金属矿山

作者：陈月,王磊,池深深,王羽,戚鑫鑫,朱尚军

单位：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

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

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。

来源：2025年第2期

《金属矿山》期刊编辑部

查看金属矿山杂志2025年第2期