[0001] 本发明涉及地表形变监测技术领域，特别是涉及一种地表形变监测与预测方法。

[0002] 在地表形变的监测手段中，传统的大地测量技术，例如GPS及人工水准仪等容易受到低空间分辨率以及高成本的限制，另外，在对地物的巡检中，传统技术往往需要大量的专业人员及重型器械，监测时间长且监测成本高。

[0003] 现有技术中还使用多时相干涉合成孔径雷达(MT‑InSAR)技术实现大规模、高精度、低成本的监测，其中，典型的MT‑InSAR技术之一是永久散射雷达干扰合成孔径雷达(PS‑InSAR)，在该方法中，选择了建筑、裸露岩石等时间稳定点，这些点在多幅SAR图像中具有高度稳定性和反射性，但是现有技术中对PS‑InSAR进行使用时往往未将其与长期时间序列预测处理分析框架相配合使用，不能实现密集地物地表沉降的预测，而且并未考虑影响地表形变的环境因素。因此，设计一种基于Autoformer及PS‑Insar的地表形变监测与预测方法是十分有必要的。

[0031] 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。

[0032] 本发明的目的是提供一种地表形变监测与预测方法，无需地面及人工配合，能够充分发挥卫星监测的优点，可对研究区域的全范围进行地表形变监测，且能够实现预测，能够降低事故发生率及财产损失率。

[0033] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

[0034] 如图1所示，本发明实施例提供的地表形变监测与预测方法，包括如下步骤：

[0035] 步骤1：获取研究区域的InSAR时间序列地表形变数据集；

[0036] 步骤2：对获取的InSAR时间序列地表形变数据集进行处理；

[0037] 步骤3：获取研究区域的环境因素数据集；

[0038] 步骤4：对环境因素数据集进行处理，并将处理后的环境因素数据集及处理后的InSAR时间序列地表形变数据集进行合并，得到模型数据集；

[0039] 步骤5：搭建Autoformer模型，通过模型数据集对Autoformer模型进行训练，调整模型超参数，获取最佳模型；

[0040] 步骤6：选取研究区域内地表形变变化最大的研究点集，输入最佳模型进行预测预警；

[0041] 根据模型数据集可以对地表形变进行监测，通过最佳模型能够对地表形变进行预测。

[0042] 步骤1中，获取研究区域的InSAR时间序列地表形变数据集，具体为：

[0043] 获取覆盖研究区域的n幅Sentinel‑1A的SAR影像，根据时空基线参数及多普勒中心频率，选取其中一幅SAR影像作为主影像，其余作为辅影像，对主影像及辅影像进行精确配准及干涉处理，生成N‑1幅差分干涉图，其中，通过差分干涉图来获取相邻ps点之间的相位差，建立相邻ps点相位差分模型解，求模型参数来获得地表沉降信息，获取外部DEM数据及卫星轨道数据，使用外部DEM数据与影像覆盖范围进行配准，通过卫星轨道数据进行轨道偏移矢量矫正去除平面效应，并将DEM数据采样到SAR影像的坐标系中，通过振幅离差法识别PS点，设定合理的振幅离差阈值，提取研究区域PS候选点，构建像素点网络，其中，振幅离差法通过评估影像像元的信噪比来确认PS点，相位的信噪比可用振幅离差指数来衡量，即：

[0044]

[0045] 式中，σA及μA分别为SAR影像的振幅标准差和振幅平均值，设定DA的阈值为x，当该位置振幅离差指数小于x时，则判断为PS点，反之，则判断不是PS点，通过地面相位引起的相位差、大气延迟误差、卫星轨道误差相位、残余地形相位、配准误差及相位解缠算子建立形变反演模型，通过形变反演模型来估算相邻ps点相位各参数及模型参数，其中，形变反演模型为：

[0046] ψx,i＝W{φD,x,i+φA,x,i+ΔφS,x,i+Δφθ,x,i+ΔφN,x,i}

[0047] 式中，W为相位缠绕算子，φD,x,i为由地面相位引起的相位，φA,x,i为大气延迟误差相位，ΔφS,x,i为卫星轨道误差相位，Δφθ,x,i为残余地形相位，ΔφN,x,i为配准误差，即热噪声失相关引起的噪声相位，建立形变反演模型，进行相邻PS点相位参数估计，解算残余高程和线性形变及大气相位参数，并测试模型解算的各参数与像素点干涉相位的拟合情况，证明模型解算值的准确性，进行大气相位移除后，重新选取PS候选点，再次进行形变分析，最后对残差进行分解，得到非线性形变信息，获取时间序列地表形变数据集，经过地理编码后得到InSAR时间序列地表形变数据集，具体的流程图如图2所示。

[0048] 步骤2中，对获取的InSAR时间序列地表形变数据集进行处理，具体为：

[0049] 将获取的InSAR时间序列地表形变数据集按照研究区域进行裁剪和平滑化处理，获取时间序列数据集长度，并进行文件格式转换，确认研究区域的关键点，即形变程度最大的点集合，得到处理后的InSAR时间序列地表形变数据集。

