利用InSAR和网络模型的昆明地铁沿线形变预测

针对在地铁建设和运营中容易引起地面沉降,给人民生命财产安全造成威胁的问题,该文利用SBAS-InSAR对2018年7月—2019年12月昆明市41幅Sentinel-1A升降轨影像进行处理,获取昆明地铁沿线沉降信息。在此基础上,分析了6条地铁沿线200 m缓冲区地表沉降的时空分布特征,并结合LSTM、XGBoost、Deep Forset模型进行时间序列值的预测,引入绝对误差(ε)、均方根误差(RMSE)、纳什系数(NSE)对模型进行对比评价。Deep Forest预测模型计算得到的RMSE值最小,NSE值最大,分别为0.21、0.94,结果表明,Deep Forest预测模型效果高于LSTM、XGBoost预测模型。因此,利用Deep Forest模型能够有效地对地铁沿线进行沉降预测,可以为政府部门今后开展地铁沿线地面沉降监测和灾害预警提供参考。     

大范围地表沉降时序深度学习预测法

地表沉降不仅影响社会经济的可持续发展,还威胁人类的生命安全.高精度的地表沉降预测对人类预防地质灾害具有重要意义.现有的预测方法因模型参数难以获取或相关数据的缺乏而难以得到可靠的预测结果,针对此问题,本文提出一种基于深度学习的地表沉降预测方法.首先采用多主影像相干目标小基线干涉技术MCTSB-InSAR获取大区域高精度地表形变时序反演结果;其次利用循环神经网络作为网络架构,用长短期记忆(LSTM)模型进行地表沉降特征学习;最后采用网格搜索的方法调整模型参数,进而获取最优的模型参数组合方案.实际观测结果显示,相较于现有地表沉降预测方法,本文提出的预测模型平均绝对误差(0.3 mm)至少降低了27.3％,差分沉降量平均预测精度至少提高了8.9％.空间格局分析的结果表明,LSTM模型对于大区域时序形变的短期预测是有效的.     

时序新方法在城市地面沉降监测中的研究

针对现有时序分析在大范围形变监测中数据处理时间长、存在大气延迟误差和相位解缠误差问题,该文利用LiCSAR产品,采用时序新方法LiCSBAS技术,引入GACOS产品进行大气改正,运用整体干涉质量检验和环闭合相位来剔除解缠误差。以昆明市为研究对象,选取2018—2021年获取的84景Sentinel-1影像进行实验研究。结果表明：LiCSAR产品能有效提高数据处理效率;采用CACOS产品对流层大气延迟进行改正具有一定效果;环闭合相位能够有效剔除解缠误差。利用该方法共监测出6个沉降区,其成因受城市建设、地质、地下水抽取等因素导致,相较于已有研究表明,A沉降区为新增沉降中心。该方法在大范围城市地面沉降监测中具有一定优势,可为防灾减灾事业及政府部门决策提供一种有效的手段。     

曹妃甸沿海区地表沉降监测与预测分析

为探究曹妃甸沿海区的地表沉降情况,本文使用永久散射体合成孔径雷达干涉测量(PS-InSAR)和短基线合成孔径雷达干涉测量(SBAS-InSAR)技术对2017—2022年的63景Sentinel-1A数据进行反演,得到了沿海区的地表沉降速率及分布,再对两种技术的反演结果进行交叉验证及分析引起沉降的原因,同时利用反向传播(BP)神经网络和长短期记忆(LSTM)网络模型分别对特征点的时序沉降量进行预测分析及精度对比,主要得到以下几点结论：(1)两种技术反演结果具有较高一致性,线性相关达0.98;(2)研究区最大沉降速率为-49 mm/a,最大累计沉降量为231.4 mm,地质条件脆弱、长期过度开采地下水、大规模的建设和工程扰动是造成该地沉降发生的主要原因;(3)经对比分析,长短期记忆(LSTM)网络模型的预测效果更适合于时序形变数据的预测,预测结果也更为接近实际形变值。     

煤矿工业广场地表沉降监测及GM(1,1)建模预测分析

介绍了沉降监测的基本理论和方法,以钱营孜煤矿为例,建立了沉降监测系统,采用水准测量对监测系统进行定期监测,数据处理和分析。建立了能反映监测动态变化的灰色GM(1,1)等维新息模型,得到:地表沉降与水位变化呈现显著的相关关系,井架基础最大沉降量138mm,最大沉降差为3mm,并对监测点下一期的沉降值进行了预测。研究成果对于工业广场沉降治理具有指导意义。     

