融合SBAS-InSAR与CNN-GRU-ATT的公路边坡形变监测与预测

摘要

为提升公路边坡形变特征监测与预测的精确性,针对传统公路边坡监测方法难以实时预测且精度较低的缺陷,利用融合了小基线子集干涉合成孔径雷达(SBAS-InSAR)技术、卷积神经网络(CNN)、门控循环单元(GRU)及注意力机制(ATT)的公路边坡形变预测模型,实现公路边坡形变的监测和预测一体化.通过SBAS-InSAR技术处理的52组Sentinel-1A卫星数据监测广西天北高速公路的边坡动态形变过程,得到2022-2024年边坡的沉降时间序列.选取同时间的水准点测量结果进行对比,用ATT-CNN算法优化GRU网络模型预测边坡形变并计算预测精度.结果表明, SBAS-InSAR技术与水准点监测方法得到的形变趋势一致,拟合度较高,时序InSAR相对水准测量具有全天候、全时段及全方位的特性,且具有可回溯性. CNN-GRU-ATT模型在公路边坡形变预测时的最小均方根误差为0.59 mm,最小绝对误差为0.60 mm,优于其他传统预测模型.融合SBAS-InSAR与CNN-GRU-ATT模型可提升公路边坡形变特征监测与预测的精确性,有效监测和预测公路边坡的形变.

关键词

公路边坡 / SBAS-InSAR / 门控循环单元 / 注意力机制 / 形变预测

基金资助

国家自然科学基金项目(51774204); 辽宁省交通科技项目(202338); 辽宁省交通规划设计院有限责任公司开放基金项目(K-2408-010-01)