基于小基线子集的城市表面转变的分析和预测 交叉测量 合成孔径 雷达和飞搜索算法-卷积神经网络-长短记忆模型-长短记忆模型

科学领域:

• 地质科学 地质科学
• 环境科学 环境科学
• 遥感 遥感 遥感 遥感

背景情况:

• 城市化加剧了地质灾害,如土地沉降.
• 传统模型在时间序列变形数据中的复杂因果关系中扎.
• 温度和降水等环境因素对城市地面稳定性产生重大影响.

研究的目的:

• 开发和验证城市土地沉降的先进预测模型.
• 研究气象和地面温度因素对表面变形的影响.
• 为了比较新的SSA-CNN-LSTM模型与传统神经网络的性能.

主要方法:

• 利用了 2017 年 3 月至 2023 年 2 月的 Sentinel-1A 卫星数据.
• 应用了小基线子集干扰测量合成光圈雷达 (SBAS-InSAR) 技术用于时间序列变形分析.
• 开发了一个子搜索算法-卷积神经网络-长期短期记忆 (SSA-CNN-LSTM) 模型,包含温度,湿度和降水数据.

主要成果:

• 灰色相关性分析证实了六个环境因素对城市表面变形的贡献.
• 与多层感知器 (MLP) 和反向传播 (BP) 模型相比,SSA-CNN-LSTM模型显示出更高的预测准确性.
• 特性点A1,B1和C1的相关系数分别达到0.92,0.83和0.93,验证了该模型的有效性.

结论:

• SSA-CNN-LSTM模型在预测城市表面变形方面取得了重大进展.
• 环境因素在地面沉降的时空演变中起着至关重要的作用.
• 这项研究提供了监测和减轻城市地质危害的创新方法.