来源：期刊VIP网 时间：
作者：陈鑫;童啄时;刁鑫鹏;唐中华;陈冉丽;李东旭;
单位：中国矿业大学;石家庄铁路职业技术学院;
摘要：针对地铁修建引发地表形变的监测与预测问题，该文基于多时相时序合成孔径雷达干涉测量(MT-InSAR)技术，利用30期Sentinel-1A影像，反演获得了徐州市5条地铁线路在2023-03-26至2024-03-08期间的变形速率及累计沉降信息，并分析了线路形变特征及潜在影响因素。通过建立BP神经网络、粒子群算法优化支持向量机(PSO-SVM)、卷积神经网络-长短期记忆(CNN-LSTM)模型，进行多特征沉降时序预测。结果表明CNN-LSTM预测模型更优，其均方根误差(RMSE)、平均绝对误差(MAE)和均方误差(MSE)均值分别为1.08、0.91、1.23;MT-InSAR结合沉降预测模型能够有效实现对地铁沿线形变信息的识别、提取与预测，可为地铁沿线监测及安全预案制定提供数据与技术参考。
关键词：地铁沉降;;PS-InSAR;;SBAS-InSAR;;深度学习;;CNN-LSTM模型
基金资助：河北省建设科技研究计划项目(2021-2119)
