CN113378945A - 一种基于机器学习重建高时空分辨率地面沉降信息的方法 - Google Patents

一种基于机器学习重建高时空分辨率地面沉降信息的方法 Download PDF

Info

Publication number
CN113378945A
CN113378945A CN202110669387.XA CN202110669387A CN113378945A CN 113378945 A CN113378945 A CN 113378945A CN 202110669387 A CN202110669387 A CN 202110669387A CN 113378945 A CN113378945 A CN 113378945A
Authority
CN
China
Prior art keywords
settlement information
time
machine learning
data
ground settlement
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.)
Granted
Application number
CN202110669387.XA
Other languages
English (en)
Other versions
CN113378945B (zh
Inventor
柯樱海
吕明苑
李小娟
郭琳
宫辉力
张可
王展鹏
朱丽娟
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.)
Capital Normal University
Original Assignee
Capital Normal 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 Capital Normal University filed Critical Capital Normal University
Priority to CN202110669387.XA priority Critical patent/CN113378945B/zh
Publication of CN113378945A publication Critical patent/CN113378945A/zh
Application granted granted Critical
Publication of CN113378945B publication Critical patent/CN113378945B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于机器学习重建高时空分辨率地面沉降信息的方法，步骤如下：S1、获取覆盖研究区范围的SAR观测影像数据；S2、获取覆盖研究区范围的特征数据集；S3、获取长时序地面沉降信息；S4、基于长时序的地面沉降信息，利用多项式拟合的方法对沉降曲线进行拟合，并获取多项式的相关参数；S5、结合Fishnet空间分析和滑动窗口判别的方法对数据缺失的位置定位；S6、利用机器学习重建数据缺失位置的沉降信息；S7、将重建后的沉降信息与PS‑InSAR结果叠加，最终获取高时空分辨率的地面沉降信息。本发明利用多输出机器学习的方法重建城市中时空相干性低、稳定性较差区域的地面沉降信息，最终获取大范围、高精度、高时空分辨率地面沉降信息。

