CN113127531B - 一种区域地面沉降时空模拟系统和方法 - Google Patents
一种区域地面沉降时空模拟系统和方法 Download PDFInfo
- Publication number
- CN113127531B CN113127531B CN202110278132.0A CN202110278132A CN113127531B CN 113127531 B CN113127531 B CN 113127531B CN 202110278132 A CN202110278132 A CN 202110278132A CN 113127531 B CN113127531 B CN 113127531B
- Authority
- CN
- China
- Prior art keywords
- space
- ground settlement
- time
- data
- ground
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种区域地面沉降时空模拟系统和方法,所述系统包括:数据预处理模块,用于执行地面沉降因素的空间一致性处理,得到处理后的地面沉降因素数据,时序SAR影像数据处理,得到时序空间分布的PS点数据;时空数据集TSD构建模块,和所述数据预处理模块连接,用于将所述PS点数据构建成三维时空集,所述三维时空集包括时序信息的时间维、位置信息的空间维和所述地面沉降因素的特征维;地面沉降时空模拟TSM模块,和所述TSD构建模块连接。本发明综合考虑了多种影响因素,提升了地面沉降模型的可靠性,为地面沉降有效模拟提供了可靠的方法。
Description
技术领域
本发明涉及城市地质灾害——地面沉降防控领域,具体为一种基于地理加权和循环神经网络的区域地面沉降时空模拟系统和方法。
背景技术
地下水过度开采导致的地面沉降是一种地质灾害,制约城市的可持续发展。进行地面沉降模拟预测,对地下水资源合理开采和地面沉降防控具有重要意义。抽水引起的地面沉降模型可分为基于物理机制的数值模拟模型和基于数据驱动的时序模拟模型两种。传统基于本构关系的地面沉降数值模拟模型能够揭示地面沉降的发生机理,刻画地面沉降发生发展过程,并能够实现长期预测。基于数据驱动的时序模拟模型从数据本身出发,挖掘地面沉降与影响因素之间的关系,据此建立数据驱动的模型,可进行短期预测。
基于本构关系的地面沉降模拟模型构建需要较多的水文地质、土力学参数、真实反映地层岩性分布的地质体结构等,才能获得相对准确的模拟结果。然而,这些要求在区域尺度模型的构建中往往难以满足要求。基于干涉合成孔径雷达(Persistent ScatteredInterferometric Synthetic Aperture Radar,PS-InSAR)技术获取的时间序列地面沉降信息具有空间密度大、分布范围广的特点,在此基础上建立数据驱动模型(例如:灰色模型(Grey Model,GM)、回归分析模型、人工智能(Artificial Intelligence,AI)模型)通常仅考虑水文地质参数、土力学参数等在时间上的非线性变化,忽视其在空间上的异质性特征对地面沉降的影响。综上所述,建立一种基于数据驱动且同时考虑时空特征的地面沉降时空模拟方法,用于区域尺度地面沉降模拟预测,进而实现为地面沉降的科学防控提供支撑。
发明内容
有鉴于此,本发明提供一种区域地面沉降时空模拟系统和方法,至少部分解决现有技术中存在的问题。
本发明提供一种区域地面沉降时空模拟系统,其特征在于,包括:数据预处理模块,用于执行地面沉降因素的空间一致性处理,得到处理后的地面沉降因素数据,时序SAR影像数据处理,得到时序空间分布的PS点数据;时空数据集TSD构建模块,和所述数据预处理模块连接,用于将所述PS点数据构建成三维时空集,所述三维时空集包括时序信息的时间维、位置信息的空间维和所述地面沉降因素的特征维;地面沉降时空模拟TSM模块,和所述TSD构建模块连接,用于提取所述地面沉降因素和地面沉降的时序演化特征,以及所述地面沉降因素和地面沉降的空间关联特征,构成所述时序演化特征和所述空间关联特征集成的地面沉降时空模拟。
进一步地,所述系统中的地面沉降因素包括所述地面沉降因素包括地层岩性、可压缩层厚度、压缩系数和/或含水层水位以及其他物理、地质、水文地质P-G-H特征参数。
进一步地,所述系统中的TSM模块包括:时序演化TE模拟子模块,用于提取所述地面沉降影响因素和地面沉降的时序演化特征;空间关联SC特征提取子模块,用于提取地面沉降影响因素和地面沉降的空间关联特征;时空TS模型构建子模块,和所述TE模拟子模块和所述SC特征提取子模块连接,用于集成地面沉降影响因素和地面沉降的时序演化特征和空间关联特征。
进一步地,所述系统中的所述TE模拟子模块采用循环网络结构在时间序列上进行时序特征提取,所述循环网络结构为长短时记忆LSTM模块。
进一步地,所述系统中的所述SC特征提取子模块采用地理加权回归GWR模型回归分析所述地面沉降影响因素与地面沉降之间的空间关系,得到回归系数,作为空间权重。
