Enhanced land subsidence interpolation through a hybrid deep convolutional neural network and InSAR time series
Notice bibliographique
Résumé
Abstract. Land subsidence, whether gradual or sudden, poses a significant global threat to infrastructure and the environment. This study introduces a hybrid approach that combines deep convolutional neural networks (CNNs) with persistent scatterer interferometric synthetic aperture radar (PSInSAR) to estimate land subsidence in areas where PSInSAR data are unreliable or sparse. The proposed method trains a deep CNN using subsidence driving forces and PSInSAR data to learn spatial patterns and predict subsidence values. Our evaluation demonstrates that the CNN effectively mitigates discontinuities in PSInSAR results, producing a continuous and reliable subsidence surface. The model's performance was assessed using training, validation, and testing datasets, achieving root mean square errors (RMSEs) of 3.99, 8.47, and 9 mm, respectively. In contrast, traditional interpolation methods such as kriging, inverse distance weighting (IDW), and radial basis function (RBF) interpolation yielded RMSE values of 61.60, 66.21, and 61.76 mm, respectively, on the test dataset. Additionally, the coefficients of determination (R2) for CNN, kriging, IDW, and RBF were 0.98, −0.06, −0.22, and −0.06, respectively. The deep CNN model demonstrated an 85 % improvement in subsidence prediction accuracy compared to conventional interpolation methods, highlighting its potential for accurate and continuous land subsidence estimation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».