InSAR监测数据的地表沉陷深度学习预测模型研究

来源：中国安全科学学报杂志2025年第S1期北京时间：

作者：李刚, 支梦辉, 李斌, 杨帆, 彭志伟, 李东亮

单位：1 山西晋煤集团技术研究院有限责任公司, 山西 晋城 048000；2 山西省地球物理勘探创新技术中心,山西 晋城 048000；3 辽宁工程技术大学 测绘与地理科学学院, 辽宁 阜新 123000；4 晋能控股集团晋圣松峪煤业有限公司, 山西 晋城 048200；5 晋能控股集团 赵庄煤业有限责任公司, 山西 晋城 048000

摘要：为研究地下采矿引发的地面沉降预测问题,以山西省晋城市阳城县为背景开展地表沉降监测与预测方法研究。首先,获取2018年1月至2020年12月期间的Sentinel-1 SAR影像(81景),结合数字高程模型(DEM)、大气校正在线服务(GACOS)及精密轨道数据,采用小基线集干涉合成孔径雷达(SBAS-InSAR)技术精细化监测区域地表形变情况,揭示其时序演化与空间分布特征(最大沉降速率达27.84 mm/a);然后,构建基于变分模态分解(VMD)与反向传播(BP)神经网络相结合的混合预测模型(VMD-BP);最后,将该模型预测性能与传统长短期记忆网络(LSTM)模型及变分模态分解与长短期记忆网络(VMD-LSTM)模型进行对比分析。结果表明:VMD-BP模型显著提升了预测精度,在测试点位(点位a)的均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分别低至0.278 01 mm、0.234 29 mm和0.39%,远优于LSTM及VMD-LSTM模型。

关键词：地面沉降,形变预测,小基线集干涉合成孔径雷达(SBAS-InSAR)技术,长短期记忆网络(LSTM)模型,变分模态分解-长短期记忆网络(VMD-BP)模型

基金资助：国家自然科学基金资助(50604009); 辽宁省教育厅科学技术研究项目(LJ2020JCL006); 自然资源部国土卫星遥感应用重点实验室资助项目(LSMNR-202107)