Description

一种基于机器学习重建高时空分辨率地面沉降信息的方法
技术领域
本发明属于城市地质灾害技术领域，具体涉及一种基于机器学习重建高时空分辨率地面沉降信息的方法。
背景技术
地面沉降是在人类活动或自然因素影响下，导致地下松散地层固结压缩，地面标高下降的一种地质灾害。地面沉降会造成墙体开裂、建筑物倾斜、管道破坏、海水倒灌等危害，对人民的生产和生活造成巨大的影响。有效监测地面沉降，获取高时空分辨率的沉降信息，是城市地面沉降灾害防治的必要前提。
地面沉降的监测技术主要包括水准测量、分层标测量、GPS测量、InSAR测量等。相较于其他方法，PS-InSAR技术可以获取长时间序列下稳定散射特性地面目标的形变信息，其精度可达到毫米级。但是，PS-InSAR技术无法获取后向散射能量较低、时空失相干的区域(例如季节性变化大的植被、平坦的道路等)的地面沉降信息，存在数据缺失的问题。现有的研究中，一般利用插值的方法对地面沉降信息进行重建。但是这些插值方法假设缺失数据和已有数据具有相同的统计和几何结构，并没有考虑沉降的综合影响因素，如水文、地质背景、动静载荷等。此外，传统的空间插值方法只能获取瞬时的沉降信息，获取长时序的沉降信息，则需要对每个时刻的沉降信息重复插值计算，需要较高的人力和时间成本。
针对上述问题，本发明提出一种基于机器学习重建高时空分辨率地面沉降信息的方法。该方法通过基于PS-InSAR的结果，利用多输出机器学习的方法对数据缺失的位置进行信息重建，弥补了PS-InSAR技术无法获取低时空相干区域沉降信息的问题；同时相较于传统的插值方法，具有高效率、低成本的优势。通过该方法，能够实现对沉降信息缺失位置的精确定位，重建高精度、高时空分辨率的地面沉降信息，掌握地面沉降的时空演化特征，能够为地面沉降监测提供技术支持，对城市建设、地质环境保护等部门提供决策服务。
发明内容
1.要解决的技术问题
本发明的目的在于提供一种基于机器学习重建高时空分辨率地面沉降信息的方法，以解决上述背景技术中提出的问题：
PS-InSAR技术无法获取低时空相干区域沉降信息的问题。
2.技术方案
一种基于机器学习重建高时空分辨率地面沉降信息的方法，其特征在于，包括以下步骤：
S1、获取覆盖研究区范围的SAR观测影像数据；
S2、获取研究区范围内的特征数据集，特征数据集由地面沉降的影响因素构成，包括可压缩土层厚度、地下水位、断裂、建筑物分布、交通载荷等；
S3、基于SAR影像，利用PS-InSAR技术获取建筑上的长时序地面沉降信息；
S4、基于长时序的地面沉降信息，利用多项式拟合的方法对长时序的沉降曲线进行拟合，并获取多项式的相关参数；
S5、结合Fishnet空间分析和滑动窗口判别的方法对数据缺失的位置定位；
S6、利用机器学习构建多个时序相关参数与特征向量之间的模型，最终重建数据缺失位置的沉降信息；
S7、将重建后的沉降信息与PS-InSAR结果叠加，最终获取高时空分辨率的地面沉降信息。
优选地，所述S1中SAR影像中的单视复数产品(SLC)包含相位和振幅信息，可以实现形变监测，本发明选取SAR影像中的SLC产品为PS-InSAR处理做数据准备。
优选地，所述S2中可压缩土层厚度数据包括不同底板埋深的压缩层组厚度以及总压缩层组的厚度；地下水位数据为长时序的地下水位统计数据；建筑载荷由时序的归一化建筑指数NDBI表征，可通过光学影像的波段计算获取：
Figure BDA0003118447070000031
式中，MIR为中红外波段，NIR为近红外波段；断裂、道路利用核密度计算的方法获取这两种线要素的分布密度。将线要素分割为n个网格内的点要素x1,x2,…xn组成，任意一点x的核密度Density的计算公式为：
Figure BDA0003118447070000032
式中，h为条带宽度，K(·)为核函数。
优选地，所述S3中的PS-InSAR技术，可选用常用的GAMMA、SARPROZ、SARscap、StaMPS等软件。
优选地，所述S3中PS-InSAR的技术流程主要包括：
1)根据时空基线、多普勒信息选择一副为主影像，其他副影像进行配准并重采样至主影像；
2)对主副影像对进行差分干涉生成时序差分干涉图，利用幅度离差法提取高相干点目标，即PS点；
3)对差分相位进行时间序列分析以得到离散点毫米级的形变速率结果、形变历史信息、DEM残差及大气延迟误差。每个PS点的差分相位可以定量的表示为：