进一步地,所述系统中的所述时空TS模型构建子模块包括:空间权重层,集成在网络结构的输入层,表示地面沉降影响因素和地面沉降的空间关系。
进一步地,所述系统包括以下一项或多项超参数:总样本集、训练集、测试集、时序长度、学习率、批量大小、时间步长、神经元数量、隐藏层、输入变量、输出变量、损失函数和/或优化函数。
本发明还提供一种区域地面沉降时空模拟方法,包括:步骤1:执行地面沉降因素的空间一致性处理,得到处理后的地面沉降因素数据,和时序SAR影像数据处理,得到时序空间分布的PS点数据;步骤2:将所述PS点数据构建成三维时空集,所述三维时空集包括时序信息的时间维、位置信息的空间维和所述地面沉降因素的特征维;步骤3:根据所述三维特征集提取所述地面沉降因素和地面沉降的时序演化特征,以及所述地面沉降因素和地面沉降的空间关联特征,构成所述时序演化特征和所述空间关联特征的集成,进行地面沉降模拟。
进一步地,包括输入所述TSD数据文件,基于所述GWR模型进行空间关系计算;所述超参数设置;对所述TSD数据进行正则化运算;对训练集和测试集数据进行划分;按照设置的批处理大小获取特征矩阵和权重矩阵;计算得到空间地理加权特征矩阵其中,代表t时刻空间维第m个PS点、特征维第j个影响因素,w(t)代表空间权重,代表输入特征矩阵;运行所述LSTM计算单元,输出每个时刻的地面沉降值;设置所述损失函数和所述优化函数,结合InSAR监测的地面沉降值进行损失函数迭代最小值计算;当损失函数值不再下降时,停止运行,采用测试集验证,精度满足要求则得到最优化模型。
进一步地,所述LSTM计算单元进一步包括:所述LSTM计算单元通过三个门控函数来记录时序前后的关联关系,所述三个门控函数为遗忘门函数、输入门函数和输出门函数, 其中,ft为遗忘门函数、it为输入门函数、ot为输出门函数、为隐状态,Wf、Wi、Wo、WC、bf、bi、bo、bC分别为遗忘门、输入门、输出门函数、隐状态的权重和偏置,ht-1和ht分别为前一时刻和当前时刻的输出值;tanh和σ是激活函数。
本发明优化集成PS-InSAR、地理加权回归模型、循环神经网络模型构建多因素叠加作用下的时空地面沉降模拟模型,实现了对区域尺度多因素的地面沉降时空模拟预测。本发明综合考虑了地面沉降影响因素(即土力学物理、地质、水文地质(P-G-H)特性)对地面沉降的影响,提升了地面沉降模型的可靠性,同时能够模拟地面沉降影响因素与地面沉降之间的时序非线性演化特征和空间关联特征,为地面沉降有效模拟提供了可靠的方法。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明的数据处理流程图。
图2是本发明的地面沉降时空数据集示意图。
图3是本发明的时序演化(TE)模拟模块示意图。
图4是本发明的地面沉降时序模拟中LSTM计算公式。
图5是本发明的空间关联(SC)特征模拟模块示意图。
图6是本发明的时空(TS)集成模块示意图。
图7是本发明的GW-LSTM地面沉降时空模型中改进的LSTM计算公式。
图8是本发明的时空(TS)集成模块执行示意图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合;并且,基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
本发明提供了一种区域地面沉降时空模拟系统,从时空数据集构建和基于地理加权回归模型和循环神经网络模型的地面沉降时空模型(GW-LSTM)构建两个方面建立地面沉降时空模拟框架,融合了PS-InSAR、循环神经网络、地理加权回归模型,进行区域尺度多因素叠加作用的地面沉降时空模拟。基于时间序列SAR遥感影像,通过PS-InSAR技术获取时间序列的地面沉降信息;对于影响因素离散的站点数据,采用空间插值方法得到空间连续的数据;结合地面沉降影响因素,构建TSD。采用循环网络结构进行地面沉降与影响因素之间的时序特征提取,采用GWR进行地面沉降与影响因素之间的空间关联特征提取,将空间关联特征集成到循环网络结构的输入层,建立多因素地面沉降时空模拟模型,完成模型构建及执行。
上述系统具体包含三个模块:数据预处理模块、时空数据集(Temporal-spatialdataset,TSD)构建模块、地面沉降时空模拟(Temporal-spatial modeling,TSM)模块。其中:
数据预处理模块:包括地面沉降影响因素的空间一致性处理和PS-InSAR时序SAR遥感影像处理,处理流程如图1所示。地面沉降影响因素包括地层岩性、可压缩层厚度、压缩系数、含水层水位等土力学物理、地质、水文地质(Physical,Geological,hydrogeological,P-G-H)特征参数。对于影响因素离散的站点数据,通过空间插值方法得到空间连续的数据。时序遥感影像采用PS-InSAR技术处理,得到时序空间分布的PS点(记录有沉降量和沉降速率)。对于时序的地下水渗流场通过集成水位长期观测孔数据、地下水等值线获得。对每一个PS点获取同一位置处的地面沉降多影响变量信息。
