基于时序InSAR与机器学习的大范围地面沉降预测方法

地面沉降是由自然因素和人为因素综合作用下形成的地面标高损失,为预防这种累进性的缓变地质灾害,高效的大范围地面沉降预测显得尤为重要.现有的预测方法忽略了地面沉降的空间特征,且基于单点循环预测存在高耗时现象.针对上述问题,提出了一种基于时序InSAR与机器学习的大范围地面沉降预测方法.首先,利用SBAS-InSAR技术获取大范围的地面沉降时序信息;其次,采用经验正交函数(empirical orthogonal function,EOF)提取时序信息的空间模态及对应的主成分(principal components,PCs);最后,采用基于误差反馈的岭多项式神经网络(ridge polynomial neural network with error-output feedbacks,RPNN-EOF)模型训练与预测PCs,将预测结果重构回地面沉降时序.以延安新区2018年8月至2021年5月的84景Sentinel-1A数据为例,获取了新区的地面沉降时序.同时,EOF所提取的空间模态能清晰地表达整个新区的空间变化特征.预测结果显示,相较于传统点循环模式以及主流的时间序列预测方法,本文方法的均方根误差至少降低了22.7%,建模耗时至少降低了27.5%,因此该方法具有良好的实用性. 关键词: 机器学习 / 时间序列预测 / 经验正交函数 / 空间模态 / 神经网络 / 时序InSAR / 地面沉降 / 灾害