排序方式： 共有3条查询结果，搜索用时 15 毫秒
1
1.
采用SBAS-InSAR技术对43景Sentinel-1A影像进行处理,获取延安新区（北区）地表形变信息,并运用经验正交函数对结果进行分解,得到研究区域的时间系数和空间分布。结果表明,延安新区（北区）的最大沉降速率为-56 mm/a,最大抬升速率为32 mm/a。从第1模态可以看出,挖方、填方是造成地表抬升和沉降的主要原因;第2模态则反映了工程建设不同时期对应的不同地表形变状态,即加速、减缓、平稳3个阶段。 相似文献
2.
为提高地面形变监测的时空分辨率以及监测精度,采用CORS网与时序InSAR监测相融合的方法,对北京地区2018～2020年地面垂直方向形变进行研究。首先在InSAR监测量中去除极浅地表影响;然后对CORS站数据进行低频重构;最后以CORS网为基准,对InSAR监测时序进行整体平差,获得融合形变结果。结果表明,融合CORS网和InSAR监测能有效利用CORS网连续观测的优势,获取连续一致的高时空分辨率形变结果,融合方法在构建高分辨率与高精度地面形变时间序列中具有一定优势。在地面垂直方向上,朝阳区、通州区、大兴区中南部地面沉降最为明显,最大年平均形变速率达到-90 mm/a;昌平区中西部、海淀区西部、门头沟区东部等地存在较为明显的抬升,年平均形变速率约为10～20 mm/a;其他地区地面年平均形变速率约为-10～10 mm/a,相对变化较小,较为稳定。 相似文献
3.
为缓解城市交通压力,地铁工程的修建日益加快,但其施工、运营都会造成沿线地表沉降,为有效预防地表沉降引起的地质灾害。本文基于51景升轨Sentinel-1A卫星影像,应用差分干涉测量短基线集时序分析（SBAS-InSAR）技术获取青岛地铁三号线沿线地表形变信息,分析地铁沿线主要沉降区域的成因,并对沉降区域内的特征点使用小波分解、重构,对降噪后的形变时间序列进行了模拟和预测。发现了4个主要的沉降区域,其中青岛北站周边沉降最为严重,沉降速率为-10.42 mm/a。优化后的长短期记忆（LSTM）神经网络模型对形变时间进行预测,其精度比传统LSTM、多层前馈BP神经网络模型更优,证明该模型在城市地铁沿线的地质灾害预防中具有广泛应用价值。 相似文献
1