Figure BDA0003118447070000033
其中，
Figure BDA0003118447070000034
为PS点上的差分相位，
Figure BDA0003118447070000035
是由于散射差异导致的相位变化，
Figure BDA0003118447070000041
为地表形变相位，
Figure BDA0003118447070000042
为大气干扰相位，
Figure BDA0003118447070000043
为噪声干扰相位。利用水准监测数据对PS-InSAR结果进行精度验证，获取建筑物上基本的地面沉降信息。
优选地，所述S4中可采用多项式拟合的方法对长时序的沉降曲线进行拟合，通过决定系数R2、均方根误差RMSE，判定最终选取的多项式次数，每个PS点上具有一系列的沉降时序测量值(t1,S1),(t2,S2),…,(tm,Sm)。(ti,Si)中ti和Si为第i景影像观测时期和累计沉降量。在时序上，拟合的m次多项式：
S＝a0+a1t+a2t2+…+amtm
利用最小二乘法求解多项式公式中的相关系数a0,a1…,am：
Figure BDA0003118447070000044
Figure BDA0003118447070000045
其中，Sr为残差平方和。
优选的，所述S5中Fishnet空间分析是地理空间统计的基本方法，该方法将各种数据与自然地理要素数据相结合，表达各单元的空间分布特征。本发明使用Fishnet工具将研究区域细分为网格，并统计每个网格中PS点的数量。虽然有的网格中PS点的数量为0，但是如果周围的网格的PS点数量足够，就没有必要进行信息重建。所以本发明基于点数目统计的结果，提出利用滑动窗口判别的方法进行筛选，最终实现对数据缺失位置的定位。滑动窗口判别的方法为：中心网格的PS点数目为0的3×3的窗口中，周围8个网格点数都为0或者只有一个网格有PS点，那么这个中心网格被认为存在数据缺失。
优选的，所述S6中多输出机器学习可以实现多元输入特征空间到多元输出空间的映射。相较于单输出模型，多输出机器学习可以考虑多个输出之间潜在的非线性相关性。在本研究中将S3中的时序特征相关系数作为样本输出量A＝[a0,a1…,am]，特征数据集为输入的特征向量X＝[X0,X1…,Xn]，并利用min-max标准化的方法，将原始数据映射到[0-1]之间。为了防止模型过拟合，采用5折交叉验证的方法验证模型精度。将PS点随机分为5组，1组测试样本，其余4组为测试样本，利用训练样本对模型进行训练。当精度达到最优时，代入数据缺失位置的特征向量，重建数据缺失位置的时序参数
Figure BDA0003118447070000051
将重建的数序参数代入多项式公式：
Figure BDA0003118447070000052
重建数据缺失位置处长时序的地面沉降信息
Figure BDA0003118447070000053
优选的，所述S7中PS-InSAR获取的长时序地面沉降信息为S，重建的长时序沉降信息为
Figure BDA0003118447070000054
将两个点图层进行叠加，最终可获取高精度、高时空分辨率的地面沉降信息S总：
Figure BDA0003118447070000055
3.有益效果
与现有技术相比，本发明的优点在于：
(1)本发明基于SAR影像数据，集成PS-InSAR，机器学习的方法对地面沉降信息进行重建。这种方法能够有效克服PS-InSAR方法中PS点集中分布与建筑区域，而低时空相干的非建筑区域存在沉降信息缺失的问题；对比传统的插值方法，综合考虑沉降的影响因素利用机器学习进行地面沉降信息重建，更符合实际沉降状况。
(2)本发明能够重建高精度、高时空分辨率的地面沉降信息，为掌握地面沉降在长时序中的时空演化规律、沉降机理等相关研究提供数据集。此外，高时空分辨率的地面沉降信息可以为相关部门进行地面沉降灾害防治、城市合理规划、安全建设等提供理论依据。
附图说明
图1为本发明提出的一种基于机器学习重建高时空分辨率地面沉降信息的方法的流程示意图；
图2为数据缺失位置定位示意图；
图3为利用本发明重建沉降信息的精度验证图；
图4为利用本发明的方法重建高精度的地面沉降信息结果图。
具体实施方式
