基于低成本GPS传感器时间序列的南北土地变形趋势分析DLM-LSTM框架

摘要

滑坡危害正常的工业生产和人身安全。位移趋势分析为滑坡的观测预报提供了一种明确的方法。虽然人造孔径雷达等星载遥感方法在探测变形趋势方面逐渐取代人工测量，但无法观测到南北方向的位移。由于无线低成本GPS传感器的高时间分辨率和广泛应用，已开发用于协助遥感方法进行南北变形监测。在本文中，我们开发了一个DLM-LSTM框架来提取和预测南北陆地变形趋势从米精度GPS接收机。引入动态线性模型来模拟测量与状态向量之间的关系，包括不连续低成本纬度时间序列的趋势、周期变化和自回归因素。采用卡尔曼滤波和平滑法提取具有亚米级精度的变形趋势。与之前的工作一样，在经过验证的输入条件下，LSTM网络的威力还体现在其预测变形趋势的亚米级精度上。采用低成本无线GPS传感器检测米级导航误差下的亚米级变形趋势。该框架在地质灾害监测中具有广阔的应用前景。

1.介绍

由于长期开采，塌方威胁到煤矿工人和附近居民的安全[1］．煤矿地表的连续变形是造成滑坡的主要原因。表面在大多数时间里缓慢或相对稳定地变形[2］．一旦位移累积并超过了地表的最大容忍度，大的边坡破坏就不可阻挡[3.，4］．持续变形监测为滑坡研究提供了必要的信息。总结长时间地表运动规律后，可以将预警信息传达给当地居民[5］．

抚顺西部露天煤矿(FWOCM)的采煤工作，位于41°5038．33北纬123度53分21．77东经，始于20世纪初。煤炭生产曾是抚顺经济的支柱。数十年的开采造成了频繁的地表变形和山体滑坡，威胁着抚顺这座城市。一个东西向长6600米、南北宽2200米的露天矿位于住宅区之间[6，7］．因此，山体滑坡对矿工和当地人民是一个严重的威胁。根据我们的实地调查，南北方向的变形比东西向的变形严重得多。南北两侧位移速度均小于3 m/年。在煤矿传送带和居民楼之间发现了断裂带。为了保护附近的建筑和人，需要一种有效的方法来检测南北方向的土地变形。

对于大尺度边坡，合成孔径雷达(SAR)和差分干涉合成孔径雷达(DInSAR)是典型的区域测量技术[8，9，精度为亚米或厘米级。SAR系统提供全天候的陆地运动观测。然而，有效的矿山地表变形监测需要高空间分辨率遥感影像，遥感影像成本高，获取难度大。然而，直接预测滑坡的时间是有限的[10，11］．此外，如果坡度与SAR卫星上升或下降通道不对应，则集中在卫星图像的几个像素点上。因此，传统的SAR或DInSAR可以在上下和东西方向探测到亚米或厘米的位移(图4在[12，13)，但很难观测南北方向的地面运动。虽然已有一些研究对传统SAR图像处理算法进行了修改[14]来检测南北变形，SAR和DInSAR解决方案对实际应用来说仍然过于复杂。因此，南北变形时间序列应直接观测。

由全球定位系统(GPS)观测数据构建的时间序列为南北地表变形提供了不可或缺的信息。与SAR等大尺度观测相比，GPS接收机具有时间分辨率高和南北位移观测的优势。以往的GPS纬度时间序列是通过周期性读取一个位置的值得到的。这些GPS系列补充了南北向变形探测的遥感方法。随着信息通信技术(ICT)的快速发展，相互连接的GPS传感器形成无线传感器网络，可以替代人工测量长期、高时间分辨率的地面变形监测。空间分布式自主传感器系统可以产生大量的数据流，同时节省大量的人力成本。

