CN113251914A - InSAR技术与长短时记忆神经网络结合的地表形变预测方法 - Google Patents

InSAR技术与长短时记忆神经网络结合的地表形变预测方法 Download PDF

Info

Publication number
CN113251914A
CN113251914A CN202110365329.8A CN202110365329A CN113251914A CN 113251914 A CN113251914 A CN 113251914A CN 202110365329 A CN202110365329 A CN 202110365329A CN 113251914 A CN113251914 A CN 113251914A
Authority
CN
China
Prior art keywords
neural network
time sequence
deformation
time
long
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.)
Pending
Application number
CN202110365329.8A
Other languages
English (en)
Inventor
何毅
陈毅
张立峰
陈宝山
蒲虹宇
何旭
陈有东
王文辉
杨旺
曹胜鹏
文智清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lanzhou Jiaotong University
Original Assignee
Lanzhou Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Lanzhou Jiaotong University filed Critical Lanzhou Jiaotong University
Priority to CN202110365329.8A priority Critical patent/CN113251914A/zh
Publication of CN113251914A publication Critical patent/CN113251914A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
    • G01B7/16—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring the deformation in a solid, e.g. by resistance strain gauge
    • G01B7/24—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring the deformation in a solid, e.g. by resistance strain gauge using change in magnetic properties
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/885—Radar or analogous systems specially adapted for specific applications for ground probing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/9094—Theoretical aspects
    • 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
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种InSAR技术与长短时记忆神经网络结合的地表时序形变预测方法，该方法主要步骤如下：首先利用InSAR技术获取地表时序形变结果；然后创建模型训练所需的时序数据集，确定历史时间序列长度；其次构建模型，将长短时记忆网络模拟结果与循环神经网络和多层感知器进行对比分析；最后利用长短时记忆神经网络模拟预测地表时序形变。本发明将地表时序InSAR形变与长短时记忆神经网络结合，可用于辅助决策、早期预警和减轻危害，为防灾减灾提供新思路。

