基于时序InSAR与机器学习的大范围地面沉降预测方法

The Prediction Method of Large-Scale Land Subsidence Based on Multi-Temporal InSAR and Machine Learning

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

Key words

machine learning / time series prediction / empirical orthogonal functions / spatial modalities / neural networks / multi-temporal InSAR / land subsidence / hazards

基金资助

国家自然科学基金项目(41790445;41630640)

国家重点研发计划项目(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(SKLGP2023Z026)