摘要

針對(duì)傳統(tǒng)地表形變監(jiān)測(cè)方法監(jiān)測(cè)點(diǎn)稀疏、監(jiān)測(cè)精度不高，以及現(xiàn)有預(yù)測(cè)模型存在的問(wèn)題，提出了一種基于分布式目標(biāo)合成孔徑雷達(dá)干涉測(cè)量(DS-InSAR)技術(shù)，并融合局部加權(quán)回歸算法(LOESS)和門控循環(huán)單元(GRU)的地面沉降監(jiān)測(cè)與預(yù)測(cè)方法：使用DS-InSAR方法提取地表時(shí)序沉降信息；使用LOESS算法將原始沉降分解為趨勢(shì)項(xiàng)和殘余項(xiàng)獲取數(shù)據(jù)的動(dòng)態(tài)特征；使用GRU模型獲得地面沉降的預(yù)測(cè)值。以廣域沉降區(qū)內(nèi)某鐵路沿線為研究對(duì)象完成了實(shí)驗(yàn)驗(yàn)證。結(jié)果表明：DS-InSAR與水準(zhǔn)監(jiān)測(cè)形變平均絕對(duì)誤差為8.1 mm,與水準(zhǔn)監(jiān)測(cè)一致度較高；LOESS-GRU組合模型的預(yù)測(cè)值與監(jiān)測(cè)值間最大決定系數(shù)為0.8,平均絕對(duì)誤差最小為3.4 mm,最小均方根誤差為4.5 mm。該預(yù)測(cè)方法在計(jì)算效率和預(yù)測(cè)精度方面均有提升，研究成果為保障鐵路設(shè)施的安全運(yùn)營(yíng)提供了重要參考。

引用

[1] 國(guó)計(jì)鑫,張建陽(yáng),施光虎,等. 鐵路沿線地表形變時(shí)序InSAR監(jiān)測(cè)與預(yù)測(cè)方法研究[J]. 測(cè)繪科學(xué), 2025, 50 (05): 124-132.

引言

截至2023年底，我國(guó)鐵路運(yùn)營(yíng)里程達(dá)15.9萬(wàn)千米，其中高速鐵路里程4.5萬(wàn)千米，穩(wěn)居世界第一 [1] 。隨著我國(guó)鐵路設(shè)施的快速發(fā)展，人們?nèi)找骊P(guān)注鐵路建設(shè)與運(yùn)營(yíng)的安全性。對(duì)鐵路及其沿線地表進(jìn)行長(zhǎng)時(shí)間、高精度的變形監(jiān)測(cè)與預(yù)測(cè)是保障鐵路設(shè)施安全運(yùn)營(yíng)的重要手段之一。

傳統(tǒng)變形監(jiān)測(cè)方法雖然能夠取得較高的精度，但存在工作量大、成本高且在困難地區(qū)難以布設(shè)監(jiān)測(cè)點(diǎn)等問(wèn)題，并且由于監(jiān)測(cè)點(diǎn)的布設(shè)均依照點(diǎn)、線進(jìn)行，因此監(jiān)測(cè)結(jié)果無(wú)法全面反映區(qū)域的變形情況。時(shí)序干涉合成孔徑雷達(dá)(interferometric synthetic aperture radar, InSAR)技術(shù)通過(guò)對(duì)同一觀測(cè)區(qū)域的多期InSAR數(shù)據(jù)進(jìn)行差分干涉處理，可以高效提取高精度地表形變信息 [2] ,較好的解決了傳統(tǒng)方法存在的問(wèn)題。

