基于CNN-LSTM模型的地表沉降预测方法、装置、设备、介质及产品与流程

本申请涉及地表沉降领域，特别是涉及一种基于cnn-lstm模型的地表沉降预测方法、装置、设备、介质及产品。

背景技术：

1、地面形变是由人类活动和自然因素引起的，是指地面的下沉运动或者垂直变形，其特征表现为地下松散地层压缩固结。为了有效地控制地面形变，减少损失，就必须及时准确地掌握地面形变规律及其发展过程。合成孔径雷达（interferometry syntheticaperture radar，insar）技术具有高精度、主动性、全天时、全天候等特点，可以获取大面积地面微小形变信息。insar技术在地面形变监测的应用大多集中在数据监测与分析的阶段，在大范围地表沉降预测方面的研究并不丰富，因此开展高精度大范围地表沉降预测预报分析，对国土空间规划、防灾减灾等具有重要的研究价值和现实意义。

2、目前的地表沉降预测方法主要是基于机器学习的进行地面形变特征的学习训练，但地面形变机理极其复杂，机器学习方法采用分段线性逼近以实现地面形变时间序列的非线性拟合，其本质上忽略了形变时间序列的非线性关联，这将影响地表沉降预测精度。

技术实现思路

1、本申请的目的是提供一种基于cnn-lstm模型的地表沉降预测方法、装置、设备、介质及产品，可提高地表沉降预测的精度。

2、为实现上述目的，本申请提供了如下方案：第一方面，本申请提供了一种基于cnn-lstm模型的地表沉降预测方法，包括：获取覆盖研究区域的各历史时刻的sar影像。

3、采用ipta技术对覆盖研究区域的各历史时刻的sar影像进行处理，得到研究区域内各干涉点的时序形变信息。

4、对于任意一个干涉点，将研究区域内所述干涉点的时序形变信息以及相邻干涉点的时序形变信息输入训练好的cnn-lstm模型，得到所述干涉点未来时刻的时序形变信息；相邻干涉点为研究区域内与所述干涉点相邻的干涉点。

5、根据研究区域各干涉点未来时刻的时序形变信息对研究区域进行地表沉降预测。

6、第二方面，本申请提供了一种基于cnn-lstm模型的地表沉降预测装置，包括：获取模块，用于获取覆盖研究区域的各历史时刻的sar影像。

7、ipta处理模块，用于采用ipta技术对覆盖研究区域的各历史时刻的sar影像进行处理，得到研究区域内各干涉点的时序形变信息。

8、时序形变信息预测模块，用于对于任意一个干涉点，将研究区域内所述干涉点的时序形变信息以及相邻干涉点的时序形变信息输入训练好的cnn-lstm模型，得到所述干涉点未来时刻的时序形变信息；相邻干涉点为研究区域内与所述干涉点相邻的干涉点。

9、地表沉降预测模块，用于根据研究区域各干涉点未来时刻的时序形变信息对研究区域进行地表沉降预测。

10、第三方面，本申请提供了一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序以实现上述所述的基于cnn-lstm模型的地表沉降预测方法。

11、第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述所述的基于cnn-lstm模型的地表沉降预测方法。

12、第五方面，本申请提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述所述的基于cnn-lstm模型的地表沉降预测方法。

13、根据本申请提供的具体实施例，本申请具有以下技术效果：本申请提供了一种基于cnn-lstm模型的地表沉降预测方法、装置、设备、介质及产品，干涉点目标分析（interferometric point target analysis，ipta）技术通过提取一系列单视复数影像在时间序列上保持相位稳定的点目标，将其作为初选点进行相位的反复迭代处理，分离出大气相位、dem残余相位、地表偏移相位等，通过解译分析得到每个干涉点的时序形变信息。基于卷积神经网络高效的数据特征提取能力，以及长短期记忆网络描述时间序列长期依赖关系的能力构建的cnn-lstm模型，核心优势在于能够深刻捕捉时序形变信息内在的非线性关联。这得益于其独特的门控机制（遗忘门、输入门、输出门）和细胞状态，使模型能够自动学习并记忆历史沉降中的复杂动态模式，如由地下水季节性波动、地质过程滞后效应等导致的非线性特征。因此，cnn-lstm将历史时序形变信息视为一个综合了所有未观测外部驱动因素的非线性动力系统，通过识别其自身演化的内在规律，实现对未来沉降更精准的预测，超越了传统线性模型仅能描述固定趋势的局限，能够提高地表沉降预测的精度。

1.一种基于cnn-lstm模型的地表沉降预测方法，其特征在于，所述基于cnn-lstm模型的地表沉降预测方法包括：

2.根据权利要求1所述的基于cnn-lstm模型的地表沉降预测方法，其特征在于，采用ipta技术对覆盖研究区域的各历史时刻的sar影像进行处理，得到研究区域内各干涉点的时序形变信息的过程中，外部dem采用微波一号卫星生成的dem数据，精密轨道参数采用pod精密定轨星历数据。

3.根据权利要求1所述的基于cnn-lstm模型的地表沉降预测方法，其特征在于，cnn-lstm模型训练过程为：获取覆盖样本研究区域的各历史时刻的sar影像；

4.根据权利要求1所述的基于cnn-lstm模型的地表沉降预测方法，其特征在于，cnn-lstm模型中cnn模型的神经元数为23；lstm模型的神经元数为128。

5.根据权利要求1所述的基于cnn-lstm模型的地表沉降预测方法，其特征在于，采用ipta技术对覆盖研究区域的各历史时刻的sar影像进行处理，得到研究区域内各干涉点的时序形变信息的过程中，干涉相位计算公式为：，其中，表示沉降相位、表示地形相位、表示平地相位、表示大气延迟相位、表示相位噪声。

6.一种基于cnn-lstm模型的地表沉降预测装置，其特征在于，所述基于cnn-lstm模型的地表沉降预测装置包括：

7.根据权利要求6所述的基于cnn-lstm模型的地表沉降预测装置，其特征在于，采用ipta技术对覆盖研究区域的各历史时刻的sar影像进行处理，得到研究区域内各干涉点的时序形变信息的过程中，干涉相位计算公式为：，其中，表示沉降相位、表示地形相位、表示平地相位、表示大气延迟相位、表示相位噪声。

8.一种计算机设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-5中任一项所述的基于cnn-lstm模型的地表沉降预测方法。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-5中任一项所述的基于cnn-lstm模型的地表沉降预测方法。

10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-5中任一项所述的基于cnn-lstm模型的地表沉降预测方法。