基于SBAS-InSAR 和CNN-GRU 模型的采动村庄
地表沉降监测预计
陈 月, 王 磊, 池深深, 王 羽, 戚鑫鑫, 朱尚军
2025, 54(2):
138.
摘要
(
27 )
PDF (2357KB)
(
26
)
相关文章 |
计量指标
采动村庄地表沉降对居民生产生活存在潜在威胁,为实现采动村庄地表沉降监测预测一体化,采用小
基线差分干涉测量(Small Baseline Subset Interferometric Synthetic Aperture Radar,SBAS-InSAR)技术进行采动村庄地表
沉降监测,获取地表形变量,分析形变规律,进而构建一种融合卷积神经网络(Convolutional Neural Networks,CNN)和
门控循环单元(Gated Recurrent Unit,GRU)的CNN-GRU 模型,利用时序沉降数据实现采动村庄地表沉降精准预测。
以山西省某矿区村庄为例,利用60 景Sentinel-1A 影像,采用SBAS-InSAR 技术获取地表形变信息,基于CNN-GRU 模
型对地表采动沉降量进行了预测。研究表明:① 研究区域内总体呈现下沉趋势,采动村庄东部下沉现象较为严重,最
大下沉速率为72 mm/ a,最大地表沉降量达到183 mm;② CNN-GRU 模型均方根误差(Root Mean Square Error,
RMSE)、平均绝对误差(Mean Absolute Error,MAE)均在1 mm 以内,相对于GRU 和长短期记忆神经网络(Long Short-
Term Memory,LSTM)模型,,CNN-GRU 模型各项指标均最优。研究反映出,所提模型有助于实现采动村庄地表沉降监
测与预测的一体化,可为采动村庄灾害预防提供参考。