基于多时相InSAR技术的大渡河瀑布沟水电站形变监测与预测

摘要

形变监测与预测是对水电站异常情况进行预警和及时采取补救措施的关键。提出了一种长短期记忆(LSTM,long short-term memory)神经网络方法来预测大渡河流域瀑布沟水电站干涉合成孔径雷达(InSAR,interferometric synthetic aperture radar)的时间序列形变。该方法首先利用多时相干涉合成孔径雷达(MT-InSAR,multi-temporal interferometric synthetic aperture radar)技术对2018—2020年瀑布沟水电站的哨兵一号(Sentinel-1)图像进行时间序列形变监测,然后基于时间序列InSAR形变数据采用LSTM神经网络建立了形变预测模型,最终获取瀑布沟水电站的形变速率结果和时序形变的预测结果。结果表明,瀑布沟水电站最大沉降速率达到-34 mm/a,LSTM预测模型训练和测试过程中点尺度的均方根误差(root mean squared error,RMSE)和绝对误差平均值(mean absolute error,MAE)最小值分别为2.343 mm和2.010 mm,2.094 mm和1.654 mm。LSTM形变预测模型的预测结果显示2020年5—9月的累计沉降值将达到71.29 mm。结果表明LSTM神经网络是一种有效InSAR时序形变预测方法。同时该模型的预测结果也可用于瀑布沟水电站的形变预警和辅助决策。