基于SBAS-InSAR和PSO-BP神经网络算法的矿区地表沉降监测及预测

针对传统监测技术无法进行长时间矿区地表沉降监测以及现有预测模型过度依赖沉降数据、模型单一等问题，提出一种基于小基线集合成孔径雷达干涉（Small Baseline Subsets Interferometric Synthetic Aperture Radar，SBAS-InSAR）和粒子群优化-反向传播（Particle Swarm Optimization -Back Propagation，PSO-BP）神经网络算法的矿区地表沉降监测及预测模型. 首先，利用SBAS-InSAR技术获取矿区地表沉降监测值；然后，选取矿区地表沉降的影响因子与获取的沉降监测值从多因子角度构建PSO-BP预测模型；最后，分析该方法的有效性和合理性. 实验结果表明，利用SBAS-InSAR能有效监测矿区地表长时间沉降，随着训练样本的增加，PSO-BP预测值与SBAS-InSAR沉降值残差逐渐减少，算法收敛迭代加快，均方误差降低. 与现有监测方法及预测模型的对比，证明了SBAS-InSAR在矿区地表长时间沉降监测中的优势以及PSO-BP模型在矿区地表沉降预测中的有效性和合理性，该方法可作为矿区地表长时间沉降监测和预测的有效手段.