Temperature changes may cause irregular soil uplift or thawing settlements in frozen soil areas, potentially affecting the safe operation of High-Speed Railways (HSR). Analyzing and predicting these deformation characteristics is thus critical. However, the conventional forecasting and analysis techniques rarely considered factors such as dynamic parameter variations, uncertainties, and measurement errors, which hinder accurate regional scale forecasting. To bridge this gap, this paper introduces a novel time-series coupling method, which integrates post-processing deformation from Interferometric Synthetic Aperture Radar (InSAR) with a frost heave model (FHM), facilitated by the ensemble Kalman filter (EnKF) assimilation algorithm. We obtained deformation observations along the HSR using Persistent Scatterer InSAR (PS-InSAR) technology in combination with time series post-processing techniques. Considering the causative factors for deformation, we structured the FHM. By integrating FHM with observational data using the EnKF algorithm achieved an efficient upgrade of the posterior distribution of model parameters. This integration significantly improves the predictive accuracy, it facilitates an efficient update to the posterior distribution of model parameters, leading to enhanced prediction accuracy of our model. Our experimental results indicate that the effectiveness of this approach, with observational data assimilation into FHM reducing the average Root Mean Square Error (RMSE) to a mere 0.247 mm. Concurrently, both the Normalized Reduction Error Index (NER) and the Assimilation Efficiency Factor (EFF) values surpassed 0.60 and 0.84 respectively. These underlines signify a successful update of our model parameters, which in turn elevates the accuracy of future deformation predictions, thereby promising safer railway operations.