[0050] 步骤3中，获取研究区域的环境因素数据集，具体为：

[0051] 获取中国气象网提供的NetCDF格式数据产品大气驱动数据集(ADDS)、地表温度分析数据集(STADS)、土壤湿度数据集(SMDS)、土壤温度分析数据集(STADS)及土壤相对湿度数据集(SRHDS)，组成环境因素数据集。通过比较该数据集各参数均方根误差、偏差及相关系数，确认该环境因素数据集时空分辨率高，质量优于国际同类数据，具体数据质量参数如表1所示：

[0052] 表1环境因素数据质量描述

[0053]

[0054]

[0055] 步骤4中，对环境因素数据集进行处理，并将处理后的环境因素数据集及处理后的InSAR时间序列地表形变数据集进行合并，得到模型数据集，具体为：

[0056] 为构建准确、有效的环境因素数据集，本发明对原始的环境因素数据集进行了数据预处理，具体包括数据格式转换、数据合理性处理、数据去噪、数据异常值补充；

[0057] 其中，数据格式转换为：通过基于Python语言的Pandas库及Numpy库将NetCDF格式数据的环境因素数据集转化为csv格式的环境因素数据集，并抽取环境因素数据集中的环境因素参数；

[0058] 数据合理性处理为：将环境因素数据集按照研究区域经纬度网格划分，并对抽取的环境因素参数进行数据格式标准化，本发明使用的环境因素数据为1天分辨率监测数据，为解决地表形变缓慢变化与环境因素监测频率过快之间的矛盾，本发明各环境因素数据进行求均值处理，获取日平均环境因素参数，去除数据冗余，提高数据合理性；

[0059] 数据去噪为：完成标准化后，对环境因素数据集进行数据格式审查，去除不符合常规格式的数据噪声；

[0060] 数据异常值补充为：去除数据噪声完毕后，对环境因素数据集进行异常值补充，使用各环境因素参数的平均值对环境因素数据集的空值进行补充，得到处理过的环境数据因素数据集；

[0061] 计算研究区域内的各研究点与采集环境因素参数的环境因素气象站的距离，每个研究点选取距其最近的环境因素气象站采集的环境因素参数作为参考，对各研究点进行聚类分簇处理，合并环境因素数据集及InSAR地表形变时间序列数据集，得到模型数据集。

[0062] 本发明还对Autoformer、Transformer(基于注意力机制的编码器‑解码器模型)、Informer(长期序列预测模型)、Reformer(高效的编码器‑解码器模型)模型进行精度的对比分析，最终确认Autoformer在该研究问题上的有效性与准确性；

[0063] 本发明通过使用方根误差(MSE)、平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)、均方百分比误差(MSPE)五个精度指标来评估模型的精度，具体公式为：

[0064]

[0065]

[0066]

[0067]

[0068]

[0069] 其中，yt表示t时刻地表形变的监测值， 表示t时刻地表形变的预测值，N为测试集的大小，各个模型评价指标对比图如图3所示，各个研究点的Autoformer实验模型评估指标对比图如图4所示。

[0070] Autoformer是一种基于深度分解架构和自相关机制的深度学习网络模型，针对长期序列预测中的复杂时间模式难以处理和运算效率高的问题，通过渐进式分解和序列级连接，大幅度提高了长期序列预测效率，Autoformer网络结构包含内部串联分解块、自相关机制以及相应的解码器和编码器，其中编码器通过序列分解块消除了长期趋势周期部分，并侧重于季节模式建模，解码器逐步积累从隐藏变量中提取的趋势部分，编码器‑解码器利用编码器中的过去季节信息自相关。

[0071] 本发明采用PS‑InSAR技术监测地表形变，对地表形变进行毫米级监测与预测，能精准监测研究区域的地表形变，降低财产损失率；

[0072] 本发明实现了从数据处理‑形变监测‑关键点预警‑关键点预测的方法流程，可应用于地表地物密集的各种范围，例如城市基础设施的监测、巡检与预测，在使用时，用户可根据自己的需求确定预测时长，考虑了环境因素对地表形变的影响，预测结果更精确且更具有说服力。

[0073] 本发明提供的地表形变监测与预测方法，该方法包括获取研究区域的InSAR时间序列地表形变数据集，对获取的InSAR时间序列地表形变数据集进行处理，获取研究区域的环境因素数据集，对环境因素数据集进行处理，并将处理后的环境因素数据集及处理后的InSAR时间序列地表形变数据集进行合并，得到模型数据集，搭建Autoformer模型，通过模型数据集对Autoformer模型进行训练，调整模型超参数，获取最佳模型，选取研究区域内地表形变变化最大的研究点集，输入最佳模型进行预测预警；该方法将Autoformer及PS‑Insar相结合，并且充分考虑了影响地表形变的环境因素，可以实现大范围、高精度的监测地表形变，有效降低地表形变监测的经济投入，为预防地表沉降灾害提供新思路，使用PS‑Insar监测地表形变，能够达到毫米级广域大范围监测，精度高，采用Autoformer，其预测模型精度远超同类别预测模型精度。

[0074] 本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。