质环境,使之成为崩塌、滑坡、泥石流多发区。研究区出露地层主要为第四系松散堆积层与前震旦纪江东岩组变质岩和前震旦纪中酸性侵入岩。

    研究区调查的G216国道是吉隆县通往吉隆镇的唯一公路,总长86.61 km。范围是以道路为中心向两侧扩展5 km区域。经过对研究区的现场细致排查及室内遥感解译补充,共确定169处滑坡,如图2(a)所示。调查沿途多为高山峡谷路段,地层多为风化破碎的抗侵蚀能力较弱的基岩,重力侵蚀活跃,切坡造成的大临空面、高陡坡脚的斜坡体。沿线性工程两侧地表松散物质较多,坡脚均存在小范围垮塌的可能。较为典型的滑坡如图2(b)(c)。图2(b)滑坡位于G216国道K3470处,滑坡体主体为土石混合体。人工开挖后,坡脚被削,形成牵引式滑坡。坡脚处修筑有45 m的浆砌片石挡墙。在暴雨、强风作用下,坡面上块石易发生滚落。图2(c)本拉错滑坡,位于吉隆镇北侧。坡脚紧靠交通线,剪出口冲过公路与护栏,已严重影响道路通行,目前斜坡处于破坏休止阶段,但在地震、暴雨等因素情况下,会加速边坡的破坏,影响道路安全。

    图  2  研究区灾害点分布及典型灾害
    Figure  2.  Distribution of disaster points and typical disasters in the study area

    滑坡的发生受到多种因素的影响。文中在充分考虑了研究区尺度和特性后,选取了高程、坡向、坡度、断层密度、河流密度、岩性、地震峰值加速度、植被覆盖指数8个评价因子(表1)。利用ArcGIS对评价因子进行栅格化及重分类处理,生成图3所示8个图层。各图层栅格列数行数保持一致分别为2547、5594,栅格总数6575436个。

    图  3  研究区评价因子图层
    Figure  3.  Layer of evaluation factors in the study area
    表  1  评价因子选取及其来源
    Table  1.  Selection of evaluation factors and sources
    评价因子数据来源
    高程地理空间数据云(http://www.gscloud.cn
    坡向ArcGIS 高程提取
    坡度ArcGIS 高程提取
    断层密度西藏自治区吉隆县地质图(全国地质资料馆http://www.ngac.org.cn/)及现场调查
    河流密度西藏自治区吉隆县地质图(全国地质资料馆http://www.ngac.org.cn/)及现场调查
    岩性西藏自治区吉隆县地质图(全国地质资料馆http://www.ngac.org.cn/)及现场调查
    地震加速度中国地震动参数区划图
    (http://www.gb18306.net/)
    植被覆盖指数地理空间数据云
    http://www.gscloud.cn
    下载: 导出CSV 
    | 显示表格

    (1)高程可以直接反映研究区的地形起伏[20]。将地理空间数据云DEM数据,通过ArcGIS进行裁剪、拼接等处理,生成研究区DEM图;(2)坡向对斜坡的影响表现为向阳坡受日照时间较长,相应湿度较低,岩石表面风化程度较高,易形成松散堆积物,从而斜坡的危险性变高。通过ArcGIS将DEM图层转化得到坡向图层;(3)坡度大小影响了滑坡体的移动速度和规模程度。通过ArcGIS将DEM图层转化得到坡度图层;(4)断裂构造使断层带及其附近一定范围内的岩土体结构遭到破坏,降低了坡体的完整程度。断裂带越密集岩体也就越破碎,因此选用断层带的线密度作为一个评价因子。以现场调查为基础地质资料为补充,利用ArcGIS线密度计算工具计算得到;(5)研究区地表水系交错,根据地质图利用ArcGIS线密度计算工具生成河流线密度作为滑坡易发性评价因子;(6)地层岩性决定着斜坡岩土体的强度,控制着地质灾害发育和分布规律。根据西藏地区区域性地质图及现场调查将研究区地层岩性划分为四组,分别为:较坚硬变质岩岩组、坚硬岩浆岩岩组、坚硬沉积岩岩组、较软弱沉积岩岩组;(7)地震峰值加速度(PGA)的大小表征地球内动力的强弱[21]。吉隆县受地震的影响较大,该地区PGA为0.1~0.20 g;(8)植被覆盖指数用归一化差分植被指数(NDVI)来定量表征。通常与植物蒸腾作用、光合作用有关,是指示植被生长状态及植被覆盖度的最佳指示因子[22]。将Landsat8的数据1~7波段加载到ArcGIS中进行波段合成。然后计算NDVI ,计算公式为:

    NDVI=NIRRNIR+R (1)

    式中:NIR——近红外波段;

    R——红波段处的反射率值。

    NDVI取值[1,−1],负值表示地面覆盖为云、水、雪等;0表示有岩石或裸土等;正值表示有植被覆盖,且随覆盖度增大而增大。研究区的NDVI以0、0.3、0.5为界限分成四类。

    为保证各评价因子的独立性,采用皮尔逊相关系数法对8个评价因子进行检验与筛选,计算得到的相关性系数见表2。由表2可知各因子相关性系数较低,绝对值均小于0.5。考虑计算准确性,选取全部8个评价因子进行模型的建立与训练。

    表  2  评价因子相关性检验
    Table  2.  Correlation test of evaluation factors
    高程坡向坡度断层密度河流密度岩性地震峰值加速度植被覆盖指数
    高程1
    坡向0.0561
    坡度−0.3070.3881
    断层密度0.414−0.177−0.1041
    河流密度0.251−0.141−0.1240.0301
    岩性0.459−0.125−0.0980.3980.2001
    地震峰值加速度0.4910.322−0.4410.446−0.1820.4421
    植被覆盖指数0.406-0.4660.468−0.156−0.107−0.163−0.4671
    下载: 导出CSV 
    | 显示表格

    最大熵模型是由最大熵原理推导实现的。它的中心思想是,在只知道关于未知分布的部分约束条件时,应选取满足这些约束条件且熵值最大的概率分布。最大熵原理通过熵的最大化来表示其可能性。因此最大熵模型就是在所有可能的概率模型中,熵最大的模型就是最好的模型[13]

    首先将169个滑坡数据和8个评价因子加载到MaxEnt软件V3.4.1中。然后将灾害点按照7∶3的比例随机分配为训练集(118个)与测试集(51个),具体分布情况见图2。其中训练集用来训练数据和建立模型,测试集用于验证模型的可靠性。设置迭代次数500次,随机计算10次,结果取均值。将结果以ASCII文件输出,导入ArcGIS经过重分类后得到滑坡易发性的分区,具体分布见图4

    图  4  滑坡易发性分区
    Figure  4.  Landslide susceptibility zoning

    结果参考正态分布理论与经验对滑坡易发区进行分类[23],共分为五个易发区。P<0.08为极低易发区,0.08≤P<0.25为低易发区、0.25≤P<0.53为中易发区、0.53≤P<0.72为高易发区、P≥0.72为极高易发区。得到的结果见图4。经统计,分区占比依次为11.48%、41.28%、25.21%、10.87%、11.16%。

    其中极高易发区主要集中在道路两侧及山谷地带,路东路西分布平均,高度普遍不高。说明人为工程扰动已经严重的影响了斜坡的稳定性,促使了滑坡的发生。此外有三处极高易发区集中地带(图4)。结合各个评价因子图层的分布可知,其中1处岩体较软弱且断层密度较高。2处的岩体较为破碎,河流发育且有一处断裂穿过。3处在研究区南部,该区域的地震加速度较高,灾害极为发育。中、高易发区以极高易发区为中心向外辐射,基本覆盖了道路两侧山体分水岭以下的部分。低易发区和极低易发区的辐射范围更远,主要集中在一些河谷平原地区。

    滑坡易发性评价结果是否准确决定了模型的适用性和可靠性,因此有必要对结果精度进行验证。受试者工作特征曲线(ROC)常用来检测模型的预测精度,ROC曲线下面积AUC值在0~1, 曲线越靠近左上角AUC值越大, 模型预测精度越高, 一般认为AUC值>0.7时, MaxEnt模型的预测结果便为可信[24]

    从预测精度ROC曲线可知运行10次的结果中训练集的AUC最大值为0.864,最小值为0.839。结果偏差不大,且属于较高的数值。可以证明模型具有优秀的空间预测能力和精度,且计算结果十分稳定(图5)。

    图  5  ROC曲线和AUC值箱形图
    Figure  5.  ROC curve and AUC value box diagram

    评价因子的贡献率检验结果如图6所示。坡度、高程、植被覆盖指数、坡向是影响滑坡发生的主导因素,4项累计贡献率达77.3%。

    图  6  评价因子对滑坡发生的贡献率
    Figure  6.  Contribution rate of evaluation factors to landslide