时空数据集(Temporal-spatial dataset,TSD)构建模块:将TSD构建成具有时间维、空间维、特征维的三维时空集,如图2所示。每一个PS点为三维块结构,其地面沉降影响因素作为特征维,时序信息作为时间维,位置信息作为空间维。对于特征维,将地面沉降影响因素表示为1,…,j,…,i。对于空间维,将PS点表示为1,…,m,…,n。对于时间维,表示为1,…,t-1,t。则TSD表示为V_(t,n)^i。
地面沉降时空模拟(Temporal-spatial,TSM)模块:主要包括三个子模块,分别为时序演化(Temporal evolution,TE)模拟子模块、空间关联(Spatial correlation,SC)特征提取子模块、时空(Temporal-spatial,TS)模型构建子模块。
时序演化(Temporal evolution,TE)模拟子模块。实现地面沉降影响因素和地面沉降的时序演化特征提取,如图3所示。采用循环网络结构在时间序列上进行时序特征提取,网络结构中的计算单元为长短时记忆(Long-short termmemory,LSTM)模块。网络结构为多对多(多输入对多输出)的结构,输入层为地面沉降影响因素,隐藏层为LSTM计算单元(隐藏层数大于等于1),输出层为地面沉降。在时序上,对于每一个时刻的输入为该时刻多个PS点的多个地面沉降影响因素组成的特征矩阵(X_t)。
循环网络结构中的时序关系通过隐藏层中的LSTM计算单元来刻画。结合当前时刻输入矩阵和前一时刻的输出,通过三个门控函数来记录时序前后的关联关系。三个门控函数包括遗忘门、输入门、输出门函数,分别通过输入特征矩阵和前一时刻输出计算得到,同时得到当前时刻的隐状态。每一个时刻计算单元的输出为单元状态和地面沉降信息。其中,单元状态通过遗忘门函数、前一时刻单元状态、输入门函数和当前时刻的隐状态计算得到,地面沉降信息通过输出门函数和单元状态计算得到。最后将地面沉降信息和单元状态传递到下一时刻,循环这个过程。输出每个时刻得到的地面沉降信息。
遗忘门函数f_t计算公式如图4(1)所示,输入门函数i_t计算公式如图4(2)所示,输出门函数o_t计算公式如图4(3)所示,隐状态C~_t计算公式如图4(4)所示,单元状态C_t计算公式如图4(5)所示,输出结果h_t计算公式如图4(6)所示。公式中,W_f、W_i、W_o、W_C、b_f、b_i、b_o、b_C分别为遗忘门、输入门、输出门函数、隐状态的权重和偏置,h_(t-1)和h_t分别为前一时刻和当前时刻的输出值;tanh和σ是激活函数。
空间关联(Spatial correlation,SC)特征提取子模块。实现地面沉降影响因素和地面沉降的空间关联特征提取,如图5所示。采用地理加权回归(Geographically weightedregression,GWR)模型回归分析影响因素与地面沉降之间的空间关系,得到回归系数,该系数表示了不同位置处的空间关系,作为影响因素与地面沉降之间的空间权重。对于每一个时刻,采用GWR提取影响因素与地面沉降的空间关系,在特征维和空间维上,得到每个空间位置上每个影响因素与地面沉降的空间关系,组成权重矩阵。从而得到时间序列上的空间权重集。
时空(Temporal-spatial,TS)模型构建子模块。针对地面沉降影响因素和地面沉降的时序演化特征和空间关联特征集成,如图6所示。
第一步,模型架构搭建。在循环网络的输入输出结构中,增加一层空间权重层,集成影响因素与地面沉降的空间关系。将空间权重层(w(t),由每一个空间的空间权重〖w(t)〗_m^j,代表t时刻空间维第m个PS点、特征维第j个影响因素)集成到网络结构的输入层(输入特征矩阵,由V_(t,m)^j组成),得到空间地理加权特征矩阵(X_t^(w(t)),计算公式如图7(1)所示),进而传递给下一层,运行LSTM计算单元,并在时序上进行传递模拟。在LSTM计算单元中,遗忘门函数f_t、输入门函数i_t、输出门函数o_t、隐状态计算公式分别改进如图7(2)、图7(3)、图7(4)、图7(5)所示,变量含义和单元状态、输出结果计算公式如前所述。输出每一个时刻的地面沉降信息。
第二步,模型执行。具体执行流程如图8(a)所示。基于TSD数据以及GWR计算空间关系。模型超参数设置,包括神经元个数、隐藏层数、批处理大小、时间步长、训练数据长度设置、模型初始化设置。对TSD输入数据进行正则化。训练集、测试集数据划分。按照设置的批处理大小获取特征矩阵和权重矩阵,按照公式7(1)计算空间地理加权特征矩阵。
第三步,模型优化。如图8(b)所示,运行LSTM计算单元,输出每个时刻的地面沉降模拟值。设置损失函数和优化函数,结合InSAR监测的地面沉降值进行损失函数迭代最小值计算。当损失函数值不再下降时,停止运行。采用测试集验证,精度满足要求则得到最优化模型。
以下给出根据模拟系统的另外一个实施例。
