1.一种基于LiCSBAS-InSAR技术的地表形变监测与预测方法,其特征在于:包括以下步骤:步骤1,收集数据:使用Sentinel-1A卫星的雷达影像数据作为主要输入源;确定主要影响地面沉降的因子,并采集处理相关数据,包括监测地区的坡度,降雨量;
步骤2,在数据处理中采用GACOS大气校正技术对数据进行优化处理,以消除由大气层引起的潜在误差;
步骤3,结合LiCSBAS-InSAR技术和GACOS大气校正产品,能够从预处理过的数据中提取地面沉降信息,并将地面形变信息与栅格的降雨量数据、坡度数据进行处理得到主要影响地面沉降因子数据集;
步骤4,搭建CNN模型,将步骤3得到的降雨量和坡度因子数据集引入结合遗传算法,即GA和粒子群优化,即PSO算法改进的CNN神经网络,用于分析和处理地面沉降影响因素并预测未来沉降趋势的单元,通过遗传算法和粒子群优化算法进行参数优化CNN模型,具体为:GA算法优化的CNN模型为:将CNN模型的超参数,包括卷积层数、每层的卷积核数量、学习率与批次大小编码成染色体,然后随机生成一组初始种群,每个个体代表一种超参数组合,定义MSE作为适应度函数,验证模型在测试集上的性能,利用轮盘赌法选择较优的个体进行交配,并进行变异操作和交叉操作生成新一代种群,重复上述步骤,直至达到预定的迭代次数或满足停止条件,最终找到的最优超参数组合用于训练最终的CNN模型,并在测试集上进行评估;
PSO算法优化的CNN模型为:将CNN模型的超参数表示为粒子的位置向量,随机生成一组粒子,初始化它们的位置和速度,定义MSE作为适应度函数,验证模型在测试集上的性能,然后记录每个粒子找到的最佳位置,即个体极值和整个粒子群的最佳位置,即全局极值,然后利用一下公式进行速度和位置更新v
x
其中i=1,2,…,N,N是此群中粒子的总数;v
计算每个粒子的新适应度值,并更新个体极值和全局极值,重复速度和位置更新,直至达到预定的迭代次数或满足停止条件;
步骤5,通过数据集对CNN模型进行训练,调整模型的超参数,获取最佳的模型,通过数据集对CNN模型进行训练,调整模型的超参数,获取最佳的模型,具体为:将利用ArcGIS软件多值提取至点的工具将降雨量、坡度和地面形变数据与相关的经纬度相匹配的数据集划分为训练集、验证集和测试集,并使用ResNet网络结构构建CNN模型,选择Sigmoid作为激活函数,均方误差作为损失函数,将数据集输入CNN模型中,通过调整学习率、批量大小、卷积核大小、卷积层数和权重衰减超参数数据,并通过梯度下降更新网络的权重,获取最大的超参数组合获得更好的性能和泛化能力。
2.根据权利要求1所述的一种基于LiCSBAS-InSAR技术的地表形变监测与预测方法,其特征在于:数据收集,包括Sentinel-1A卫星的雷达影像数据,研究区的数字高程模型及其降雨量数据。
3.根据权利要求1所述的一种基于LiCSBAS-InSAR技术的地表形变监测与预测方法,其特征在于:步骤2中所述GACOS大气校正技术优化数据处理,具体为:收集大气数据包括温度、湿度和压力信息;建立大气模型,包括大气延迟和大气湿度参数;最后进行大气校正和优化干涉图像,使用GACOS大气校正技术可以有效提高InSAR数据处理的效率和准确性,为地面形变监测和预测提供可靠的数据支持。
4.根据权利要求1所述的一种基于LiCSBAS-InSAR技术的地表形变监测与预测方法,其特征在于:步骤3中,InSAR数据处理及制作主要影响地面沉降因子数据集,具体为:InSAR数据处理主要利用LiCSBAS-InSAR技术,确定主要影响地面沉降的因子为降雨量和坡度并获取相关数据并制作数据集,结合多种数据源,包括卫星数据、雷达数据和地面气象站数据获取地面的降雨量数据;利用数字高程模型,利用ArcGIS软件处理DEM数据获取该地区的坡度数据,将栅格的降雨量数据、坡度数据、地面形变监测数据,利用ArcGIS软件多值提取至点工具将降雨量、坡度和地面形变数据与相关的经纬度相匹配。
5.根据权利要求1所述的一种基于LiCSBAS-InSAR技术的地表形变监测与预测方法,其特征在于:步骤5中,模型性能评估,具体为:使用测试集对模型的性能进行评估,使用均方根误差、平均绝对误差、均方误差和决定系数的任意测量指标来评价模型精度。