金属矿山

作者：吝涛,范洪冬,孙叶,李向伟,庄会富

单位：1. 中国矿业大学环境与测绘学院,江苏 徐州 221116;2. 自然资源部国土环境与灾害监测重点实验室,江苏 徐州 221116;3. 山东省煤田地质局物探测量队,山东 济南 250104

关键词：开采沉陷,深度学习,InSAR,U2-Net,语义分割,

我国井工煤矿量大面广,地下开采隐蔽性强,现有的人工调查、遥感探测、现场实测等方式难以满足大范围开采沉陷区自动识别实现要求,不利于实现高效监管、动态监测。为此,提出了一种基于U2-Net 的广域合成孔径雷达干涉测量(Interferometric Synthetic Aperture Radar,InSAR)开采沉陷区自动识别方法,该方法通过各种形变梯度和噪声水平的模拟数据集训练卷积神经网络(Convolutional Neural Network,CNN),使其能够实现由差分干涉图一步输出包含开采沉陷位置信息的二值矩阵。试验表明:U2-Net 的平均像素准确率(Mean Pixel Accuracy,MPA)和平均交并比(Mean Intersection Over Union,MIoU)分别达到了0. 916 3、0. 911 9,均高于试验中的其他2 种模型,能够更好地抑制噪声,突出形变信号。在覆盖神东矿区不同时间间隔的InSAR 干涉图上,U2-Net 自动识别了覆盖面积超过54 600 km2的干涉图,检测出了多处边界信息清晰平滑的沉陷区,识别的平均准确率达到92. 45%。结果表明:对比其他网络,U2-Net 通过2 级嵌套的“U”形结构能够以较小的计算量融合多尺度和多层次特征,在噪声抑制和形变区域识别方面具有显著优势。由此可见,联合深度学习可服务于精细化开采沉陷区详细调查,促进InSAR 技术的应用,为广域开采沉陷区智能识别提供了一种新的技术方法。

来源：2024年第4期

《金属矿山》期刊编辑部

查看金属矿山杂志2024年第4期