ConvLSTM神经网络的时序InSAR地面沉降时空预测

何毅; 姚圣; 陈毅; 闫浩文; 张立峰

doi:10.13203/j.whugis20220657

您当前的位置：

首页 >

文章列表页 >

ConvLSTM神经网络的时序InSAR地面沉降时空预测

大地测量学与导航 | 更新时间：2026-11-05

- ConvLSTM神经网络的时序InSAR地面沉降时空预测
- Spatiotemporal Prediction of Time-Series InSAR Land Subsidence Based on ConvLSTM Neural Network
- 武汉大学学报（信息科学版） 2025年50卷第3期页码：483-496
- 作者机构：
  
  1.兰州交通大学测绘与地理信息学院，甘肃兰州，730070
  2.地理国情监测技术应用国家地方联合工程研究中心，甘肃兰州，730070
  3.甘肃省地理国情监测工程实验室，甘肃兰州，730070
- 作者简介：
  
  何毅，教授，主要从事生态遥感和地质灾害等方面研究。heyi@mail.lzjtu.cn
  陈毅，硕士。cy_rser@163.com
- 基金信息：
  
  国家自然科学基金(42471471);甘肃省联合科研基金(24JRRA855);兰州市青年科技人才创新项目(2024-QN-12);城市国土资源监测与模拟重点实验室开放基金(KF-2021-06-014);甘肃省自然科学基金(20JR10RA249);兰州交通大学天佑青年托举人才计划(1520260109);兰州交通大学优秀平台(201806)
- DOI：10.13203/j.whugis20220657
  中图分类号： P237
- 收稿：2024-01-04，
  
  纸质出版：2025-03-05
- 稿件说明：
移动端阅览
何毅,姚圣,陈毅，等.ConvLSTM神经网络的时序InSAR地面沉降时空预测[J].武汉大学学报（信息科学版）,2025,50(3):483-496.

HE Yi,YAO Sheng,CHEN Yi,et al.Spatiotemporal Prediction of Time-Series InSAR Land Subsidence Based on ConvLSTM Neural Network[J].Geomatics and Information Science of Wuhan University,2025,50(3):483-496.
何毅,姚圣,陈毅，等.ConvLSTM神经网络的时序InSAR地面沉降时空预测[J].武汉大学学报（信息科学版）,2025,50(3):483-496. DOI：10.13203/j.whugis20220657

HE Yi,YAO Sheng,CHEN Yi,et al.Spatiotemporal Prediction of Time-Series InSAR Land Subsidence Based on ConvLSTM Neural Network[J].Geomatics and Information Science of Wuhan University,2025,50(3):483-496. DOI：10.13203/j.whugis20220657

摘要

现有地面沉降时空预测方法存在时序特征捕捉能力差，未顾及空间邻域特征等问题，导致地面沉降时空预测的可靠性差。采用合成孔径雷达干涉测量技术（interferometric synthetic aperture radar

InSAR)，提出了一种能够捕捉时序特征和空间邻域特征的卷积长短时记忆（convolutional long short-term memory

ConvLSTM）神经网络地面沉降时空预测方法。选取北京首都国际机场作为研究区，首先基于差分干涉测量短基线集InSAR（small baseline subset InSAR，SBAS-InSAR），利用Sentinel-1A影像获取地面沉降时空InSAR数据，然后构建ConvLSTM的地面沉降时空预测模型，模拟预测该区域未来一年的地面沉降。利用永久散射体干涉测量技术、SBAS-InSAR结果和水准点数据，交叉验证了时序InSAR结果的可靠性；时序InSAR地面沉降数据采用滑动窗口进行数据分割，形成多对一数据集模式；结合小波变换和评价指标确定时空预测模型的最佳时间步长，建立时序InSAR地面沉降的ConvLSTM时空预测模型。实验结果显示，所提模型的预测结果和真实结果的拟合度

达到0.997，基于图像评价指标结构相似性（structural similarity，SSIM）和多尺度结构相似性（multi-scale structural similarity，MS-SSIM）进一步评价了模型的性能，SSIM和MS-SSIM分别达到了0.914、0.975。此外，与支持向量回归、多层感知器、卷积神经网络和长短时记忆神经网络模型进行了对比分析，各项指标均显示所提模型最优。所提模型预测到2022年11月北京首都国际机场最大累积沉降量达到157 mm，研究成果可为城市地面沉降早期预防提供关键技术支撑。

Abstract

Objective

The existing spatiotemporal prediction methods of land subsidence have some problems

such as poor ability to capture time-series features and ignoring spatial neighborhood features

which lead to poor reliability of spatiotemporal prediction of land subsidence.

