王智伟1,2,3、王利1,2,3、黄观文1,2,3、韩清清1,2,3、徐甫1,2,3、岳聪1,2,3等作者在2020年8月的《地质力学学报》（Journal of Geomechanics）第26卷第4期发表了题为”基于BP神经网络的滑坡监测多源异构数据融合算法研究”的原创性研究论文。该研究团队来自长安大学地质工程与测绘学院、地理信息工程国家重点实验室和西部矿产资源与地质工程教育部重点实验室。
滑坡作为一种仅次于地震的常见地质灾害，在中国造成了严重的生命财产损失。随着传感器技术、计算机技术和网络通信技术在滑坡监测领域的应用，滑坡监测正朝着自动化、智能化的方向发展。然而，滑坡的孕育及发展过程受多种环境因子变量共同作用，仅靠单类型传感器的监测信息来判断滑坡稳定性会降低判断结果的准确性。传统的数据处理方法在处理多源异构监测数据时存在很大局限性，而多源数据融合技术（Multi-source data fusion）能有效改善这一问题。
该研究针对滑坡监测中的多源异构数据融合问题，旨在提出一种基于反向传播（Back-propagation，BP）神经网络的多源异构监测数据融合算法，以提高滑坡变形预测的精度。研究选取了甘肃省永靖县黑方台党川滑坡作为案例，通过分析温度、湿度、风力、云量、降水量等多种环境因子与滑坡位移变化量的关系，建立预测模型。
研究收集了党川滑坡监测点HF08的GNSS位移变化量数据，以及来自永靖气象监测站（距离滑坡约13km）的温度（℃）、湿度（%）、风力（级）、云量（%）、单日降水量（mm）和累计降水量（mm）六种环境因子变量数据。样本数据共20组，其中1-15组作为训练样本，16-20组作为预测样本。
研究首先计算了六种环境因子变量两两之间的相关系数，发现湿度和云量的相关系数为0.818，风力和温度之间的相关系数为-0.764，表明这些变量之间存在高度相关性，具有信息冗余性。
通过计算各环境因子变量与滑坡位移变化量的相关性及显著性（表3），研究发现： - 湿度和滑坡位移变化量的相关性为0.598（显著性0.005） - 云量和滑坡位移变化量的相关性为0.465（显著性0.039） - 累计降水量和滑坡位移变化量的相关性为0.475（显著性0.034）
基于中度相关（相关系数>0.4）且显著性水平<0.05的标准，最终选取湿度、云量、累计降水量三种环境因子作为模型的输入变量。
研究采用含有一个隐层的三层多输入单输出的BP神经网络建立滑坡位移变化量预测模型。关键参数设置如下： - 隐层神经元数目：根据经验公式l = n + m + a（n为输入层神经元数目，m为输出层神经元数目，a为[1,10]之间的常数）确定 - 隐层激励函数：tansig函数 - 输出层激励函数：logsig函数 - 网络训练函数：traingdx - 网络性能函数：mse - 网络迭代次数：6000次 - 期望误差：10^-8 - 学习速率：0.01
通过实验比较不同隐层神经元数目下的预测误差标准差（图2），确定： - 方案一（六种环境因子输入）最佳隐层神经元数为6 - 方案二（三种筛选后环境因子输入）最佳隐层神经元数为7
研究设计了两种方案进行对比： 方案一：以全部六种环境因子变量作为输入 方案二：以筛选后的湿度、云量、累计降水量三种变量作为输入
采用滚动预测方法： 1. 使用1-15组数据训练模型，预测第16组位移变化量 2. 将第16组预测结果加入训练集，预测第17组 3. 以此类推预测16-20组数据 4. 每组预测重复30次取平均值作为最终预测值
评价指标采用平均绝对误差（MAE）和均方根误差（RMSE），并通过决定系数（R²）和残差平方和（RSS）评估模型拟合优度。
表4展示了两种方案的预测结果与实际值的对比： - 方案一的MAE为0.8280mm，RMSE为0.8564mm - 方案二的MAE为0.4180mm，RMSE为0.4787mm
方案二的预测精度明显优于方案一。
图3显示了两种方案下预测值与实际值的相关性： - 方案一的决定系数R²为0.890，残差平方和为0.073 - 方案二的决定系数R²达到0.985，残差平方和仅为0.006
表明经过环境因子变量筛选后，BP神经网络模型的预测精度显著提高。
研究发现： - 温度、湿度和风力能够软化滑坡体、降低坡体强度 - 降雨会增加坡体容重，加大孔隙水压力，诱发滑坡失稳 - 云量与降水呈正相关，间接影响滑坡稳定性
该研究得出以下主要结论：
提出的基于BP神经网络的多源异构监测数据融合算法适用于具有多源异构监测数据的滑坡变形预测。在环境变量因子筛选后，BP神经网络数据融合算法的决定系数可达0.985，均方根误差可达0.4787mm。
环境因子变量筛选能有效提高预测精度。通过分析各环境因子变量与滑坡位移变化量的相关性及显著性，剔除冗余变量，可使模型预测性能显著提升。
多源数据融合技术能有效改善滑坡监测数据的可靠性，提高滑坡状态判断的准确性，为滑坡预警提供更可靠的技术支持。
该研究的科学价值和应用价值体现在：
科学价值： - 提出了一种新的滑坡监测数据融合方法 - 验证了环境因子筛选对模型性能提升的重要性 - 为多源异构数据融合在地质灾害监测中的应用提供了范例
应用价值： - 可应用于滑坡变形预测和早期预警系统 - 方法可推广至其他地质灾害监测领域 - 为滑坡防治决策提供更可靠的数据支持
方法创新性：首次将BP神经网络应用于滑坡监测多源异构数据融合，提出了一套完整的数据处理和建模方法。
技术实用性：通过环境因子变量筛选，显著提高了模型预测精度，使RMSE从0.8564mm降低到0.4787mm。
案例典型性：选择甘肃省永靖县黑方台党川滑坡这一典型区域作为研究对象，数据具有代表性。
可扩展性：研究方法不仅适用于滑坡监测，还可推广至其他地质灾害监测领域。
研究指出，未来工作可考虑更多影响因素： 1. 可量测信息：地下水位、土壤湿度、灌溉数据及应力应变等 2. 不可量测信息：人类活动如耕地、开挖取土、采矿等
将这些信息与位移信息进行有效融合，可实现更全面的智能分析、预测和预警。
该研究得到了国家自然科学基金项目（41877289，41731066，41604001）和国家重点研发计划项目重点专项（2018YFC1504805，2018YFC1505102）的资助。