|
USA-594515-Baskets Company Direktoryo
|
Company News :
- 地质灾害前沿|基于MT-InSAR时间序列的可解释注意力深度学习滑坡预测方法：以三峡库区新浦滑坡为例 - 知乎
将insar反演时序位移与新浦滑坡gnss站获得的位移数据进行比较，如图6所示。根据dem计算得到坡度和梯度，将gnss的时序位移转换为视向方向。insar和gnss观测结果具有很强的一致性，rmse、mae分别为0 64和0 53厘米。亚厘米级的误差表明insar测量具有可靠性和稳健性。
- 基于时序InSAR与机器学习的大范围地面沉降预测方法
摘要: 地面沉降是由自然因素和人为因素综合作用下形成的地面标高损失，为预防这种累进性的缓变地质灾害，高效的大范围地面沉降预测显得尤为重要 现有的预测方法忽略了地面沉降的空间特征，且基于单点循环预测存在高耗时现象 针对上述问题，提出了一种
- 面向时序InSAR地面沉降时空预测的深度神经网络模型-学位-万方数据知识服务平台
（3）基于2016-2021年北京首都国际机场时序InSAR地面沉降面域数据，在全部时序数据中采用滑动窗口进行数据分割形成多对一数据集模式，结合小波变换、评价指标和预测结果确定预测模型的最佳时间步长，构建顾及地面沉降空间邻域特征的ConvLSTM面域预测模型
- ConvLSTM神经网络的时序InSAR地面沉降时空预测
现有地面沉降时空预测方法存在时序特征捕捉能力差,未顾及空间邻域特征等问题,导致地面沉降时空预测的可靠性差。采用合成孔径雷达干涉测量技术（interferometric synthetic aperture radar,InSAR),提出了一种能够捕捉时序特征和空间邻域特征的卷积长短时记忆（convolutional long short-term memory, ConvLSTM）神经网络
- 大范围地表沉降时序深度学习预测法 - xb. chinasmp. com
首先采用多主影像相干目标小基线干涉技术mctsb-insar获取大区域高精度地表形变时序反演结果；其次利用循环神经网络作为网络架构，用长短期记忆（lstm）模型进行地表沉降特征学习；最后采用网格搜索的方法调整模型参数，进而获取最优的模型参数组合方案。
- 长短时记忆网络TS-InSAR地表形变预测 - 遥感学报
预测地面沉降对于城市基础设施损害的早期预警和及时采取补救措施具有重要意义。本文提出基于时序InSAR数据采用长短时记忆网络（LSTM）模型来预测地面沉降。以香港国际机场为研究区域，基于Sentinel-1A升轨影像利用时序雷达干涉技术（TS-InSAR）获取2015年—2020年机场时序地面沉降监测InSAR结果
- 基于LSTM的InSAR形变时间序列预测 - 知乎 - 知乎专栏
（2） 基于insar时间序列结果建立了lstm神经网络预测模型，并与rnn和mlp预测模型进行了比较。lstm预测模型中rmse和mae最低（分别为4 60 mm和3 18 mm）。lstm神经网络预测结果与insar实测结果的相关系数分别为0 93和0 96。lstm神经网络可以更好地捕捉insar时间序列数据的波动。
- 集成SBAS-InSAR和AT-LSTM的矿区地面沉降时间序列分析与预测方法,Remote Sensing - X-MOL
利用小基线子集干涉合成孔径雷达（sbas-insar）技术采集平朔矿区2019年至2022年地面沉降时空数据，并利用长短期记忆（lstm）神经网络算法进行分析。 此外，还引入了注意力机制来合并时间依赖性并提高预测准确性，从而促进了 AT-LSTM 模型的发展。
- 基于时序InSAR与机器学习的大范围地面沉降预测方法
The Prediction Method of Large-Scale Land Subsidence Based on Multi-Temporal InSAR and Machine Learning Earth Science, 49(5): 1736-1745 doi: 10 3799 dqkx 2023 048 Citation: Luo Huiyuan, Xu Qiang, Jiang Yanan, Meng Ran, Pu Chuanhao, 2024 The Prediction Method of Large-Scale Land Subsidence Based on Multi-Temporal InSAR and Machine Learning
- 深度学习在InSAR数据处理与地壳形变观测中的应用研究进展
摘要： InSAR(Interferometric Synthetic Aperture Radar, InSAR)技术凭借其高精度、 大范围、 全天候监测的优势, 在地表高程、 形变等信息的获取、 反演等应用中得到了广泛的认可, 并逐渐发展为地壳形变观测领域里不可或缺的技术手段, 但利用InSAR技术进行地壳形变观测离不开海量数据的支持, 这势必会给信息的
|
|