Description

InSAR技术与长短时记忆神经网络结合的地表形变预测方法
技术领域
本发明涉及InSAR技术的地表形变监测领域，具体涉及一种InSAR技术与长短时记忆神经网络结合的地表时序形变监测方法。
背景技术
城市地面沉降是一种累进性的地质灾害，随着地面形变的持续发展，极易引起建筑物受损、基础设施破坏、地下工程等多种危害，严重威胁人民的生命财产安全，造成国民经济损失。目前，中国已超过50个城市发生不同程度的地面沉降，累计沉降超过200毫米的总面积超过7.9万平方公里。因此，面对地面沉降问题，迫切需要监测、分析和预测地面沉降时空变化。
近年来，合成孔径雷达干涉测量(Interferometric Synthetic Aperture Radar,InSAR)技术被广泛用于地面沉降监测的应用。相比于传统大地测量技术(GPS、水准)的局部单点测量、空间分辨率低和成本高等缺点，永久散射体合成孔径雷达技术(PersistentScatterer InSAR, PS-InSAR)可以实现大范围、高精度、高密度和低成本的观测。
长短时记忆网络(Long Short-Term Memory Network, LSTM)作为一类专门处理序列数据的神经网络，其对时间序列数据特征学习有着独特的优势，在LSTM中，有两个模块帮助它学习数据的时序特征，一个是记忆模块，另一个是门模块，一个序列的输出与其前面的输出有关系，相比较于其他传统神经网络隐藏层之间不再是无连接而是有连接。
本发明提出了一种InSAR技术与长短时记忆神经网络结合的地表时序形变预测方法。
在现有技术中，主要有以下文献与本发明申请相关：
文献1西安电子科技大学孔宪光等申请的发明《基于支持向量机的地面沉降预测系统和方法》，申请号：CN201710303112.8。该方法主要用于解决配套系统无法应对盾构施工过程中对海量数据的分析需求，对预处理的去噪提出了基于置信度区间估计和依达拉准则的聚类算法进行异常点检测，构建预测模型时，权重向量的迭代计算过程是用N个分区的平均值进行更新，此策略和随机梯度下降相结合，提升了训练速度。
文献2武汉大学胡庆武等申请的发明《结合地形因子与神经网络的GM(1,3)模型城市地面沉降预测方法》，申请号：CN202010242878.1。该方法结合地形因子构建地理空间权重矩阵，筛选沉降预测辅助变量，使用GM(1,3)模型进行初预测，利用BP神经网络对GM(1.3)的预测误差进行修正，得到精确的沉降预测值。
文献3中国科学院测量与地球物理研究所江利明等申请的发明《一种基于遥感中InSAR技术的地面沉降预测方法》，申请号：CN201811140372.9。该方法基于星载和机载的PS-InSAR观测沉降累积量的时序融合，通过DEM数据模型进行地面沉降预测，在进行影像整合时，机载雷达数据PS-InSAR能够不受大气影响，使得从影像的能够更加精确的反应地面沉降结果，进而更好的对地面沉降进行精确的预测。
文献4上海隧道工程有限公司李磊等申请的发明《基于泥水盾构施工主控参数的地面沉降预测方法》，申请号：CN201710694731.4。该发明利用盾构施工参数预测地面沉降量曲线，简单易用、可程序化，便于工程施工人员据此调整盾构施工主控参数，及时、有效的控制地面沉降。
文献5上海地铁盾构设备工程有限公司周奇才等申请的发明《基于循环神经网络的盾构施工地面沉降预测方法》，申请号：201910745577.8。该方法基于循环神经网络的盾构施工地面沉降预测方法，选取盾构法施工引起地面沉降的主要因素，并融合当前时刻的沉降情况，共同作为输入数据，通过本发明中建立的基于循环神经网络的深层神经网络对地面沉降进行有效预测。
文献6中国铁路设计集团有限公司黄大中等申请的《基于三维地质模型和反分析的高铁沿线地面沉降预测方法》，申请号：CN201710619280.8。该方法利用高速铁路工程地质勘察数据和地下水位、地面沉降监测数据，结合反分析构建能考虑土层厚度和土体力学参数空间不均匀分布的三维地面沉降预测模型，具有较高的预测精度，可广泛用于高速铁路沿线水位变化引发的地面沉降量的预测。
以上专利申请均未涉及地表时序InSAR形变与长短时记忆神经网络结合的形变预测，因此本发明提出InSAR技术与长短时记忆神经网络结合的地表时序形变监测方法，实现地表时序形变的预测。
发明内容
发明目的：本发明的目的在于预测大范围地表时序形变趋势，提出InSAR技术与长短时记忆神经网络结合的地表形变监测方法，为城市防灾减灾和预防地表沉降风险提供科学依据。
技术方案：本发明的“InSAR技术与长短时记忆神经网络结合的地表形变预测方法”，依次包含以下步骤：
（1）利用InSAR技术对研究区的地表形变进行大范围监测，得到研究区的地表形变速率和时间序列形变量。
（2）构建模型所需时序数据集，利用滑动窗口创建数据集，并划分数据集为80%的训练集和20%的测试集。
（3）确定历史序列长度，利用小波变换的周期检测和均方根误差变化确定历史序列长度。
（4）构建长短时记忆神经网络模型、循环神经网络模型和多层感知器模型，并对比三个模型的模拟精度。
（5）利用长短时记忆神经网络进行模型训练，以地表时序形变结果为数据源，构建模型所需时序数据集，确定历史序列长度，将数据集输入长短时记忆神经网络中学习时序变化特征，并通过超参数的调试选取最佳训练模型，最后对研究区未来地表时序形变进行预测。
本发明的有益效果是：本发明公开的InSAR技术与长短时记忆神经网络结合的地表时序形变预测方法，通过InSAR技术大范围、高精度地监测地表沉降，能有效减少地表时序沉降监测的经济投入，再利用长短时记忆神经网络学习地表时序形变特征，并预测未来地表形变趋势，为预防地表沉降灾害提供辅助决策和技术支持。
附图说明
图1为InSAR技术与长短时记忆神经网络结合的地表形变预测流程。
图2为InSAR技术监测地表时序累积形变量。
图3为长短时记忆神经网络预测结果。
具体实施方式
将结合本发明中的附图，对本发明实施案例中的技术方案进行清楚、完整地描述，所描述的实施案例仅仅是本发明的一部分实施案例，不是全部实施案例。
一种InSAR技术与长短时记忆神经网络结合的地表形变监测方法，实施步骤。
步骤一：利用PS-InSAR技术获取研究区的地表时序形变结果：
（1）数据预处理：将38景ENVISAT ASAR影像导入ENVI中并根据研究区进行裁剪；
（2）连接图生成：时间基线为365天，空间基线设置为临界基线的45%，选择多普勒质心频率最优2008年10月29日影像为超级主影像；
（3）差分干涉图生成：干涉过程中根据参考DEM去除地形相位，得到差分干涉图，后续进行PS点筛选；
（4）PS反演：第一次反演采用线性模型反演残余高度改正系数和候选PS点的平均变形速率。第二次反演使用一阶线性模型估计大气干扰相位分量，大气滤波器采用时间高通滤波器(365天)和一个空间低通滤波器(1200米)去除大气干扰相位成分；
（6）地理编码：以相干系数0.75将PS反演的结果转换到地理坐标系下；
（7）结果可视化：将地理编码后的矢量文件制图输出。
步骤二：创建地表时序数据集。
基于时序InSAR形变结果，通过预处理将其转换为等间距时序数据，利用滑动窗口创建模型所需的数据格式，并划分数据集为80%训练集、20%测试集。
步骤三：确定历史序列长度。
利用小波变换周期检测和均方根误差变化来确定模型所需的历史序列长度。
步骤四：构建和比较预测模型。
构建长短时记忆神经网络、循环神经网络和多层感知器预测模型，对比分析其模型模拟精度。
步骤五：利用长短时记忆神经网络对地表时序形变进行预测。
将InSAR结果经过预处理输入到长短时记忆神经网络中进行时序特征学习，利用学习到的模型预测研究区地表未来时序形变。