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“套设/接”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1：
请参阅图1，本发明提出一种基于机器学习重建高时空分辨率地面沉降信息的方法，具体的方法步骤如下：
S1、获取覆盖研究区范围的SAR观测影像数据。SAR影像中的单视复数产品(SLC)包含相位和振幅信息，可以实现形变监测。本发明选取SAR影像中的SLC产品为PS-InSAR处理做数据准备。
S2、获取研究区范围内的特征数据集。特征数据集由地面沉降的影响因素构成，包括可压缩土层厚度、地下水位、断裂、建筑物分布、交通载荷等。其中，可压缩土层厚度数据包括不同底板埋深的压缩层组厚度以及总压缩层组的厚度；地下水位数据为长时序的地下水位统计数据；建筑载荷由时序的归一化建筑指数NDBI表征，可通过光学影像的波段计算获取：
Figure BDA0003118447070000071
式中，MIR为中红外波段，NIR为近红外波段；断裂、道路利用核密度计算的方法获取这两种线要素的分布密度。将线要素分割为n个网格内的点要素x1,x2,…xn组成，任意一点x的核密度Density的计算公式为：
Figure BDA0003118447070000072
式中，h为条带宽度，K(·)为核函数。
S3、基于SAR影像，利用PS-InSAR技术获取建筑上的长时序地面沉降信息。PS-InSAR的技术流程主要包括：首先根据时空基线、多普勒信息选择一副为主影像，其他副影像进行配准并重采样至主影像；对主副影像对进行差分干涉生成时序差分干涉图，利用幅度离差法提取高相干点目标，即PS点；最后，对差分相位进行时间序列分析以得到离散点毫米级的形变速率结果、形变历史信息、DEM残差及大气延迟误差。每个PS点的差分相位可以定量的表示为：
Figure BDA0003118447070000081
其中，
Figure BDA0003118447070000082
为PS点上的差分相位，
Figure BDA0003118447070000083
是由于散射差异导致的相位变化，
Figure BDA0003118447070000084
为地表形变相位，
Figure BDA0003118447070000085
为大气干扰相位，
Figure BDA0003118447070000086
为噪声干扰相位。利用水准监测数据对PS-InSAR结果进行精度验证，获取建筑物上基本的地面沉降信息。
S4、基于长时序的地面沉降信息，利用多项式拟合的方法对长时序的沉降曲线进行拟合，并获取多项式的相关参数。每个PS点上具有一系列的沉降时序测量值(t1,S1),(t2,S2),…,(tm,Sm)。(ti,Si)中ti和Si为第i景影像观测时期和累计沉降量。在时序上，拟合的m次多项式：
S＝a0+a1t+a2t2+…+amtm
利用最小二乘法求解多项式公式中的相关系数a0,a1…,am：
Figure BDA0003118447070000087
Figure BDA0003118447070000088
其中，Sr为残差平方和。
S5、结合Fishnet空间分析和滑动窗口判别的方法对数据缺失的位置定位。Fishnet空间分析是地理空间统计的基本方法，该方法将各种数据与自然地理要素数据相结合，表达各单元的空间分布特征。本发明使用Fishnet工具将研究区域细分为网格，并统计每个网格中PS点的数量。虽然有的网格中PS点的数量为0，但是如果周围的网格的PS点数量足够，就没有必要进行信息重建。所以本发明基于点数目统计的结果，提出利用滑动窗口判别的方法进行筛选，最终实现对数据缺失位置的定位。滑动窗口判别的方法为：中心网格的PS点数目为0的3×3的窗口中，周围8个网格点数都为0或者只有一个网格有PS点，那么这个中心网格被认为存在数据缺失。
S6、利用机器学习构建多个时序相关参数与特征向量之间的模型，最终重建数据缺失位置的沉降信息。多输出机器学习可以实现多元输入特征空间到多元输出空间的映射。相较于单输出模型，多输出机器学习可以考虑多个输出之间潜在的非线性相关性。在本研究中将S3中的时序特征相关系数作为样本输出量A＝[a0,a1…,am]，特征数据集为输入的特征向量X＝[X0,X1…,Xn]，并利用min-max标准化的方法，将原始数据映射到[0-1]之间。为了防止模型过拟合，采用5折交叉验证的方法验证模型精度。将PS点随机分为5组，1组测试样本，其余4组为测试样本，利用训练样本对模型进行训练。当精度达到最优时，代入数据缺失位置的特征向量，重建数据缺失位置的时序参数
