一种融合InSAR时序数据与深度学习的矿区地表形变动态预测方法

本发明属于地表形变预测，具体涉及一种融合insar时序数据与深度学习的矿区地表形变动态预测方法。

背景技术：

1、地下煤层开采所引起的地表沉陷是一种复杂多变的时空过程。随着采煤工作面的不断推进，地下煤体被开采后原有应力平衡状态被打破，上覆岩层逐步发生弯曲、离层、破断与再压实等一系列力学响应，最终导致地表产生移动与变形。对于地表任意位置而言，其沉降过程通常不是瞬时完成的，而是呈现出明显的阶段性特征，包括初始阶段、发展阶段和衰减阶段。为准确刻画各阶段地表关键点的动态变形，现有技术中常采用近似“s”型的时间函数对单点地表形变进行建模。这类时间函数能够较好地反映矿山开采过程中单点移动和变形的物理演化规律，在矿区地表沉降预测中得到了广泛应用。

2、然而，上述时间函数方法本质上属于参数化模型，其预测精度在很大程度上依赖于参数选取的合理性。对于受地质条件差异、开采强度变化及监测噪声等多种因素共同影响的真实矿区沉降时序而言，地表点形变过程不仅包含平滑、单调的主趋势，还叠加有局部波动、阶段性异常及非线性扰动。由于传统时间函数模型难以刻画此类复杂时序变化，仅凭单一时间函数模型难以对矿区地表沉降进行准确预测。

技术实现思路

1、本发明的目的就在于提供一种融合insar时序数据与深度学习的矿区地表形变动态预测方法，以解决单一时间函数模型难以准确刻画矿区地表沉降时序中叠加于主趋势之上的局部波动与非线性扰动的问题。

2、本发明通过以下技术方案来实现上述目的：

3、一种融合insar时序数据与深度学习的矿区地表形变动态预测方法，所述方法包括：

4、获取矿区地表目标点的地表垂直向时序累积沉降序列；

5、构建时间函数模型对所述时序累积沉降序列进行主趋势拟合，提取反映矿区沉降局部波动与非线性扰动的残差序列；

6、构建深度学习网络，将所述残差序列输入所述深度学习网络，经捕捉所述残差序列中的短时波动模式并挖掘残差序列前后时刻间的形变演化依赖关系后，输出残差预测值；

7、根据所述时间函数模型的主趋势预测结果与所述残差预测值确定矿区地表形变的最终动态预测值。

8、进一步的，所述获取矿区地表目标点的地表垂直向时序累积沉降序列包括：

9、获取覆盖矿区地表目标点的l波段sar卫星影像数据，结合精密轨道数据与外部dem数据，采用sbas-insar技术进行时序差分干涉处理，获取矿区地表垂直向的时序形变序列，对所述时序形变序列进行插值处理，生成等间隔时序累积沉降序列；

10、其中，所述矿区地表目标点分布于矿区开采沉陷区的多个地表形变区域内，各矿区地表目标点的时序累积沉降序列包含初始阶段、发展阶段和衰减阶段的阶段性演化特征。

11、进一步的，所述构建时间函数模型对所述时序累积沉降序列进行主趋势拟合，提取反映矿区沉降局部波动与非线性扰动的残差序列，包括：

12、采用分段knothe时间函数作为主趋势拟合模型，以观测沉降值与分段knothe函数拟合值之间的残差平方和最小为准则建立参数优化目标函数，采用非线性最小二乘法对分段knothe时间函数的待估参数进行反演估计，得到主趋势拟合值（ti）；

13、将所述时序累积沉降序列减去拟合得到的主趋势项，获得对应时刻的残差序列r（ti）：

14、；

15、式中，y（ti）表示在ti时刻的insar累积沉降值。

16、进一步的，所述构建时间函数模型对所述时序累积沉降序列进行主趋势拟合之前，还包括：获取多种候选时间函数分别对所述时序累积沉降序列进行拟合，基于贝叶斯信息准则对各候选时间函数在各矿区地表目标点上的拟合结果进行综合评价，以最小评价指标值对应的时间函数作为主趋势拟合模型；

17、所述贝叶斯信息准则的计算公式为：；

18、其中，n为用于拟合的时序数据期数，k为模型的参数个数，rss为残差平方和。

19、进一步的，所述深度学习网络以所述非线性扰动分量作为学习目标，通过捕捉其时序特征和演化依赖关系输出残差预测值，包括：

20、采用cnn-bilstm-attention网络作为残差预测网络，所述残差预测网络包括输入层、卷积神经网络模块、双向长短期记忆网络模块、注意力机制模块和输出层；

21、所述输入层接收由所述残差序列经归一化处理及滑动时间窗构建后形成的时序样本，所述滑动时间窗将连续多个时刻的历史残差组合为输入特征向量；

22、所述卷积神经网络模块对输入特征向量进行卷积操作，提取所述残差序列中因采动应力局部变化所引发的短时波动模式特征；

23、所述双向长短期记忆网络模块接收所述卷积神经网络模块的输出，通过正向传播和反向传播分别捕捉残差序列在时间轴上前序时刻与后续时刻之间的形变演化依赖关系，以学习矿区地表沉降残差序列的长期时序相关性；

24、所述注意力机制模块对所述双向长短期记忆网络模块各时间步的输出特征进行加权处理，为沉降波动剧烈时段及形变转折时刻的特征赋予权重，抑制无关时段的信息干扰；

25、所述输出层基于加权后的特征信息输出未来时刻的残差预测值。

26、进一步的，所述根据所述时间函数模型的主趋势预测结果与所述残差预测值确定矿区地表形变的最终动态预测值，包括：

27、将所述主趋势预测结果与所述残差预测值进行叠加，获得矿区地表目标点在每一时刻的最终沉降预测值：

28、；

29、式中，为时刻地表沉降的最终预测值。

30、进一步的，所述方法还包括：

31、基于各矿区地表目标点的最终动态预测值，绘制各矿区地表目标点的时序沉降预测曲线，根据各时序沉降预测曲线的斜率变化趋势和累积沉降量，将各矿区地表目标点划分为沉降中心目标点和边缘目标点；

32、其中，所述沉降中心目标点的时序沉降预测曲线在预测期内斜率保持正值且随时间变化量的绝对值超过边缘目标点，所述边缘目标点的时序沉降预测曲线在预测期内斜率的绝对值随时间递减。

33、本发明的有益效果在于：

34、本发明通过将时间函数模型与深度学习网络相结合，针对矿区地表沉降时序中叠加于主趋势之上的局部波动与非线性扰动难以被单一时间函数模型准确刻画的问题，采用时间函数模型提取沉降主趋势，采用cnn-bilstm-attention网络对时间函数拟合后的残差序列进行预测，最终将两部分结果叠加得到各目标点的最终沉降预测值。相较于单一时间函数模型，本发明能够有效捕捉矿区沉降时序中的局部波动和非线性扰动信息，使最终预测结果在沉降波动阶段与实测值的吻合程度更高。

1.一种融合insar时序数据与深度学习的矿区地表形变动态预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的矿区地表形变动态预测方法，其特征在于，所述获取矿区地表目标点的地表垂直向时序累积沉降序列包括：

3.根据权利要求1所述的矿区地表形变动态预测方法，其特征在于，所述构建时间函数模型对所述时序累积沉降序列进行主趋势拟合，提取反映矿区沉降局部波动与非线性扰动的残差序列，包括：

4.根据权利要求1所述的矿区地表形变动态预测方法，其特征在于，所述构建时间函数模型对所述时序累积沉降序列进行主趋势拟合之前，还包括：获取多种候选时间函数分别对所述时序累积沉降序列进行拟合，基于贝叶斯信息准则对各候选时间函数在各矿区地表目标点上的拟合结果进行综合评价，以最小评价指标值对应的时间函数作为主趋势拟合模型；

5.根据权利要求1所述的矿区地表形变动态预测方法，其特征在于，所述深度学习网络以所述非线性扰动分量作为学习目标，通过捕捉其时序特征和演化依赖关系输出残差预测值，包括：

6.根据权利要求3所述的矿区地表形变动态预测方法，其特征在于，所述根据所述时间函数模型的主趋势预测结果与所述残差预测值确定矿区地表形变的最终动态预测值，包括：

7.根据权利要求1所述的矿区地表形变动态预测方法，其特征在于，所述方法还包括：