基于深度学习的爱尔兰东部InSAR地面形变时空预测方法
计算与语言
2025-09-24 v1
摘要
监控地面位移对于城市基础设施稳定性和减轻地质灾害至关重要。然而，从稀疏的合成孔径雷达（InSAR）时间序列数据预测未来形变仍是一个具有挑战性的任务。本文引入了一种新颖的深度学习框架，将这些稀疏点测量值转换为稠密的时空张量。这种方法论的转变首次允许将先进的计算机视觉架构直接应用于这一预测问题。我们设计并实现了一种混合卷积神经网络和长短期记忆网络（CNN-LSTM）模型，专为同时学习来自生成数据的空间模式和时间依赖性而设计。该模型的性能以强大的机器学习基线（Light Gradient Boosting Machine和LASSO回归）进行基准测试，使用来自爱尔兰东部的Sentinel-1数据。结果表明，所提出的体系结构提供了显著更准确且在空间上更连贯的预测，在该任务上建立了新的性能基准。此外，可解释性分析揭示了基线模型常常依赖于简单的持久模式，凸显了我们集成的时空方法捕捉地面形变复杂动力学的必要性。我们的发现确认了时空深度学习在高分辨率形变预测中的有效性与潜力。
关键词
引用
@article{arxiv.2509.18175,
title = {ERFC: Happy Customers with Emotion Recognition and Forecasting in Conversation in Call Centers},
author = {Aditi Debsharma and Bhushan Jagyasi and Surajit Sen and Priyanka Pandey and Devicharith Dovari and Yuvaraj V. C and Rosalin Parida and Gopali Contractor},
journal= {arXiv preprint arXiv:2509.18175},
year = {2025}
}
备注
7 pages, 6 Figures, 4 Tables, 18 References