基于SBAS-InSAR技术和LSTM-GS模型的矿区开采沉陷预测

以鄂尔多斯东部某碳矿的3014工作面作为研究对象,利用2018-09-15～2019-02-18的14景SAR数据对矿区进行监测,将小基线集技术（SBAS-InSAR）得到的时序累积沉降量作为训练样本,并与网格搜索算法（GS）优选超参数的长短期记忆网络（LSTM）进行结合,对矿区开采沉陷做出预测。结果表明：SBAS-InSAR技术反演值能够满足矿区开采沉陷预测,结合LSTM-GS模型对矿区开采沉陷进行预测,得到的最大均方根误差为3.569 3 mm,最大平均绝对误差为3.252 4 mm,最小决定系数为0.57,说明该模型预测精度能够满足工程需求。     

一种基于机器学习算法的区域/单站ZTD组合预测模型

针对天顶对流层总延迟(ZTD)具有一定的时空变化特性,提出了一种基于BP神经网络、长短期记忆网络(LSTM)算法的区域/单站ZTD组合预测模型. 以连续14天香港连续运行参考站(CORS)网络18个监测站观测数据为例,利用BP神经网络、LSTM及本文算法进行了区域、单站及二者组合ZTD预测模型研究. HKWS测站的预测结果表明:利用前13天数据预报第14天数据,区域、单站、组合模型ZTD预测的均方根误差（RMSE）分别为10.2 mm、10.4 mm、8.5 mm,组合模型相对于区域、单站模型预测精度分别提升了17.2%、18.4%.      

抗差卡尔曼滤波在矿山地表沉降监测中的应用研究

在实际地表沉降观测过程中,各种误差致使观测向量中粗差对状态滤波值产生影响。根据标准卡尔曼滤波理论导出了地表移动观测站数据处理的抗差卡尔曼滤波模型,将抗差卡尔曼滤波模型应用到淮南某矿开采沉陷地表监测站沉降监测数据处理中,对该矿地表沉降监测实例进行模拟计算,结果表明该模型能够有效减弱或消除观测值中粗差的影响,提高数据处理的可靠性,获得可靠的分析结果。     

InSAR技术结合深度学习的范围性地表沉降预测

针对InSAR技术所提取的太原市局部地区沉降数据因其波动性和非线性影响,直接进行机器学习难以达到理想的预测效果的问题,该文提出一种自适应噪声完整经验模态分解(CEEMDAN)样本熵和深度学习组合的范围性地表沉降预测模型。基于CEEMDAN算法将沉降信息分解为多个模态分量(IMF)并计算其样本熵,利用相近原则对IMF重构后运用深度学习(Bi-LSTM)进行预测,将各序列的预测值叠加得到总沉降预测值。实验结果表明：相比BP神经网络、极限学习机(ELM)等模型,该预测模型的均方根误差、平均绝对误差和平均绝对百分比误差至少降低38.45%、41.26%和43.57%。表明该模型能够更好把握波动性较大的沉降信息,提高预测精度,为范围性的地表沉降预测提供了一种新的方法。     

基于PSInSAR的水溶矿区沉降预测

针对水溶矿区地表沉降监测与预测中传统大地测量监测手段所获结果空间分辨率较低的问题,利用PSInSAR进行了水溶矿区地表沉降监测;基于PSInSAR监测结果,分别采用GM(1,1)灰色模型、BP神经网络模型和多项式拟合模型进行沉降预测;以均方误差和相关系数为精度的衡量标准,将预测结果与实际结果进行对比,分析了3种模型的预测精度。结果表明,针对某水溶性矿山,基于PSInSAR数据构建的GM(1,1)灰色模型预测精度最高,可通过该方法为矿区的开采提供良好的高空间分辨率的短期预测。     

滑坡位移EEMD-SVR预测模型

滑坡位移预测是滑坡灾害实时监测预警的重要组成部分,良好的滑坡位移预测模型有助于预测地质灾害发生。滑坡变形受多种外界因素影响呈现出随机性和非线性的特点,在现有的滑坡位移预测方法中,机器学习方法在滑坡位移预测中得到了广泛的应用。针对滑坡位移预测是趋势项位移和周期项叠加的特点,本文研究采用基于集成经验模态分解(EEMD)的滑坡趋势项和周期项位移提取方法,结合支持向量回归(SVR)模型实现对滑坡的位移预测。首先,详细介绍了该模型的构建过程和预测性能,并以均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和决定系数(R²)作为评估模型的预测性能指标。然后,分别利用EEMD-SVR、SVR、Elman模型对贵州省岩溶山区的一处滑坡进行位移预测,结果表明,EEMD-SVR模型连续1 d预测的RMSE值、MAPE值和R²值分别为0.648 mm、0.518%和0.996 8,可以提供更高可靠的滑坡位移预测精度,对同类滑坡的位移预测具有一定的参考价值。     

