基于PS-InSAR技术和遗传神经网络算法的矿区地表沉降监测与预计

发布时间：2022-11-03 19:54

　　针对传统雷达干涉测量技术（D-InSAR）易受大气相位延迟和失相关的影响以及传统BP算法依赖于初始权值和阈值问题.本文采用了（PS-InSAR）技术对矿区地表沉降进行了监测,并提出采用遗传算法（GA）对神经网络（BP）算法的初始权值和阈值进行筛选.首先利用PS-InSAR技术获取矿区地表沉降范围和沉降值,然后将其部分结果作为遗传神经网络（GA-BP）算法的训练样本建立预测模型参数.选取宿州市矿区19景Sentinel-1A雷达数据进行实验分析,结果表明,PS-InSAR技术能够很好监测矿区地表沉降,最大沉降速率为45 mm/a.分别取训练样本数为1000、2000、3000和4000利用GA-BP算法对矿区地表沉降进行预测,得到最大残差分别为6.8 mm、0.44 mm、0.36 mm、0.28 mm;均方误差分别为3.85 mm、3.26 mm、2.98 mm、1.61 mm,表明本文提出的GA-BP算法能有效预测矿区地表沉降,并且在训练样本数量较多时预测效果和预测性能较好. 

【文章页数】：7 页

【文章目录】：
0 引 言
1 矿区地表沉降监测及预计模型的建立
    1.1 PS-InSAR技术原理
    1.2 GA-BP算法原理
2 实验分析
    2.1 研究区域概况和数据
    2.2 矿区地表沉降监测实验
    2.3 矿区地表沉降预测实验
3 结 论


【参考文献】：
期刊论文
[1]SBAS技术在矿区地铁选线中的应用[J]. 黄洁慧,谢谟文,王立伟.  地球物理学进展. 2019(04)
[2]基于SBAS-InSAR的矿区地表沉降监测与分析[J]. 李达,邓喀中,高晓雄,牛海鹏.  武汉大学学报(信息科学版). 2018(10)
[3]基于单轨InSAR数据的矿区地表三维形变监测与预计研究[J]. 杨泽发.  地理与地理信息科学. 2018(04)
[4]基于InSAR时序形变的矿区全盆地沉降时空演化规律分析[J]. 杨泽发,易辉伟,朱建军,李志伟,苏军明,刘奇.  中国有色金属学报. 2016(07)
[5]基于D-InSAR技术和灰色Verhulst模型的矿区沉降监测与预计[J]. 杨俊凯,范洪冬,赵伟颖,冯军.  金属矿山. 2015(03)
[6]基于D-InSAR技术和SVR算法的开采沉陷监测与预计[J]. 陈炳乾,邓喀中,范洪冬.  中国矿业大学学报. 2014(05)
[7]基于时序SAR技术的采空区上方高速公路变形监测及预测方法[J]. 范洪冬,邓喀中,祝传广,陈炳乾,李培现.  煤炭学报. 2012(11)
[8]BP神经网络在深基坑位移预测中的应用[J]. 张军舰,左红伟,李英杰.  中国水运(下半月刊). 2010(08)
[9]InSAR技术在矿区沉降监测中的应用研究[J]. 刘广,郭华东,Ramon Hanssen,Zbigniew Perski,李新武,岳焕印,范景辉.  国土资源遥感. 2008(02)
[10]永久散射体雷达干涉测量技术[J]. 李德仁,廖明生,王艳.  武汉大学学报(信息科学版). 2004(08)



本文编号：3700527