| 长短时记忆网络TS-InSAR地表形变预测 |
| |
| 引用本文： | 陈毅,何毅,张立峰,陈宝山,何旭,蒲虹宇,曹胜鹏,高丽雅,杨旺.长短时记忆网络TS-InSAR地表形变预测[J].遥感学报,2022,26(7):1326-1341. |
| |
| 作者姓名： | 陈毅 何毅 张立峰 陈宝山 何旭 蒲虹宇 曹胜鹏 高丽雅 杨旺 |
| |
| 作者单位： | 1.兰州交通大学 测绘与地理信息学院, 兰州 730070;2.地理国情监测技术应用国家地方联合工程研究中心, 兰州 730070;3.甘肃省地理国情监测工程实验室, 兰州 730070 |
| |
| 基金项目： | 中国博士后科学基金面上基金（编号：2019M660092XB）；甘肃省科技计划资助（编号：20JR2RA002）；甘肃省自然科学基金（编号：20JR10RA249）；甘肃省青年科学基金（编号：20JR10RA272）；兰州交通大学-天津大学创新项目基金项目（编号：2020055）；兰州交通大学优秀平台（编号：201806）；嘉峪关市主城区地表沉降InSAR监测系统（编号：221296） |
| |
| 摘 要： | 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。
|
| 关 键 词： | 遥感 地面沉降 TS-InSAR 地表形变预测 深度学习 LSTM |
| 收稿时间： | 2021/7/5 0:00:00 |
Surface deformation prediction based on TS-InSAR technology and long short-term memory networks |
| |
| CHEN Yi,HE Yi,ZHANG Lifeng,CHEN Baoshan,HE Xu,PU Hongyu,CAO Shengpeng,GAO Liy,YANG Wang.Surface deformation prediction based on TS-InSAR technology and long short-term memory networks[J].Journal of Remote Sensing,2022,26(7):1326-1341. |
| |
| Authors: | CHEN Yi HE Yi ZHANG Lifeng CHEN Baoshan HE Xu PU Hongyu CAO Shengpeng GAO Liy YANG Wang |
| |
| Institution: | 1.Faculty of Geomatics, Lanzhou Jiaotong University, Lanzhou 730070, China;2.National-Local Joint Engineering Research Center of Technologies and Applications for National Geographic State Monitoring, Lanzhou 730070, China;3.Gansu Provincial Engineering Laboratory for National Geographic State Monitoring, Lanzhou 730070, China |
| |
| Abstract: | |
| |
| Keywords: | remote sensing land deformation TS-InSAR surface deformation prediction deep Learning LSTM |
|
| 点击此处可从《遥感学报》浏览原始摘要信息 |
| 点击此处可从《遥感学报》下载免费的PDF全文 |
|