Claims (6)

1.一种InSAR技术与长短时记忆神经网络的地表时序形变监测方法，其特征包括以下步骤：步骤一.利用InSAR技术获取地表时序形变结果；步骤二.基于地表形变结果，创建数据集，确定历史序列长度，构建预测模型并进行地表时序形变预测。
2.根据权利要求1所述的InSAR技术地表时序形变监测方法，其特征在于：获取研究区的SAR图像，利用InSAR技术通过连接图生成、干涉、去平、反演和地理编码等步骤获取研究区地表时序形变结果。
3.根据权利要求1所述的创建数据集方法，其特征在于：创建模型所需时序数据集，利用滑动窗口创建数据集，并划分数据集为80%的训练集和20%的测试集。
4.根据权利要求1所述的确定历史序列长度方法，其特征在于：选择历史序列长度，利用小波变换的周期检测和均方根误差变化确定历史序列长度。
5.根据权利要求1所述的构建预测模型方法，其特征在于：构建长短时记忆神经网络模型、循环神经网络模型和多层感知器模型，并对比三个模型的模拟精度。
6.根据权利要求1所述的地表时序形变预测，其特征在于：利用长短时记忆神经网络进行预测，以地表时序形变结果为数据源，构建模型所需时序数据集，确定历史序列长度，将数据集输入长短时记忆神经网络中学习时序变化特征，并通过超参数的调试选取最佳训练模型，最后对研究区未来地表时序形变进行预测。
CN202110365329.8A 2021-04-06 2021-04-06 InSAR技术与长短时记忆神经网络结合的地表形变预测方法 Pending CN113251914A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110365329.8A CN113251914A (zh) 2021-04-06 2021-04-06 InSAR技术与长短时记忆神经网络结合的地表形变预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110365329.8A CN113251914A (zh) 2021-04-06 2021-04-06 InSAR技术与长短时记忆神经网络结合的地表形变预测方法