Landsat 9数据的地表温度反演算法优化

地表温度作为地表与大气之间能量交换的关键参数被广泛地用于众多领域。本文针对Landsat 9数据,优化了单窗算法模型和劈窗算法模型,实现了地表温度反演,并结合SURFRAD站点实测数据和地表温度产品进行了精度验证分析。结果表明：两种算法模型的确定系数均大于0.96,其中劈窗算法模型精度较高,误差(RMSE)值为1.45 K左右,单窗算法模型精度较低,误差(RMSE)值为1.61 K左右;劈窗算法模型相较于单窗算法模型对参数的敏感性较低,在高水汽含量范围内,劈窗算法模型的结果要优于单窗算法模型的结果;本文提出的地表温度反演方法结果与官方地表温度产品的误差(RMSE)值均在2.5 K以内,可满足热红外遥感数据生产地表温度产品的应用需求。     

基于InSAR技术和GS-SVR算法的矿区地表开采沉陷预计

我国西部黄土高原地区土质疏松,沟壑纵横,开采损害特征明显,准确预计开采引起的地表移动和变形趋势有助于为矿区灾害提供预警信息。文中以陕西彬长矿区某工作面为例,利用2007年7月—2008年1月的5幅SAR影像对矿区地面进行监测,将合成孔径雷达干涉测量(InSAR)技术得到的监测成果作为训练样本,与网格搜索算法(GS)优化支持向量机回归(SVR)参数算法结合,对矿区的形变点进行沉降预计。结果表明:InSAR技术获取矿区的沉降量可以满足矿区地表沉陷监测预计,结合GS-SVR预计模型可以实现矿区形变点的沉陷预计,预测精度符合工程的应用需求。     

改进的残差修正DGM(1,1)模型在煤矿地表沉降预测中的应用

针对传统大地测量技术难以实施大范围矿区形变监测以及传统开采沉陷预测方法在实际应用中存在的不足，提出时序合成孔径雷达干涉测量(InSAR)和改进的离散灰色马尔科夫模型相结合的方法对矿区地表形变进行监测和预测。使用鄂尔多斯市某矿区哨兵1号(Sentinel-1)数据提取地表形变监测结果，并与同时期的全球定位系统(GPS)监测数据进行对比。将沉陷监测结果作为原始序列建立残差修正的离散灰色马尔科夫模型，预测矿区沉降。研究结果表明：研究区域地表形变明显，残差修正的离散灰色马尔科夫模型能较为准确地预测矿区沉降结果。     

InSAR和改进支持向量机的沉陷预测模型分析

针对传统开采沉陷监测方法的缺陷和现有预测模型精度较低的问题,该文提出了一种基于SBAS-InSAR和差分进化混合灰狼优化算法(DEGWO)优化支持向量机回归(SVR)的预测模型,利用2018年10月-2020年3月的44景Sentinel-1A数据对陕西彬长矿区孟村煤矿进行开采沉陷监测,得到该矿区的年平均沉降速率和时间序列累积沉降值.SBAS-InSAR监测结果表明,该矿区年平均沉降速率最高达到了211 mm/a,最大累积形变量达到335 mm.用矿区GPS数据对InSAR处理结果进行验证,拟合效果较好.并将预测结果与传统SVR预测模型以及灰色GM(1,1)模型的预测结果进行对比,DEGWO-SVR模型的绝对误差、相对误差以及均方根误差,均为三者最小.说明了差分进化混合灰狼优化算法能够起到很好的参数优化效果,该方法优化的SVR预测模型能够在矿区开采沉陷预测中得到应用.     

