![]()
有效利用分布式声学传感 （DAS） 提供的大量信息进行质量运动监测仍然是一项挑战。我们提出了一个半监督神经网络，专门用于筛选与一系列岩石坍塌相关的 DAS 数据，2023 年 6 月 15 日，瑞士东部布里恩茨崩塌导致了大约 120 万m³的重大破坏。除了 DAS，2023 年 5 月 16 日至 6 月 30 日的数据集还包括用于部分地面实况标记的多普勒雷达数据。所提出的算法能够区分岩石边坡破坏和背景噪声，包括道路和火车交通，检测精度超过95%.它识别了数百个前兆故障，并在重大坍塌之前和期间显示了持续检测。事件大小和信噪比 （SNR） 是关键的性能依赖关系。由于我们算法的关键部分在无人监督的情况下运行，我们建议它适用于自然灾害的一般监测。陡峭的山脉和丘陵会产生危险的落石和类似现象，例如山体滑坡和泥石流。在重大崩塌之前，通常会在几天或几个月内发生一系列落石。因此，可靠地检测这些事件并识别即将发生的重大崩溃的警告信号至关重要。当岩石在地面上反弹时，它们会释放地震波，从而产生可远距离传播的振动。这种振动会拉伸和压缩地面内的光缆，使其足够多，因此可以使用一种称为分布式声学传感 （DAS） 的新技术进行测量。在这里，我们展示了如何使用机器学习算法来识别此类 DAS 信号，以检测瑞士斜坡上的前兆落石活动和重大坍塌。我们将我们的检测结果与雷达测量结果进行比较，后者非常可靠，但安装成本也更高。由于我们可以将 DAS 应用于地下未使用的光纤，因此我们的方法可能会为下一代自然灾害预警铺平道路。![]()
图1 站点和仪器概述。(a)布里恩茨数字彩色正射影图（瑞士联邦地形图局，2024）。DAS询问器位于村庄西南部的Albula河附近，电缆与州交通公路和火车线路（Ch201和Ch712）相邻。DAS记录既记录了坡损，也记录了人为信号，如公路和铁路交通。(b)崩塌后的图 (c)主要崩塌前后Ch510处地震信号的傅里叶频谱图和频率分解，彩色图表示功率谱密度（PSD）。(d)距离时域雷达数据，通过对同一时期的速度仓求和得到，y轴表示到多普勒雷达的距离（距离），幅度表示求和速度谱的功率。有关多普勒星等的说明，请参阅正文。(e)多普勒雷达和DAS电缆联合记录图。
![]()
图2 标记和神经网络架构：(a) C0, (b) C1, (c) C2, (d) C3。每张图像包括原始记录（顶部行）和CSDMs阶段（第二至第四行）。CSDM图像中的不同纹理将相干信号（C0和C2）与通道间相干信号（C1和C3）区分开来。原始数据和ϕCSDM的所有值均归一化。注意线性，对角线相干模式，特别是在24赫兹范围内的车辆类别（C0）表明表面波的传播。(e)提出的半监督算法的体系结构。上图：使用VQ‐VAE网络的特征提取，每个槽重复7个选定的子图像。下图：使用最小标记数据集训练的分类过程，输出每个时间窗口的类类型和相应的概率。
![]()
图3 检测结果：(a) DAS检测概况，y轴为日期，x轴为一天中的时间。每次检测代表一个25.6 s的时间窗口。事件类是颜色编码的（图例）。(b)结合DAS和雷达数据的边坡破坏检测结果，采用二进制值（1表示检测，0表示未检测），次要y轴上有累计检测次数。蓝框代表6月15日20:00至23:59 [UTC]之间的高亮探测期，如上图放大视图所示。(c)表示分组检测率的热图，x轴表示RMS噪声水平分位数（步长0.1），y轴表示大小类别（步长0.1）。随着噪声水平的增加，检出率降低。(d)检测时隙的散点图，y轴表示时间和信号持续时间（DUR）， x轴表示应变率包络线（ePSR）峰值和应变率包络线面积（EA）。主要的崩塌用红点表示。(e)雷达记录的概率功率谱密度。主要塌陷以其独特的分布和极低的发生概率为特征，被青色线包围。
机器学习通过利用DAS记录中的时空信息来增强岩坡破坏检测。我们的算法提供了一种斜坡破坏活动的测量方法，在主要崩塌之前，前兆事件明显增加。它的主要限制是对较小事件的检出率较低，而对较大的岩崩的检出率较高。鉴于在灾难性崩塌之前普遍存在加速岩崩活动，我们的方法是在数小时内监测甚至预警的有吸引力的解决方案。
我们方法的核心是对连续DAS记录的csdm进行分类，这阐明了通道之间的信号相关性。该分类算法对信道间的信号相干性和有限波速产生相移的可能性作出反应。因此，该算法根据车辆交通和斜坡破坏发射地震波的方式来区分两种关键类型，从而在电缆上产生不同的相干模式。地质环境和场地影响会改变地震波，这就是为什么传统的基于单站记录的地震检测算法不能轻易地从一个感兴趣的区域转移到另一个感兴趣的区域的原因。相反，我们认为点状车辆震源和较远的斜坡破坏会产生地震波，这些地震波可以通过它们沿着斜拉索的相干性来定性地区分。因此，我们所学到的交叉光谱密度矩阵的特征也可用于其他地点，特别是在城市环境中，暗纤维通常沿着街道沿着多个方向，并对岩石破坏信号提供不同的灵敏度。唯一的条件是火车轨道/道路-电缆距离，群众运动-电缆距离和电缆长度之间的空间尺度相似。一些修改可能是必要的，例如，额外的噪声类别可能需要定义额外的类别。另一方面，存在更多的信号特征，如振幅信息，我们在本例中丢弃了这些特征，但当应用于新站点时，可以利用这些特征对算法进行微调。