Figure BDA0003118447070000091
将重建的数序参数代入多项式公式：
Figure BDA0003118447070000092
重建数据缺失位置处长时序的地面沉降信息
Figure BDA0003118447070000093
S7、将重建后的沉降信息与PS-InSAR结果叠加，最终获取高时空分辨率的地面沉降信息。PS-InSAR获取的长时序地面沉降信息为S，重建的长时序沉降信息为
Figure BDA0003118447070000094
将两个点图层进行叠加，最终可获取高精度、高时空分辨率的地面沉降信息S总：
Figure BDA0003118447070000095
该方法通过基于PS-InSAR的结果，利用多输出机器学习的方法对数据缺失的位置进行信息重建，弥补了PS-InSAR技术无法获取低时空相干区域沉降信息的问题；同时相较于传统的插值方法，具有高效率、低成本的优势。通过该方法，能够实现对沉降信息缺失位置的精确定位，重建高精度、高时空分辨率的地面沉降信息，掌握地面沉降的时空演化特征，能够为地面沉降监测提供技术支持，对城市建设、地质环境保护等部门提供决策服务
实施例2：
请参阅图2-4，本实施方式与具体实施方式一不同的是：
北京属于华北平原地面沉降灾害较为严重的区域，本实施案例选取北京平原区为研究区。下面通过利用本发明提出的方法应用于实际案例中进一步的对本发明的可行性进一步补充证明。
步骤一、分别获取覆盖北京地区的55景Envisat ASAR(2003.6-2010.9)和81景Radarsat-2(2010.11.22-2020.1.10)SLC产品。
步骤二、获取覆盖北京地区的特征数据集。特征数据集中可压缩土层厚度数据包括埋深小于100m的第一可压缩层组厚度、底板埋深小于300m第二可压缩层组厚度、顶板埋深大于300m的第二可压缩层组厚度以及总压缩层组的厚度；2003-2019年的地下水位统计数据；通过Landsat光学影像的波段计算获取2003年-2019年NDBI；利用Arcgis软件将断裂、道路线要素利用核密度计算的方法获取分布密度。
步骤三、通过GAMMA软件利用PS-InSAR的方法分别对Envisat ASAR和Radarsat-2数据进行处理，分别获取2003-2010年和2010-2020年分段时序的沉降信息，主要包括平均沉降速率和时序累计沉降量。通过最近邻法对沉降时序拼接，获取北京地区2003-2020年长时序的地面沉降信息。利用水准监测数据对PS-InSAR结果进行精度验证，结果显示本数据源的形变监测精度可达到7.3mm/year,可支持接下来的相关研究和分析。选取年平均沉降速率大于15mm/year的沉降区进行信息重建。
步骤四、基于2003-2020年长时序的地面沉降信息，利用多项式拟合的方法对每个PS点的沉降曲线进行拟合，并获取多项式的相关参数。利用R2和RMSE判定拟合精度，发现三次多项式拟合的精度平均值为0.98，所以最终选取三次多项式S＝a0+a1t+a2t2+a3t3对沉降时序曲线拟合，利用最小二乘法求解多项式公式中的相关系数a0,a1,a2,a3。
步骤五、利用Arcgis软件中Fishnet工具，将空间分割成120m×120m的网格，将Fishnet图层和PS点图层连接，统计每个格网中PS点的数目。利用滑动窗口判别的方法进行筛选，最终实现对数据缺失位置的定位，研究发现研究区34.13％的区域存在数据缺失，需要进行地面沉降信息重建，如图2所示。
步骤六、选取多输出最小二乘支持向量回归(MLS-SVR)的方法构建多个时序相关参数与特征向量之间的模型，最终重建数据缺失位置的沉降信息。通过交叉验证、时序PS点精度验证发现，预测的精度可以达到0.99，如图3所示。
步骤七、将重建后的沉降信息与PS-InSAR结果叠加，最终获取北京地区2003-2020年长时序高时空分辨率的地面沉降信息，如图4所示。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (9)