然而，无线GPS传感器获得的时间序列在准确性和连续性方面都受到了影响。目前的无线GPS传感器网络使用低成本的GPS接收器，这些接收器广泛应用于智能手机、车辆和无人机(UAV)。它们在L1频率(1.57542 GHz)上接收卫星C/A(粗采集)码。在标准定位服务(SPS)下，仅使用卫星的独立C/ a码接收机在95%全视水平米线下的精度在10米以内，定位误差较大。另一方面，由于无线GPS传感器大多部署在农村地区，供电不稳定是不可避免的。能量有限导致GPS传感器功能障碍，在纬度时间序列中产生不连续点。现阶段，传感器材料和电源问题都不能立即解决。因此，需要一种先进的处理范式来开发低成本、不连续的GPS纬度流。

FWOCM需要亚表位移监测。实时差分GPS技术，如实时运动学(RTK) [15]，通过从基站实时向RTK终端发送更正信息来提高定位精度。网络RTK (NRTK)使用几个间隔很宽的永久站，命名为连续运行参考站(CORS)，向RTK用户终端提供校正信息。NRTK提高了RTK的准确性、可靠性和可用性。厘米或毫米精度的位移测量可以获得与NRTK。但是RTK和NRTK的建立和运行成本较高，阻碍了RTK和NRTK的应用。仅仅结合低成本的GPS接收器已经证明了另一种解决方案[16，17］．平均，线性滤波器和最大似然估计已被用于处理均匀的GPS接收器，其目的是提高准确性。论文[18[建议使用密集的低成本GPS接收器阵列可以实现高精度位移测量。它还表明，去除波动可以改善低成本GPS接收器的位移测量。

与大多数时间序列一样，FWOCM部署的低成本GPS传感器的21个月时间序列可以假定为由趋势、季节变化和非系统的不规则波动三部分组成。对于有噪声的碎片化时间序列，趋势明确地表达了动态运动，因此，趋势分析是利用低成本GPS传感器进行土地变形监测的主要任务之一。目前提出的趋势分析方法可以概括为趋势提取和趋势预测两步。首先对未经处理的原始时间序列进行平滑处理，以获得经过验证的趋势。然后将提取的趋势作为训练样本，估计未来的趋势。

关于低成本GPS时间序列的趋势提取和预测已有大量的文献[18］．然而，很少有全面的趋势分析框架被开发出来。对于趋势提取，研究者首先利用卡尔曼滤波器[19］．尽管卡尔曼滤波器在去噪高斯噪声方面有很好的性能，但卡尔曼状态空间函数的简单性限制了它对复杂周期变化的滤波能力。为了解决这一问题，Gao等人的论文[20.，21来增强卡尔曼滤波去除非线性和非高斯波动的能力。然而，EMD筛选过程中产生的无法解释的固有模态函数(IMF)使其可靠性降低。同时，三峡地区崖棉滑坡位移突变预警试验[j]。22，表明位移波动可以通过自回归模型(AR)来检测，这在以前的Kalman或EMD方法中很少考虑。因此，需要提出一种结合样条平滑、周期变化检测和AR过程估计的统一模型。

对于趋势预测，递归神经网络(RNNs)，特别是具有长短期记忆(LSTM)隐藏单元的递归神经网络，被广泛认为是传感器时间序列的强大的最新预测模型[23］．然而，在最近的GPS陆地变形趋势分析论文中，LSTM很少出现。此外，大部分用于土地变形趋势预测的LSTM网络接收的是未经处理的噪声原始数据作为输入，这使得网络与错误的先验知识相混淆。由于卡尔曼滤波已被证明可以提高LSTM网络的性能[24]，我们自然会考虑采用具有统一趋势提取模型的LSTM网络作为预处理步骤。