Method

This paper proposes a spatiotemporal prediction of land subsidence based on convolutional long short-term memory (ConvLSTM) neural network

which can capture time-series features and spatial neighborhood features. First

based on small baseline subset interferometric synthetic aperture radar (SBAS-InSAR)

Sentinel-1A images were used to obtain the spatiotemporal InSAR data of land subsidence at Beijing Capital International Airport (BCIA). Then

a ConvLSTM model is constructed to predict the land subsidence in the next year. Permanent scatters InSAR

SBAS-InSAR and benchmark results are used to cross-verify the reliability of time-series InSAR results. Time-series InSAR land subsidence data are segmented by sliding windows to form a many-to-one dataset model. Combined with wavelet transform and evaluation indexes to determine the optimal time step of the prediction model

the ConvLSTM spatiotemporal prediction model of time-series InSAR land subsidence is established.

Results

The

of the predicted and real results reaches 0.997. Meanwhile

the performance of the proposed model is further evaluated based on the image evaluation index structural similarity (SSIM) and multi-scale structural similarity (MS-SSIM)

which reach 0.914 and 0.975

respectively. In addition

support vector regression

multilayer perceptron

convolutional neural network and the long-term memory neural network model are compared and analyzed

and each index reveales that the proposed model is optimal.

Conclusion

The ConvLSTM spatiotemporal prediction model predicts that the maximum cumulative subsidence at BCIA will reach 157 mm by November 2022. This study can provide key technical support for the early prevention of urban land subsidence.

关键词

Keywords

references

曹群，陈蓓蓓，宫辉力，等 . 基于SBAS和IPTA技术的京津冀地区地面沉降监测［J］. 南京大学学报（自然科学）， 2019 ， 55 （ 3 ）： 381 - 391 .

CAO Qun ， CHEN Beibei ， GONG Huili ， et al . Monitoring of Land Subsidence in Beijing-Tianjin-Hebei Urban by Combination of SBAS and IPTA ［J］. Journal of Nanjing University （Natural Science）， 2019 ， 55 （ 3 ）： 381 - 391 .

HE Y ， CHEN Y D ， WANG W H ， et al . TS-InSAR Analysis for Monitoring Ground Deformation in Lanzhou New District， the Loess Plateau of China， from 2017 to 2019 ［J］. Advances in Space Research ， 2021 ， 67 （ 4 ）： 1267 - 1283 .

WANG W H ， HE Y ， ZHANG L F ， et al . Analysis of Surface Deformation and Driving Forces in Lanzhou ［J］. Open Geosciences ， 2020 ， 12 （ 1 ）： 128 .

陈有东，何毅，张立峰，等 . 联合升降轨Sentinel-1A的地表形变监测技术研究［J］. 海洋测绘， 2020 ， 40 （ 4 ）： 59 - 64 .

CHEN Youdong ， HE Yi ， ZHANG Lifeng ， et al . Research on Ground Deformation Monitoring Technique of Jointing Ascending and Descending Sentinel-1A ［J］. Hydrographic Surveying and Charting ， 2020 ， 40 （ 4 ）： 59 - 64 .

王文辉，何毅，张立峰，等 . 基于PS-InSAR和GeoDetector的兰州主城区地表变形监测与驱动力分析［J］. 兰州大学学报（自然科学版）， 2021 ， 57 （ 3 ）： 382 - 388 .

WANG Wenhui ， HE Yi ， ZHANG Lifeng ， et al . Ground Deformation Monitoring and Driving Force Analysis of the Main City Area in Lanzhou Based on PS-InSAR and GeoDetector ［J］. Journal of Lanzhou University （Natural Sciences）， 2021 ， 57 （ 3 ）： 382 - 388 .

杨成生，张勤，赵超英，等 . 短基线集InSAR技术用于大同盆地地面沉降、地裂缝及断裂活动监测［J］. 武汉大学学报（信息科学版）， 2014 ， 39 （ 8 ）： 945 - 950 .

