联合LiCSBAS和机器学习的昆明市地面监测和预测

针对InSAR在数据处理过程中存在对流层延迟误差、解缠误差及处理大范围区域数据需要消耗大量时间和磁盘空间的问题，本文首先利用LiCSBAS和GACOS产品对2016年9月16日至2021年5月5日昆明市134景Sentinel-1升降轨影像进行数据处理，获取昆明市主城区沉降信息，在此基础上得到5个典型地表沉降区并分析其时空分布特征；然后利用深度森林和长短期记忆网络模型进行时序值的预测，引入绝对误差(ε)、均方根误差(RMSE)、纳什系数(NSE)对模型进行评价，深度森林和长短期记忆模型得到的ε均在4 mm以内，RMSE值分别为0.70和3.01,NSE值分别为0.92和0.81。结果表明，深度森林预测模型效果较好，联合LiCSBAS和机器学习模型的城市地表监测和预测的方法可以为今后开展地面沉降监测和灾害预警提供参考。     

时序InSAR郑州地铁沿线地面沉降分析

针对郑州市地铁网络缺少长时间序列的地面沉降研究,本文基于永久散射体合成孔径雷达干涉测量PS-InSAR（Persistent Scatterers Interferometric Synthetic Aperture Radar）技术生成的长周期地面沉降数据分析了郑州市地铁沿线地面沉降的时空特征,并通过反距离内插等距化处理,基于长短期记忆网络LSTM（Long Short-Term Memory）模型对典型地铁站点地面沉降进行了预测与分析。研究结果表明：空间上,沉降路段主要集中在1号线和5号线的东段,最大沉降速率超过20 mm/a,且1号线沿线不均匀形变较为突出;时间上,不同区域PS点在时间序列上的变化有较大不同,沉降槽中心处沉降呈逐年扩大趋势。实验表明LSTM模型具有较高的预测精度,预测发现1号线市体育中心站南边河南省档案馆新馆北侧未来两年里仍将以大约0.5 mm/月的速率继续沉降,有必要对该站及其附近继续监测。     

灰色预测模型在地面沉降中的应用

城市地面沉降已经成为城市发展的严重制约因素,很多城市都在积极采取控制沉降的措施.地面沉降趋势的预测可为地面沉降防控提供数据参考.本文基于天津某地区沉降监测数据,采用灰色理论建立GM(1,1)模型对沉降趋势进行预测.结果 显示,利用灰色模型预测地面沉降具有较高的精度,能够在地面沉降的预测研究中发挥作用.     

利用InSAR与地质数据综合分析南京河西地面沉降的演化特征和成因

河西地区是南京市重点发展区域,近年来遭受了严重的沉降地质灾害。为保证该区域可持续发展,利用永久散射体雷达干涉测量(persistent scatterer interferometric synthetic aperture radar,PS-InSAR)技术监测南京河西不均匀地面沉降,并对成因进行分析。首先,根据ALOS PALSAR和COSMO-SkyMed影像,采用PS-InSAR技术获取河西2007—2016年地面沉降信息,结果与同期水准数据一致,均方根误差(root mean square error, RMSE)不超过2.6 mm/a。其次,结合地质条件、分层沉降和地下水位资料对沉降成因进行分析,结果表明浅部地层的固结压缩是导致河西地区大面积不均匀沉降的主因。在此基础上,利用熵值法综合评估不均匀地面沉降对地铁结构健康的影响,结果表明,当主要沉降土层位于隧道下方时,地面沉降可能对地铁结构稳定性产生影响。     

灰色精化模型应用于地面沉降预测

地面沉降是一个复杂的过程,较难建立准确的预测模型。传统灰色模型不能处理沉降观测值序列中的异常点,对于波动大的原始数列也没有精确预测,针对其背景值取值方法的不足,建立一种精化灰色模型(JGM(1,1)模型),分析预测结果和精度,表明该模型具有较高的预测精度和可靠性。     

L ogistic 模型在地面沉降预测中的应用

随着城市大规模工程建设的开展,由此引发的地面沉降对区域生态环境、基础设施的影响不容忽视,地面沉降预测与控制是亟待深入研究的重要课题。研究表明,地面沉降基本经历发生、发展、成熟,最后到达一定极限沉降量的过程,这与Logistic模型反映事物的发展规律非常接近。文中建立地面沉降量Logistic预测模型,以某地区地面沉降实测数据为例进行定量模拟预测,结果表明,Logistic预测模型能很好的拟合沉降量—时间关系曲线,而且能够对地面沉降进行较为准确的预测。     

长短时记忆网络TS-InSAR地表形变预测

预测地面沉降对于城市基础设施损害的早期预警和及时采取补救措施具有重要意义。本文提出基于时序InSAR数据采用长短时记忆网络（LSTM）模型来预测地面沉降。以香港国际机场为研究区域,基于Sentinel-1A升轨影像利用时序雷达干涉技术（TS-InSAR）获取2015年—2020年机场时序地面沉降监测InSAR结果;利用机场时序InSAR形变结果建立堆叠式LSTM预测模型,并将预测结果与InSAR真实结果进行对比分析。结果表明,2015年—2020年香港国际机场地表垂直方向的平均形变速率为-19—5 mm/a。预测值与真实值的拟合均方根误差和平均绝对误差均较低,分别为0.75 mm和0.61 mm,同时其相关系数为0.99,表明LSTM预测模型在点级尺度上具有良好的性能,能够基于时序InSAR数据较准确预测地面沉降。但预测过程中发现,LSTM模型不适合长期预测,长期预测会出现失效性。本文提出的堆叠式LSTM预测模型可以作为一种有效方法来预测地表形变,尽管LSTM模型只是适用于短期预测,但其预测结果可用于辅助决策、早期预警和减轻危害。     

InSAR填海区地铁沿线地表沉降反演分析

为了更好地监测和掌握深圳填海区地铁工程结束后地铁沿线的地面沉降情况,该文利用TS-InSAR技术和20景2017年8月15日—2019年3月14日的Sentinel-1A SAR数据,借助POD精密定轨星历和ASTER GDEM V2分别去除轨道误差和地形相位,反演了深圳填海区2017—2019年地表沉降时间序列,并在此基础上重点分析了填海区地铁沿线地面沉降的时空演变规律以及地面沉降成因。结果显示,填海区各地铁沿线的地面沉降特征较为明显,最大沉降速率为-17.52 mm/a。其中,宝安中心、前海湾、深圳湾区段地铁沿线的地面沉降趋势较为严重,其地面沉降呈现逐渐增强和扩散趋势。     

多项式分布滞后模型在地面沉降预测中的应用

介绍多项式分布滞后模型(PDL模型)建立过程,针对地面沉降相对于地下水水位变化的滞后作用,建立考虑滞后作用的多项式分布滞后预测模型,应用该模型对某地区地面沉降实测数据进行模拟预测,并评价模型各项指标。实例分析表明,PDL模型应用到地面沉降变形趋势具有预测精度高、拟合效果好的特点,可以有效实现地下水水位变化导致地面滞后性沉降的定量模拟和预测。     

基于灰色模型的地铁运营期轨行区沉降预测研究

针对运营期地铁结构内的轨行区部分沉降的成因进行了阐述,以南京地铁二号线部分区间沉降监测为例,介绍了基本监测方法和监测点布置情况。在论述GM(1,1)灰色模型生成原理的基础上,研究了模型精度及模型拟合程度评定方法,提出了采用GM(1,1)灰色模型对轨行区沉降进行预测研究,分析了实测结果与预测结果的残差,比较了不同模型的预测效果。计算实例表明,该模型预测精度高,所需数据少,简单实用,在中短期预测方面效果良好;并创新开发了预报的手机和网页终端,提出了短信报警预警值的分类等级。预测模型和预警软件开发方法值得在地铁轨行区沉降预测中推广。     

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。     

组合预测模型在武汉市地铁施工监测中的应用

以武汉市地铁6号线施工沉降监测为例,利用多种预测模型对第十一标段武胜路站—汉正街站区间的沉降量进行了预测。通过对比分析可知,灰色GM(1,1)模型的拟合值与实地观测趋势大致吻合,但灰色线性回归组合预测模型的拟合效果更好,平均相对误差可达2.564×10~(-3)%。为得到精度更高、鲁棒性更好的预测模型,对灰色线性回归组合预测模型进行了加权优化。结果表明,利用改进模型进行预测的平均相对误差为1.769×10~(-3)%,验证了该模型的可靠性,对地铁施工过程中的安全稳定性评价具有一定的参考价值。     

地铁施工段地表沉降组合预测模型研究

为解决地铁施工段地表沉降随机波动较大对预测模型造成扰动的问题,提出了一种组合预测模型。首先利用Mallat算法对沉降序列进行分解和重构,分解并重构出非平稳时间序列中的平滑分量和细节分量;然后,对平滑分量用灰色模型进行拟合与初步预测,对细节分量则引入马尔可夫模型进行预测;最后,将各模型的预测结果进行叠加,从而得到原始沉降序列的预测值。该方法能充分拟合平滑分量数据,而且可避免对细节分量的过拟合,防止随机波动较大值造成模型的整体偏离。通过实例验算得出该模型具有很好的预测精度。     

