一种基于深度学习的地表形变监测方法及系统与流程

摘要: 本发明属于地表形变监测,具体涉及一种基于深度学习的地表形变监测方法及系统。背景技术:1、目前,合成孔径雷达干涉测量(insar)技术已成为地表形变监测的重要手段...
一种基于深度学习的地表形变监测方法及系统与流程

本发明属于地表形变监测,具体涉及一种基于深度学习的地表形变监测方法及系统。

背景技术:

1、目前,合成孔径雷达干涉测量(insar)技术已成为地表形变监测的重要手段,主要包括差分干涉合成孔径雷达(d-insar)、永久散射体干涉合成孔径雷达(ps-insar)和小基线集干涉合成孔径雷达(sbas-insar)三类。然而,上述方法对sar数据质量要求较高,受时空基线去相干、大气延迟等因素影响显著,且对稳定地物点或散射体的数量与分布有较强依赖,适用范围受限。同时,insar技术受卫星重访周期的制约,难以实现研究区的实时动态监测。此外,现有监测结果多聚焦于地表二维或视线向形变,难以完整刻画地表-地下一体化形变特征及其演化规律。在复杂地形环境下,如何基于多源地表形变数据高效、自动化地识别地质灾害隐患,仍缺乏有效的技术手段。

技术实现思路

1、本发明的目的在于提供一种基于深度学习的地表形变监测方法及系统,以改善上述问题。为了实现上述目的,本发明采取的技术方案如下:

2、第一方面,本申请提供一种基于深度学习的地表形变监测方法,包括:

3、获取sbas-insar数据,基于sbas-insar数据识别异常区域,并基于数据可靠性对异常区域的数据进行剔除,得到可用区域;

4、采集可用区域的gnss观测数据,解算得到gnss时序形变数据和对应的不确定性;

5、通过倾角计采集可用区域的地表倾角时序数据,并计算数据的不确定性;

6、获取可用区域的地下深部位移数据和对应的不确定性;

7、将倾角数据作为地表变形方向约束,对每一个包含gnss监测点的insar像素点,建立los投影方程,并将gnss天向形变作为绝对约束,构建约束方程组,采用加权最小二乘求解,得到insar像素点的三维形变初值及对应的不确定性;

8、以gnss、地表倾角、地下深部位移的监测点和insar像素点作为节点构建异构图,并根据insar像素点、监测点的监测数据和不确定性构建节点的特征向量;

9、将异构图按时序输入时空图神经网络,得到时序演化特征,将时序演化特征输入反卷积图网络,得到形变速率场及不确定性分布。

10、第二方面,本申请提供一种基于深度学习的地表形变监测系统,包括:

11、第一模块,用于获取sbas-insar数据,基于sbas-insar数据识别异常区域,并基于数据可靠性对异常区域的数据进行剔除,得到可用区域;

12、第二模块,用于采集可用区域的gnss观测数据,解算得到gnss时序形变数据和对应的不确定性;

13、第三模块,用于通过倾角计采集可用区域的地表倾角时序数据,并计算数据的不确定性;

14、第四模块,用于获取可用区域的地下深部位移数据和对应的不确定性;

15、第五模块,用于将倾角数据作为地表变形方向约束,对每一个包含gnss监测点的insar像素点,建立los投影方程,并将gnss天向形变作为绝对约束,构建约束方程组,采用加权最小二乘求解,得到insar像素点的三维形变初值及对应的不确定性;

16、第六模块,用于以gnss、地表倾角、地下深部位移的监测点和insar像素点作为节点构建异构图,并根据insar像素点、监测点的监测数据和不确定性构建节点的特征向量;

17、第七模块,用于将异构图按时序输入时空图神经网络,得到时序演化特征,将时序演化特征输入反卷积图网络,得到形变速率场及不确定性分布。

18、本发明的有益效果为:

19、本发明联合insar、gnss、倾角计及地下深部位移数据,构建约束方程组解算三维形变初值,解决了单幅insar欠定问题。进一步,以异构图表征多源监测点与像素点的时空关联,通过时空图神经网络提取时序演化特征,结合反卷积图网络恢复高分辨率形变场,并量化不确定性。该方法充分挖掘多源数据互补优势,在复杂地形下仍能保持高精度与鲁棒性,为地质灾害预警与地表稳定性评估提供了可靠的技术支撑。

20、本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。

1.一种基于深度学习的地表形变监测方法,其特征在于,包括:

2.根据权利要求1所述的基于深度学习的地表形变监测方法,其特征在于,基于数据可靠性对异常区域的数据进行剔除,包括:

3.根据权利要求1所述的基于深度学习的地表形变监测方法,其特征在于,以gnss、地表倾角、地下深部位移的监测点和insar像素点作为节点构建异构图,包括:

4.根据权利要求1所述的基于深度学习的地表形变监测方法,其特征在于,将异构图按时序输入时空图神经网络,得到时序演化特征,包括:

5.根据权利要求4所述的基于深度学习的地表形变监测方法,其特征在于,所述方法包括:

6.根据权利要求1所述的基于深度学习的地表形变监测方法,其特征在于,所述方法包括:

7.一种基于深度学习的地表形变监测系统,其特征在于,包括:

8.根据权利要求7所述的基于深度学习的地表形变监测系统,其特征在于,所述第一模块包括:

9.根据权利要求7所述的基于深度学习的地表形变监测系统,其特征在于,所述第六模块包括:

10.根据权利要求7所述的基于深度学习的地表形变监测系统,其特征在于,所述第七模块包括: