技术领域
[0001] 本发明涉及InSAR技术的地表形变监测技术领域，尤其涉及一种地表形变预测方法及系统。
相关背景技术
[0002] 矿产资源的过度开采容易破坏矿区地下地质结构，引发地表塌陷、滑坡、崩塌、泥石流、地裂缝、地面沉降和地面积水等事故，甚至导致矿区透水事故，造成严重的安全隐患甚至人员伤亡。通过对矿区长期、动态的沉降监测，对矿区沉降规律进行分析，可及时掌握矿区地质环境的破坏程度，从而针对实际情况制定相应的应急处理方案。因此，面对地面沉降问题，迫切需要监测、分析和预测地面沉降时空变化。受卫星传感器拍摄姿态等的影响，形变检测结果在局部地区常出现整体系统性偏移，而在整幅影像结果上表现为检测的结果有条带性噪声，直接影响了滑坡形变检测的精度和效率，限制了形变检测技术在大范围区域的应用。为了消除局部地区出现的形变检测偏差，以往的研究多在非滑坡地区，人工选取稳定区评估这种系统偏差，这种策略难以用于大区域上的偏差消除。
[0003] 近年来，合成孔径雷达干涉测量(Interferometric Synthetic Aperture Radar,InSAR)技术被广泛用于地面沉降监测的应用。相比于传统大地测量技术(GPS、水准)的局部单点测量、空间分辨率低和成本高等缺点，永久散射体合成孔径雷达技术(Persistent Scatterer InSAR,PS‑InSAR)可以实现大范围、高精度、高密度和低成本的观测。但是对于地表形变的预测还没有一个成熟的解决方案。
[0004] 因此，提出一种地表形变预测方法及系统，来解决现有技术中存在的困难，是本领域技术人员亟需解决的问题。
具体实施方式
[0036] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0037] 参照图1所示，本实发明公开了基于InSAR技术与行为特征深度学习的地表形变预测方法，包括以下步骤：
[0038] S101：获取目标区域的合成孔径雷达影像及目标区域的合成孔径雷达影像的像素；
[0039] S102：对像素进行复数运算得到目标区域的干涉图，对干涉图进行降噪处理，得到去除条带噪声的干涉图；
[0040] S103：从去除条带噪声的干涉图中提取局部形变的范围，根据局部形变的范围对全部去除条带噪声的干涉图进行裁剪；
[0041] S104：利用时间序列合成孔径雷达干涉测量技术对裁剪后的去除条带噪声的干涉图进行处理，得到局部形变时序结果；
[0042] S105：将局部形变时序结果根据地理位置组成局部形变行为矩阵序列，并将局部行为矩阵序列划分为拟训练数据集和测试数据集；
[0043] S106：构建基于行为特征深度学习的地表形变预测模型，输入拟训练数据集进行训练，得到训练后的基于行为特征深度学习的地表形变预测模型；
[0044] S107：输入测试数据集到训练后的基于行为特征深度学习的地表形变预测模型，输出测试数据集的各地理位置的地表形变预测值。
[0045] 进一步的，步骤S102中对像素进行复数运算得到目标区域的干涉图包括：通过像素获取目标区域的合成孔径雷达影像的相位差，以及对相位差进行灰度化计算以获取干涉图。
[0046] 进一步的，步骤S102中对干涉图进行降噪处理，得到去除条带噪声的干涉图包括：利用逐列统计分析与校正的噪声去除方法对干涉图进行自动校正条带噪声，得到去除条带噪声的干涉图。
[0047] 更进一步的，步骤1：选择检测时间点前后若干个干涉图对Imagepair；利用形变检测方法，基于干涉图Imagepair进行初步的形变检测计算，获取检测区域的初步形变检测结果图像Image1，图像Image1包括东西方向、南北方向的形变方向向量，以及信噪比，东西方向的形变方向向量用EW表示、南北方向的形变方向向量用NS表示、信噪比用SNR表示；
[0048] 步骤2：基于光学遥感影像的云掩膜数据，去除图像Image1中云覆盖区域像元的形变检测结果，得到图像Image2；
[0049] 步骤3：获取图像Image2中条带的倾斜角度α，将图像进行旋转，使图像条带与水平方向成垂直相交，获取旋转后的图像Imagerotate1；
[0050] 步骤4：对旋转后的图像Imagerotate1中的EW、NS方向向量图像进行预处理，首先剔除值为0的像元，赋值为空值，然后将SNR图像中信噪比值＜0.9的像元位置对应的EW、NS图像像元值分别赋值为空值，获取预处理后的形变检测结果图像Imagerotate2；
