[发明专利]一种基于深度学习的大范围地面沉降时空预测方法和系统

说明书

本申请公开了一种基于深度学习的大范围地面沉降时空预测方法和系统，首先获取等时间间距的地面沉降数据，利用空间聚类算法进行空间分区，得到若干个同质子区域。对同质子区域的任意点目标进行空间建模，采用反距离加权方法获取点目标的时空特征邻域，然后获取点目标的训练样本和测试样本。在同质子区域中构建基于长短期记忆网络的时空预测模型，对模型进行训练，随后对时空预测模型进行测试后，对大范围地面沉降进行预测。通过处理InSAR技术获取的地面沉降数据，创新性地运用深度学习技术对大区域下的点目标做出预测，提高了现有地面沉降预测方法的精度与效率，减小了大速率、不均匀的沉降对人类生活造成的危害。

技术领域

本申请涉及城市地质灾害技术领域，特别涉及一种基于深度学习的大范围地面沉降时空预测方法和系统。

背景技术

随着城市化的快速发展，人类对自然资源的需求不断增加，煤、石油、天然气、地下水等自然资源的不断开采使得地面沉降问题变得越发严重，大速率、不均匀的沉降已经对人类生活造成了巨大的危害，地面沉降问题已成为世界性的地质问题。因此，开展大范围地面沉降预测预报分析，对国土空间规划、防灾减灾等具有重要的研究价值和现实意义。

现有的地面沉降预测方法可以分为三类：物理机制方法、数理统计方法和机器学习方法。基于物理机制的方法从沉降内部的物理演化过程出发，通过实地检测和实验的方式获取包含岩性特征、水文特征在内的一系列复杂的物理参数，进而，对地面沉降进行模拟与预测，由于各种参数的存在，该类方法通常需要做出严格的假设才能应用，这些假设有时可能会失效。第二类方法旨在构造明确的统计表达式来预测时空变量。第二类方法可以对任何已知的时空数据进行建模，但是，线性假设使其难以解决时空数据之间的非线性关系，另一方面，由于未考虑地下岩土介质的本构关系，该类方法通常难以推广。基于机器学习的方法是在计算机的运算下进行沉降特征的学习，该类方法不受研究区域地质及水文等复杂物理参数的限制，此外，他们不需要可解释的关系形式化在自变量和因变量之间。支持向量回归、人工神经网络、贝叶斯网络、迁移学习等经典的方法在沉降时间序列预测方面均取得了不错的效果。然而，由于特征选择困难或数据粒度的差异，现有的机器学习方法通常难以得到较高的预测精度，此外，虽然机器学习方法可以建模复杂的非线性时序关系，但是，他们并没有很好地处理时空异质现象，这导致一个普遍的问题是结果缺乏可解释性。

发明内容

（一）申请目的

基于此，为了充分顾及沉降特性在空间分布上的差异，发挥深度学习技术在非线性拟合问题上的优势，提高现有地面沉降预测方法的精度与效率，减小大速率、不均匀的沉降对人类生活造成的危害，本申请公开了以下技术方案。

（二）技术方案

本申请公开了一种基于深度学习的大范围地面沉降时空预测方法，包括：

获取等时间间距的大范围地面沉降数据；

利用空间聚类算法将研究区域进行空间分区，得到若干个同质子区域；

对所述同质子区域的任意点目标进行空间建模，采用反距离加权方法获取所述任意点目标的时空特征邻域，通过所述时空特征邻域获取点目标的训练样本和测试样本；

在所述同质子区域中构建基于长短期记忆网络的时空预测模型，并根据所述训练样本和测试样本对所述时空预测模型进行模型训练，获取网格搜索优化所得超参数，基于所述超参数对所述测试样本的集合重训练得到网络内部参数；

利用所述测试样本的集合基于期望时刻的预测样本输入，对大范围地面沉降进行预测。

在一种可能的实施方式中，所述地面沉降需满足InSAR技术的形变处理要求，即研究位置可以提取出稳定的点目标。

在一种可能的实施方式中，所述获取等时间间距的大范围地面沉降数据包括：

利用雷达进行监测获取雷达影像数据；