携手创作，共同成长！这是我参与「掘金日新计划 · 8 月更文挑战」的第1天，点击查看活动详情 >>

• 本文将深度学习方法应用到地面沉降领域，选取西班牙马德里的地面沉降时间序列数据，这些数据由ENVISAT卫星在较长时间周期内采集的雷达卫星图像，经过持续散射干涉法(PSI，Persistent Scatterer Interferometric Synthetic Aperture Radar)对雷达卫星图像进行处理后得到。结合第三系碎屑含水层地下水抽采数据，应用卷积神经网络方法，进行时间序列预测。
• 一句话总结：基于空间基础的多元时间序列预测问题

什么是地面沉降

先来科普一下地面沉降的知识，方便大家了解背景。

地面沉降是一种环境地质灾害，特点是缓慢变化、不可逆，它可以持续数月到数年，导致面积数十到数千平方公里的大片区域下沉，速度为每年数厘米到数十厘米。近年来，地面沉降逐渐成为全世界主要地质灾害之一，给全球的发展、环境、建设、交通、生活等多方面带来严重影响。

简单来讲，地面沉降就是地表（地面标高）起起伏伏的变化，这在时间序列上表现为正负变化。

根据联合国教科文相关组织（UNESCO）的研究表示，预测到2040年全球会增加8%的潜在地面沉降面积，也代表着全球近1/5人口的生存环境会受到威胁。该研究通过分析过去一个世纪内与地面沉降有关的大量科学文献，结果发现，因地下水枯竭就造成了34个国家200多个地区出现地面沉降。这项研究于 1 月 1 日发表在《科学》（Science）政策论坛（Policy Forum）栏目上。该论文建立了全球地面沉降数据库，构建了全球地面沉降模型，绘制了全球地面沉降发生概率分布图，预报了2040年全球受地面沉降灾害威胁的人口数、国家分布和经济损失等。相关研究见链接

地面沉降与地下水开采

地面沉降的形成原因比较复杂，其中一个原因是地下水开采。随着城市建设的快速发展，人们的生产和生活用水亦不断增加，由于水资源匮乏导致的供不应求的局面越来越显著，浅层的地下水已经无法满足人类的需求，致使人们开发和利用更深层的地下水资源。大量依靠地下水生产和生活的城市都先后发生了不同程度的地面沉降现象，由于长时间过度开采深层地下水，导致地下水位的持续下降，使得地面沉降越来越严重。

简要概括

地面沉降就是地表起起伏伏的变化，我们要做的就是基于CNN，对这些变化组成的时间序列数据（沉降为负值，隆起为正值）进行预测。

时间序列问题往往来自于某个特定的背景，必须要结合数据的真实背景进行处理，我们这次所要研究的地面沉降时间序列数据，就带有这样的属性。

上文提到了地面沉降与地下水开采的关系，我们所要研究的区域覆盖了马德里市西北北部的Fuencarral和Pozuelo de Alarcón井田，面积为500平方公里。自1990年以来，这些井田经历了五个与干旱时期相吻合的开采/恢复周期。在这片区域内，有成千上百个抽水井进行地下水开采，还有成千上百的观测井负责观测地面沉降变化。也就是说，地面沉降的时间序列变化除了受到地面沉降这一地质灾害本身的影响，还会受到周围地下水开采的影响，一层层的buff相叠，构成我们这个项目的第一大难点。

说的学术一点，即，为了分析研究地面沉降的成因和机理，在分层标和基岩标所在位置，以及有水准点和GNSS监测点覆盖的位置可以建立地下水动态监测点来进行水位的监测，通过分析水位变化状况及地面沉降量大小以及与时间的关系，研究区域内地面沉降的主要层位和沉降机理。

为什么是CNN

那么问题来了，为什么是CNN呢？

因为CNN具有时空性，很适合带有时空属性的地面沉降时间序列数据，我们这个项目的实质就是基于空间基础的多元时间序列预测问题。

一个非常好的例子：基于UNet的深度卷积神经网络方法在2019年Traffic4cast挑战中的应用。挑战的任务是在高分辨率的整个城市地图上预测未来的交通流量、航向和速度。

感觉这部分写的不是很明白，明天继续，我们看一下数据长什么样子，就更能理解什么是“基于空间基础的多元时间序列预测问题”