针对传统形变监测及预测难以做到大范围监测和精准预测的问题,本文提出了联合PS-InSAR技术和多变量长短期记忆(M-LSTM)神经网络监测和预测高铁路基冻胀形变的方法。首先,该方法利用PS-InSAR技术获取路基冻胀空间分布特征;然后,使用皮尔逊相关系数法优化出3种冻胀诱发因素,所得数据经预处理后组成训练数据;最后,引入LSTM构建智能化、多变量冻胀预测模型,精确地预测路基冻胀形变趋势。研究结果表明,PS-InSAR技术在大范围形变监测中具有可靠性,M-LSTM模型预测精度比传统神经网络模型更高,平均判定系数(R2)、平均绝对误差(MAE)和平均均方根误差(RMSE)分别为0.973、0.024 mm和0.035 mm,说明M-LSTM模型在高铁路基冻胀形变预测中具有较好的应用价值,同时也为路基冻胀形变预测提供了新思路。
针对传统形变监测及预测难以做到大范围监测和精准预测的问题,本文提出了联合PS-InSAR技术和多变量长短期记忆(M-LSTM)神经网络监测和预测高铁路基冻胀形变的方法。首先,该方法利用PS-InSAR技术获取路基冻胀空间分布特征;然后,使用皮尔逊相关系数法优化出3种冻胀诱发因素,所得数据经预处理后组成训练数据;最后,引入LSTM构建智能化、多变量冻胀预测模型,精确地预测路基冻胀形变趋势。研究结果表明,PS-InSAR技术在大范围形变监测中具有可靠性,M-LSTM模型预测精度比传统神经网络模型更高,平均判定系数(R2)、平均绝对误差(MAE)和平均均方根误差(RMSE)分别为0.973、0.024 mm和0.035 mm,说明M-LSTM模型在高铁路基冻胀形变预测中具有较好的应用价值,同时也为路基冻胀形变预测提供了新思路。
针对传统形变监测及预测难以做到大范围监测和精准预测的问题,本文提出了联合PS-InSAR技术和多变量长短期记忆(M-LSTM)神经网络监测和预测高铁路基冻胀形变的方法。首先,该方法利用PS-InSAR技术获取路基冻胀空间分布特征;然后,使用皮尔逊相关系数法优化出3种冻胀诱发因素,所得数据经预处理后组成训练数据;最后,引入LSTM构建智能化、多变量冻胀预测模型,精确地预测路基冻胀形变趋势。研究结果表明,PS-InSAR技术在大范围形变监测中具有可靠性,M-LSTM模型预测精度比传统神经网络模型更高,平均判定系数(R2)、平均绝对误差(MAE)和平均均方根误差(RMSE)分别为0.973、0.024 mm和0.035 mm,说明M-LSTM模型在高铁路基冻胀形变预测中具有较好的应用价值,同时也为路基冻胀形变预测提供了新思路。
以藏南错那地区为研究区,利用光学遥感影像解译与PS-InSAR识别技术等综合遥感识别方法获取研究区地质灾害隐患区数量及分布特征,分析典型隐患区在其时间序列上的形变特征。结果表明:(1)光学遥感影像识别地质灾害隐患区共135处,整体识别率76.3%,识别正确率93.1%; PS-InSAR技术识别地质灾害隐患区共47处,整体识别率26.6%,识别正确率97.9%;综合遥感识别方法共识别地质灾害隐患区137处,其中崩塌76处、滑坡30处、泥石流18处、冰湖溃决13处,整体识别率为77.4%;(2)光学遥感影像和PS-InSAR技术在识别地质灾害方面都有各自的优势,二者均能较好地识别出崩塌与滑坡灾害;对于泥石流与错那地区典型的冰湖溃决地质灾害,基于光学遥感影像识别比基于PS-InSAR技术识别具有更好的效果;(3)通过综合利用光学遥感影像与InSAR技术识别地质灾害,分析典型地质灾害隐患区发育规律,可为藏南错那地区防灾减灾工作提供理论参考与技术支持。
以藏南错那地区为研究区,利用光学遥感影像解译与PS-InSAR识别技术等综合遥感识别方法获取研究区地质灾害隐患区数量及分布特征,分析典型隐患区在其时间序列上的形变特征。结果表明:(1)光学遥感影像识别地质灾害隐患区共135处,整体识别率76.3%,识别正确率93.1%; PS-InSAR技术识别地质灾害隐患区共47处,整体识别率26.6%,识别正确率97.9%;综合遥感识别方法共识别地质灾害隐患区137处,其中崩塌76处、滑坡30处、泥石流18处、冰湖溃决13处,整体识别率为77.4%;(2)光学遥感影像和PS-InSAR技术在识别地质灾害方面都有各自的优势,二者均能较好地识别出崩塌与滑坡灾害;对于泥石流与错那地区典型的冰湖溃决地质灾害,基于光学遥感影像识别比基于PS-InSAR技术识别具有更好的效果;(3)通过综合利用光学遥感影像与InSAR技术识别地质灾害,分析典型地质灾害隐患区发育规律,可为藏南错那地区防灾减灾工作提供理论参考与技术支持。