[0051] 步骤5：对图像Imagerotate2中的EW、NS方向向量图像分别进行逐列的统计分析与校正，具体计算方法为：1)获取逐列的标准差stdcol和平均值meancol，2)统计每一列中像元值大于meancol‑stdcol并且小于meancol+stdcol范围内的平均值Meancol，3)该列每个像元的数值减去Meancol；经过逐列统计分析与校正后，获取图像Imagerotate3；
[0052] 步骤6：将图像Imagerotate3的EW、NS方向向量及SNR图像按照反方向‑α角度进行旋转，获取图像Image3，其中EW、NS方向向量图像均已进行条带噪声去除；
[0053] 步骤7：基于图像Image3的EW、NS方向向量图像进行向量合成，获取Image4，至此获取了去除条带噪声的干涉图。
[0054] 进一步的，参照图2所示，S106中基于行为特征深度学习的地表形变预测模型包括3D‑CNN网络训练步骤和训练结束判定步骤；
[0055] 3D‑CNN网络训练步骤：输入拟训练数据集，输出样本矩阵序列的各地理位置地表形变的预测值，根据输出的预测值和实际值通过损失函数进行误差分析，更改模型各个权重值；
[0056] 训练结束判定步骤：判断误差分析是否达到预设的阈值，若为否，则返回拟训练数据集选取步骤；若为是，则结束3D‑CNN网络训练步骤，输出基于行为特征深度学习的地表形变预测模型。
[0057] 进一步的，3D‑CNN网络为：第一层为卷积层C1、第二层为池化层P2、第三层为卷积层C 3和第四层为全连接层F 4。
[0058] 更进一步的，历史序列的长度L＝10，底部的CNN采用5层结构：底层为卷积层C1，直接面向输入的风功率行为矩阵，采用2个2*2*3的卷积核；第二层设置为池化层P2，采用max‑pooling策略，采样池尺寸设置为2*2*1；第三层为卷积层C3，采用64个2*2*2的卷积核；第四层为全连接层F4，将C4输出的三维特征图重构为一维向量，其维数设置为128。卷积层激活函数采用RelU函数，全连接层采用SoftMax作为激活函数，初始学习率设为0.01。
[0059] 进一步的，S101中获取目标区域的合成孔径雷达影像为目标区域的历史地表形变影像。
[0060] 更进一步的，S105中，局部行为矩阵序列的前80％为拟训练数据集，局部行为矩阵序列的后20％为测试数据集。
[0061] 参照图3所示，本发明公开了基于InSAR技术与行为特征深度学习的地表形变预测系统，包括：数据获取模块、预处理模块、裁剪模块时序处理模块、矩阵构建和数据划分模块、3D‑CNN网络训练模块和基于行为特征深度学习地表形变预测模块；
[0062] 数据获取模块，与预处理模块的输入端连接，用于获取目标区域的合成孔径雷达影像及目标区域的合成孔径雷达影像的像素；
[0063] 预处理模块，与裁剪模块的输入端连接，用于对像素进行复数运算得到目标区域的干涉图，对干涉图进行降噪处理，得到去除条带噪声的干涉图；
[0064] 裁剪模块，与时序处理模块的输入端连接，用于从去除条带噪声的干涉图中提取局部形变的范围，根据局部形变的范围对全部去除条带噪声的干涉图进行裁剪；
[0065] 时序处理模块，与矩阵构建和数据划分模块的输入端连接，用于利用时间序列合成孔径雷达干涉测量技术对裁剪后的去除条带噪声的干涉图进行处理，得到局部形变时序结果；
[0066] 3D‑CNN网络训练模块，与矩阵构建和数据划分模块的第一输出端连接，用于输入拟训练数据集，输出样本矩阵序列的各地理位置地表形变的预测值，根据输出的预测值和实际值通过损失函数进行误差分析，更改模型各个权重值；判断误差分析是否达到预设的阈值，若为否，则返回拟训练数据集选取步骤；若为是，则结束3D‑CNN网络训练步骤，输出基于行为特征深度学习的地表形变预测模型；
[0067] 3D‑CNN网络训练模块的输出端和矩阵构建和数据划分模块的输出端均与基于行为特征深度学习地表形变预测模块的输入端连接，用于输入测试数据集到训练后的基于行为特征深度学习的地表形变预测模型，输出测试数据集的各地理位置的地表形变预测值。
[0068] 进一步的，还包括与基于行为特征深度学习地表形变预测模块输出端连接的地表形变预测值输出模块，用于将得到的地表形变预测值进行输出。
[0069] 对所公开的实施例的上述说明，按照递进的方式进行，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
