摘要: 露天矿山大规模开采引发的地表形变严重威胁了周边基础设施的稳固性及附近民众生命财产安全,形 变演化趋势的精准预测对于保障矿山安全运营具有重要意义。针对当前形变监测技术的时空采样率低、成本高,以 及数据处理过程中影响因子筛选困难、趋势预测精度欠佳等问题,以辽宁省鞍山市露天矿集中分布区为工程背景,提 出了一种融合自回归差分移动平均(Autoregressive Integrated Moving Average,ARIMA)模型—长短期记忆网络(Long Short-Term Memory,LSTM)模型的多源因素融合回归的露天矿地表形变演化趋势分析方法。首先,利用短基线子集干 涉测量(Small Baseline Subset Interferometric Synthetic Aperture Radar,SBAS-InSAR)技术开展2020 年1 月—2022 年4 月期间研究区地表形变的长时序监测,获取该时段内地表形变时空分布特征。然后,耦合因子分析及灰色关联分析 法提取形变主影响因子,基于皮尔逊相关系数(Pearson)验证影响因子的筛选效果,同时考虑地表相邻点位形变的联 动效应,构建了多源异构数据融合回归序列。在此基础上,引入自回归差分移动平均(ARIMA)模型改进的长短期记 忆网络(LSTM)模型开展形变趋势预测,并采用平均绝对误差(Mean Absolute Error,MAE)、标准误差(Root Mean Square Error,RMSE)以及平均百分比误差(Mean Absolute Percentage Error,MAPE)评估所提方法的预测性能。结果表 明:监测期内东鞍山矿东部、大孤山矿中部以及鞍千矿东部沉降相对严重,年均沉降速率最高达166. 41 mm/ a。耦合 因子分析及灰色关联度法提取的影响因子合理可靠,融合高程、地形起伏度及累积降雨量等因子的形变序列更贴合 矿区地表真实形变过程。与ARIMA-LSTM 模型相比,基于多源因素融合回归模型的预测误差MAE、RMSE、MAPE 分 别降低了48. 0%、16. 7%和25. 5%,预测精度有所改善且能够有效反映形变累积的整体趋势。