融合SBAS-InSAR 与CS-SVM 的矿区地表残余沉降
预测模型

金属矿山 ›› 2024, Vol. 53 ›› Issue (8): 133-.

融合SBAS-InSAR 与CS-SVM 的矿区地表残余沉降预测模型

刘增波1,2,3,4　徐良骥2,5　张　坤1,2　刘潇鹏1,2,3,4　曹宗友1,2　徐　阳1,2

1. 安徽理工大学空间信息与测绘工程学院,安徽淮南 232001;2. 深部煤矿采动响应与灾害防控国家重点实验室, 安徽淮南 232001;3. 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;4. 矿山环境与灾害协同监测煤炭行业工程研究中心,安徽淮南 232001;5. 合肥综合性国家科学中心能源研究院,安徽合肥 230031

出版日期:2024-08-30 发布日期:2024-09-27

Surface Residual Subsidence Prediction Model for Mining Area Based on the Fusion of SBAS-InSAR and CS-SVM

LIU Zengbo1,2,3,4　XU Liangji2,5　ZHANG Kun1,2　LIU Xiaopeng1,2,3,4　CAO Zongyou1,2　XU Yang1,2

Online:2024-08-30 Published:2024-09-27

摘要/Abstract

摘要： 煤矿开采地表残余形变可能对地表建(构)筑物、道路、地下管线等基础设施造成潜在威胁,有必要对其进行准确预测。融合SBAS-InSAR 监测方法,提出了一种布谷鸟搜索算法改进支持向量机回归(CS-SVM)的预测模型,利用2017 年11 月—2020 年6 月的60 景Sentinel-1A SAR 影像对安徽省某矿7221 工作面进行开采沉陷长时序监测,获取了该工作面回采过程中与停采后2 a 内地表年均形变速率与累计形变。结果表明:该工作面最大年均形变速率为-56 mm/ a,最大累计沉降为151 mm。利用水准测量数据对InSAR 结果进行验证,两者残差均小于5 mm,证明了两者具有较好的一致性。为比较优化前后SVM 预测模型的精度,引入平均绝对误差和均方根误差进行精度评价。结果显示:优化模型的2 种误差均在4 mm 以内,相比传统模型,误差分别降低了59%和60%,预测精度明显提高。研究反映出,所提模型具有较好的预测能力,可为废弃煤矿区防灾减灾提供参考。

刘增波, 徐良骥, 张　坤, 刘潇鹏, 曹宗友, 徐　阳. 融合SBAS-InSAR 与CS-SVM 的矿区地表残余沉降预测模型[J]. 金属矿山, 2024, 53(8): 133-.

LIU Zengbo, XU Liangji, ZHANG Kun, LIU Xiaopeng, CAO Zongyou, XU Yang. Surface Residual Subsidence Prediction Model for Mining Area Based on the Fusion of SBAS-InSAR and CS-SVM[J]. Metal Mine, 2024, 53(8): 133-.

扫码分享