基于博弈论和CNN-LSTM模型的高速公路地质灾害易发性评估及稳定性趋势推演

摘要

地质灾害易发性评估及地表稳定性的趋势推演对高速公路的建设和管理至关重要.为高效划分高速公路的地质灾害易发区，提升公路稳定性监测效率，提高形变趋势预测精度，以本溪至集安高速公路本溪至桓仁段K0+000～K17+740段为研究对象，构建了一种基于博弈论和卷积神经网络(Convolutional Neural Network, CNN)-长短期记忆网络(Long Short-Term Memory, LSTM)模型的高速公路地质灾害易发性评估及稳定性趋势推演方法.首先，采用Permanent Scatterer(PS)-Small Baseline Subset (SBAS)-Interferometric Synthetic Aperture Radar(InSAR)技术获取2022年8月—2024年3月间研究路段地表形变信息，分析其时空形变特征；然后，将形变信息视为致灾因子之一，结合高程、坡向、降雨量等9类致灾因子，输入基于博弈论构建的模糊层次分析法和改进CRITIC(Criteria Importance Though Intercrieria Correlation)法耦合的综合评价模型，开展研究范围内高速公路地质灾害易发性区划；最后，针对地质灾害高风险区，构建基于CNN-LSTM的形变趋势预测模型并开展推演.研究结果表明，公路整体形变量级呈不均匀分布.受形变速率、坡度、累积降雨量和地层岩性等因素的影响，沿公路下行方向的高易发区集中分布在左幅后半段，与已探测到的地质灾害点的分布较为一致，验证了基于博弈论建立的地质灾害易发性评估模型的科学性和适用性.基于高易发区的形变特征和关键致灾因子，CNN-LSTM模型能够高精度地推演潜在变形趋势，为该区基础设施的建设和地质灾害的防治提供一定的技术借鉴.

关键词

高速公路 / 地质灾害易发性评价 / InSAR / 博弈论 / 改进CRITIC / 模糊层次分析法