欢迎访问《金属矿山》杂志官方网站,今天是 分享到:
×

扫码分享

金属矿山 ›› 2025, Vol. 54 ›› Issue (2): 138-.

• 地质与测量 • 上一篇    下一篇

基于SBAS-InSAR 和CNN-GRU 模型的采动村庄 地表沉降监测预计

陈 月1,2,3 王 磊1,2,3 池深深1,2,3 王 羽1,2,3 戚鑫鑫1,2,3 朱尚军4   

  1. 1. 安徽理工大学空间信息与测绘工程学院,安徽 淮南 232001;2. 矿山采动灾害空天地协同监测与预警安徽普通高校 重点实验室,安徽 淮南 232001;3. 矿区环境与灾害协同监测煤炭行业工程研究中心,安徽 淮南 232001; 4. 安徽省地质测绘技术院,安徽 合肥 230000
  • 出版日期:2025-02-17 发布日期:2025-03-16

  • Online:2025-02-17 Published:2025-03-16

摘要: 采动村庄地表沉降对居民生产生活存在潜在威胁,为实现采动村庄地表沉降监测预测一体化,采用小 基线差分干涉测量(Small Baseline Subset Interferometric Synthetic Aperture Radar,SBAS-InSAR)技术进行采动村庄地表 沉降监测,获取地表形变量,分析形变规律,进而构建一种融合卷积神经网络(Convolutional Neural Networks,CNN)和 门控循环单元(Gated Recurrent Unit,GRU)的CNN-GRU 模型,利用时序沉降数据实现采动村庄地表沉降精准预测。 以山西省某矿区村庄为例,利用60 景Sentinel-1A 影像,采用SBAS-InSAR 技术获取地表形变信息,基于CNN-GRU 模 型对地表采动沉降量进行了预测。研究表明:① 研究区域内总体呈现下沉趋势,采动村庄东部下沉现象较为严重,最 大下沉速率为72 mm/ a,最大地表沉降量达到183 mm;② CNN-GRU 模型均方根误差(Root Mean Square Error, RMSE)、平均绝对误差(Mean Absolute Error,MAE)均在1 mm 以内,相对于GRU 和长短期记忆神经网络(Long Short- Term Memory,LSTM)模型,,CNN-GRU 模型各项指标均最优。研究反映出,所提模型有助于实现采动村庄地表沉降监 测与预测的一体化,可为采动村庄灾害预防提供参考。

关键词: 开采沉陷 采动村庄 SBAS-InSAR 沉降监测 CNN-GRU 预测分析