基于时序InSAR与机器学习的大范围地面沉降预测方法
罗袆沅1
许强1
蒋亚楠2
孟冉3
蒲川豪1
1.成都理工大学地质灾害防治与地质环境保护国家重点实验室,四川成都 6100592.成都理工大学地质灾害防治与地质环境保护国家重点实验室,四川成都 610059;成都理工大学地球科学学院,四川成都 6100593.成都理工大学地球科学学院,四川成都 610059
摘要：地面沉降是由自然因素和人为因素综合作用下形成的地面标高损失,为预防这种累进性的缓变地质灾害,高效的大范围地面沉降预测显得尤为重要.现有的预测方法忽略了地面沉降的空间特征,且基于单点循环预测存在高耗时现象.针对上述问题,提出了一种基于时序InSAR与机器学习的大范围地面沉降预测方法.首先,利用SBAS-InSAR技术获取大范围的地面沉降时序信息;其次,采用经验正交函数(empirical orthogonal function,EOF)提取时序信息的空间模态及对应的主成分(principal components,PCs);最后,采用基于误差反馈的岭多项式神经网络(ridge polynomial neural network with error-output feedbacks,RPNN-EOF)模型训练与预测PCs,将预测结果重构回地面沉降时序.以延安新区 2018 年 8 月至 2021 年 5 月的 84 景Sentinel-1A数据为例,获取了新区的地面沉降时序.同时,EOF所提取的空间模态能清晰地表达整个新区的空间变化特征.预测结果显示,相较于传统点循环模式以及主流的时间序列预测方法,本文方法的均方根误差至少降低了 22.7%,建模耗时至少降低了 27.5%,因此该方法具有良好的实用性.
关键词：机器学习时间序列预测经验正交函数空间模态神经网络时序InSAR地面沉降灾害
分类号：P642(水文地质学与工程地质学)
资助基金：国家自然科学基金(Nos.41790445)国家自然科学基金(41630640)国家重点研发计划(No.2021YFC3000401)地质灾害防治与地质环境保护国家重点实验室自主研究课题(No.SKLGP2023Z026)
论文发表日期：2024-05-15
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：10( 1736-1745 )
英文信息