基于CEEMD和LSTM方法的深基坑沉降变形预测

为了提升长短时记忆(LSTM)神经网络对深基坑沉降监测数据的预测效果，本文提出一种基于互补集合经验模态分解(CEEMD)、样本熵以及LSTM神经网络的组合基坑沉降预测模型。该组合沉降模型实现基坑沉降变形预测的关键步骤为：首先，使用CEEMD分解算法将基坑沉降序列分解为若干个本征模态函数(IMF);其次，重组相同特征的IMF分量；最后，使用LSTM神经网络预测重组后分量并叠加预测结果。使用某实测基坑数据进行实验，结果显示，本文提出组合预测模型预测结果的均方根误差、平均绝对误差以及平均绝对百分比误差较对比模型均更小，表明本文提出组合预测模型的预测精度更高，具有较好的非线性序列预测效果，为基坑沉降预测提供了一种新方法。     

基于多源数据融合预测沉降的方法

基坑施工过程中主要有地表沉降、地下管线沉降、锚杆应力、支护桩顶位移、支护桩体位移5项沉降监测项目,因此,沉降预测对评价基坑稳定性至关重要。由于5项监测项目之间互相关联、互相影响,因此,可通过灰色模型GM(1,N)融合其他几种监测项目的多源数据,实现对沉降数据的预测。通过实例计算,基于灰色模型GM(1,N)融合多源数据的方法适用于地下管线、锚杆应力和支护桩身3种数据的沉降预测。     

PALSAR和ASARPSI显著地表沉降探测与分析

永久散射体雷达干涉(PSI)已被广泛应用于城市缓慢沉降监测,但针对显著性地表沉降监测及PSI适用性的探讨较少。本文选取天津市与廊坊市城郊结合部的典型工业化城镇为研究区,分别以2007至2010年间的23幅L波段(23.6 cm)ALOS PALSAR影像和2007至2009年间的23幅C波段(5.6 cm)ENVISAT ASAR影像为数据源,使用基于相位空间相关性分析的PSI方法进行时空沉降提取,并对两个平台的结果进行对比分析和交叉验证。在此基础上,结合长短波SAR对沉降敏感性不同的特征探讨该PSI方法应用于显著沉降解算的可靠性,并结合地质条件及地下水开采信息对实验区沉降的时空分布进行深入分析和解释。研究表明,两平台的沉降结果十分吻合,在沉降漏斗区二者均方根误差(RMSE)为6.5 mm/a;实验区地表沉降呈现出显著的非均匀性,最大沉降速率超过200 mm/a,造成严重沉降的主要原因为地下水的大量开采;证实了PSI方法在显著地表沉降监测方面的有效性和可靠性。     

一种联合估计形变和大气误差的改进LiCSBAS方法

多时相InSAR(interferometric synthetic aperture radar)技术以其大范围、高时空分辨率、可以获取毫米级甚至亚毫米级形变信号等特点,被广泛应用于大范围地表沉降监测。针对目前时序分析在获取研究区影像和数据预处理上耗时量大的问题,利用LiCSAR(looking inside the continents from space with synthetic aperture radar)产品,采用时序分析新方法 LiCSBAS提高了解算效率。该方法采用整体干涉对质量检验和相位环闭合差,探测二维相位解缠存在的解缠误差,剔除相干性较低的干涉对和大误差像元。为了减弱大气误差的影响,利用通用型大气改正在线服务产品进行大气误差改正,并在此基础上提出了一种形变参数和大气相位联合估计方法。以成都平原地区和西部山区为例,获取2016—2020年共90景影像进行时序分析新方法实验研究。结果表明：（1）提出的联合估计算法在地形起伏明显地区可以有效地抑制大气误差的影响,同时在大气效应不明显的地区也不会错估而引入相位误差;（2）监测的大部分区域表现较为稳定,年际沉降形变速率...     

LSTM辅助车载GNSS/INS组合导航算法及性能分析

针对车载GNSS/惯性导航系统(inertial navigation system,INS)组合导航系统在GNSS信号失锁时定位精度下降甚至发散的问题，提出了一种长短期记忆(long short-term memory,LSTM)神经网络辅助组合导航的算法来提高定位精度，实现可靠连续稳定的定位.通过移动集成平台进行实验，结果表明：当GNSS信号失锁30 s时，LSTM辅助组合导航系统在东(east,E)、北(north,N)方向的位置误差最大值分别降低了77.45%、17.39%，均方根误差(root mean square error,RMSE)分别降低了79.53%、42.36%；当GNSS信号失锁100 s时，LSTM辅助GNSS/INS在E、N、天顶(up,U)三个方向上的位置误差最大值分别降低了60.07%、98.30%、84.65%,RMSE分别降低了61.96%、97.98%、84.65%. LSTM辅助较大地提升了车载GNSS/INS组合导航系统的导航性能.