以藏南错那地区为研究区,利用光学遥感影像解译与PS-InSAR识别技术等综合遥感识别方法获取研究区地质灾害隐患区数量及分布特征,分析典型隐患区在其时间序列上的形变特征。结果表明:(1)光学遥感影像识别地质灾害隐患区共135处,整体识别率76.3%,识别正确率93.1%; PS-InSAR技术识别地质灾害隐患区共47处,整体识别率26.6%,识别正确率97.9%;综合遥感识别方法共识别地质灾害隐患区137处,其中崩塌76处、滑坡30处、泥石流18处、冰湖溃决13处,整体识别率为77.4%;(2)光学遥感影像和PS-InSAR技术在识别地质灾害方面都有各自的优势,二者均能较好地识别出崩塌与滑坡灾害;对于泥石流与错那地区典型的冰湖溃决地质灾害,基于光学遥感影像识别比基于PS-InSAR技术识别具有更好的效果;(3)通过综合利用光学遥感影像与InSAR技术识别地质灾害,分析典型地质灾害隐患区发育规律,可为藏南错那地区防灾减灾工作提供理论参考与技术支持。
中巴走廊沿线地质灾害频发,通过监测地表微小形变有助于对研究区内地质灾害进行判别分析,对走廊建设及走廊沿线基础工程设施的防护有重要意义。利用2015年4月5日—2018年12月9日共30景Sentinel-1A干涉宽幅模式下的雷达影像,分别采用PS-InSAR技术及SBAS-InSAR技术,对中巴走廊盖孜河谷段进行地表形变时序信息提取。结果表明,采用两种方式获取的形变信息在形变速率的空间变化趋势上具有较好的一致性,其中SBAS-InSAR技术所获取的形变速率分布在空间上相对更为连续。SBAS-InSAR形变提取结果表明,在分析时间段内,研究区多处发生明显地表形变,较大的视线向形变量主要分布于中巴公路两侧斜坡及布伦口以北的冰川前缘区域。在提取时序形变信息基础上,结合光学影像对研究区内典型不稳定斜坡及冰川运动进行形变特征分析,结果表明不稳定斜坡上PS点在监测时段内累积形变量可达-30 mm,而在冰川运动前缘集中分布许多正负向形变值较大的PS点,其正负向累积形变量分别可达+60 mm和-80 mm。本研究为高寒山区地质灾害形变的探测和今后在中巴走廊的应用积累了基础。
中巴走廊沿线地质灾害频发,通过监测地表微小形变有助于对研究区内地质灾害进行判别分析,对走廊建设及走廊沿线基础工程设施的防护有重要意义。利用2015年4月5日—2018年12月9日共30景Sentinel-1A干涉宽幅模式下的雷达影像,分别采用PS-InSAR技术及SBAS-InSAR技术,对中巴走廊盖孜河谷段进行地表形变时序信息提取。结果表明,采用两种方式获取的形变信息在形变速率的空间变化趋势上具有较好的一致性,其中SBAS-InSAR技术所获取的形变速率分布在空间上相对更为连续。SBAS-InSAR形变提取结果表明,在分析时间段内,研究区多处发生明显地表形变,较大的视线向形变量主要分布于中巴公路两侧斜坡及布伦口以北的冰川前缘区域。在提取时序形变信息基础上,结合光学影像对研究区内典型不稳定斜坡及冰川运动进行形变特征分析,结果表明不稳定斜坡上PS点在监测时段内累积形变量可达-30 mm,而在冰川运动前缘集中分布许多正负向形变值较大的PS点,其正负向累积形变量分别可达+60 mm和-80 mm。本研究为高寒山区地质灾害形变的探测和今后在中巴走廊的应用积累了基础。
中巴走廊沿线地质灾害频发,通过监测地表微小形变有助于对研究区内地质灾害进行判别分析,对走廊建设及走廊沿线基础工程设施的防护有重要意义。利用2015年4月5日—2018年12月9日共30景Sentinel-1A干涉宽幅模式下的雷达影像,分别采用PS-InSAR技术及SBAS-InSAR技术,对中巴走廊盖孜河谷段进行地表形变时序信息提取。结果表明,采用两种方式获取的形变信息在形变速率的空间变化趋势上具有较好的一致性,其中SBAS-InSAR技术所获取的形变速率分布在空间上相对更为连续。SBAS-InSAR形变提取结果表明,在分析时间段内,研究区多处发生明显地表形变,较大的视线向形变量主要分布于中巴公路两侧斜坡及布伦口以北的冰川前缘区域。在提取时序形变信息基础上,结合光学影像对研究区内典型不稳定斜坡及冰川运动进行形变特征分析,结果表明不稳定斜坡上PS点在监测时段内累积形变量可达-30 mm,而在冰川运动前缘集中分布许多正负向形变值较大的PS点,其正负向累积形变量分别可达+60 mm和-80 mm。本研究为高寒山区地质灾害形变的探测和今后在中巴走廊的应用积累了基础。