基于InSAR监测和PSO-SVR模型的高填方区沉降预测OACSTPCD

基于小基线集干涉测量技术(small baseline subsets interferometric synthetic aperture radar,SBAS-InSAR)和机器学习知识对高填方区域进行地表沉降监测及预测,对工程项目的施工、检修、运营等工作都具有重要的指导意义。文章以重庆东港集装箱码头为研究对象,选取2018—2019年覆盖研究区的31景Sentinel-1A数据,利用SBAS-InSAR技术获取该区域的地表沉降数据,并进行内外精度评定;通过信息量模型分析地表沉降易发地地势特点,选择预测点位;通过灰色关联分析计算动态影响因素与沉降量之间的灰色关联度,使用主成分分析法从影响因素中提取出主成分,构建训练集和测试集,通过粒子群算法-支持向量机法(particle swarm optimization-support vector regression,PSO-SVR)预测模型对测试集数据进行预测。为验证该模型在高填方区域沉降预测的可靠性和优异性,将自回归差分整合移动平均模型(autoregressive integrated moving average model,ARIMA)作为对比模型,分别将PSO-SVR模型的预测结果和ARIMA模型的预测结果与测试集进行对比。结果表明:PSO-SVR模型的预测精度优于ARIMA模型,在高填方区域地表沉降预测中具有较好的实用性。