摘要： 矿区由于重工业器械的使用和采矿活动频繁,其岩层和地表容易发生沉陷和变形,快速、准确地分析、 预测地表沉降是实现高效防灾减灾、推进绿色矿山建设的重要手段。 针对现有预测模型监测点过少、多源数据难以 获取以及网络模型超参数难以确定等问题,提出了一种基于金枪鱼群(Tuna Swarm Optimization,TSO)优化长短时间记 忆(Long Short-Term Memory,LSTM)网络模型超参数的深度学习预测方法,利用多个高相干性点的沉降时序实现矿区 的精准预测。 利用 SBAS-InSAR 技术处理 50 景覆盖德兴铜矿区的 Sentinel-1 A 升轨 SAR 影像,获取了该区域 25 465 个高相干性点的沉降时间序列。 利用 TSO 算法优化 LSTM 网络模型超参数,寻找出最适合该矿区沉降时序预测的 LSTM 网络模型,并使用优化后的 LSTM 网络模型分区域对沉降区开展沉降时序预测并计算预测精度。 研究表明:使 用 TSO 算法优化 LSTM 网络模型超参数是有效的,优化后的模型均方根误差至少降低了 20%,平均绝对值误差至少 降低了 35%,预测均方根误差不超过 2 mm,预测平均绝对误差不超过 3 mm,模型平均预测精度超过 95%。 所提方法 为确保安矿区全安全生产,实现科学防灾、减灾提供了技术支持。