YANG Chengsheng ， ZHANG Qin ， ZHAO Chaoying ， et al . Small Baseline Bubset InSAR Technology Used in Datong Basin Ground Subsidence， Fissure and Fault Zone Monitoring ［J］. Geomatics and Information Science of Wuhan University ， 2014 ， 39 （ 8 ）： 945 - 950 .

杨梦诗，廖明生，史绪国，等 . 联合多平台InSAR数据集精确估计地表沉降速率场［J］. 武汉大学学报（信息科学版）， 2017 ， 42 （ 6 ）： 797 - 802 .

YANG Mengshi ， LIAO Mingsheng ， SHI Xuguo ， et al . Land Subsidence Monitoring by Joint Estimation of Multi-platform Time Series InSAR Observations ［J］. Geomatics and Information Science of Wuhan University ， 2017 ， 42 （ 6 ）： 797 - 802 .

李永生，张景发，李振洪，等 . 利用短基线集干涉测量时序分析方法监测北京市地面沉降［J］. 武汉大学学报（信息科学版）， 2013 ， 38 （ 11 ）： 1374 - 1377 .

LI Yongsheng ， ZHANG Jingfa ， LI Zhenhong ， et al . Land Subsidence in Beijing City from InSAR Time Series Analysis with Small Baseline Subset ［J］. Geomatics and Information Science of Wuhan University ， 2013 ， 38 （ 11 ）： 1374 - 1377 .

许文斌，罗兴军，朱建军，等 . InSAR火山形变监测与参数反演研究进展［J］. 武汉大学学报（信息科学版）， 2023 ， 48 （ 10 ）： 1632 - 1642 .

XU Wenbin ， LUO Xingjun ， ZHU Jianjun ， et al . Review of Volcano Deformation Monitoring and Modeling with InSAR ［J］. Geomatics and Information Science of Wuhan University ， 2023 ， 48 （ 10 ）： 1632 - 1642 .

BERARDINO P ， FORNARO G ， LANARI R ， et al . A New Algorithm for Surface Deformation Monitoring Based on Small Baseline Differential SAR Interferograms ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2002 ， 40 （ 11 ）： 2375 - 2383 .

YANG C S ， ZHANG Q ， ZHAO C Y ， et al . Monitoring Land Subsidence and Fault Deformation Using the Small Baseline Subset InSAR Technique： A Case Study in the Datong Basin， China ［J］. Journal of Geodynamics ， 2014 ， 75 ： 34 - 40 .

HOCHREITER S ， SCHMIDHUBER J . Long Short-Term Memory ［J］. Neural Computation ， 1997 ， 9 （ 8 ）： 1735 - 1780 .

RADMAN A ， AKHOONDZADEH M ， HOSSEINY B . Integrating InSAR and Deep-Learning for Modeling and Predicting Subsidence over the Adjacent Area of Lake Urmia， Iran ［J］. GIScience & Remote Sensing ， 2021 ， 58 （ 8 ）： 1413 - 1433 .

CHEN Y ， HE Y ， ZHANG L F ， et al . Prediction of InSAR Deformation Time-Series Using a Long Short-Term Memory Neural Network ［J］. International Journal of Remote Sensing ， 2021 ， 42 （ 18 ）： 6919 - 6942 .

杨梦诗，廖明生，常玲，等 . 城市场景时序InSAR形变解译：问题分析与研究进展［J］. 武汉大学学报（信息科学版）， 2023 ， 48 （ 10 ）： 1643 - 1660 .

YANG Mengshi ， LIAO Mingsheng ， CHANG Ling ， et al . Interpretation of Multi-Epoch InSAR Deformation for Urban Scenes： A Problem Analysis and Literature Review ［J］. Geomatics and Information Science of Wuhan University ， 2023 ， 48 （ 10 ）： 1643 - 1660 .

陈毅，何毅，张立峰，等 . 长短时记忆网络TS-InSAR地表形变预测［J］. 遥感学报， 2022 ， 26 （ 7 ）： 1326 - 1341 .

CHEN Yi ， HE Yi ， ZHANG Lifeng ， et al . Surface Deformation Prediction Based on TS-InSAR Technology and Long Short-Term Memory Networks ［J］. National Remote Sensing Bulletin ， 2022 ， 26 （ 7 ）： 1326 - 1341 .

程成 . 基于深度学习的设备剩余寿命预测算法研究及其应用［D］. 北京：北京化工大学， 2020 .

CHENG Cheng . Research and Application of Equipment Remaining Life Prediction Algorithm Based on Deep Learning ［D］. Beijing ： Beijing University of Chemical Technology ， 2020 .

MA P F ， ZHANG F ， LIN H . Prediction of InSAR Time-Series Deformation Using Deep Convolutional Neural Networks ［J］. Remote Sensing Letters ， 2020 ， 11 （ 2 ）： 137 - 145 .

SUN J ， WAUTHIER C ， STEPHENS K ， et al . Automatic Detection of Volcanic Surface Deformation Using Deep Learning ［J］. Journal of Geophysical Research： Solid Earth ， 2020 ， 125 （ 9 ）： e2020JB019840 .

HE Y ， ZHAO Z A ， YANG W ， et al . A Unified Network of Information Considering Superimposed Landslide Factors Sequence and Pixel Spatial Neighbourhood for Landslide Susceptibility Mapping ［J］. International Journal of Applied Earth Observation and Geoinformation ， 2021 ， 104 ： 102508 .

SHI X J ， CHEN Z R ， WANG H ， et al . Convolutional LSTM Network ［C］// The 29th International Conference on Neural Information Processing Systems ， Montreal， Canada ， 2015 .

俞晓莹 . 改进的SBAS地表形变监测及地下水应用研究［D］. 长沙：中南大学， 2012 .

YU Xiaoying . Improved SBAS Technology for Land Deformation Detection and Groundwater Application ［D］. Changsha ： Central South University ， 2012 .

MORÉ J J . The Levenberg-Marquardt Algorithm： Implementation and Theory ［C］// Numerical Analysis . Berlin， Heidelberg ： Springer ， 1978 ： 105 - 116 .

WANG Z ， BOVIK A C ， SHEIKH H R ， et al . Image Quality Assessment： From Error Visibility to Structural Similarity ［J］. IEEE Transactions on Image Processing ， 2004 ， 13 （ 4 ）： 600 - 612 .

赵岩，孟丽茹，王世刚，等 . 符合人眼视觉感知特性的改进PSNR评价方法［J］. 吉林大学学报（工学版）， 2015 ， 45 （ 1 ）： 309 - 313 .

ZHAO Yan ， MENG Liru ， WANG Shigang ， et al . Improved PSNR Evaluation Method Consistent with Human Visual Perception ［J］. Journal of Jilin University （Engineering and Technology Edition）， 2015 ， 45 （ 1 ）： 309 - 313 .

ZHU L ， GONG H L ， LI X J ， et al . Land Subsidence Due to Groundwater Withdrawal in the Northern Beijing Plain， China ［J］. Engineering Geology ， 2015 ， 193 ： 243 - 255 .

GAO M L ， GONG H L ， CHEN B B ， et al . InSAR Time-Series Investigation of Long-Term Ground Displacement at Beijing Capital International Airport， China ［J］. Tectonophysics ， 2016 ， 691 ： 271 - 281 .

DAI K R ， LIU G X ， LI Z H ， et al . Monitoring Highway Stability in Permafrost Regions with X-Band Temporary Scatterers Stacking InSAR ［J］. Sensors ， 2018 ， 18 （ 6 ）： 1876 .

GAO M L ， GONG H L ， LI X J ， et al . Land Subsidence and Ground Fissures in Beijing Capital International Airport （BCIA）： Evidence from Quasi-PS InSAR Analysis ［J］. Remote Sensing ， 2019 ， 11 （ 12 ）： 1466 .

DAI K R ， SHI X L ， GOU J S ， et al . Diagnosing Subsidence Geohazard at Beijing Capital International Airport， from High-Resolution SAR Interferometry ［J］. Sustainability ， 2020 ， 12 （ 6 ）： 2269 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

南水进京后利用升降轨InSAR解译北京地面沉降发展态势

数智耦合地学时空预测建模研究进展及展望

联合GNSS基准站和地表质量负荷数据的区域高程参考框架动态维持

地面沉降对洪水淹没的影响——以辽宁绕阳河“2022⋅8”溃堤洪水为例

黄土高原白草塬引洮工程前后17年InSAR时序形变监测与分析