[发明专利]一种区域地面沉降时空模拟系统和方法

权利要求书

1.一种基于神经网络的区域地面沉降时空模拟系统，其特征在于，包括：

数据预处理模块，用于执行地面沉降因素的空间一致性处理，得到处理后的地面沉降因素数据，时序SAR影像数据处理，得到时序空间分布的PS点数据；

时空数据集TSD构建模块，和数据预处理模块连接，用于将PS点数据构建成三维时空集，三维时空集包括时序信息的时间维、位置信息的空间维和地面沉降因素的特征维；

地面沉降时空模拟TSM模块，和TSD构建模块连接，用于提取地面沉降因素和地面沉降的时序演化特征，以及地面沉降因素和地面沉降的空间关联特征，构成时序演化特征和空间关联特征集成的地面沉降时空模拟，

TSM模块进一步包括：

时序演化TE模拟子模块，用于提取地面沉降影响因素和地面沉降的时序演化特征；

空间关联SC特征提取子模块，用于提取地面沉降影响因素和地面沉降的空间关联特征；

时空TS模型构建子模块，和TE模拟子模块和SC特征提取子模块连接，用于集成地面沉降影响因素和地面沉降的时序演化特征和空间关联特征，

TE模拟子模块采用循环网络结构在时间序列上进行时序特征提取，循环网络结构为长短时记忆LSTM模块。

2.根据权利要求1所述的系统，其特征在于，地面沉降因素包括地层岩性、可压缩层厚度、压缩系数和/或含水层水位以及其他物理、地质、水文地质P-G-H特征参数。

3.根据权利要求2的系统，其特征在于，SC特征提取子模块采用地理加权回归GWR模型回归分析地面沉降影响因素与地面沉降之间的空间关系，得到回归系数，作为空间权重。

4.根据权利要求3的系统，其特征在于，时空TS模型构建子模块包括：空间权重层，集成在网络结构的输入层，表示地面沉降影响因素和地面沉降的空间关系。

5.根据权利要求1-4任一项的系统，其特征在于，模拟系统包括以下一项或多项超参数：总样本集、训练集、测试集、时序长度、学习率、批量大小、时间步长、神经元数量、隐藏层、输入变量、输出变量、损失函数和/或优化函数。

6.一种基于神经网络的区域地面沉降时空模拟方法，其特征在于，包括：

步骤1：执行地面沉降因素的空间一致性处理，得到处理后的地面沉降因素数据，和时序SAR影像数据处理，得到时序空间分布的PS点数据；

步骤2：将PS点数据构建成三维时空集，三维时空集包括时序信息的时间维、位置信息的空间维和地面沉降因素的特征维；

步骤3：根据三维特征集提取地面沉降因素和地面沉降的时序演化特征，以及地面沉降因素和地面沉降的空间关联特征，构成时序演化特征和空间关联特征的集成，进行地面沉降模拟，

该方法还包括：

输入TSD数据文件，基于GWR模型进行空间关系计算；

超参数设置；

对TSD数据进行正则化运算；

对训练集和测试集数据进行划分；

按照设置的批处理大小获取特征矩阵和权重矩阵；

计算得到空间地理加权特征矩阵其中，代表t时刻空间维第m个PS点、特征维第j个影响因素，w(t)代表空间权重，代表输入特征矩阵；

运行LSTM计算单元，输出每个时刻的地面沉降值；

设置损失函数和优化函数，结合InSAR监测的地面沉降值进行损失函数迭代最小值计算；

当损失函数值不再下降时，停止运行，采用测试集验证精度。

7.根据权利要求6的方法，LSTM计算单元进一步包括：LSTM计算单元通过三个门控函数来记录时序前后的关联关系，三个门控函数为遗忘门函数、输入门函数和输出门函数，

其中，f_t为遗忘门函数、i_t为输入门函数、o_t为输出门函数、为隐状态，W_f、W_i、W_o、W_C、b_f、b_i、b_o、b_C分别为遗忘门、输入门、输出门函数、隐状态的权重和偏置，h_t-1和h_t分别为前一时刻和当前时刻的输出值；tanh和σ是激活函数。