买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南京林业大学申请的专利一种顾及地面荷载的SBAS-InSAR地面沉降预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117113032B 。

龙图腾网通过国家知识产权局官网在2025-12-19发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311196886.7，技术领域涉及：G06F18/20；该发明授权一种顾及地面荷载的SBAS-InSAR地面沉降预测方法是由陈媛媛;王茂枚;赵钢;郑加柱;王刘宇;朱广延;卓南设计研发完成，并于2023-09-15向国家知识产权局提交的专利申请。

本一种顾及地面荷载的SBAS-InSAR地面沉降预测方法在说明书摘要公布了：本发明提供了一种顾及地面荷载的SBAS‑InSAR地面沉降预测方法，首先，基于LSTM长短期记忆神经网络确定顾及地面荷载的地面沉降模型的总体框架，然后对地面沉降模型的参数进行配置，选择训练样本和验证样本并对地面沉降模型进行训练，并对地面沉降模型精度进行评估；利用训练好的地面沉降模型对特征点后续沉降进行预测及分析，本申请可以更好地评估建筑物荷载对地面沉降的影响，更准确地预测地面沉降趋势，为城市规划、土地开发和基础设施维护提供科学依据。

本发明授权一种顾及地面荷载的SBAS-InSAR地面沉降预测方法在权利要求书中公布了：1.一种顾及地面荷载的SBAS-InSAR地面沉降预测方法，其特征在于：包括如下步骤： 步骤1：下载覆盖预测地区的所有的Sentinel-1ASLC格式SAR数据和所有的Landsat8OLI及Sentinel-2AB光学数据，然后，对Sentinel-1A进行预处理，以获取覆盖研究区域的时间序列SAR数据；对Landsat8OLI和Sentinel-2AB进行预处理，以获取精准的光学数据，然后分别在SAR数据和光学数据上选择同名控制点进行空间配准，并通过裁剪确保所有影像数据的范围一致； 步骤2：对预处理后的Landsat8OLI及Sentinel-2AB的光学数据进行参数提取，提取的参数包括：归一化差值裸地与建筑用地指数、土壤调节植被指数、改进型归一化水体指数、裸土指数、增强裸土指数以及增强型建筑用地指数，提取公式如下： 1； 2； 3； 4； 5； 6； 以上公式中NDBBI为归一化差值裸地与建筑用地指数、SAVI为土壤调节植被指数、MNDWI为改进型归一化水体指数、BSI为裸土指数、EBSI为增强裸土指数、EIBI为增强型建筑用地指数，B、G、R、NIR、SWIR1SWIR2分别为Landsat8OLI或Sentinel-2遥感影像中的蓝波段、绿波段、红波段、近红外波段和短波红外波段；L为土壤调节因子，其值大小介于0~1之间，根据研究区域的植被覆盖率进行设置，植被覆盖率越高则L值越小； 在步骤2中，采用栅格统计方法对Landsat8OLI和Sentinel-2AB时间序列光学数据提取得到归一化差值裸地与建筑用地指数、土壤调节植被指数、改进型归一化水体指数以及裸土指数，然后，根据裸土指数与改进型归一化水体指数计算得到用于增强裸地信息的增强裸土指数，然后，根据归一化差值裸地与建筑用地指数、改进型归一化水体指数、土壤调节植被指数以及增强裸土指数计算得到用于反映建筑物载荷时序变化的增强型建筑用地指数，再通过归一化处理与栅格计算得到研究区域的时间序列建筑物用地面积； 步骤3：对预处理后的SLC格式Sentinel-1ASAR数据进行SBAS-InSAR技术处理获取预测地区的地面沉降信息，首先需要在时间序列Sentinel-1ASAR数据中选择其中一景作为主影像，将其它的SAR影像与之进行高精度的配准，在设置时间基线和空间基线阈值临界值后，所有SAR影像与主影像将构成干涉对，并通过引入30m精度的DEM数据去除平地效应，选择Goldstein滤波方法，采用最小费用流方法进行相位解缠，在没有形变条纹和相位跃变的地形平坦区域选取地面控制点，利用三次多项式法估算并去除残余的恒定相位和斜坡相位，通过建立相干点的形变速率和高程系数的线性模型构成方程组，并采用矩阵奇异值分解法来初步估算形变速率与地形误差，在第一次反演得到形变速率之后，利用大气时间域高通与空间域低通滤波估算和去除大气相位； 步骤4，通过相关性分析，预估地面沉降量与地面建筑物面积之间的相关程度，采用距离相关系数度量时间序列沉降数据与建筑物面积之间的相关性，计算公式如下： 7； 其中， 8； 9； 10； 以上，DC表示距离相关，n为随机变量x和y的长度，表示取矩阵内所有元素和的平均值，和表示中心化距离矩阵，DC系数的大小在[0-1]之间，DC系数越接近于1则两种随机变量的相关性越强，DC系数为0则说明两种随机变量完全独立； 步骤5，在相关性分析的基础上，基于深度学习设计器工具构建LSTM长短期神经网络，首先建立地面沉降模型的总体框架，然后对地面沉降模型的参数进行配置， 建立地面沉降模型的总体框架： 基于LSTM长短期记忆神经网络确定地面沉降模型的总体框架， LSTM隐藏层中单个神经元的计算包含细胞状态更新和输出值计算两部分，神经元内有三个门函数：遗忘门、输入门和输出门，通过门函数控制输入值、记忆值和输出值，遗忘门、输入门、输出门计算公式分别为： 11； 12； 13； 其中是上一时刻的隐藏状态；为sigmoid函数；、、分别为遗忘门、输入门、输出门状态结算结果；、、分别为遗忘门、输入门、输出门的权重矩阵；、、分别为遗忘门、输入门、输出门偏置项；LSTM长短期神经网络的最终输出由输出门和单元状态共同确定，为候选值向量，输入值和候选值向量的乘积用来更新细胞状态，计算过程如下： 14； 15； 16； 17； 18； 其中，为输入单元状态权重矩阵；为输入单元状态偏置项；为激活函数,遗忘门控制当前时刻细胞状态丢弃信息的多少，为神经元输出值，为当前时刻隐藏状态； 地面沉降模型的参数配置：在训练中，需要设置LSTM神经网络的输入层神经元格式、网络迭代次数、梯度阈值、指定初始训练速率，损失函数为RMSE，激活函数为tanh，网络训练采用Adam优化算法，梯度阈值设置为1，指定初始训练速率为0.003，网络的输入由当前时刻的SBAS-InSAR地面特征点沉降量和建筑物面积组成，网络输出为当前时刻预测的特征点沉降量，将时序沉降数据和时序建筑物面积数据分为两个时间段T1和T2，两个时段数据的全部样本按照8:2的比例划分为训练集和测试集，用训练集对模型进行训练，并将预测值与已知值进行对比分析，通过绝对误差、均方根误差作为预测精确度的评价指标； 步骤6，地面沉降模型训练并测试完成后，即可对预测地区未来的地面沉降量进行预测，具体步骤为，在地面沉降模型训练并测试完成后，使用Matlab软件平台深度学习设计器工具中的predictAndUpdateState函数对未来的沉降量进行多步预测，并在每次预测时更新网络状态，由于缺少未来的监测值，通过把预测值作为真实值不断地构造输入新的预测序列中，进而实现对特征点未来时间内的地面沉降的预测和分析。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京林业大学，其通讯地址为：210000 江苏省南京市龙蟠路159号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。