基于GA-SVR的地铁隧道沉降预测

利用支持向量回归(SVR)和遗传算法(GA)参数寻优,建立了基于GA-SVR的地铁隧道沉降预测模型,可提高地铁隧道沉降预测的精度。利用长期实测的地铁结构监测数据对SVR模型进行训练,并通过GA优化SVR模型的3个参数;利用训练模型均方误差结合留一交叉验证的方法确定GA的适应度。基于南京地铁2号线隧道结构沉降实测数据,将预测值与实测值进行了对比分析。结果表明,该模型预测的地铁隧道沉降预测值准确、可靠,其精度能满足工程实际要求。     

佛山地铁沿线时序InSAR形变时空特征分析

佛山作为中国珠三角地区经济和城市化高速发展的城市,由于其脆弱的地质水文条件,长期遭受地面沉降灾害的影响。同时,该区域地铁作为缓解城市交通压力的重要工具,其施工和运行所导致的地面沉降也影响了人们的生命财产安全。但目前针对佛山地区相关的系统研究不多,对地铁沿线的沉降规律认识不足。利用Sentinel-1数据监测了2015-06至2018-09间佛山市的形变信息,结果表明,佛山市地表形变呈零星分布,未出现大范围的沉降漏斗,形变速率为-20~5 mm/a,局部区域的沉降速率超过-30 mm/a。地面沉降主要与不稳定的地质结构、地下水抽取和局部区域工程施工有关。基于获得的形变结果,对佛山市地铁沿线的形变情况进行了研究,并对2018年佛山市地铁坍塌事故路段的沉降情况进行了详细分析,阐述了在空间分布上地铁沿线沉降差异的成因,并在时间上对地铁沿线的形变进行了模型参数反演。研究工作为今后当地政府开展地表形变普查、沉降灾害预警提供了参考,并为地铁正常运行与维护的安全监测提供了理论依据。     

PSO优化LSTM时间序列的桥梁变形预测

针对长短时记忆网络(LSTM)模型的桥梁变形预测存在精度低，预测效果能力弱等问题，利用粒子群算法(PSO)对LSTM模型的参数进行优化，提出PSO优化LSTM神经网络的桥梁位移预测模型。工程实例数据分析结果表明：与LSTM模型和反向传播(BP)神经网络模型进行对比分析，在拟合能力方面等具有改进效果，所建模型的均方根误差为3.68 mm、平均绝对误差为1.47 mm,进而验证了本文模型在桥梁位移预测的可行性和有效性。     

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%.      

基于经验模态分解和BP神经网络的地铁沉降预测模型研究

地铁沉降是一个非线性的复杂过程,基于经验模态分解(EMD)和BP神经网络预测模型,建立了一种可供地铁沉降监测预测的EMD-BP神经网络预测模型。新建模型首先利用经验模态分解法对原始观测数据序列进行预处理,形成本征模态分量IMF,再根据每个IMF的变化特征,研究选择合适的参数构造BP神经网络,计算预测对应IMF,最后进行重构获得地铁沉降的预测结果。实验分析结果表明,EMD-BP神经网络模型预测精度和稳定性优于单一BP神经网络模型。     

基于灰色支持向量机的地铁沉降滚动预测

为了确保地铁隧道主体结构和周边环境安全,必须对地铁隧道结构进行沉降监测,对监测数据进行及时分析与反馈,并对以后的沉降情况作出预测,对防止事故发生有着重要的现实意义。本文结合灰色系统理论和支持向量机(SVM)的基本原理,采用滚动预测的方式建立灰色支持向量机沉降预测模型,以提高沉降预测精度。通过工程实例的预测结果对比表明,组合模型与灰色和SVM两个单独预测模型相比能够更准确的反映实际的沉降过程,具有很大的应用价值。     

AM-LSTM网络的北京平原东部地面沉降模拟

基于传统数值方法构建的地面沉降模拟预测模型需要大量的水文地质数据和实测数据,对于地质条件复杂地区的形变模拟预测难度大。本文基于PS-InSAR技术获取的北京平原东部地区的地面沉降信息,综合考虑不同层位地下水水位对沉降的影响,采用基于注意力机制的长短时记忆网络（AM-LSTM）对不同沉降发育地区典型位置处的地面沉降进行模拟。结果表明：（1）研究区地面沉降空间差异性明显,2010年11月—2016年8月最大沉降速率约153 mm/a,累计沉降量达到1063 mm,位于朝阳区三间房乡附近;（2）基于AM-LSTM模型的模拟精度优于传统LSTM模型,本次模拟精度最高提升了22%;（3）AM-LSTM模型注意力权重表明,第二承压含水层水位对地面沉降贡献最大。本次研究能够为地面沉降防控提供可靠的技术支撑。