Publications (1)

Publication Number Publication Date
CN113251914A true CN113251914A (zh) 2021-08-13

Family

ID=77220759

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110365329.8A Pending CN113251914A (zh) 2021-04-06 2021-04-06 InSAR技术与长短时记忆神经网络结合的地表形变预测方法

Country Status (1)

Country Link
CN (1) CN113251914A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114280608A (zh) * 2022-03-07 2022-04-05 成都理工大学 一种DInSAR高程相关大气效应去除方法及系统
CN114442094A (zh) * 2022-02-10 2022-05-06 中国地质科学院岩溶地质研究所 一种地表形变预测方法及系统
CN114966685A (zh) * 2022-05-24 2022-08-30 中国水利水电科学研究院 基于InSAR和深度学习的大坝形变监测及预测方法
WO2023047441A1 (ja) * 2021-09-21 2023-03-30 日本電気株式会社 情報提供装置、情報提供方法、記録媒体、および観測システム
CN117109426A (zh) * 2023-08-28 2023-11-24 兰州交通大学 一种融合GNSS/InSAR观测资料的三维形变场建模方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101604356A (zh) * 2009-06-24 2009-12-16 南京大学 一种不确定性中长期水文预报模型的建立方法
WO2018052875A1 (en) * 2016-09-15 2018-03-22 Google Llc Image depth prediction neural networks
CN111860158A (zh) * 2020-06-15 2020-10-30 中国测绘科学研究院 一种融合1D-CNN与BiLSTM神经网络的时序InSAR高相干点提取方法
CN112097733A (zh) * 2020-07-28 2020-12-18 兰州交通大学 InSAR技术与地理探测器结合的地表形变监测方法
CN112213722A (zh) * 2019-10-14 2021-01-12 兰州交通大学 联合InSAR与深度学习的边坡监测方法
CN112364422A (zh) * 2020-11-13 2021-02-12 中铁二十局集团有限公司 基于mic-lstm的盾构施工地表变形动态预测方法
CN112446559A (zh) * 2021-02-01 2021-03-05 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

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101604356A (zh) * 2009-06-24 2009-12-16 南京大学 一种不确定性中长期水文预报模型的建立方法
WO2018052875A1 (en) * 2016-09-15 2018-03-22 Google Llc Image depth prediction neural networks
CN112213722A (zh) * 2019-10-14 2021-01-12 兰州交通大学 联合InSAR与深度学习的边坡监测方法
CN111860158A (zh) * 2020-06-15 2020-10-30 中国测绘科学研究院 一种融合1D-CNN与BiLSTM神经网络的时序InSAR高相干点提取方法
CN112097733A (zh) * 2020-07-28 2020-12-18 兰州交通大学 InSAR技术与地理探测器结合的地表形变监测方法
CN112364422A (zh) * 2020-11-13 2021-02-12 中铁二十局集团有限公司 基于mic-lstm的盾构施工地表变形动态预测方法
CN112446559A (zh) * 2021-02-01 2021-03-05 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