    通过分析响应曲线(图7)来判断滑坡与评价因子之间的关系。一般认为当存在概率大于0.5时,其对应的评价因子对滑坡发生产生影响[25]。滑坡的存在概率随坡度的增加逐渐增加,随着坡度的增加,坡面附近的应力卸荷的范围扩大,坡脚处应力集中程度加大,因此滑坡的发生几率也随之增加[26-28]。当坡度大于20°时最容易发生滑坡灾害。在本研究区的模拟结果中,高程的敏感范围在4 445 m以下,产生这样的结果主要是由于灾害多发生在沿公路区域,斜坡由于公路切坡,更容易产生滑坡危险,因此公路两侧的边坡要重点防护和清理。当NDVI指数小于0.23时,滑坡表现为敏感。NDVI越小表示斜坡上的裸露比例越大,坡面失去植物根系的保护,在雨水的冲刷下更容易受到破坏,因此较为容易发生滑坡。对于坡向来说,敏感区间在90°~315°。结果表明阳坡比阴坡更能促进滑坡的形成,与现场实际情况相符。

    图  7  评价因子响应图
    Figure  7.  Response curve of evaluation factors

    (1)以现场调查及遥感解译的169个滑坡灾害点作为样本数据,选取8个评价因子,建立最大熵模型进行滑坡易发性分区。研究区滑坡极高和高易发区面积占总面积的11.6%和10.87%。主要集中在公路两侧。同时在断层线密集处、岩性软弱破碎处、地震动加速度峰值高处,均有灾害点集中的现象。

    (2)结合模型预测结果的响应曲线可以得到控制滑坡发生的变量。最主要的四项因素分别为坡度、高程、植被覆盖与坡向。其中当坡度大于20°、高程靠近路面、NDVI小于0.23、坡向在90°~315°之间时最容易发生滑坡。

    (3)经过10次运算,得到AUC最大值为0.864,最小值为0.839。说明最大熵模型适用于研究区的滑坡易发性研究,且结果准确可靠。可以为中尼交通廊道地区的防灾减灾工作提供预警。

  • 图  1   立节北山滑坡GNSS分布图

    Figure  1.   The North Mountain of Lijie landslide GNSS distribution map

    图  2   LSTM模型结构

    Figure  2.   LSTM model structure

    图  3   GNSS1累计位移与雨量关系

    Figure  3.   GNSS1 relationship between cumulative displacement and rainfall

    图  4   不同隐藏神经元数量的RMSE变化

    Figure  4.   RMSE variation with different numbers of hidden neurons

    图  5   LSTM模型训练中的损失函数数值变化

    Figure  5.   Numerical changes in loss function during LSTM model training

    图  6   GNSS1位移预测结果

    Figure  6.   GNSS1 displacement prediction results

    图  7   GNSS8位移预测结果

    Figure  7.   GNSS8 displacement prediction results

    图  8   GNSS1水平位移未来48 d预测结果

    Figure  8.   Forecasted results for horizontal displacement of GNSS1 for the next 48 days

    图  9   治理工程实施GNSS三维分布图

    Figure  9.   The GNSS three-dimensional distribution map of the governance project implementation

    表  1   GNSS1垂直位移精度评价指标

    Table  1   Evaluation metrics for vertical displacement precision of GNSS1

    评价指标 RMSE/mm MAE/mm R2 Evar
    数值 12.88 6.56 0.99 0.99
    下载: 导出CSV

    表  2   GNSS8垂直位移精度评价指标

    Table  2   Evaluation metrics for vertical displacement precision of GNSS8

    评价指标 RMSE/mm MAE/mm R2 Evar
    数值 6.63 5.66 0.99 0.99
    下载: 导出CSV

    表  3   GNSS8水平位移精度评价指标

    Table  3   Evaluation metrics for horizontal displacement precision of GNSS8

    评价指标 RMSE/mm MAE/mm R2 Evar
    数值 4.00 3.79 0.99 0.99
    下载: 导出CSV
  • [1] 张勤,黄观文,杨成生. 地质灾害监测预警中的精密空间对地观测技术[J]. 测绘学报,2017,46(10):1300 − 1307. [ZHANG Qin,HUANG Guanwen,YANG Chengsheng. Precision space observation technique for geological hazard monitoring and early warning[J]. Acta Geodaetica et Cartographica Sinica,2017,46(10):1300 − 1307.(in Chinese with English abstract)

    ZHANG Qin, HUANG Guanwen, YANG Chengsheng. Precision space observation technique for geological hazard monitoring and early warning[J]. Acta Geodaetica et Cartographica Sinica, 2017, 4610): 13001307.(in Chinese with English abstract)

    [2]

    FROUDE M J,PETLEY D N. Global fatal landslide occurrence from 2004 to 2016[J]. Natural Hazards and Earth System Sciences,2018,18(8):2161 − 2181. DOI: 10.5194/nhess-18-2161-2018