本文研究了一个统一的综合框架的可行性和实际实施，该框架可以同时满足低成本GPS传感器的土地变形趋势提取和预测。我们模拟缓慢移动的位移，这意味着每年移动小于2米[2，作为日常测量中平均水平的变化，并将收集到的时间序列作为每个测量分布的样本。在这种情况下，一天内所有的间断都可以避免。然后，通过对[25]并将其与LSTM网络相结合，我们开发了一个端到端的DLM-LSTM框架，以解决不连续的低成本GPS传感器时间序列的趋势分析。我们框架的主要贡献如下：（1）引入的DLM模型将状态空间函数的观测矩阵和演化矩阵扩展到残差的周期变化和自相关。这些扩展允许DLM以更高的精度从噪声、不连续、周期性变量和自回归低成本GPS时间序列中提取位移趋势。（2）对于序列预测，引入的LSTM网络接收经过训练预处理的样本。这5个训练样本提供了经过验证的土地变形趋势先验知识，增强了LSTM网络在线性和非线性时间序列预测中的能力。LSTM网络的均方误差更低，这意味着预测序列更接近真实的陆地变形趋势。（3）DLM和LSTM的融合提供了一个端到端南北的陆地变形趋势分析工作流，既可以进行趋势提取，又可以进行预测。我们的框架能够在不进行其他操作的情况下模拟不连续的低成本GPS时间序列。无线传感器网络接收到的原始传感器数据可以直接作为输入。

为了测试我们的DLM-LSTM框架，使用佛归南部露天煤矿（FWOCM）的移动南坡（FWOCM）的部署无线GPS传感器构建了空间 - 时间分布式低成本纬度时间序列（LCLTS）数据集。静态对比领域在武汉，中国武汉。提供纬度时间序列的所有GPS传感器都是相同类型的。实验表明，2016年2月至3月，我们的框架提取和预测FWOCM中的子表级南北变形趋势，这与同一时期的手动测量一致。但是，2016年11月到2016年11月的Baoxie领域中提取的趋势是Subser级别的静态。这两项结果验证了我们的框架并证明了其时间和空间独立性。像 [26，我们的传感器网络帮助SAR进行高分辨率的南北变形检测。稳定观测揭示了二维矿山地表运动的局部特征，为研究人员和权威机构提供了宝贵的资源。

论文组织如下。节2，提出了DLM-LSTM框架。LCLTS数据集的处理结果显示在Section中3.．本节给出结论4．

2.变形趋势提取与预测的DLM-LSTM框架

２.１.DLM-LSTM框架描述

通过对比GPS纬度时间序列和野外观测数据的特征，地表变形呈现出逐日递进的特征，即日平均纬度在相邻的天数内发生变化，但每天内的纬度保持不变。长期测量表明，陆地位移包含周期性成分，它触发波动，掩盖单调趋势。基于这些观测数据，我们提出了一个框架来过滤这些扰动，并得到单调的变形趋势。然后，可以预测土地变形。数字1给出了我们的DLM-LSTM框架的流程图。首先，将每天收到的纬度作为高斯分布的样本进行建模。将平均水平和标准差作为动态线性模型状态空间函数的输入变量。然后，我们使用递归卡尔曼滤波器得到DLM模型方程的最优状态。最后，采用递归卡尔曼平滑算法提取地表变形趋势。在DLM的最后一步，我们应用了一个平滑的仿真来描述所有状态的完整联合分布和提取的趋势特征。DLM后，将变形趋势转移到LSTM网络进行训练。在估计网络参数时，LSTM网络能够利用先验趋势知识预测位移。最后，将提取和预测的变形趋势与观测到的地面真实位移进行比较，以评价框架的性能。

２.２.动态线性模型

首先定义动态线性模型，并在平流层臭氧时间序列的分析趋势中引入[25］．从定义，“动态”被解释为回归系数随时间的演变和“线性”表示状态空间方程是全线性的。从我们的理解，DLM是Kalman滤波器函数的一般形式。通过将额外的操作员添加到观察矩阵和演化矩阵，简单的卡尔曼滤波器可以代替复杂的时变时间序列以获得验证的趋势。在以下小节中，我们将介绍DLM的状态空间功能，专为低成本GPS时间序列和用于参数估计的卡尔曼递归方法。在完全估计参数后，将提取土地变形趋势。

2.2.1。状态空间的功能

根据(27，则一般卡尔曼状态空间模型为 在哪里观察是在时间上吗 ， ．未观测到的状态，在我们的例子中是变形趋势，被定义为矢量 ，在时间上随噪音进化根据进化矩阵在(2)．观察状态和未观察状态之间的关系用观察(1)，其中的结果观测矩阵变换结合噪声导致 ．两个声音和呈协方差高斯分布和 ．

