本書圍繞滑坡智能識別、易發(fā)性評估與位移預測三大關鍵問題，系統(tǒng)融合合成孔徑雷達干涉測量(InSAR)技術與深度學習方法，構建面向復雜地質環(huán)境的滑坡智能預測框架。通過引入多源異構數(shù)據(jù)、圖神經網絡與時序建模技術，全面揭示滑坡與孕災環(huán)境之間的時空演化機制，有效提升了滑坡識別的精度、風險評估的可靠性及位移預測的準確性，為滑坡災害的科學防控提供了有力支撐。全書強調可解釋性與實用性，兼顧理論創(chuàng)新與工程應用，展示了深度學習賦能滑坡預測的前沿成果。
更多科學出版社服務，請掃碼獲取。
201109-201606 蘭州大學 博士研究生（碩博連讀）
200709-201106 蘭州交通大學 本科
202301-至今 蘭州交通大學 教授
201901-202212 蘭州交通大學 副教授
201607-201812 蘭州交通大學 講師
作為通訊作者、第一作者發(fā)表論文65篇，其中SCI檢索38篇、SSCI檢索6篇、EI檢索4篇，CSSCI檢索12篇、其他核心期刊檢索10篇。國際著名期刊IEEE-JSTARS AE、測繪學報青年編委、甘肅省遙感學會理事、蘭州交通大學學報編委、中國地理學會團體標準工作組成員、甘肅省公路路網監(jiān)測重點實驗室學術委員會主任、甘肅省科技專家
目錄
前言
第1章 緒論 1
1.1 研究背景 1
1.2 滑坡智能識別研究進展 8
1.3 滑坡易發(fā)性評估研究進展 9
1.4 滑坡位移預測研究進展 9
1.5 本章小結 11
第2章 InSAR和深度學習相關理論 12
2.1 InSAR基本原理 12
2.2 深度學習基本原理 21
2.3 本章小結 27
第3章 深度學習滑坡智能識別方法 28
3.1 光學遙感的注意力機制U-Net 滑坡識別方法 28
3.2 融合SAR 多源遙感數(shù)據(jù)的多輸入通道U-Net 滑坡識別方法 41
3.3 顧及光譜？地形和紋理特征的多模型集成滑坡識別方法 57
3.4 本章小結 71
第4章 地理環(huán)境一致性約束的圖神經網絡滑坡易發(fā)性評估方法 73
4.1 研究數(shù)據(jù) 73
4.2 地形約束的滑坡孕災環(huán)境地理節(jié)點構建 78
4.3 地理環(huán)境一致性約束的節(jié)點特征有向加權圖構建 79
4.4 環(huán)境信息聚合的圖采集與聚合滑坡易發(fā)性評估方法 82
4.5 基于圖變換器圖神經網絡的滑坡易發(fā)性評估方法 94
4.6 本章小結 106
第5章 聯(lián)合InSAR形變信息的動-靜態(tài)特征一體化滑坡易發(fā)性評估方法 108
5.1 研究數(shù)據(jù) 108
5.2 聯(lián)合InSAR形變信息的動-靜態(tài)特征一體化滑坡易發(fā)性評估模型構建 113
5.3 滑坡易發(fā)性結果評價與分析 121
5.4 本章小結 128
第6章 融合靜-動態(tài)時空數(shù)據(jù)的多模型集成滑坡易發(fā)性評估方法 129
6.1 研究數(shù)據(jù) 129
6.2 融合靜-動態(tài)多源數(shù)據(jù)多模型的滑坡易發(fā)性評估 141
6.3 基于stacking集成框架的滑坡易發(fā)性評估 148
6.4 本章小結 171
第7章 典型潛在滑坡InSAR位移預測深度學習方法 172
7.1 研究數(shù)據(jù) 172
7.2 白龍江流域中段潛在滑坡InSAR識別 180
7.3 白龍江流域中段典型潛在滑坡機理分析 194
7.4 白龍江流域中段典型潛在滑坡InSAR位移預測 219
7.5 本章小結 232
第8章 總結與展望 233
參考文獻 235
書單推薦