    [3] 宋昭富, 张勇, 佘涛, 等. 基于易发性分区的区域滑坡降雨预警阈值确定—以云南龙陵县为例[J]. 中国地质灾害与防治学报,2023,34(4):22 − 29. [SONG Zhaofu, ZHANG Yong, SHE Tao, et al. Determination of regional landslide rainfall warning threshold based on susceptibility zoning: A case study in Longling County of Yunnan Province[J]. The Chinese Journal of Geological Hazard and Control,2023,34(4):22 − 29. (in Chinese with English abstract)

    SONG Zhaofu, ZHANG Yong, SHE Tao, et al. Determination of regional landslide rainfall warning threshold based on susceptibility zoning: A case study in Longling County of Yunnan Province[J]. The Chinese Journal of Geological Hazard and Control, 2023, 344): 2229. (in Chinese with English abstract)

    [4] 唐亚明,张茂省,薛强,等. 滑坡监测预警国内外研究现状及评述[J]. 地质论评,2012,58(3):533 − 541. [TANG Yaming,ZHANG Maosheng,XUE Qiang,et al. Landslide monitoring and early-warning:An overview[J]. Geological Review,2012,58(3):533 − 541. (in Chinese with English abstract)

    TANG Yaming, ZHANG Maosheng, XUE Qiang, et al. Landslide monitoring and early-warning: An overview[J]. Geological Review, 2012, 583): 533541. (in Chinese with English abstract)

    [5]

    GLADE T,NADIM F. Early warning systems for natural hazards and risks[J]. Natural Hazards,2014,70(3):1669 − 1671. DOI: 10.1007/s11069-013-1000-8

    [6] 余凯,贾磊,陈雨强,等. 深度学习的昨天、今天和明天[J]. 计算机研究与发展,2013,50(9):1799 − 1804. [YU Kai,JIA Lei,CHEN Yuqiang,et al. Deep learning:Yesterday,today,and tomorrow[J]. Journal of Computer Research and Development,2013,50(9):1799 − 1804. (in Chinese with English abstract)

    YU Kai, JIA Lei, CHEN Yuqiang, et al. Deep learning: Yesterday, today, and tomorrow[J]. Journal of Computer Research and Development, 2013, 509): 17991804. (in Chinese with English abstract)

    [7] 杜续,冯景瑜,吕少卿,等. 基于随机森林回归分析的PM2.5浓度预测模型[J]. 电信科学,2017,33(7):66 − 75. [DU Xu,FENG Jingyu,LYU Shaoqing,et al. PM2.5 concentration prediction model based on random forest regression analysis[J]. Telecommunications Science,2017,33(7):66 − 75(in Chinese with English abstract)

    DU Xu, FENG Jingyu, LYU Shaoqing, et al. PM2.5 concentration prediction model based on random forest regression analysis[J]. Telecommunications Science, 2017, 337): 6675(in Chinese with English abstract)

    [8] 张品一,薛京京. 多分形互联网金融市场的风险预警模型研究[J]. 数量经济技术经济研究,2022,39(8):162 − 180. [ZHANG Pinyi,XUE Jingjing. Research on risk early warning model of multi-fractal Internet financial market[J]. The Journal of Quantitative & Technical Economics,2022,39(8):162 − 180. (in Chinese with English abstract)

    ZHANG Pinyi, XUE Jingjing. Research on risk early warning model of multi-fractal Internet financial market[J]. The Journal of Quantitative & Technical Economics, 2022, 398): 162180. (in Chinese with English abstract)

    [9] 程宇也. 基于人工神经网络的短期电力负荷预测研究[D]. 杭州:浙江大学, 2017. [CHENG Yuye. Research on short-term power load forecasting based on artificial neural network[D]. Hangzhou:Zhejiang University, 2017. (in Chinese with English abstract)

    CHENG Yuye. Research on short-term power load forecasting based on artificial neural network[D]. Hangzhou: Zhejiang University, 2017. (in Chinese with English abstract)

    [10] 李小妍. 基于图神经网络的交通流量预测[D]. 成都:电子科技大学, 2020. [LI Xiaoyan. Traffic flow forecast based on graph neural network[D]. Chengdu:University of Electronic Science and Technology of China, 2020. (in Chinese with English abstract)

    LI Xiaoyan. Traffic flow forecast based on graph neural network[D]. Chengdu: University of Electronic Science and Technology of China, 2020. (in Chinese with English abstract)

    [11] 刘新,赵宁,郭金运,等. 基于LSTM神经网络的青藏高原月降水量预测[J]. 地球信息科学学报,2020,22(8):1617 − 1629. [LIU Xin,ZHAO Ning,GUO Jinyun,et al. Prediction of monthly precipitation over the Tibetan Plateau based on LSTM neural network[J]. Journal of Geo-Information Science,2020,22(8):1617 − 1629. (in Chinese with English abstract)