1.一种基于机器学习重建高时空分辨率地面沉降信息的方法，其特征在于，包括以下步骤：
S1、获取覆盖研究区范围的SAR观测影像数据；
S2、获取研究区范围内的特征数据集，特征数据集由地面沉降的影响因素构成，包括可压缩土层厚度、地下水位、断裂、建筑物分布、交通载荷等；
S3、基于SAR影像，利用PS-InSAR技术获取建筑上的长时序地面沉降信息；
S4、基于长时序的地面沉降信息，利用多项式拟合的方法对长时序的沉降曲线进行拟合，并获取多项式的相关参数；
S5、结合Fishnet空间分析和滑动窗口判别的方法对数据缺失的位置定位；
S6、利用机器学习构建多个时序相关参数与特征向量之间的模型，最终重建数据缺失位置的沉降信息；
S7、将重建后的沉降信息与PS-InSAR结果叠加，最终获取高时空分辨率的地面沉降信息。
2.根据权利要求1所述的一种基于机器学习重建高时空分辨率地面沉降信息的方法，其特征在于：所述S1中SAR影像中的单视复数产品(SLC)包含相位和振幅信息，可以实现形变监测，本发明选取SAR影像中的SLC产品为PS-InSAR处理做数据准备。
3.根据权利要求1所述的一种基于机器学习重建高时空分辨率地面沉降信息的方法，其特征在于：所述S2中可压缩土层厚度数据包括不同底板埋深的压缩层组厚度以及总压缩层组的厚度；地下水位数据为长时序的地下水位统计数据；建筑载荷由时序的归一化建筑指数NDBI表征，可通过光学影像的波段计算获取：
Figure FDA0003118447060000021
式中，MIR为中红外波段，NIR为近红外波段；断裂、道路利用核密度计算的方法获取这两种线要素的分布密度。将线要素分割为n个网格内的点要素x1,x2,…xn组成，任意一点x的核密度Density的计算公式为：
Figure FDA0003118447060000022
式中，h为条带宽度，K(·)为核函数。
4.根据权利要求1所述的一种基于机器学习重建高时空分辨率地面沉降信息的方法，其特征在于：所述S3中的PS-InSAR技术，可选用常用的GAMMA、SARPROZ、SARscap、StaMPS等软件。
5.根据权利要求1所述的一种基于机器学习重建高时空分辨率地面沉降信息的方法，其特征在于：所述S3中PS-InSAR的技术流程主要包括：
1)根据时空基线、多普勒信息选择一副为主影像，其他副影像进行配准并重采样至主影像；
2)对主副影像对进行差分干涉生成时序差分干涉图，利用幅度离差法提取高相干点目标，即PS点；
3)对差分相位进行时间序列分析以得到离散点毫米级的形变速率结果、形变历史信息、DEM残差及大气延迟误差。每个PS点的差分相位可以定量的表示为：
Figure FDA0003118447060000023
其中，
Figure FDA0003118447060000024
为PS点上的差分相位，
Figure FDA0003118447060000025
是由于散射差异导致的相位变化，
Figure FDA0003118447060000026
为地表形变相位，
Figure FDA0003118447060000027
为大气干扰相位，
Figure FDA0003118447060000028
为噪声干扰相位。利用水准监测数据对PS-InSAR结果进行精度验证，获取建筑物上基本的地面沉降信息。
6.根据权利要求1所述的一种基于机器学习重建高时空分辨率地面沉降信息的方法，其特征在于：所述S4中可采用多项式拟合的方法对长时序的沉降曲线进行拟合，通过决定系数R2、均方根误差RMSE，判定最终选取的多项式次数，每个PS点上具有一系列的沉降时序测量值(t1,S1),(t2,S2),…,(tm,Sm)。(ti,Si)中ti和Si为第i景影像观测时期和累计沉降量。在时序上，拟合的m次多项式：
S＝a0+a1t+a2t2+…+amtm
利用最小二乘法求解多项式公式中的相关系数a0,a1…,am：
Figure FDA0003118447060000031
Figure FDA0003118447060000032
其中，Sr为残差平方和。
7.根据权利要求1所述的一种基于机器学习重建高时空分辨率地面沉降信息的方法，其特征在于：所述S5中Fishnet空间分析是地理空间统计的基本方法，该方法将各种数据与自然地理要素数据相结合，表达各单元的空间分布特征。本发明使用Fishnet工具将研究区域细分为网格，并统计每个网格中PS点的数量。虽然有的网格中PS点的数量为0，但是如果周围的网格的PS点数量足够，就没有必要进行信息重建。所以本发明基于点数目统计的结果，提出利用滑动窗口判别的方法进行筛选，最终实现对数据缺失位置的定位。滑动窗口判别的方法为：中心网格的PS点数目为0的3×3的窗口中，周围8个网格点数都为0或者只有一个网格有PS点，那么这个中心网格被认为存在数据缺失。
8.根据权利要求1所述的一种基于机器学习重建高时空分辨率地面沉降信息的方法，其特征在于：所述S6中多输出机器学习可以实现多元输入特征空间到多元输出空间的映射。相较于单输出模型，多输出机器学习可以考虑多个输出之间潜在的非线性相关性。在本研究中将S3中的时序特征相关系数作为样本输出量A＝[a0,a1…,am]，特征数据集为输入的特征向量X＝[X0,X1…,Xn]，并利用min-max标准化的方法，将原始数据映射到[0-1]之间。为了防止模型过拟合，采用5折交叉验证的方法验证模型精度。将PS点随机分为5组，1组测试样本，其余4组为测试样本，利用训练样本对模型进行训练。当精度达到最优时，代入数据缺失位置的特征向量，重建数据缺失位置的时序参数
Figure FDA0003118447060000041
将重建的数序参数代入多项式公式：
Figure FDA0003118447060000042
重建数据缺失位置处长时序的地面沉降信息
Figure FDA0003118447060000043
9.根据权利要求1所述的一种基于机器学习重建高时空分辨率地面沉降信息的方法，其特征在于：所述S7中PS-InSAR获取的长时序地面沉降信息为S，重建的长时序沉降信息为
Figure RE-FDA0003163787640000044
将两个点图层进行叠加，最终可获取高精度、高时空分辨率的地面沉降信息S总：
Figure RE-FDA0003163787640000045
CN202110669387.XA 2021-06-17 2021-06-17 一种基于机器学习重建高时空分辨率地面沉降信息的方法 Expired - Fee Related CN113378945B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110669387.XA CN113378945B (zh) 2021-06-17 2021-06-17 一种基于机器学习重建高时空分辨率地面沉降信息的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110669387.XA CN113378945B (zh) 2021-06-17 2021-06-17 一种基于机器学习重建高时空分辨率地面沉降信息的方法

Publications (2)

Publication Number Publication Date
CN113378945A true CN113378945A (zh) 2021-09-10
CN113378945B CN113378945B (zh) 2021-12-03

Family

ID=77577377

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110669387.XA Expired - Fee Related CN113378945B (zh) 2021-06-17 2021-06-17 一种基于机器学习重建高时空分辨率地面沉降信息的方法

Country Status (1)

Country Link
CN (1) CN113378945B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114896757A (zh) * 2022-04-01 2022-08-12 首都师范大学 一种基于近场动力学理论的地面沉降建模方法
CN115830174A (zh) * 2022-11-08 2023-03-21 防灾科技学院 一种融合PS-InSAR和Mann-Kendall获取时序沉降槽曲线的方法
CN116819521A (zh) * 2023-02-22 2023-09-29 长安大学 一种基于Mask R-CNN模型的采矿沉陷区域的探测方法
CN117972397A (zh) * 2024-03-28 2024-05-03 四川省地质矿产勘查开发局成都综合岩矿测试中心（国土资源部成都矿产资源监督检测中心） 基于大数据的大气干湿沉降模型模拟优化监测方法和介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106772377A (zh) * 2017-01-18 2017-05-31 深圳市路桥建设集团有限公司 一种基于InSAR的建筑物变形监测方法
WO2018023169A1 (en) * 2016-08-03 2018-02-08 Nestlawn Pty Ltd Method and apparatus for monitoring elevation
WO2019170932A1 (es) * 2018-03-09 2019-09-12 Acciona Constucción, S.A. Disposición estanca
CN112284332A (zh) * 2020-08-31 2021-01-29 北京四象爱数科技有限公司 基于高分辨率insar的高层建筑沉降监测结果三维定位方法
CN112378373A (zh) * 2020-11-02 2021-02-19 中山大学 基于智慧灯杆的路面沉降、积水监测系统及其方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018023169A1 (en) * 2016-08-03 2018-02-08 Nestlawn Pty Ltd Method and apparatus for monitoring elevation
CN106772377A (zh) * 2017-01-18 2017-05-31 深圳市路桥建设集团有限公司 一种基于InSAR的建筑物变形监测方法
WO2019170932A1 (es) * 2018-03-09 2019-09-12 Acciona Constucción, S.A. Disposición estanca
CN112284332A (zh) * 2020-08-31 2021-01-29 北京四象爱数科技有限公司 基于高分辨率insar的高层建筑沉降监测结果三维定位方法
CN112378373A (zh) * 2020-11-02 2021-02-19 中山大学 基于智慧灯杆的路面沉降、积水监测系统及其方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MINGYUAN LYU.ET.: "Detection of Seasonal Deformation of Highway Overpasses Using the PS-InSAR Technique: A Case Study in Beijing Urban Area", 《REMOTE SENSING》 *
孙赫: "基于PS-InSAR技术的大范围多轨道数据地面沉降监测研究", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 *
宫辉力等: "京津冀地下水消耗与区域地面沉降演化规律", 《中国科学基金》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114896757A (zh) * 2022-04-01 2022-08-12 首都师范大学 一种基于近场动力学理论的地面沉降建模方法
CN115830174A (zh) * 2022-11-08 2023-03-21 防灾科技学院 一种融合PS-InSAR和Mann-Kendall获取时序沉降槽曲线的方法
CN116819521A (zh) * 2023-02-22 2023-09-29 长安大学 一种基于Mask R-CNN模型的采矿沉陷区域的探测方法
CN117972397A (zh) * 2024-03-28 2024-05-03 四川省地质矿产勘查开发局成都综合岩矿测试中心（国土资源部成都矿产资源监督检测中心） 基于大数据的大气干湿沉降模型模拟优化监测方法和介质
CN117972397B (zh) * 2024-03-28 2024-05-31 四川省地质矿产勘查开发局成都综合岩矿测试中心（国土资源部成都矿产资源监督检测中心） 基于大数据的大气干湿沉降模型模拟优化监测方法和介质

Also Published As

Publication number Publication date
CN113378945B (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
CN113378945B (zh) 一种基于机器学习重建高时空分辨率地面沉降信息的方法
Rossel et al. The Australian three-dimensional soil grid: Australia’s contribution to the GlobalSoilMap project
Thapa et al. Potential of high-resolution ALOS–PALSAR mosaic texture for aboveground forest carbon tracking in tropical region
Luzi et al. Slope vulnerability to earthquakes at subregional scale, using probabilistic techniques and geographic information systems
Cooper et al. Object-based correction of LiDAR DEMs using RTK-GPS data and machine learning modeling in the coastal Everglades
Hu et al. Satellite-based high-resolution mapping of ground-level PM2. 5 concentrations over East China using a spatiotemporal regression kriging model
Gijsman et al. Using the WISE database to parameterize soil inputs for crop simulation models
Maynard et al. Scale-dependency of LiDAR derived terrain attributes in quantitative soil-landscape modeling: Effects of grid resolution vs. neighborhood extent
Wu et al. Determining landslide susceptibility in Central Taiwan from rainfall and six site factors using the analytical hierarchy process method
Bargaoui et al. Validation of digital maps derived from spatial disaggregation of legacy soil maps
Thiery et al. Application of expert rules in indirect approaches for landslide susceptibility assessment
Singh et al. Towards cost-effective estimation of soil carbon stocks at the field scale
Du et al. Long‐term subsidence in Mexico City from 2004 to 2018 revealed by five synthetic aperture radar sensors
Hastaoglu Comparing the results of PSInSAR and GNSS on slow motion landslides, Koyulhisar, Turkey
CN114241331B (zh) 以UAV为地面和Sentinel-2中介的湿地芦苇地上生物量遥感建模方法
CN116452023B (zh) 基于低频微波雷达vod数据的公里级碳储量评估方法
Azarakhsh et al. Estimation, modeling, and prediction of land subsidence using Sentinel-1 time series in Tehran-Shahriar plain: A machine learning-based investigation
Zhang et al. Deformations monitoring in complicated-surface areas by adaptive distributed Scatterer InSAR combined with land cover: Taking the Jiaju landslide in Danba, China as an example
CN114812496A (zh) 一种基于多源异构数据的区域地面沉降预警方法
Odgers et al. Derivation of soil-attribute estimations from legacy soil maps
CN115079170A (zh) 一种利用InSAR形变监测滑坡风险的评估方法
Verdin et al. Development of a global slope dataset for estimation of landslide occurrence resulting from earthquakes
Zhang et al. Quantitatively identify the factors driving loess erodibility variations after ecological restoration
CN116502748A (zh) 融合多影响因素的滑坡空间风险性预警决策机制研究方法
Zhang et al. Adaptive Fusion of Multi-Source Tropospheric Delay Estimates for InSAR Deformation Measurements

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20211203