第一部分,数据预处理。包括P-G-H数据及时序SAR影像处理,具体流程见图1所示。
(1)本次实施例中P-G-H数据选取地面沉降主要影响因素承压含水层水位,故i=1。对水位长观井数据采用克里金插值法进行空间插值,并结合地下水等值线进行插值结果控制,得到时序的地下水位渗流场。具体为,首先对地下水等值线数据进行空间插值,与长观井水位数据具有空间一致性;然后计算两者数据的插值误差,并在长观井水位数据的插值结果中减去该误差,得到校正后的承压含水层水位渗流场数据。
(2)在时序上获取到37景SAR影像,采用PS-InSAR技术对SAR影像进行时序地面沉降信息解译,在空间上得到50780个PS点。
第三部分,TS模型执行。
步骤一,采用GWR模型计算地面沉降与承压含水层水位的空间关系。模型性能通过调整后R2和AICc值检验,调整后R2值越高、AICc值越小,模型性能越佳。依据这两个评估值选取最佳邻域。在37个时间序列上,计算每一个时刻的地面沉降与承压含水层水位的空间关系。
步骤二,将步骤一计算得到的空间关系输入到TSD数据集,获得空间地理加权的TSD数据集。将PS点记录的时序信息(累计沉降量值、承压含水层水位、空间关系)转化为时序变化值,并输入到模型中。
步骤三,进行模型参数设置并运行模型。模型参数设置如下表1所示。
表1模型超参数设置
参数名称 | 参数值 |
总样本集 | 50780 |
训练集 | 70% |
测试集 | 30% |
时序长度 | 2003-2010,37个月 |
学习率 | 0.00006 |
批量大小 | 512 |
时间步长 | 36 |
神经元数量 | 64 |
隐藏层 | 4 |
输入变量 | 1 |
输出变量 | 1 |
损失函数 | MSE |
优化算法 | RMSProp |
步骤四,将模拟得到的沉降变化量值反向转化为累积沉降值。采用测试集进行模型验证,获取最优化模型。如表2所示,模型总体的R-square值达到了0.88(沉降变化量模拟精度)和0.93(累积沉降量模拟精度),RMSE为1.91(沉降变化量)和13.12(累积沉降量)。
步骤五,单独进行TE模拟(即模块三中第一步,LSTM模型,未考虑空间特征),将TE模拟结果和TS模拟(即模块三中第三步,GW-LSTM模型)结果对比,进行模型精度评估。如表2和表3所示,从每一个时刻的模拟结果和最后一个时刻的模拟结果来看,可以看出,GW-LSTM模型精度明显高于LSTM模型精度。
表2时序上每一个时刻的模型精度
表3最后一个时刻的模型精度
本发明针对传统水文地质模型由于参数较多且参数难获取而导致应用难、数据驱动模型忽视空间特征的问题,采用本发明所述的地理加权循环神经网络地面沉降时空模拟方法,可利用易获取、且数据量丰富的InSAR数据进行地面沉降模拟。本发明综合考虑了地面沉降影响因素(即土力学物理、地质、水文地质)特性对地面沉降的影响,提升了地面沉降模型的可靠性,能够模拟地面沉降影响因素与地面沉降之间的时序非线性演化特征和空间关联特征,为地面沉降有效模拟提供可靠的方法。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种基于神经网络的区域地面沉降时空模拟系统,其特征在于,包括:
数据预处理模块,用于执行地面沉降因素的空间一致性处理,得到处理后的地面沉降因素数据,时序SAR影像数据处理,得到时序空间分布的PS点数据;
时空数据集TSD构建模块,和数据预处理模块连接,用于将PS点数据构建成三维时空集,三维时空集包括时序信息的时间维、位置信息的空间维和地面沉降因素的特征维;
地面沉降时空模拟TSM模块,和TSD构建模块连接,用于提取地面沉降因素和地面沉降的时序演化特征,以及地面沉降因素和地面沉降的空间关联特征,构成时序演化特征和空间关联特征集成的地面沉降时空模拟,
TSM模块进一步包括:
时序演化TE模拟子模块,用于提取地面沉降影响因素和地面沉降的时序演化特征;
空间关联SC特征提取子模块,用于提取地面沉降影响因素和地面沉降的空间关联特征;
时空TS模型构建子模块,和TE模拟子模块和SC特征提取子模块连接,用于集成地面沉降影响因素和地面沉降的时序演化特征和空间关联特征,
TE模拟子模块采用循环网络结构在时间序列上进行时序特征提取,循环网络结构为长短时记忆LSTM模块。
2.根据权利要求1所述的系统,其特征在于,地面沉降因素包括地层岩性、可压缩层厚度、压缩系数和/或含水层水位以及其他物理、地质、水文地质P-G-H特征参数。
3.根据权利要求2的系统,其特征在于,SC特征提取子模块采用地理加权回归GWR模型回归分析地面沉降影响因素与地面沉降之间的空间关系,得到回归系数,作为空间权重。
4.根据权利要求3的系统,其特征在于,时空TS模型构建子模块包括:空间权重层,集成在网络结构的输入层,表示地面沉降影响因素和地面沉降的空间关系。
5.根据权利要求1-4任一项的系统,其特征在于,模拟系统包括以下一项或多项超参数:总样本集、训练集、测试集、时序长度、学习率、批量大小、时间步长、神经元数量、隐藏层、输入变量、输出变量、损失函数和/或优化函数。
