一种地表形变预测方法及系统技术方案

本发明专利技术公开了基于InSAR技术与行为特征深度学习的地表形变预测方法及系统，应用于InSAR技术的地表形变监测技术领域，获取影像数据，基于InSAR技术与3D

【技术实现步骤摘要】
一种地表形变预测方法及系统


[0001]本专利技术涉及InSAR技术的地表形变监测
，尤其涉及一种地表形变预测方法及系统。

技术介绍

[0002]矿产资源的过度开采容易破坏矿区地下地质结构，引发地表塌陷、滑坡、崩塌、泥石流、地裂缝、地面沉降和地面积水等事故，甚至导致矿区透水事故，造成严重的安全隐患甚至人员伤亡。通过对矿区长期、动态的沉降监测，对矿区沉降规律进行分析，可及时掌握矿区地质环境的破坏程度，从而针对实际情况制定相应的应急处理方案。因此，面对地面沉降问题，迫切需要监测、分析和预测地面沉降时空变化。受卫星传感器拍摄姿态等的影响，形变检测结果在局部地区常出现整体系统性偏移，而在整幅影像结果上表现为检测的结果有条带性噪声，直接影响了滑坡形变检测的精度和效率，限制了形变检测技术在大范围区域的应用。为了消除局部地区出现的形变检测偏差，以往的研究多在非滑坡地区，人工选取稳定区评估这种系统偏差，这种策略难以用于大区域上的偏差消除。
[0003]近年来，合成孔径雷达干涉测量(Interferometric Synthetic Aperture Radar,InSAR)技术被广泛用于地面沉降监测的应用。相比于传统大地测量技术(GPS、水准)的局部单点测量、空间分辨率低和成本高等缺点，永久散射体合成孔径雷达技术(Persistent Scatterer InSAR,PS
‑
InSAR)可以实现大范围、高精度、高密度和低成本的观测。但是对于地表形变的预测还没有一个成熟的解决方案。
[0004]因此，提出一种地表形变预测方法及系统，来解决现有技术中存在的困难，是本领域技术人员亟需解决的问题。

