Research on Monitoring, Analysis and Prediction of Soft Soil Ground Settlement in Zhuhai City Based on InSAR and Transformer-SVM Models
-
摘要:
受快速城市化、临港工业集群建设及近海养殖业扩张等多重因素驱动，珠海市软土广泛分布地区地面沉降频发，已成为制约该地区可持续发展的重大地质环境问题之一。通过集成多时序InSAR监测与机器学习算法，能够系统揭示珠海软土地面沉降问题的时空特征及演化规律。基于Sentinel-1卫星影像数据，联合使用SBAS-InSAR、PS-InSAR技术获取珠海市2015—2018年、2021—2023年两个时期高精度沉降数据，分析发现，珠海市地面沉降较为发育且呈增大趋势，地面累积沉降量波动与当地产业分布、工程活动密切相关。针对传统模型在非线性沉降预测中的局限性，研究构建了融合Transformer模型与支持向量机（SVM）的预测模型。预测结果表明，预测值与真实值曲线高度拟合，误差控制在±4 mm范围内精度占比达97%以上，模型展现出预测精确高、可靠性强的特点。InSAR监测存在局限，需融合多源数据及优化模型构架来进一步提升预测的精确度和可靠性。本文预测结果可为城市的规划与基础设施建设提供科学依据。
-
关键词:
- 软土 /
- 沉降 /
- Transformer模型 /
- 支持向量机(SVM) /
- 预测 /
- 珠海市
Abstract:Driven by multiple factors such as rapid urbanization, the construction of industrial clusters near the port, and the expansion of offshore aquaculture, the widespread distribution of soft soil in Zhuhai has led to frequent ground subsidence, which has become one of the major geological and environmental problems restricting the sustainable development of the region. By integrating multi-temporal InSAR monitoring and machine learning algorithms, the spatiotemporal characteristics and evolutionary patterns of soft soil subsidence in Zhuhai can be systematically revealed. Based on Sentinel-1 satellite imagery data, high-precision subsidence data from 2015 to 2018 and 2021 to 2023 were obtained using SBAS-InSAR and PS-InSAR techniques. Analysis shows that land subsidence in Zhuhai is well-developed and exhibits an increasing annual trend, with fluctuations in cumulative land subsidence closely related to local industrial distribution and engineering activities. Aiming at the limitations of traditional models in nonlinear subsidence prediction, a predictive model integrating the Transformer model and Support Vector Machine (SVM) was developed. Prediction results demonstrate highly consistent curves between predicted and actual values, with over 97% of the errors controlled within ±4 mm, indicating the model's high prediction accuracy and reliability. However, InSAR monitoring has limitations, which make integrating multi-source data and optimizing model architecture be necessary to further improve prediction accuracy and reliability. The prediction of this study provide scientific basis for urban planning and infrastructure construction.
-
Key words:
- soft soil /
- subsidence /
- Transformer model /
- Support Vector Machine (SVM) /
- prediction /
- Zhuhai City
-
-
表 1 研究区SAR数据参数
Table 1. SAR data parameters in the research area
参数 数值 卫星类型 Sentinel-1 波段 C 成像模式 宽幅干涉 （IW) 空间分辨率 20 m 相对轨道号 11 极化方式 VV 数据级别 SLC级别 监测时间 2015年06月至2018年06月；
2021年01月至2023年12月
下载: 导出CSV
表 2 各级沉降速率影响范围统计表
Table 2. Statistical of the impact range of settlement rates at various levels
序号 沉降速率
（mm/a）2015—2018年
影响面积 (km2)2021—2023年
影响面积 (km2)1 −50.0 ～ −40.0 1.8 1.5 2 −40.0 ～ −30.0 5.3 30.0 3 −30.0 ～ −20.0 29.7 81.7 4 −20.0 ～ −10.0 148.5 252.7 5 −10.0 ～ 10.0 1287.0 1106.6 6 合计 1472.3 1472.3
下载: 导出CSV
表 3 训练模型预测精度
Table 3. Prediction accuracy of training model
监测点 评价指标 训练集 验证集 测试集 CJC01 MAE 1.1156 1.238 1.1683 MAPE 0.10684 0.047721 0.034159 MSE 1.8714 2.2859 2.3498 RMSE 1.368 1.5119 1.5329 R2 0.96267 0.85611 0.89544 CJC04 MAE 1.6451 2.1158 2.0495 MAPE 0.13558 0.063012 0.044121 MSE 4.2337 6.5444 6.0258 RMSE 2.0576 2.5582 2.4548 R2 0.92754 0.72312 0.81431 CJC09 MAE 1.5899 1.6102 3.0375 MAPE 0.050058 0.023977 0.034038 MSE 3.6731 3.6852 13.5464 RMSE 1.9165 1.9197 3.6805 R2 0.99203 0.91833 0.79068 CJC15 MAE 1.5606 2.3048 2.7556 MAPE 0.18318 0.12151 0.11083 MSE 3.6326 7.4481 11.6024 RMSE 1.9059 2.7291 3.4062 R2 0.90497 - 0.11906 0.22652
下载: 导出CSV
-
[1] 曹炳强,刘智强,简程航,鲁泽宇,张双成,罗 强.2021.北京市地面沉降监测高精度数据处理及分析[J]. 导航定位学报,9(6):125-129+138.