6.一种基于神经网络的区域地面沉降时空模拟方法,其特征在于,包括:
步骤1:执行地面沉降因素的空间一致性处理,得到处理后的地面沉降因素数据,和时序SAR影像数据处理,得到时序空间分布的PS点数据;
步骤2:将PS点数据构建成三维时空集,三维时空集包括时序信息的时间维、位置信息的空间维和地面沉降因素的特征维;
步骤3:根据三维特征集提取地面沉降因素和地面沉降的时序演化特征,以及地面沉降因素和地面沉降的空间关联特征,构成时序演化特征和空间关联特征的集成,进行地面沉降模拟,
该方法还包括:
输入TSD数据文件,基于GWR模型进行空间关系计算;
超参数设置;
对TSD数据进行正则化运算;
对训练集和测试集数据进行划分;
按照设置的批处理大小获取特征矩阵和权重矩阵;
运行LSTM计算单元,输出每个时刻的地面沉降值;
设置损失函数和优化函数,结合InSAR监测的地面沉降值进行损失函数迭代最小值计算;
当损失函数值不再下降时,停止运行,采用测试集验证精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110278132.0A CN113127531B (zh) | 2021-03-15 | 2021-03-15 | 一种区域地面沉降时空模拟系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110278132.0A CN113127531B (zh) | 2021-03-15 | 2021-03-15 | 一种区域地面沉降时空模拟系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113127531A CN113127531A (zh) | 2021-07-16 |
CN113127531B true CN113127531B (zh) | 2022-08-02 |
Family
ID=76773125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110278132.0A Active CN113127531B (zh) | 2021-03-15 | 2021-03-15 | 一种区域地面沉降时空模拟系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113127531B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114034334B (zh) * | 2021-09-15 | 2023-11-07 | 青岛理工大学 | 岩溶管道污染源和流量的识别方法 |
CN115077474A (zh) * | 2022-06-14 | 2022-09-20 | 天津华北地质勘查总院 | 一种基于机器学习的地面沉降趋势预测方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106679620B (zh) * | 2017-01-13 | 2017-11-07 | 首都师范大学 | 一种区域地面沉降时空预测方法 |
EP3619649A4 (en) * | 2017-05-05 | 2021-03-17 | Arimo, LLC | ANALYSIS OF SEQUENCE DATA USING NEURAL NETWORKS |
CN111475948A (zh) * | 2020-04-07 | 2020-07-31 | 青岛理工大学 | 一种基于lstm网络的地铁隧道施工时沉降新型预测方法 |
CN112446559B (zh) * | 2021-02-01 | 2021-05-25 | 中国测绘科学研究院 | 一种基于深度学习的大范围地面沉降时空预测方法和系统 |
-
2021
- 2021-03-15 CN CN202110278132.0A patent/CN113127531B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113127531A (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Feng et al. | Differentiable, learnable, regionalized process‐based models with multiphysical outputs can approach state‐of‐the‐art hydrologic prediction accuracy | |
CN111639748B (zh) | 一种基于lstm-bp时空组合模型的流域污染物通量预测方法 | |
Thibaud et al. | Threshold modeling of extreme spatial rainfall | |