DLM模型首先将向量展开为(1)和(2）以下列形式： 在哪里每天的平均纬度是多少这是从一天开始的水平变化吗一天 ．相应地,分解为两个分量:具有标准差的高斯噪声分布和 ．这种形式的DLM模型能够检测平均水平的平滑变化，并在陆地表面发生的改变，但它不考虑定期波动。

为了检测周期性波动，DLM使用谐波函数对这些波动进行建模。定义观测矩阵中对应的算子为 在哪里意思是在30天内检测到日电平序列中的谐波。我们调整数量在实验过程中达到最佳性能。

因为纸(22]揭示了缓慢移动的地表位移时间序列的自回归特征，我们对残差分量采用一阶自回归模型， , ．在DLM表格中，我们有

为了从逐日纬度时间序列中提取土地变形趋势，DLM模型必须结合上述所有算子，得到一个更大尺度的演化和观测矩阵，如下图所示: 在哪里和是30天循环的第五和第十和弦。在周期变化中，这两种谐波的去噪性能优于其他组合。其他操作与上面相同。我们分别有一个状态向量如下所示:

这些状态空间方程包含未知参数，包括协方差矩阵 ，AR系数 ，在接下来的步骤中，将充分估计这些参数，以便能够将DLM应用到实际情况中。

2.2.2。模型参数估计

在DLM中，未知数分为两大类：模型状态以及状态空间方程中定义的辅助参数。本文选取本文中提出的卡尔曼公式方法[25，以获得未知的趋势和参数。卡尔曼公式的本质是递归预测和比较。通过不断更新状态空间方程中的协方差矩阵，卡尔曼公式构建了测量与隐藏的真实状态之间的联系。首先，采用卡尔曼滤波前向递归进行状态预测 ，我们假设预测状态的条件概率服从如下正态分布: 在哪里以向量形式表示所有未知参数。基于此假设，日纬度平均水平和标准差可作为先验输入知识。然后使用卡尔曼滤波，如下图所示:

在(9)，我们首先计算预测值与预测值之间的残差。然后，我们得到了卡尔曼增益12通过前后协方差计算10和11．利用卡尔曼增益，我们可以得到下一个状态的先验均值和协方差 ．然后，应用卡尔曼平滑算法反演平滑后的地表变形趋势 在哪里为观测噪声的协方差。是平滑的纬度趋势，和为平滑状态协方差。

２.３.LSTM复发性网络

时间序列预测是把之前的一些输入项，放到一些隐藏的单位中，然后预测下一项。在过去，计算机科学家偏爱隐马尔可夫模型(HMM)。随着序列越来越大，HMM需要记忆的信息量也大幅增加。因此，利用递归神经网络(RNN)以分布式的方式存储更多的先验知识来替代HMM。同时记住几个不同的输入，RNN能够预测更复杂的动态。

在本文中，我们开发了一个LSTM RNN用于土地变形趋势预测。LSTM，即所谓的长时间记忆单元，是RNN神经网络的一种特殊类型。如图2表明，在每个LSTM单元中，设计了三个门。门的作用是帮助LSTM在内存细胞本身和它的环境之间相互作用。输入门可以允许输入信号更新存储单元的状态或阻塞它。在另一端，输出门可以让记忆细胞的状态对其他神经元产生影响或阻止它。最后，遗忘门可以调节记忆细胞的自我循环连接，允许细胞根据需要记住或忘记它以前的状态。整个网络包含4个LSTM内存单元。当时间序列通过这些单元后，输出将通过平均池单元进行池化，以获得预测值。

3.案例研究

为了说明提出的DLM-LSTM框架的有效性，以下小节将分别对一个地表变形和一个静态情况进行研究。

３.１.案例1:抚顺西部露天矿

3.1.1。数据集

我们在断层带附近的南坡部署了无线传感器网络(WSN)。图中的黄色标记3.表示我们的无线传感器网络的位置，即41°4954．36北纬123°5200．31东经。设计了一套包括硬件和软件在内的廉价系统，用于监测FWOCM的南坡面位移。该系统由无线传感器网络和远程服务器两部分组成。传感器网络的传感器节点在接收到传感数据后立即向远程服务器发送数据。服务器中接收到的数据被存储、处理并发布到web上。由于现场缺电，传感器节点没有处理。

星型拓扑的无线传感器网络由传感器节点和协调节点两种节点组成。所有的传感器节点将它们的数据发送给协调器，协调器通过连接的通用分组无线电服务(GPRS)模块将数据转发给服务器。传感器节点和协调器均采用CC2530 ZigBee开发板进行开发。对于传感器节点，通过外围设备(GPIO、UART等)连接到单板。这些传感器包括一个三维数字罗盘(DCM308)、GPS (Ublox NEO-6M)、低成本惯性测量单元(IMU)、土壤湿度、土壤温度、大气压力、大气温度、大气湿度和一个雨量计。基于Z-stack (TI公司用于低成本ZigBee通信的API)开发了多传感器节点和协调器之间的数据传输通信协议。该协议适用于太阳能网络。传感器节点可以自动找到协调器并建立通信链路。数字3.显示WSN的位置。自2014年12月1日以来，WSN一直运行良好。

数字4左侧为星型拓扑，右侧为3个GPS + IMU传感器节点的布局图。三个节点位于附近N41°50 ，E123°52 ．GPS传感器在北侧排成一条线，而另一个在南侧。单机GPS接收机水平位置精度(L1频率，C/ a码)为2.5 m。随着传感器数据的积累，基于当前和历史数据的长期陆地运动计算变得切实可行。在本文中，我们选取北侧GPS传感器作为数据源，收集了2016年2月1日至3月2日的纬度数据。纬度是根据纬度的日期和2月1日之间的间隔进行编号的，这意味着3月1日的纬度被编号为30天。

数字5显示每天收集的纬度样本。如图所示，由于太阳能的作用，纬度时间序列出现了明显的不连续。2月1日至2月6日的纬度全部缺失，2月6日至2月20日的纬度缺失。在纬度逐日变化的假设下，时间序列由日平均纬度组成。我们的DLM-LSTM框架将被证明是有效的，从时间序列中提取土地变形趋势的亚米精度。

3.1.2。结果

我们首先计算每天的平均水平和标准偏差，以产生平均纬度水平的时间序列。然后，我们选择从第6天到第31天的时间序列作为我们的DLM模型的输入。用一天内纬度的平均值和方差作为DLM的输入，处理一天内不连续的纬度测量。对于无法测量的天数，我们使用近天数的线性插值作为输入。数字6结果表明，DLM模型、基于黄土的季节趋势分解过程(STL)和传统卡尔曼滤波在土地变形趋势提取中的应用效果良好。如图所示6， DLM(全线)提取的线性化趋势比STL振荡小，而卡尔曼滤波器可能会出现过拟合。此外，我们从每日平均纬度点构建了一个估计趋势，纬度趋势落在95%可信区间内。95%的概率包络线包含了图中所有的平均纬度点，这说明DLM对变形引起的纬度变化有很好的理解。数字7通过绘制估计的自相关函数和正态概率，显示残差诊断分析的结果。在自相关函数(ACF)线中，一条虚线表示系数不显著偏离零的近似区域。数据6和7通过估计DLM残差的自相关函数来验证所提取的趋势。将纬度转换为深度后，我们可以将提取的位移与地面真实值进行比较，地面真实值是经过当地权威机构验证的专业测量值。

在表中，分别在DLM，STL和卡尔曼滤波器中提取的基础事实与趋势之间的差异1通过RMSE, MAPE和 ．RMSE和在统计学中被广泛使用。MAPE是预测误差最常见的测量方法。当数据不存在极端值(包括零)时，MAPE发挥得最好。由表可知，计算结果与图一致6DLM在表征土地变形趋势方面表现较好，特别是错误率较低。数字8显示了提取的变形趋势与地面真实值的对比。地面真实值来源于FWOCM南坡每天专业手工测量的同期位移。从图8，我们可以看到，我们提取的趋势与当地政府认可的人工测量结果一致。

表中的结果1表明DLM的提取性能是令人鼓舞的。提取的趋势值与地面真实值之间的误差保持在亚米级。因为我们的GPS纬度传感器是2．5 m的水平导航误差，DLM的结果是精度提高的一大步。数字9为DLM模型提取的2016年4月2日至30日的趋势结果。从数据6- - - - - -9在低成本GPS传感器的噪声和不连续时间序列中，DLM被证明是有效的趋势提取。

由于DLM的性能已经得到验证，因此该趋势可以作为四单元LSTM网络的输入。我们选择第1天到第26天的趋势作为我们的训练样本，尝试用LSTM网络预测接下来13天的趋势。LSTM预测中断周期的起始点，然后使用该预测作为输入，直到验证的输入可用。LSTM网络参数如表所示2．图中1D平均池的长度为42．我们使用迷你批次使用随机梯度下降，以优化LSTM网络的成本函数。Mini-Batch梯度下降是梯度下降算法的变型，其将训练数据集分成用于计算模型丢失和更新模型系数的小批量。在我们的论文中，我们在批次中设置了三个培训样本。此外，我们使用卡尔曼筛选器获取前26天的动态功能，并通过此功能预测未来13天。数字10给出了LSTM和卡尔曼滤波的预测结果与地面真实值的对比。我们的LSTM网络预测了13天的变形趋势，其中7天．7194 mm RMSE，如表所示3.．与卡尔曼滤波器的36．7102毫米，这证明了LSTM网络在趋势预测中具有精确的提高效果。未来的作品可能会侧重于提高LSTM网络的性能。

３．２．案例2:宝协传感器网络实验场

3.2.1之上。数据集

为了证明我们的DLM具有位置不变特性，我们需要找到另一个地方来进行验证实验。宝解传感器网络实验场位于武汉市中部东部，是武汉大学测绘遥感信息工程国家重点实验室(LIESMARS)主要的传感器网络研究与实验中心。包括宝泻滑坡监测站、宝泻气象实验站、宝泻土壤气象监测站、宝泻土壤温湿度监测站4个台站。这些监测站的总高度约为800米²有70多个传感器。所有的传感器都由光伏太阳能供电。此前，LIESMARS成功构建了一个用于原位地表监测的信息物理地理信息范例[28，为我们的实验提供了坚实的基础。如图11因此，我们选择2013年以来部署的无线传感器节点中的GPS传感器作为实验数据源。这个GPS传感器的位置是N30.^°28⁰，E114^°31⁰．GPS接收机的水平位置精度(L1频率，C/A编码)与FWOCM的GPS接收机相同，为2.5 m。

我们从12月1日到12月14日收集了14天的纬度数据。数字12显示每天收到的纬度样本。可见，宝协的GPS传感器比FWOCM更稳定，每天的样本数偏差更大。然而，包解传感器和FWOCM都存在不连续问题。同时，现场站测也表明了该位置N30°28 ，E114°31保持静止，在同一时期内无水下变形，提供了地面真实情况。

3.2.2。结果

数据13和14展示了从宝协传感器网实验场提取的GPS传感器的趋势和残差分析。从数据13和14，我们可以看到，DLM得到了一个明显的静态趋势。对于进一步的统计检验，由于地面真值被识别为零，所以在宝协中只能计算RMSE。RMSE如表所示4是2．这显然证明了DLM从低成本GPS传感器中提取趋势的能力。

4.结论

提出了一种DLM-LSTM框架，并将其应用于低成本GPS时间序列的南北变形趋势分析。引入动态线性模型，对隐藏在纬度序列中的趋势、噪声、周期变化和自回归分量进行建模。然后，采用递归卡尔曼滤波方法提取地表变形趋势，并进行平滑处理。引入LSTM递归神经网络来预测变形趋势的下一个状态。通过对两个土地变形实例的分析，对该方法的性能进行了定量评价。从DLM提取的趋势中计算出的位移与FWOCM纬度序列中的手工测量非常一致。在南北变形趋势下可以获得亚米级精度，这是卫星遥感方法难以获得的。同时，LSTM网络的趋势预测也达到了亚米级精度。研究结果表明，DLM-LSTM框架是分析地表变形趋势的一种有效、准确的端到端方法。