技术实现思路

[0005]有鉴于此，本专利技术提供一种地表形变预测方法及系统，针对实际风电场建立风功率预测模型，并按照中短期预测的要求，实现对风电场输出功率的高准确率的预测。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]基于InSAR技术与行为特征深度学习的地表形变预测方法，包括以下步骤：
[0008]S101：获取目标区域的合成孔径雷达影像及所述目标区域的合成孔径雷达影像的像素；
[0009]S102：对所述像素进行复数运算得到所述目标区域的干涉图，对所述干涉图进行降噪处理，得到去除条带噪声的干涉图；
[0010]S103：从所述去除条带噪声的干涉图中提取局部形变的范围，根据所述局部形变的范围对全部所述去除条带噪声的干涉图进行裁剪；
[0011]S104：利用时间序列合成孔径雷达干涉测量技术对裁剪后的所述去除条带噪声的干涉图进行处理，得到局部形变时序结果；
[0012]S105：将所述局部形变时序结果根据地理位置组成局部形变行为矩阵序列，并将
局部行为矩阵序列划分为拟训练数据集和测试数据集；
[0013]S106：构建基于行为特征深度学习的地表形变预测模型，输入拟训练数据集进行训练，得到训练后的基于行为特征深度学习的地表形变预测模型；
[0014]S107：输入测试数据集到所述训练后的基于行为特征深度学习的地表形变预测模型，输出测试数据集的各地理位置的地表形变预测值。
[0015]可选的，所述步骤S102中对所述像素进行复数运算得到所述目标区域的干涉图包括：通过所述像素获取所述目标区域的合成孔径雷达影像的相位差，以及对所述相位差进行灰度化计算以获取所述干涉图。
[0016]可选的，所述步骤S102中对所述干涉图进行降噪处理，得到去除条带噪声的干涉图包括：利用逐列统计分析与校正的噪声去除方法对所述干涉图进行自动校正条带噪声，得到去除条带噪声的干涉图。
[0017]可选的，所述S106中所述基于行为特征深度学习的地表形变预测模型包括3D
‑
CNN网络训练步骤和训练结束判定步骤；
[0018]所述3D
‑
CNN网络训练步骤：输入所述拟训练数据集，输出样本矩阵序列的各地理位置地表形变的预测值，根据输出的所述预测值和实际值通过损失函数进行误差分析，更改模型各个权重值；
[0019]所述训练结束判定步骤：判断所述误差分析是否达到预设的阈值，若为否，则返回拟训练数据集选取步骤；若为是，则结束所述3D
‑
CNN网络训练步骤，输出基于行为特征深度学习的地表形变预测模型。
[0020]可选的，所述3D
‑
CNN网络为：第一层为卷积层C1、第二层为池化层P2、第三层为卷积层C 3和第四层为全连接层F 4。
[0021]可选的，所述S101中获取目标区域的合成孔径雷达影像为所述目标区域的历史地表形变影像。
[0022]可选的，所述S105中，所述局部行为矩阵序列的前80％为所述拟训练数据集，所述局部行为矩阵序列的后20％为所述测试数据集。
[0023]基于InSAR技术与行为特征深度学习的地表形变预测系统，包括：数据获取模块、预处理模块、裁剪模块时序处理模块、矩阵构建和数据划分模块、3D
‑
CNN网络训练模块和基于行为特征深度学习地表形变预测模块；
[0024]所述数据获取模块，与所述预处理模块的输入端连接，用于获取目标区域的合成孔径雷达影像及所述目标区域的合成孔径雷达影像的像素；
[0025]所述预处理模块，与所述裁剪模块的输入端连接，用于对所述像素进行复数运算得到所述目标区域的干涉图，对所述干涉图进行降噪处理，得到去除条带噪声的干涉图；
[0026]所述裁剪模块，与所述时序处理模块的输入端连接，用于从所述去除条带噪声的干涉图中提取局部形变的范围，根据所述局部形变的范围对全部所述去除条带噪声的干涉图进行裁剪；
[0027]所述时序处理模块，与所述矩阵构建和数据划分模块的输入端连接，用于利用时间序列合成孔径雷达干涉测量技术对裁剪后的所述去除条带噪声的干涉图进行处理，得到局部形变时序结果；
[0028]所述3D
‑
CNN网络训练模块，与所述矩阵构建和数据划分模块的第一输出端连接，
用于输入所述拟训练数据集，输出样本矩阵序列的各地理位置地表形变的预测值，根据输出的所述预测值和实际值通过损失函数进行误差分析，更改模型各个权重值；判断所述误差分析是否达到预设的阈值，若为否，则返回拟训练数据集选取步骤；若为是，则结束所述3D
‑
CNN网络训练步骤，输出基于行为特征深度学习的地表形变预测模型；
[0029]所述3D
‑
CNN网络训练模块的输出端和所述矩阵构建和数据划分模块的输出端均与所述基于行为特征深度学习地表形变预测模块的输入端连接，用于输入所述测试数据集到所述训练后的基于行为特征深度学习的地表形变预测模型，输出所述测试数据集的各地理位置的地表形变预测值。
[0030]可选的，还包括与所述基于行为特征深度学习地表形变预测模块输出端连接的地表形变预测值输出模块，用于将得到的所述地表形变预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于InSAR技术与行为特征深度学习的地表形变预测方法，其特征在于，包括以下步骤：S101：获取目标区域的合成孔径雷达影像及所述目标区域的合成孔径雷达影像的像素；S102：对所述像素进行复数运算得到所述目标区域的干涉图，对所述干涉图进行降噪处理，得到去除条带噪声的干涉图；S103：从所述去除条带噪声的干涉图中提取局部形变的范围，根据所述局部形变的范围对全部所述去除条带噪声的干涉图进行裁剪；S104：利用时间序列合成孔径雷达干涉测量技术对裁剪后的所述去除条带噪声的干涉图进行处理，得到局部形变时序结果；S105：将所述局部形变时序结果根据地理位置组成局部形变行为矩阵序列，并将局部行为矩阵序列划分为拟训练数据集和测试数据集；S106：构建基于行为特征深度学习的地表形变预测模型，输入所述拟训练数据集进行训练，得到训练后的基于行为特征深度学习的地表形变预测模型；S107：输入所述测试数据集到所述训练后的基于行为特征深度学习的地表形变预测模型，输出所述测试数据集的各地理位置的地表形变预测值。2.根据权利要求1所述的基于InSAR技术与行为特征深度学习的地表形变预测方法，其特征在于，所述步骤S102中对所述像素进行复数运算得到所述目标区域的干涉图包括：通过所述像素获取所述目标区域的合成孔径雷达影像的相位差，以及对所述相位差进行灰度化计算以获取所述干涉图。3.根据权利要求1所述的基于InSAR技术与行为特征深度学习的地表形变预测方法，其特征在于，所述步骤S102中对所述干涉图进行降噪处理，得到去除条带噪声的干涉图包括：利用逐列统计分析与校正的噪声去除方法对所述干涉图进行自动校正条带噪声，得到去除条带噪声的干涉图。4.根据权利要求1所述的基于InSAR技术与行为特征深度学习的地表形变预测方法，其特征在于，所述S106中所述基于行为特征深度学习的地表形变预测模型包括3D
‑
CNN网络训练步骤和训练结束判定步骤；所述3D
‑
CNN网络训练步骤：输入所述拟训练数据集，输出样本矩阵序列的各地理位置地表形变的预测值，根据输出的所述预测值和实际值通过损失函数进行误差分析，更改模型各个权重值；所述训练结束判定步骤：判断所述误差分析是否达到预设的阈值，若为否，则返回拟训练数据集选取步骤；若为是，则结束所述3D
‑
CNN网络训练步骤，输出基于行为特征深度学习的地表形变预测模型。5.根据权利要求4所述的基于InSAR技术与行为特征深度学习的地表形变预测方法，其特征在于，所述3D
‑
CNN网络为：第一层为卷积层C1、第二层为池化层P2、第三层为卷...

【专利技术属性】
技术研发人员：程洋，王永，杨妍妨，
申请(专利权)人：中国地质科学院岩溶地质研究所，
类型：发明
国别省市：