利用InSAR和网络模型的昆明地铁沿线形变预测

作者：李洋洋; 左小清^*; 肖波; 董玉娟

来源：测绘科学, 2023, 48(01): 100-126.

DOI：10.16251/j.cnki.1009-2307.2023.01.012

• 地铁沉降
• SBAS-InSAR
• LSTM模型
• XGBoost模型
• Deep Forset模型
• 预测

针对在地铁建设和运营中容易引起地面沉降，给人民生命财产安全造成威胁的问题，该文利用SBAS-InSAR对2018年7月—2019年12月昆明市41幅Sentinel-1A升降轨影像进行处理，获取昆明地铁沿线沉降信息。在此基础上，分析了6条地铁沿线200 m缓冲区地表沉降的时空分布特征，并结合LSTM、XGBoost、Deep Forset模型进行时间序列值的预测，引入绝对误差(ε)、均方根误差(RMSE)、纳什系数(NSE)对模型进行对比评价。Deep Forest预测模型计算得到的RMSE值最小，NSE值最大，分别为0.21、0.94,结果表明，Deep Forest预测模型效果高于LSTM、XGBoost预测模型。因此，利用Deep Forest模型能够有效地对地铁沿线进行沉降预测，可以为政府部门今后开展地铁沿线地面沉降监测和灾害预警提供参考。

• 单位
  建筑工程学院; 云南交通职业技术学院; 昆明理工大学