数据可用性

用于支持本研究发现的数据可由通讯作者要求提供。

的利益冲突

作者声明他们没有利益冲突。

致谢

基金资助:国家重点研发计划项目(no. 2017k030701);2016 yfb0502601。中央高校基本科研业务费资助项目(no。2042017 kf0211。

参考文献

1. D. Petley，《全球山体滑坡死亡模式》地质，第40卷，第5期。10, pp. 927-930, 2012。视图:出版商的网站|谷歌学者
2. B. Thiebes，滑坡分析与预警系统:以德国斯瓦比亚阿尔伯地区为例[博士论文]论文)，施普林格Science & Business Media, 2012。
3. 郑东，黄仁强，刘方忠，“地下开采诱发岩崩的破坏过程与模式——以开阳磷矿岩崩为例”，岩土工程学报，vol . 32, no . 1, no . 1工程地质， vol. 19, pp. 145-157, 2015。视图:出版商的网站|谷歌学者
4. G. E. Hilley, R. Burgmann, A. Ferretti, F. Novali，和F. Rocca，“从永久散射分析缓慢移动的滑坡动力学”，科学第304卷第5679页，1952-1955,2004。视图:出版商的网站|谷歌学者
5. R. Macciotta, M. Hendry和C. D. Martin，“基于位移监测开发一个非常缓慢的滑坡早期预警系统，”自然灾害第81卷第1期2, pp. 887-907, 2016。视图:出版商的网站|谷歌学者
6. L. NIE，Z. Li，M. Zhang和L. Xu，“西露矿山山坡的变形特征及机制，抚顺，中国，”阿拉伯地球科学杂志，第8卷，第2期7, pp. 4457-4468, 2015。视图:出版商的网站|谷歌学者
7. E. A. Johnson，“中华人民共和国辽宁省抚顺煤田地质”国际煤炭地质杂志第14卷第2期3，第217-236页，1990。视图:出版商的网站|谷歌学者
8. T. Strozzi, P. Farina, A. Corsini等，“利用l波段卫星SAR干涉测量和监测滑坡位移”，山体滑坡，卷。2，不。3，pp。193-201,2005。视图:出版商的网站|谷歌学者
9. M. Akbarimehr，M. Motagh和M. Haghshenas-Haghhighi，“Sarcheshmeh Landslide，东北伊朗的山坡稳定性评估，使用Insar和GPS观察调查”，“遥感，第5卷，第5期。8, pp. 3681-3700, 2013。视图:出版商的网站|谷歌学者
10. S. C. Oliveira, J. L. Zêzere, J. Catalão，和G. Nico，“PSInSAR干涉技术对软弱岩石支配地区滑坡灾害的贡献”，山体滑坡，第12卷，第2期4, pp. 703-719, 2015。视图:出版商的网站|谷歌学者
11. G. Nico, L. Borrelli, A. Di Pasquale, L. Antronico，和G. Gulla，“在Maierato镇(卡拉布里亚，意大利)用GBSAR技术监测古代滑坡现象”社会与国土工程地质学-第2卷， pp. 129-133，施普林格，2015。视图:出版商的网站|谷歌学者
12. V. Tofani, F. Raspini, F. Catani，和N. Casagli，“用于滑坡表征和监测的持久散射干涉技术”，遥感，第5卷，第5期。3, pp. 1045-1065, 2013。视图:出版商的网站|谷歌学者
13. F. Raspini, F. Cigna，和S. Moretti，“利用持续散射干涉法在盆地尺度上的地面沉降的多时相制图:gioia tauro平原(意大利)的案例研究”，杂志上的地图，第8卷，第2期4, pp. 514-524, 2012。视图:出版商的网站|谷歌学者
14. 何玲，吴玲，刘淑珍，王志忠，苏超，苏南。刘，“基于DInSAR-SBAS与mi - sbas耦合的大边坡二维变形场时间序列映射”，遥感，第7卷，第5期9, pp. 12440-12458, 2015。视图:出版商的网站|谷歌学者
