ConvLSTM神经网络的时序InSAR地面沉降时空预测

作者：何毅; 姚圣; 陈毅^*; 闫浩文; 张立峰

来源：武汉大学学报(信息科学版), 2023, 1-21.

DOI：10.13203/j.whugis20220657

• 地面沉降
• 时序InSAR
• 时空预测
• ConvLSTM

现有地面沉降时空预测方法存在时序特征捕捉能力差，未顾及空间邻域特征等问题，导致地面沉降时空预测的可靠性差。本研究提出了一种能够捕捉时序特征和空间邻域特征的卷积长短时记忆(Convolutional Long Short-term Memory， ConvLSTM)神经网络地面沉降时空预测方法。选取北京首都国际机场作为研究区，首先基于差分干涉测量短基线集时序分析技术(Small Baseline Subset Interferometric Synthetic Aperture Radar，SBAS-InSAR)，利用Sentinel-1A影像获取北京首都国际机场的地面沉降时空InSAR数据，接着构建ConvLSTM的地面沉降时空预测模型，最后模拟预测该区域未来一年的地面沉降。利用永久散射体干涉测量(Persistent Scatterer InSAR，PS-InSAR)，SBAS-InSAR技术结果和水准点数据交叉验证了时序InSAR结果的可靠性。时序InSAR地面沉降数据采用滑动窗口进行数据分割形成多对一数据集模式。结合小波变换和评价指标确定时空预测模型的最佳时间步长，建立时序InSAR地面沉降的ConvLSTM时空预测模型。其预测结果和真实结果的拟合度R2达到0.997。同时基于图像评价指标结构相似性(Structural Similarity，SSIM)和多尺度结构相似性(Multi-Scale Structural Similarity，MS-SSIM)进一步评价了模型的性能，SSIM和MS-SSIM分别达到了0.914、0.975。此外，与支持向量回归(support vector regression，SVR)、多层感知器(multilayer perceptron，MLP)、卷积神经网络(Convolutional Neural Network，CNN )和长短时记忆神经网络(Long-Short Term Memory，LSTM)模型进行了对比分析，各项指标均揭示出本文提出的模型最优。采用提出的ConvLSTM地面沉降时空预测模型预测到2022年11月北京首都国际机场最大累积沉降量将达到157 mm。本研究可为城市地面沉降早期预防提供关键技术支撑。

• 单位
  兰州交通大学