目前，對(duì)地表形變的預(yù)測(cè)主要有兩大類方法：基于數(shù)理統(tǒng)計(jì)的方法 以及基于機(jī)器學(xué)習(xí)的方法。本文基于GRU模型和局部加權(quán)回歸算法(locally weighted regression, LOESS)構(gòu)建了基于LOESS分解與重構(gòu)的形變預(yù)測(cè)模型(LOESS-GRU模型),該模型通過(guò)LOESS算法對(duì)原始序列數(shù)據(jù)進(jìn)行分解，提高了模型對(duì)非平穩(wěn)序列的適應(yīng)能力進(jìn)而提高模型的預(yù)測(cè)精度。以某鐵路為案例，利用PS-InSAR和DS-InSAR對(duì)覆蓋某鐵路的65景Sentinel-1A SAR數(shù)據(jù)處理分析，獲取了該研究區(qū)的沉降速率和沉降序列值，并分析了鐵路沿線及周邊區(qū)域的沉降，最后使用本文構(gòu)建的LOESS-GRU模型對(duì)沉降序列值進(jìn)行預(yù)測(cè)。

主要圖表

圖1 GRU網(wǎng)絡(luò)模型結(jié)構(gòu)示意圖

圖2 某鐵路沿線年平均形變速率分布

圖3 雄安新區(qū)地?zé)崽锓植紙D [25]

圖4 某鐵路沿線沉降時(shí)序變化

圖5 水準(zhǔn)點(diǎn)位置圖

圖6 DS-InSAR監(jiān)測(cè)結(jié)果與水準(zhǔn)對(duì)比圖

圖7 P2點(diǎn)沉降序列分解圖

圖8 基于LOESS-GRU模型的典型點(diǎn)位沉降預(yù)測(cè)結(jié)果

圖9 LOESS-GRU模型預(yù)測(cè)誤差

結(jié)束語(yǔ)

本文基于DS-InSAR方法對(duì)某鐵路沿線地表進(jìn)行了長(zhǎng)時(shí)序沉降監(jiān)測(cè)，并結(jié)合水準(zhǔn)觀測(cè)數(shù)據(jù)對(duì)InSAR監(jiān)測(cè)結(jié)果進(jìn)行了驗(yàn)證。最后，使用提出的LOESS-GRU神經(jīng)網(wǎng)絡(luò)組合模型對(duì)地表形變進(jìn)行了預(yù)測(cè)，結(jié)論如下：

1)鐵路沿線周邊區(qū)域存在明顯的地表形變且形變分布不均勻，主要的形變出現(xiàn)在線路的中后段，表現(xiàn)為地表的沉降。雖然沉降區(qū)域距離線路較遠(yuǎn)，但地面沉降仍然值得關(guān)注。

2)DS-InSAR監(jiān)測(cè)結(jié)果與水準(zhǔn)測(cè)量數(shù)據(jù)具有較好的一致性，兩者間最大絕對(duì)誤差除個(gè)別點(diǎn)外均在10 mm之內(nèi)，兩者平均絕對(duì)誤差為8.1 mm, 決定系數(shù)達(dá)到0.8。證明了DS-InSAR技術(shù)具有較高的精度，能夠滿足廣域沉降監(jiān)測(cè)及后續(xù)預(yù)測(cè)預(yù)警的精度要求。

3)所提LOESS-GRU組合神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)鐵路沿線地表形變預(yù)測(cè)精度較高，預(yù)測(cè)值與監(jiān)測(cè)值間決定系數(shù)最大為0.8,均方根誤差最小為4.5 mm, 平均絕對(duì)誤差最小為3.4 mm, 預(yù)測(cè)值與監(jiān)測(cè)值吻合較好，能夠有效實(shí)現(xiàn)對(duì)鐵路沿線地表形變的監(jiān)測(cè)與預(yù)測(cè)，可為有關(guān)部門的決策提供重要的數(shù)據(jù)支撐。

4)神經(jīng)網(wǎng)絡(luò)模型中的超參數(shù)對(duì)模型的預(yù)測(cè)結(jié)果會(huì)產(chǎn)生重大影響。在本研究中，超參數(shù)的設(shè)置是人工不斷嘗試得到的，可能導(dǎo)致模型的預(yù)測(cè)精度并沒(méi)有達(dá)到極限。因此，在后續(xù)研究中可以考慮引入智能優(yōu)化算法對(duì)模型的超參數(shù)進(jìn)行優(yōu)化，以獲得更加精確的預(yù)測(cè)結(jié)果。

來(lái)源：測(cè)繪學(xué)術(shù)資訊