15. t·s·艾。Bae, D. Grejner-Brzezinska, G. Mader，和M. Dennis，“基于网络的gnss推导高度实时运动学鲁棒分析”，传感器，第15卷，第5期。10，pp。27215-27229,2015。视图:出版商的网站|谷歌学者
16. E. Trinklein和G. Parker，“结合多个GPS接收器来增强相对距离测量”2013 IEEE传感器应用研讨会论文集， 33-37页，加尔维斯顿，德克萨斯州，美国，2013。视图:出版商的网站|谷歌学者
17. D. DeVon, T. Holzer，和S. Sarkani，“在融合多个固定GPS接收器时，最大程度地减少不确定性并提高精度”2015 IEEE智能系统多传感器融合与集成国际会议(MFI)，第83-88页，加州圣地亚哥，美国，2015。视图:出版商的网站|谷歌学者
18. h·乔,工程学系。Sim, A. Tatkowski, B. F. Spencer Jr, M. E. Nelson，“使用低成本GPS接收器监测位移的可行性”，结构控制和健康监测，第20卷，第2期。9、pp. 1240-1254, 2013。视图:出版商的网站|谷歌学者
19. J. Gomez-Gil, R. Ruiz-Gonzalez, S. Alonso-Garcia，和F. Gomez-Gil，“用于提高拖拉机低成本GPS定位精度的卡尔曼滤波实现”，传感器，第13卷，第2期11, pp. 15307-15323, 2013。视图:出版商的网站|谷歌学者
20. J.-x。高，胡慧，刘峰，刘振科。李,Y.-f。采矿测量中GPS变形监测的信号提取，中国有色金属学会汇刊，第24卷，第2期12, pp. 3949-3954, 2014。视图:出版商的网站|谷歌学者
21. 张军，彭伟，刘峰，张辉，李志强，“基于声发射信号的岩石破裂过程监测，”岩石力学与岩石工程，第49卷，第49期。2, pp. 427-442, 2016。视图:出版商的网站|谷歌学者
22. 蒲飞，马建军，曾东，徐旭东，陈南，“三峡地区崖茅面滑坡位移突变预警研究，”自然灾害评估，第16卷，第5期。4、2015。视图:出版商的网站|谷歌学者
23. Z. C. Lipton, D. C. Kale, C. Elkan, R. Wetzell，“学习用LSTM递归神经网络进行诊断”，2015，http://arxiv.org/abs/1511.03677．视图:谷歌学者
24. j.a. Pérez-Ortiz, f.a. Gers, D. Eck，和J. Schmidhuber，“在传统递归网络无法解决的问题中，卡尔曼滤波器改善了LSTM网络的性能。”神经网络，第16卷，第5期。2，页241-250,2003。视图:出版商的网站|谷歌学者
25. M. Laine, N. Latva-Pukkila，和E. Kyrölä，“利用国家空间方法分析平流层臭氧时间序列的时变趋势，”大气化学与物理学第14卷第2期18，pp。9707-9725,2014。视图:出版商的网站|谷歌学者
26. 李旭东，刘强，杨锐等，“怀来县地感网与卫星遥感结合研究”，IEEE传感器杂志，第16卷，第5期。10, pp. 3819-3826, 2016。视图:出版商的网站|谷歌学者
27. R. H. Shumway和D. S. Stoffer，“状态空间模型”，在时间序列分析及其应用，第319-404页，施普林格，2011。视图:出版商的网站|谷歌学者
28. N. Chen，C. Xiao，F. Pu等，“网络物理地理信息服务能够控制不同的原位传感器”，传感器，第15卷，第5期。2, pp. 2565-2592, 2015。视图:出版商的网站|谷歌学者

版权

版权所有©2018蒲芳龄等。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。