    LIU Xin, ZHAO Ning, GUO Jinyun, et al. Prediction of monthly precipitation over the Tibetan Plateau based on LSTM neural network[J]. Journal of Geo-Information Science, 2020, 228): 16171629. (in Chinese with English abstract)

    [12] 冯非凡,武雪玲,牛瑞卿,等. 一种V/S和LSTM结合的滑坡变形分析方法[J]. 武汉大学学报(信息科学版),2019,44(5):784 − 790. [FENG Feifan,WU Xueling,NIU Ruiqing,et al. A landslide deformation analysis method using V/S and LSTM[J]. Geomatics and Information Science of Wuhan University,2019,44(5):784 − 790. (in Chinese with English abstract)

    FENG Feifan, WU Xueling, NIU Ruiqing, et al. A landslide deformation analysis method using V/S and LSTM[J]. Geomatics and Information Science of Wuhan University, 2019, 445): 784790. (in Chinese with English abstract)

    [13] 张宇,张鹏远,颜永红. 基于注意力LSTM和多任务学习的远场语音识别[J]. 清华大学学报(自然科学版),2018,58(3):249 − 253. [ZHANG Yu,ZHANG Pengyuan,YAN Yonghong. Long short-term memory with attention and multitask learning for distant speech recognition[J]. Journal of Tsinghua University (Science and Technology),2018,58(3):249 − 253. (in Chinese with English abstract)

    ZHANG Yu, ZHANG Pengyuan, YAN Yonghong. Long short-term memory with attention and multitask learning for distant speech recognition[J]. Journal of Tsinghua University (Science and Technology), 2018, 583): 249253. (in Chinese with English abstract)

    [14] 刘宇. 深度学习在图像处理中的应用——基于深度学习的视频帧预测算法研究[D]. 成都:电子科技大学, 2020. [LIU Yu. Application of deep learning in image processing:Research on video frame prediction algorithm based on deep learning[D]. Chengdu:University of Electronic Science and Technology of China, 2020. (in Chinese with English abstract)

    LIU Yu. Application of deep learning in image processing: Research on video frame prediction algorithm based on deep learning[D]. Chengdu: University of Electronic Science and Technology of China, 2020. (in Chinese with English abstract)

    [15] 彭燕,刘宇红,张荣芬. 基于LSTM的股票价格预测建模与分析[J]. 计算机工程与应用,2019,55(11):209 − 212. [PENG Yan,LIU Yuhong,ZHANG Rongfen. Modeling and analysis of stock price forecast based on LSTM[J]. Computer Engineering and Applications,2019,55(11):209 − 212. (in Chinese with English abstract)

    PENG Yan, LIU Yuhong, ZHANG Rongfen. Modeling and analysis of stock price forecast based on LSTM[J]. Computer Engineering and Applications, 2019, 5511): 209212. (in Chinese with English abstract)

    [16] 杨青,王晨蔚. 基于深度学习LSTM神经网络的全球股票指数预测研究[J]. 统计研究,2019,36(3):65 − 77. [YANG Qing,WANG Chenwei. A study on forecast of global stock indices based on deep LSTM neural network[J]. Statistical Research,2019,36(3):65 − 77. (in Chinese with English abstract) DOI: 10.19343/j.cnki.11-1302/c.2019.03.006

    YANG Qing, WANG Chenwei. A study on forecast of global stock indices based on deep LSTM neural network[J]. Statistical Research, 2019, 363): 6577. (in Chinese with English abstract) DOI: 10.19343/j.cnki.11-1302/c.2019.03.006

  • 期刊类型引用(2)

    1. 伊明. 软弱围岩条件下高速公路隧道施工围岩滑坡变形检测. 科技创新与生产力. 2025(04): 144-146 . 百度学术
    2. 姜鑫,张卫雄,杨校辉,陈昆全,丁保艳. 甘肃舟曲县江顶崖滑坡抗滑桩变形监测与治理效果分析. 中国地质灾害与防治学报. 2024(05): 174-182 . 本站查看

    其他类型引用(1)

图(9)  /  表(3)
计量
  • 文章访问数:  2938
  • HTML全文浏览量:  41
  • PDF下载量:  124
  • 被引次数: 3
出版历程
  • 收稿日期:  2023-03-26
  • 修回日期:  2023-09-26
  • 网络出版日期:  2023-11-07
  • 刊出日期:  2023-12-24

目录

/

返回文章
返回