Elshorbagy et al. | On the relevance of using artificial neural networks for estimating soil moisture content | |
CN105243435B (zh) | 一种基于深度学习元胞自动机模型的土壤含水量预测方法 | |
Skøien et al. | Spatiotemporal topological kriging of runoff time series | |
Jin et al. | Downscaling AMSR-2 soil moisture data with geographically weighted area-to-area regression kriging | |
Takafuji et al. | Groundwater level prediction/forecasting and assessment of uncertainty using SGS and ARIMA models: a case study in the Bauru Aquifer System (Brazil) | |
CN111639787A (zh) | 一种基于图卷积网络的时空数据预测方法 | |
Li et al. | Spatiotemporal modeling of land subsidence using a geographically weighted deep learning method based on PS-InSAR | |
CN113379107B (zh) | 基于lstm和gcn的区域电离层tec预报方法 | |
CN113127531B (zh) | 一种区域地面沉降时空模拟系统和方法 | |
CN112446559B (zh) | 一种基于深度学习的大范围地面沉降时空预测方法和系统 | |
CN115077474A (zh) | 一种基于机器学习的地面沉降趋势预测方法及系统 | |
Bai et al. | Daily runoff forecasting using a cascade long short-term memory model that considers different variables | |
Perez et al. | Using physically based synthetic peak flows to assess local and regional flood frequency analysis methods | |
CN114861840B (zh) | 一种多源降水数据融合方法 | |
CN115730684A (zh) | 一种基于lstm-cnn模型的空气质量检测系统 | |
Kumar et al. | Ensemble-based assimilation of nonlinearly related dynamic data in reservoir models exhibiting non-Gaussian characteristics | |
Bai et al. | Accurate estimation of tidal level using bidirectional long short-term memory recurrent neural network | |
Sawaf et al. | Extent of detection of hidden relationships among different hydrological variables during floods using data-driven models | |
Windheuser et al. | An end‐to‐end flood stage prediction system using deep neural networks | |
Huang et al. | Uncertainties of landslide susceptibility prediction: influences of random errors in landslide conditioning factors and errors reduction by low pass filter method | |
Gholizadeh et al. | Long short-term memory models to quantify long-term evolution of streamflow discharge and groundwater depth in Alabama | |
CN112668711A (zh) | 基于深度学习的洪水流量预测方法、装置和电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |