CN114966685B - 基于InSAR和深度学习的大坝形变监测及预测方法 - Google Patents

Abstract

本发明公开了一种基于InSAR和深度学习的大坝形变监测及预测方法，首先利用InSAR对水库大坝监测区域进行大范围形变监测，获得初步水库大坝形变信息；接着在需要重点监测区域内相干点稀疏处放置角反射器，以便获得该处准确的形变信息；并在边坡周边设置GNSS网进行监测，利用GNSS数据去除影响干涉图的大气相位；然后对GNSS数据与InSAR结果进行融合，获得高时空分辨率的形变监测结果；同时设置阈值自动识别形变量异常的不稳定区域，结合水库水位线数据和温度等因素进行相关性分析；最后利用长短期记忆(LSTM)网络模型深度学习方法进行未来形变量的预测，为水库大坝监测预警和风险防控提供重要支撑。

Description

基于InSAR和深度学习的大坝形变监测及预测方法

技术领域

本发明属于InSAR与水库大坝形变监测技术领域，具体涉及一种基于InSAR和深度学习的大坝形变监测及预测方法的设计。

背景技术

水库大坝工程是保障防洪安全、供水安全、粮食安全，实现生活生产可持续发展的重要基础设施。我国水库大坝工程点多面广，多数大坝运行时间长，受限于当时的经济、技术条件以及数十年间工程老化等问题的影响，水库大坝等建筑在建成投入使用后，都无法避免的会受到各种自身和外在的影响从而产生形变，造成安全隐患。周期性的对水库大坝工程及其周边地区进行形变监测和预测，有助于科学准确管控水库大坝运行风险，对于保障周边居民生命财产安全和履行水库大坝防洪调度功能具有重要意义。

传统的水库大坝工程形变监测多以地面监测为主，如常见的精密水准测量。这种方法需要大量的作业时间来获取观测数据，且难以实现实时监测，同时还需要耗费大量的人力、物力和财力。

近年来合成孔径雷达干涉测量(Interferometric Synthetic Aperture Radar，InSAR)的发展为水库大坝形变监测提供了新的技术支持。合成孔径雷达干涉测量InSAR是一种空间对地观测技术，具有全天时、全天候、大范围、高精度等优点。与传统费时费力的方法相比，它能够快速、同步、准确地获取大规模变形信息，近年来已经被广泛用于监测地表形变。

由于在水库大坝及其周边区域经常有植被覆盖，因为InSAR技术失相干问题的影响，导致在监测边坡地区时生成的干涉点数量有限，在目前监测方法中存在不能完整覆盖重点监测范围的缺陷。

同时，水库大坝形变监测应该做到高时间分辨率和高空间分辨率的精确监测和预测。目前很多方法中都只使用单一技术来进行监测，精度和效率难以满足实际应用需求。InSAR技术虽然具有较高的空间分辨率，但是由于卫星运行周期的问题，难以实时连续观测。另外InSAR容易受到大气延迟和卫星轨道误差等问题的影响。全球导航卫星系统(GNSS)作为一项发展成熟的大地测量技术，不仅能获取高精度的大地测量控制点，而且能够反演大气水汽含量。通过区域布设的GNSS网来连续测量，能够提供高精度和高时间分辨率的地表形变信息。但是GNSS监测范围仅仅局限于一定区域的点式测量，受到地理环境和运行成本等因素的限制，难以实现大范围面式监测。鉴于InSAR与GNSS技术在形变监测上具有很好点-面结合的互补性，因此，通过二者结合，可以实现高时空分辨率水库大坝形变监测。

另外，目前水库大坝形变监测技术中，缺乏对形变的动态预测，而这种预测对于水库大坝安全运行和风险预警具有重要意义，因此，需要结合高精度水库大坝表面形变监测结果，进一步研发水库大坝形变预测技术。

发明内容

本发明的目的是为了解决现有水库大坝表面形变监测和预测技术中的不足，解决水库大坝区域缺少相干点、高时空分辨率表面形变难以获取和表面形变量无法预测等关键问题，提出了一种基于InSAR和深度学习的大坝形变监测及预测方法，以实现水库大坝形变高精度监测和未来形变预测。

本发明的技术方案为：基于InSAR和深度学习的大坝形变监测及预测方法，包括以下步骤：

S1、采集水库大坝监测区域的合成孔径雷达(SAR)影像并进行预处理，得到预处理后的SAR影像。

S2、在水库大坝监测区域设置GNSS监测网，采集GNSS数据。

S3、对预处理后的SAR影像进行干涉处理，得到InSAR差分干涉图。

S4、通过GNSS数据去除InSAR差分干涉图中的大气延迟相位，得到初步水库大坝形变信息。

S5、根据初步水库大坝形变信息，在水库大坝重点监测区域放置角反射器，获取重点区域形变监测结果。

S6、结合GNSS数据与重点区域形变监测结果，得到高时空分辨率的水库大坝形变监测结果。

S7、从水库大坝形变监测结果中识别出水库大坝形变量异常的不稳定区域，并对造成不稳定区域形变量异常的因素进行相关性分析，得到水库大坝形变量异常的驱动因素。

S8、基于水库大坝形变监测结果与水库大坝形变量异常的驱动因素，采用长短期记忆(LSTM)网络模型深度学习方法预测水库大坝的未来形变量。

进一步地，步骤S1包括以下分步骤：

S11、采集N景覆盖水库大坝监测区域的单视复数(SLC)数据。

S12、将卫星精密轨道数据文件导入到SLC数据中，对SLC数据中的轨道信息进行校正。

S13、将校正后的SLC数据裁剪拼接至同一范围，得到预处理后的SAR影像。

进一步地，步骤S2中的GNSS监测网包括多个GNSS点，GNSS点在水库大坝监测区域整体范围内均匀分布，且在水库大坝重点监测区域加密布设。

进一步地，步骤S3包括以下分步骤：

S31、采用短基线干涉测量(small baseline subset interferometry，SBAS)技术对预处理后的SAR影像进行处理，通过设置空间基线和时间基线阈值生成连接图得到影像对。

S32、在预处理后的SAR影像中选择超级主影像作为参考影像。

S33、对影像对进行干涉处理，得到干涉像对。

S34、通过GNSS数据辅助将干涉像对都配准到参考影像上，去除平地效应，得到InSAR差分干涉图。

进一步地，步骤S4包括以下分步骤：

S41、从GNSS数据中获取GNSS湿延迟序列和相应的高程序列，并对其进行小波分解。

S42、计算小波分解后GNSS湿延迟序列和相应的高程序列的低频系数与高频系数的相关性。

S43、保留相关性较大的小波系数，对相关性较小的小波系数进行误差剔除，得到更新后的小波系数。

S44、根据更新后的小波系数重构GNSS湿延迟序列，并回归得到Onn模型参数的值。

S45、从重构的GNSS湿延迟序列中减去每个GNSS点的分层延迟，得到各GNSS点的湍流延迟量。

S46、对每个GNSS点的湍流延迟量进行反距离加权插值，得到覆盖整个水库大坝监测区域的湍流分量。

S47、根据覆盖整个水库大坝监测区域的湍流分量，采用Onn模型计算得到覆盖整个水库大坝监测区域的湿延迟，并将其作为大气延迟估算值。

S48、根据大气延迟估算值去除InSAR差分干涉图中的大气延迟相位，并对InSAR差分干涉图进行相位解缠，得到解缠结果。

S49、对解缠结果进行地理编码，得到初步水库大坝形变信息。

进一步地，步骤S5包括以下分步骤：

S51、根据初步水库大坝形变信息，找出水库大坝工程及其周边相干点稀疏的区域并将其标记为水库大坝重点监测区域。

S52、在水库大坝重点监测区域布设多层角反射器，并设置每层角反射器中心位置能够接收或者反射不同入射角度的星载雷达微波信号。

S53、采集放置角反射器后的SAR影像，并对其进行数据处理和大气延迟相位去除，得到重点区域形变监测结果。

进一步地，步骤S6包括以下分步骤：

S61、基于重点区域形变监测结果，在时间域内利用自适应滤波方法对每一个GNSS点建立InSAR视线方向形变量的动态模型，以此对GNSS监测网的网格点进行内插，得到GNSS时间内插结果。

S62、根据重点区域形变监测结果和GNSS时间内插结果，使用卡尔曼滤波器方程组递归地对卫星的轨道参数、卫星的姿态参数以及影像中心点的大地定位参数进行修正更新，直至参数收敛，得到大地精校正处理结果。

S63、采用克里金插值法，通过空间上所有已知形变结果的数据点，对大地精校正处理结果中的空白数据点进行线性无偏最优估计，得到高时空分辨率的水库大坝形变监测结果。

进一步地，步骤S7包括以下分步骤：

S71、将水库大坝形变监测结果中视线方向的形变量转变为水平面内垂直于水库大坝边坡的形变量：

其中Def表示水平面内垂直于水库大坝边坡的形变量，Def_LOS表示视线方向的形变量，θ表示雷达入射角，α表示雷达飞行方向与边坡之间的夹角。

S72、设置形变量平均变化阈值，筛选出形变量异常的不稳定区域。

S73、采用灰色关联度分析法计算不稳定区域形变量与各因素之间的关联度，将关联度大于预设阈值的因素作为水库大坝形变量异常的驱动因素。

进一步地，步骤S8包括以下分步骤：

S81、根据水库大坝形变监测结果，将水库大坝重点监测区域中每个观测点的时序累积形变量记为一个集合D_m＝{d₁，d₂，…，d_m}。

S82、从集合D_m中提取出长度为L的训练样本D_train＝{d_m-L，d_m-L+1，…，d_m-1}，并将训练样本中的前L-1个时间点的形变量作为样本输入，将最后一个时间点的形变量作为样本标签。

S83、将训练样本输入LSTM网络模型，对水库大坝形变量异常的驱动因素进行学习，并使用网格搜索的方法调整LSTM网络模型参数，得到训练好的预测模型。

S84、采用训练好的预测模型对水库大坝的未来形变量进行预测。

进一步地，步骤S83中采用随时间反向传播(BPTT)算法对LSTM网络模型进行训练，包括以下步骤：

A1、通过前向传播计算方法得到每个LSTM神经元的输出值O_t：

O_t＝LSTM_forward(X_t，H_t-1，C_t-1)

其中LSTM_forward(·)表示前向传播计算函数，X_t表示当前LSTM神经元的输入，H_t-1和C_t-1分别表示前一个LSTM神经元的隐含状态和细胞状态。

A2、按照时间和网络层级两个反向传播方向计算每个LSTM神经元的误差项。

A3、根据每个LSTM神经元的误差项得到LSTM网络模型每个权重的更新梯度。

A4、选用ADAM算法作为优化器，设定损失函数最小为优化目标，给定样本分割长度L、网络层数K、隐藏层节点数S、学习率l以及训练次数epochs，不断更新LSTM网络模型的权重，得到训练好的预测模型。

本发明的有益效果是：

(1)本发明利用角反射器解决了水库大坝区域缺少相干点的问题，能够对水库大坝表面形变进行高时空分辨率监测，并实现了水库大坝未来形变的准确预测，为水库大坝监测预警和风险防控提供重要支撑。

(2)本发明利用在水库大坝植被覆盖较多的区域设置角反射器，能够增加InSAR监测稳定干涉点密度。

(3)本发明使用GNSS数据辅助InSAR过程，能够获得高精度的InSAR表面形变监测结果。

(4)本发明结合InSAR和GNSS位置监测数据，利用自适应滤波和克里金插值方法，能够获得高时空分辨率的水库大坝形变监测结果。

(5)本发明设置阈值自动识别形变量异常的不稳定区域，结合水库水位线数据和温度等因素进行相关性分析，能够得到用于进行形变量预测的学习特征。

(6)本发明利用LSTM网络模型对水库大坝未来形变进行预测，预测结果准确。

附图说明

图1所示为本发明实施例提供的基于InSAR和深度学习的大坝形变监测及预测方法流程图。

具体实施方式

现在将参考附图来详细描述本发明的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本发明的原理和精神，而并非限制本发明的范围。

本发明实施例提供了一种基于InSAR和深度学习的大坝形变监测及预测方法，如图1所示，包括以下步骤S1～S8：

S1、采集水库大坝监测区域的SAR影像并进行预处理，得到预处理后的SAR影像。

步骤S1包括以下分步骤S11～S13：

S11、采集N景覆盖水库大坝监测区域的SLC数据。

S12、将卫星精密轨道数据文件导入到SLC数据中，对SLC数据中的轨道信息进行校正。

SAR的单视复数数据(SLC数据)是原始的最高分辨率数据，其轨道信息中包含有一定误差，进而造成基线误差，会在干涉图中产生残差条纹。因此本发明实施例中利用卫星精密轨道数据对SLC数据中的轨道信息进行校正，可有效去除因轨道误差引起的系统性误差。

S13、将校正后的SLC数据裁剪拼接至同一范围，得到预处理后的SAR影像。

S2、在水库大坝监测区域设置GNSS监测网，采集GNSS数据。

GNSS监测网包括多个GNSS点，本发明实施例中，GNSS点分为两个类别：第一类是监测区域内不受形变影响或受形变影响较小的稳定特征点，如道路的交叉口，这一类GNSS点主要用于对GNSS数据和InSAR数据参考坐标系的统一、辅助修正SAR卫星轨道误差以及准确估计大气延迟；第二类是水库大坝重点监测区域(主要是包含坝面、边坡和闸口等重点部位)的GNSS点，主要用于对水库大坝重点监测区域进行形变监测。GNSS点在水库大坝监测区域整体范围内均匀分布，且在水库大坝重点监测区域加密布设。

S3、对预处理后的SAR影像进行干涉处理，得到InSAR差分干涉图。

步骤S3包括以下分步骤S31～S34：

S31、采用SBAS技术对预处理后的SAR影像进行处理，通过设置空间基线和时间基线阈值生成连接图得到影像对。

S32、在预处理后的SAR影像中选择超级主影像作为参考影像。

S33、对影像对进行干涉处理，得到干涉像对。

S34、通过GNSS数据辅助将干涉像对都配准到参考影像上，去除平地效应，得到InSAR差分干涉图。

S4、通过GNSS数据去除InSAR差分干涉图中的大气延迟相位，得到初步水库大坝形变信息。

步骤S4包括以下分步骤S41～S49：

S41、从GNSS数据中获取GNSS湿延迟序列和相应的高程序列，并对其进行小波分解。

本发明实施例中，采用Haar小波基对GNSS湿延迟序列和相应的高程序列分别进行相同层数的小波分解。

S42、计算小波分解后GNSS湿延迟序列和相应的高程序列的低频系数与高频系数的相关性。

S43、保留相关性较大的小波系数，对相关性较小的小波系数进行误差剔除，得到更新后的小波系数。

S44、根据更新后的小波系数重构GNSS湿延迟序列，并回归得到Onn模型参数的值。

S45、从重构的GNSS湿延迟序列中减去每个GNSS点的分层延迟，得到各GNSS点的湍流延迟量。

S46、对每个GNSS点的湍流延迟量进行反距离加权插值，得到覆盖整个水库大坝监测区域的湍流分量。

S47、根据覆盖整个水库大坝监测区域的湍流分量，采用Onn模型计算得到覆盖整个水库大坝监测区域的湿延迟，并将其作为大气延迟估算值。

S48、根据大气延迟估算值去除InSAR差分干涉图中的大气延迟相位，并对InSAR差分干涉图进行相位解缠，得到解缠结果。

本发明实施例中，采用基于马尔科夫随机场的GNSS控制点辅助InSAR解缠算法对InSAR差分干涉图进行相位解缠。相位解缠为寻找最佳整周未知数矩阵K的过程，等价于概率统计中在已知缠绕干涉图I_w情况下对K进行最大似然估计。

其中，k为K的估计值，

为K的最终估计值，P(·)为概率，Y为缠绕相位矩阵。

可利用马尔科夫随机场对整周数进行建模，根据贝叶斯及吉布斯-马尔科夫等价定理可得：

其中，T表示温度，U(·)为能量函数。由上式可以看出，InSAR相位解缠可转变为求能量函数U(K＝k|Y＝I_w)最小值的问题。

使用反复快速退火算法以较高速率和概率获得全局最优解，即给定一个初始温度T₀、较大衰减率cool和终止温度T_s，当T<T_s时，令T＝T₀，反复快速退火，直至获得全局最优解。迭代过程中所使用的初始整周数矩阵、初始解缠干涉图、解缠干涉图和比例系数计算公式如下:

其中，k为初始整周数矩阵，k′为迭代中产生的新整周数矩阵，round(·)为取整算子，

为由GNSS插值结果反演的解缠干涉图，I_w为缠绕干涉图，λ为波长，I_u为初始解缠干涉图，I′_u为解缠干涉图，r为比例系数。

S49、对解缠结果进行地理编码，得到初步水库大坝形变信息。

S5、根据初步水库大坝形变信息，在水库大坝重点监测区域放置角反射器，获取重点区域形变监测结果。

步骤S5包括以下分步骤S51～S53：

S51、根据初步水库大坝形变信息，找出水库大坝工程及其周边相干点稀疏的区域并将其标记为水库大坝重点监测区域。

S52、在水库大坝重点监测区域布设多层角反射器，并设置每层角反射器中心位置能够接收或者反射不同入射角度的星载雷达微波信号，即使得反射星载雷达微波信号的散射截面最大化。

本发明实施例中，通过反射星载SAR传感器信号，在进行相应数据处理后可以获取角反射器布设位置处的SAR影像单元沉降结果。

S53、采集放置角反射器后的SAR影像，并对其进行数据处理和大气延迟相位去除，得到重点区域形变监测结果。

本发明实施例中采用步骤S1～S4相同的方法对放置角反射器后的SAR影像进行数据处理和大气延迟相位去除。

S6、结合GNSS数据与重点区域形变监测结果，得到高时空分辨率的水库大坝形变监测结果。

步骤S6包括以下分步骤S61～S63：

S61、基于重点区域形变监测结果，在时间域内利用自适应滤波方法对每一个GNSS点建立InSAR视线方向形变量的动态模型，以此对GNSS监测网的网格点进行内插，得到GNSS时间内插结果。

S62、根据重点区域形变监测结果和GNSS时间内插结果，使用卡尔曼滤波器方程组递归地对卫星的轨道参数、卫星的姿态参数以及影像中心点的大地定位参数进行修正更新，每引入一个地面控制点，参数就会更新一次，直至参数收敛，得到大地精校正处理结果。

S63、采用克里金插值法，通过空间上所有已知形变结果的数据点，对大地精校正处理结果中的空白数据点进行线性无偏最优估计，得到高时空分辨率的水库大坝形变监测结果。

本发明实施例中，克里金插值法的公式为：

其中，

表示任意空白数据点(x₀,y₀)处的插值估计值，λ_i表示权重系数，它是用已知点的数据加权求和来估计插值点的值。权重系数是一组最佳系数，它们可以使得点(x₀,y₀)处的插值估计值与真实值之间的差值最小，同时满足无偏估计的条件：

Z₀为空白数据点(x₀,y₀)处的真实值。Z_i表示大地精校正处理结果中第i个已知点的真实值，n表示大地精校正处理结果中已知点的个数。

S7、从水库大坝形变监测结果中识别出水库大坝形变量异常的不稳定区域，并对造成不稳定区域形变量异常的因素进行相关性分析，得到水库大坝形变量异常的驱动因素。

步骤S7包括以下分步骤S71～S73：

S71、将水库大坝形变监测结果中视线方向的形变量转变为水平面内垂直于水库大坝边坡的形变量：

其中Def表示水平面内垂直于水库大坝边坡的形变量，Def_LOS表示视线方向的形变量，θ表示雷达入射角，α表示雷达飞行方向与边坡之间的夹角，

表示水平面内地距形变量。

S72、设置形变量平均变化阈值，筛选出形变量异常的不稳定区域。

本发明实施例中，根据不同类型水库大坝工程，不同的监测要求，多次测试不同的时间窗口和形变量平均变化阈值生成的效果，基于具体项目问题选择最合理的时间与速率阈值组合。比如1年累积形变量超过3毫米，即3毫米/年时，将此点标记为形变量异常的不稳定区域。

S73、采用灰色关联度分析法计算不稳定区域形变量与各因素之间的关联度，将关联度大于预设阈值的因素作为水库大坝形变量异常的驱动因素。

本发明实施例中，采用灰色关联度分析法计算形变量与水位高度以及温度这两个因素之间的关联度，关联度取值范围为-1～1，将关联度大于预设阈值的因素作为水库大坝形变量异常的驱动因素。

S8、基于水库大坝形变监测结果与水库大坝形变量异常的驱动因素，采用LSTM深度学习方法预测水库大坝的未来形变量。

步骤S8包括以下分步骤S81～S84：

S81、根据水库大坝形变监测结果，将水库大坝重点监测区域中每个观测点的时序累积形变量记为一个集合D_m＝{d₁，d₂，…，d_m}。

S82、从集合D_m中提取出长度为L的训练样本D_train＝{d_m-L，d_m-L+1，…，d_m-1}，并将训练样本中的前L-1个时间点的形变量作为样本输入，将最后一个时间点的形变量作为样本标签。

S83、将训练样本输入LSTM网络模型，对水库大坝形变量异常的驱动因素(将其作为水库坝体及周边区域形变特征)进行学习，并使用网格搜索的方法调整LSTM网络模型参数，得到训练好的预测模型。

本发明实施例中，采用BPTT算法对LSTM网络模型进行训练，包括以下步骤：

A1、通过前向传播计算方法得到每个LSTM神经元的输出值O_t：

O_t＝LSTM_forward(X_t，H_t-1，C_t-1)

其中LSTM_forward(·)表示前向传播计算函数，X_t表示当前LSTM神经元的输入，H_t-1和C_t-1分别表示前一个LSTM神经元的隐含状态和细胞状态。其中X_t、H_t-1和C_t-1均为集合，其中元素的具体计算公式如下：

i_t＝σ(W_xix_t+W_hih_t-1+W_cic_t-1+b_i)

f_t＝σ(W_xfx_t+W_hfh_t-1+W_cfc_t-1+b_f)

c_t＝f_tc_t-1+i_ttanh(W_xcx_t+W_hch_t-1+b_c)

o_t＝σ(W_xox_t+W_hoh_t-1+W_coc_t+b_o)

h_t＝o_ttanh(c_t)

其中，x_t表示第t时刻的样本时间序列数据输入，h_t表示第t时刻相应神经元的隐含状态输出，每个神经元中依次进行数据输入、信息遗忘、细胞状态更新以及隐含状态输出。i_t、f_t、c_t、o_t分别表示第t时刻输入门、遗忘门、细胞状态和输出门；W和b分别为对应的权重系数矩阵和偏置项；σ和tanh分别为sigmoid和双曲正切激活函数。

A2、按照时间和网络层级两个反向传播方向计算每个LSTM神经元的误差项。

本发明实施例中，选用均方误差作为误差统计指标，训练过程的损失函数loss可以定义为：

其中Y_pred表示LSTM网络模型预测结果的集合，Y表示对应的真实形变量，m表示观测点个数。

A3、根据每个LSTM神经元的误差项得到LSTM网络模型每个权重的更新梯度。

A4、选用ADAM算法作为优化器，设定损失函数最小为优化目标，给定样本分割长度L、网络层数K、隐藏层节点数S、学习率l以及训练次数epochs，不断更新LSTM网络模型的权重，得到训练好的预测模型。

S84、采用训练好的预测模型对水库大坝的未来形变量进行预测。

本发明实施例中，从每个观测点的时间序列形变中截取一个长度为L的集合作为预测样本，与模型训练样本相同，预测样本中前L-1个时间点的形变量用于样本输入，第L个时间点的形变量作为样本标签。通过不断调整超参数，预测模型可以同时在训练及验证过程中获得预期效果，最终得到用于预测未来时刻水库大坝形变量的模型。将标准化后的所有观测点预测样本输入，输出结果可表示为：

Y_pred＝{y₁，y₂，…，y_m}

通过对LSTM网络模型动态的调整，可以充分学习不同时序形变之间的非线性关联，进而能够预测水库大坝工程形变。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (9)

1.基于InSAR和深度学习的大坝形变监测及预测方法，其特征在于，包括以下步骤：

S1、采集水库大坝监测区域的SAR影像并进行预处理，得到预处理后的SAR影像；

S2、在水库大坝监测区域设置GNSS监测网，采集GNSS数据；

S3、对预处理后的SAR影像进行干涉处理，得到InSAR差分干涉图；

S4、通过GNSS数据去除InSAR差分干涉图中的大气延迟相位，得到初步水库大坝形变信息；

S5、根据初步水库大坝形变信息，在水库大坝重点监测区域放置角反射器，获取重点区域形变监测结果；

S6、结合GNSS数据与重点区域形变监测结果，得到高时空分辨率的水库大坝形变监测结果；

S7、从水库大坝形变监测结果中识别出水库大坝形变量异常的不稳定区域，并对造成不稳定区域形变量异常的因素进行相关性分析，得到水库大坝形变量异常的驱动因素；

S8、基于水库大坝形变监测结果与水库大坝形变量异常的驱动因素，采用LSTM深度学习方法预测水库大坝的未来形变量；

所述步骤S4包括以下分步骤：

S41、从GNSS数据中获取GNSS湿延迟序列和相应的高程序列，并对其进行小波分解；

S42、计算小波分解后GNSS湿延迟序列和相应的高程序列的低频系数与高频系数的相关性；

S43、保留相关性较大的小波系数，对相关性较小的小波系数进行误差剔除，得到更新后的小波系数；

S44、根据更新后的小波系数重构GNSS湿延迟序列，并回归得到Onn模型参数的值；

S45、从重构的GNSS湿延迟序列中减去每个GNSS点的分层延迟，得到各GNSS点的湍流延迟量；

S46、对每个GNSS点的湍流延迟量进行反距离加权插值，得到覆盖整个水库大坝监测区域的湍流分量；

S47、根据覆盖整个水库大坝监测区域的湍流分量，采用Onn模型计算得到覆盖整个水库大坝监测区域的湿延迟，并将其作为大气延迟估算值；

S48、根据大气延迟估算值去除InSAR差分干涉图中的大气延迟相位，并对InSAR差分干涉图进行相位解缠，得到解缠结果；

S49、对解缠结果进行地理编码，得到初步水库大坝形变信息。

2.根据权利要求1所述的大坝形变监测及预测方法，其特征在于，所述步骤S1包括以下分步骤：

S11、采集N景覆盖水库大坝监测区域的SLC数据；

S12、将卫星精密轨道数据文件导入到SLC数据中，对SLC数据中的轨道信息进行校正；

S13、将校正后的SLC数据裁剪拼接至同一范围，得到预处理后的SAR影像。

3.根据权利要求1所述的大坝形变监测及预测方法，其特征在于，所述步骤S2中的GNSS监测网包括多个GNSS点，所述GNSS点在水库大坝监测区域整体范围内均匀分布，且在水库大坝重点监测区域加密布设。

4.根据权利要求1所述的大坝形变监测及预测方法，其特征在于，所述步骤S3包括以下分步骤：

S31、采用SBAS技术对预处理后的SAR影像进行处理，通过设置空间基线和时间基线阈值生成连接图得到影像对；

S32、在预处理后的SAR影像中选择超级主影像作为参考影像；

S33、对影像对进行干涉处理，得到干涉像对；

S34、通过GNSS数据辅助将干涉像对都配准到参考影像上，去除平地效应，得到InSAR差分干涉图。

5.根据权利要求1所述的大坝形变监测及预测方法，其特征在于，所述步骤S5包括以下分步骤：

S51、根据初步水库大坝形变信息，找出水库大坝工程及其周边相干点稀疏的区域并将其标记为水库大坝重点监测区域；

S52、在水库大坝重点监测区域布设多层角反射器，并设置每层角反射器中心位置能够接收或者反射不同入射角度的星载雷达微波信号；

S53、采集放置角反射器后的SAR影像，并对其进行数据处理和大气延迟相位去除，得到重点区域形变监测结果。

6.根据权利要求1所述的大坝形变监测及预测方法，其特征在于，所述步骤S6包括以下分步骤：

S61、基于重点区域形变监测结果，在时间域内利用自适应滤波方法对每一个GNSS点建立InSAR视线方向形变量的动态模型，以此对GNSS监测网的网格点进行内插，得到GNSS时间内插结果；

S62、根据重点区域形变监测结果和GNSS时间内插结果，使用卡尔曼滤波器方程组递归地对卫星的轨道参数、卫星的姿态参数以及影像中心点的大地定位参数进行修正更新，直至参数收敛，得到大地精校正处理结果；

S63、采用克里金插值法，通过空间上所有已知形变结果的数据点，对大地精校正处理结果中的空白数据点进行线性无偏最优估计，得到高时空分辨率的水库大坝形变监测结果。

7.根据权利要求1所述的大坝形变监测及预测方法，其特征在于，所述步骤S7包括以下分步骤：

S71、将水库大坝形变监测结果中视线方向的形变量转变为水平面内垂直于水库大坝边坡的形变量：

其中Def表示水平面内垂直于水库大坝边坡的形变量，Def_LOS表示视线方向的形变量，θ表示雷达入射角，α表示雷达飞行方向与边坡之间的夹角；

S72、设置形变量平均变化阈值，筛选出形变量异常的不稳定区域；

S73、采用灰色关联度分析法计算不稳定区域形变量与各因素之间的关联度，将关联度大于预设阈值的因素作为水库大坝形变量异常的驱动因素。

8.根据权利要求1所述的大坝形变监测及预测方法，其特征在于，所述步骤S8包括以下分步骤：

S81、根据水库大坝形变监测结果，将水库大坝重点监测区域中每个观测点的时序累积形变量记为一个集合D_m＝{d₁，d₂，…，d_m}；

S82、从集合D_m中提取出长度为L的训练样本D_train＝{d_m-L，d_m-L+1，…，d_m-1}，并将训练样本中的前L-1个时间点的形变量作为样本输入，将最后一个时间点的形变量作为样本标签；

S83、将训练样本输入LSTM网络模型，对水库大坝形变量异常的驱动因素进行学习，并使用网格搜索的方法调整LSTM网络模型参数，得到训练好的预测模型；

S84、采用训练好的预测模型对水库大坝的未来形变量进行预测。

9.根据权利要求8所述的大坝形变监测及预测方法，其特征在于，所述步骤S83中采用BPTT算法对LSTM网络模型进行训练，包括以下步骤：

A1、通过前向传播计算方法得到每个LSTM神经元的输出值O_t：

O_t＝LSTM_forward(X_t，H_t-1，C_t-1)

其中LSTM_forward(·)表示前向传播计算函数，X_t表示当前LSTM神经元的输入，H_t-1和C_t-1分别表示前一个LSTM神经元的隐含状态和细胞状态；

A2、按照时间和网络层级两个反向传播方向计算每个LSTM神经元的误差项；

A3、根据每个LSTM神经元的误差项得到LSTM网络模型每个权重的更新梯度；

A4、选用ADAM算法作为优化器，设定损失函数最小为优化目标，给定样本分割长度L、网络层数K、隐藏层节点数S、学习率l以及训练次数epochs，不断更新LSTM网络模型的权重，得到训练好的预测模型。

Images