[2] 陈嘉俊,刘 波,林伟伟,郑剑文,谢家晨. 2025. 基于Transformer的时间序列预测方法综述[J]. 计算机科学, 52(6): 96-105.
[3] 陈媛媛,赵秉琨,王 慧,郑加柱,高业,何敏.2024.基于LSTM模型的时序InSAR地表形变预测[J]. 人民长江,55(3):146-152.
[4] 丁晓利,陈永奇,李志林,刘国祥,章国宝.2000.合成孔径雷达干涉技术及其在地表形变监测中的应用[J]. 紫金山天文台台刊,(2):100-109.
[5] 郝建华. 2024. 基于深度学习的时间序列预测算法研究[D]. 山东师范大学博士学位论文.
[6] 侯景鑫,许 兵,韦 佳,李志伟,朱 焱,毛文祥,刘维正.2024.顾及序列非平稳性的InSAR形变序列噪声分离与精化[J]. 地球物理学报,67(11):4077-4088. doi: 10.6038/cjg2023R0266
[7] 黄茂庭,徐金明.2024.使用CNN(卷积神经网络)-LSTM(长短期记忆)联合神经网络预测盾构隧道施工引起的地面沉降[J]. 城市轨道交通研究,27(6):166-171.
[8] 江金进,刘 佳,吴舒天,江 山,赖 波,李俊生.2020.珠海市软土分布特征及软土沉降风险评价[J]. 地质灾害与环境保护,31(2):68-74. doi: 10.3969/j.issn.1006-4362.2020.02.012
[9] 江金进,刘 佳,江 山,赵风顺,赖 波,吴舒天,陈桂丽. 2024. 软土地面沉降调查评价和机理研究成果报告[R]. 广东省地质局第一地质大队(广东省珠海地质灾害应急抢险技术中心).
[10] 李华蓉,戴双璘,郑嘉欣.2024.基于InSAR监测和PSO-SVR模型的高填方区沉降预测[J]. 中国地质灾害与防治学报,35(2):127-136.
[11] 孟 雪,赵燕容,黄小红,徐 晓.2018.基于灰色GM(1,1)和神经网络组合模型的基坑周边地面沉降预测分析[J]. 勘察科学技术,(6):39-44. doi: 10.3969/j.issn.1001-3946.2018.06.009
[12] 彭文祥,张德英.2024.基于LSTM与Transformer的地面沉降智能预测方法研究——以上海市为例[J]. 时空信息学报,31(1):94-103.
[13] 石安平,周 吕,王 成,李欣益,马 俊,黄 玲.2022.结合EMD与小波阈值去噪的GB-RAR桥梁监测信号去噪[J]. 测绘通报,(S2):227-232+240.
[14] 吴智博. 2023. 基于深度迁移学习的桥梁裂缝检测与数据集扩充方法研究[D]. 湖南大学硕士学位论文.
[15] 严天笑. 2024. 基于时序InSAR技术和深度学习的建筑物沉降监测和预测[D]. 防灾科技学院硕士学位论文.
[16] 阳中磊. 2023. 基于InSAR技术的城市沉降监测及时空分析[D]. 中国矿业大学硕士学位论文.
[17] 赵玉妹,王大鹏,王昭然,白翔宇.2024.基于Transformer系列模型的高压线铁塔区域沉降预测方法[J]. 电工技术,(15):76-80.
[18] Ao Z R, Hu X M, Tao S L, Hu X, Wang G Q, Li M J, Wang F, Hu L T, Liang X Y, Xiao J F, Yusup A, Qi W H, Ran Q W, Fang J Y, Chang J F, Zeng Z Z, Fu Y S, Xue B L, Wang P, Zhao K F, Li L, Li W K, Li Y M, Jiang M, Yang Y H, Shen H H, Zhao X, Shi Y, Wu B, Yan Z B, Wang M J, Su Y J, Hu T Y, Ma Q, Bai H, Wang L J, Yang Z Y, Feng Y H, Zhang D H, Huang E H, Pan J M, Ye H Y, Yang C, Qin Y W, He C Q, Guo Y P, Cheng K, Ren Y, Yang H T, Zheng C Y, Zhu J L, Wang S P, Ji C J, Zhu B, Liu H Y, Tang Z Y, Wang Z H, Zhao S Q, Tang Y H, Xing H F, Guo Q H, Liu Y, Fang J Y. 2024. A national-scale assessment of land subsidence in China’s major cities[J]. Science, 384(6693): 301-306. doi: 10.1126/science.adl4366
[19] Abdelrahim E M, Hashim H, Atlam E S, Osman R A, Gad I. 2024. TMS: Ensemble Deep Learning Model for Accurate Classification of Monkeypox Lesions Based on Transformer Models with SVM[J]. Diagnostics, 14(23): 2638. doi: 10.3390/diagnostics14232638
-
图(10)
表(3)
计量
- 文章访问数: 52
- PDF下载数: 4
- 施引文献: 0