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
侯建国等: "《变形监测理论与应用》", 30 June 2008, pages: 88 - 91 *
刘青豪: "大范围地表沉降时序深度学习预测法", 《测绘学报》 *
刘青豪: "大范围地表沉降时序深度学习预测法", 《测绘学报》, vol. 50, no. 3, 31 March 2021 (2021-03-31), pages 396 - 404 *
朱锋: "基于InSAR和小波变换的不均匀沉降段识别-以京津高铁北京段为例", 《地理与地理信息科学》, vol. 30, no. 1, 31 January 2014 (2014-01-31), pages 23 - 28 *
焦明连: "《测绘技术发展与教育创新探索》", 中国矿业大学出版社, pages: 153 - 156 *
王欣: "基于小波变换的矿区地表变形监测数据处理", 《矿山测量》 *
王欣: "基于小波变换的矿区地表变形监测数据处理", 《矿山测量》, no. 4, 31 December 2007 (2007-12-31), pages 65 - 67 *
郑昱等: "基于小波变换的水文序列的近似周期检测法", 《水文》 *
郑昱等: "基于小波变换的水文序列的近似周期检测法", 《水文》, 31 December 1999 (1999-12-31), pages 22 - 25 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023047441A1 (ja) * 2021-09-21 2023-03-30 日本電気株式会社 情報提供装置、情報提供方法、記録媒体、および観測システム
CN114442094A (zh) * 2022-02-10 2022-05-06 中国地质科学院岩溶地质研究所 一种地表形变预测方法及系统
CN114280608A (zh) * 2022-03-07 2022-04-05 成都理工大学 一种DInSAR高程相关大气效应去除方法及系统
CN114280608B (zh) * 2022-03-07 2022-06-17 成都理工大学 一种DInSAR高程相关大气效应去除方法及系统
CN114966685A (zh) * 2022-05-24 2022-08-30 中国水利水电科学研究院 基于InSAR和深度学习的大坝形变监测及预测方法
CN114966685B (zh) * 2022-05-24 2023-04-07 中国水利水电科学研究院 基于InSAR和深度学习的大坝形变监测及预测方法
CN117109426A (zh) * 2023-08-28 2023-11-24 兰州交通大学 一种融合GNSS/InSAR观测资料的三维形变场建模方法
CN117109426B (zh) * 2023-08-28 2024-03-22 兰州交通大学 一种融合GNSS/InSAR观测资料的三维形变场建模方法

Similar Documents

Publication Publication Date Title
CN113251914A (zh) InSAR技术与长短时记忆神经网络结合的地表形变预测方法
CN107829452B (zh) 一种融合多传感器及地基sar的深基坑施工监测预警技术
CN111999733B (zh) 海岸带大坝稳定性监测与淹没脆弱性评估方法、系统
KR100982447B1 (ko) 지공간 상관관계 통합기법을 이용한 산사태 발생 예측시스템 및 이를 이용한 산사태 발생 예측방법
CN104133996A (zh) 一种基于云模型和数据场的地面沉降风险等级评估方法
Chen et al. Investigating land subsidence and its causes along Beijing high-speed railway using multi-platform InSAR and a maximum entropy model
CN113281742B (zh) 一种基于滑坡形变信息和气象数据的sar滑坡预警方法
CN112882032B (zh) 一种燃气管道重点区域地质灾害sar动态监测方法及装置
CN113610301B (zh) 一种表征地面沉降时序演变的预测算法
CN111932591B (zh) 典型地质灾害遥感智能提取的方法与系统
CN113536659B (zh) 一种震后道路受灾区域快速预测方法、系统及存储介质
CN103205972A (zh) 一种分析基坑变形与坑外地面沉降关系的方法
CN113064170A (zh) 一种基于时序InSAR技术的膨胀土区域地表形变监测方法
CN114812496A (zh) 一种基于多源异构数据的区域地面沉降预警方法
CN114048944A (zh) 一种暴雨诱发地质灾害下应撤离人口及损毁房屋的预估方法
Infante et al. Differential SAR interferometry technique for control of linear infrastructures affected by ground instability phenomena
CN112097733A (zh) InSAR技术与地理探测器结合的地表形变监测方法
CN117874499B (zh) 一种基于动态数据监测的地质灾害预警方法及系统
CN116822185A (zh) 基于hasm的日降水数据空间模拟方法和系统
CN113378396A (zh) 一种小流域地质灾害隐患点早期识别的方法
CN116068511B (zh) 一种基于深度学习的InSAR大尺度系统误差改正方法
Xiang et al. PS Selection Method for and Application to GB‐SAR Monitoring of Dam Deformation
CN112859073B (zh) 一种基于PSInSAR技术的道路破损评估方法
CN117236518B (zh) 一种地铁沿线地质形变的预测方法
Ozerdem et al. Self-organized maps based neural networks for detection of possible earthquake precursory electric field patterns

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