Research on deformation extraction method of coal mine goaf based on three-dimensional and full parameter inversion
-
摘要:
准确提取地表形变信息对于预防和控制煤矿开采导致的地质灾害至关重要。以山东郭屯煤矿某工作面为例，首先获取了工作面开采时间段内（2017年7月31日至2018年5月3日）的18景Sentinel-1A卫星影像，基于SBAS-InSAR技术处理得到工作面采空区地表形变。在InSAR观测数据的驱动下，通过推导概率积分法与SBAS-InSAR视线向形变三维参数之间的函数映射关系，提出了一种基于随机误差消除遗传算法的三维全参数反演模型。基于该方法，准确反演了研究区地表沉降参数，通过与现场经验值对比，各参数的偏差均小于3%，拟合精度较高。最后，基于反演参数与概率积分法获得了采空区全盆地沉降形变信息，其中A测线与F测线的均方根误差分别为0.083 m和0.102 m，平均绝对误差分别为0.068 m和 0.089 m，预计结果与实测水准测量数据高度一致，表明所提出的三维全参数反演模型能够以低成本的方式有效获取煤矿采空区全盆地沉降信息。
-
关键词:
- 采空区沉降 /
- 概率积分法 /
- SBAS-InSAR /
- 随机误差消除 /
- 三维全参数反演
Abstract:Accurately extracting surface deformation is essential for the prevention and control of geological hazards caused by underground coal mining. By taking a working face in Guotun Coal Mine, Shandong Province, as the case study, this paper first obtains 18 Sentinel-1A satellite images during the extraction period of the working face (July 31, 2017, to May 3, 2018), and derives the surface deformation of the goaf area based on SBAS-InSAR technology. Then, driven by InSAR observations, the functional projection relationships for the three-dimensional parameters between the probability integration method (PIM) and line-of-sight (LOS) deformation derived by SBAS-InSAR are deduced, and a three-dimensional and full-parameter inversion model based on genetic algorithm with random error elimination (GAREE) is proposed. Based on this model, the subsidence parameters inside the study area are accurately retrieved with the deviation for each parameter less than 3% compared with the empirical parameters. Finally, by using the retrieved parameters, PIM is employed to predict the whole goad deformation with the predicted results highly consistent with the field leveling data. The root mean square errors (RMSE) on observation line A and line F are 0.083 m and 0.102 m, respectively, and the mean absolute errors (MAE) are 0.068 m and 0.089 m, respectively. Results show that the parameter inversion model proposed by this study can effectively obtain the subsidence information for the whole basin of a mining goaf in a low-cost way, providing scientific and significant importance for engineering application and potential disaster predictions in coal mining areas.
-
0. 引 言
煤炭资源开采通常会导致矿区地表形变，并诱发一系列地质灾害，如矿区滑坡、基础设施损毁、地下含水层破坏等，严重威胁着矿区的生态环境安全[1]。因此，地表形变的准确监测与预计对矿区生态保护具有至关重要的意义[2]。为此，矿区地表通常沿着工作面走向或倾向方向布设剖面线来进行定期或不定期观测，常用的传统监测手段主要包括水准仪、GPS和高精度的全站仪等[3]。虽然这些方法具有不受天气影响以及高精度的优势，但是只能进行稀疏的逐点测量，且费时费力，成本高，效率低等，难以获取高时空分辨率的采空区完整面域形变数据[4]。
随着对地观测技术的快速发展，合成孔径雷达干涉测量技术（Interferometry Synthetic Aperture Rader, InSAR）及其多种改进技术被提出。相比于传统的大地测量方法，InSAR技术能够探测到地表的微小形变，且具有全天时、全天候、低成本、监测范围广和高精度等优势，为矿区形变探测提供了全新的手段，常用的有差分InSAR（Differential InSAR，D-InSAR），永久散射体InSAR（Persistent Scatter InSAR，PS-InSAR）和小基线子集InSAR（Small Baseline Subset InSAR，SBAS-InSAR）技术等[5-6]。其中D-InSAR技术最早于1992年成功应用于矿区形变监测，但该方法容易受到时空失相干和大气延迟的影响，且无法获取长时序的沉降信息[7-8]，而PS-InSAR能够通过识别高相干像素点来避免时空失相干[9]，SBAS-InSAR能够抑制大气延迟和时空失相干的影响，来获取长时间序列和长期的地表位移[10-11]。近年来，InSAR技术在矿区地表形变监测中得到了广泛的应用，如吴立新[12]、刘善军[13]等提出基于D-InSAR、GPS、无人机等多种遥感探测手段联合的天-空-地协同矿区形变监测手段。柴华彬[14-15]等提出了基于D-InSAR的参数反演方法，以及融合实测数据与InSAR监测的煤矿采矿区沉降提取方法。杨泽发等[16-19]基于InSAR技术进行了矿区三维沉降信息提取，并对矿区三维沉降监测与预计发展进行了综述。陈炳乾[20]、邓喀中[21]、范洪冬[22]等基于全极化的D-InSAR技术进行了三维时序矿区沉陷监测研究。然而，由于开采中的工作面采空区下沉速度快，且形变梯度较大，这通常会导致两幅SAR影像发生严重失相干，造成干涉相位的混叠、解缠误差等，尤其是在采空区沉降中心区域。此外，矿区通常位于地形复杂的山地或农田区域，地表植被以及复杂地形的低散射特性往往会导致严重的失相干[19]。这些客观因素使得InSAR技术难以有效获取采空区大梯度的形变信息，阻碍了其在矿区风险评估方面的实际应用[23]。
目前，概率积分法（Probability Integral Method，PIM）仍然是预测采空区整体形变场最实用的方法之一，该方法在矿区地表形变预计过程中首先需要确定多个参数[2, 21]。传统的参数确定方法通常为：首先获取长期观测的实测数据，然后利用线性近似、模矢法以及启发式智能优化算法来获取最佳参数。其中前2类方法对初始值要求高，且算法容易发散。此外，传统方法主要依赖于长期观测数据，观测成本较高，且仅依靠观测站的线状实测数据难以体现采空区全盆地沉陷特征[24]。由于InSAR所获取的位移信息为煤矿采空区参数反演提供了低成本监测的数据源，近年来，基于InSAR监测与智能优化算法的参数获取得到了广泛的应用，如杨泽发[2, 23]、王磊[25]、徐可心[26]等提出了基于果蝇优化、粒子群、模拟退火、量子退火和遗传算法等的参数反演方法，并通过与其他经验函数进行组合来改进PIM的预计结果。然而，这类优化算法大多存在对初值高度依赖、收敛速度过快，且随机误差难以消除等问题。此外，InSAR技术所获取的单视线向形变信息难以准确获取地表三维位移信息，尽管目前已有学者建立了适用于采空区沉降InSAR三维变形监测，如多视线向D-InSAR，以及D-InSAR技术分别与Offset Tracking、MAI、GPS等地表先验模型的融合，但是这类方法多用于地震、滑坡、冰川移动等形变监测[27]。研究表明，单视线向InSAR技术虽然难以直接获取地表三维形变，但视线向（Line of Sight，LOS）形变的本质为地表真实三维形变在LOS方向的投影，理论上可以结合研究区地质条件，基于三维关系模型与PIM构造非线性反演模型，进而获取三维全参数，实现采空区地表三维沉陷预计[15, 27-28]。
因此，笔者基于SBAS-InSAR地表监测的高密度点位LOS向三维形变信息，提出一种基于随机误差消除的遗传算法（Genetic Algorithm with Random Error Elimination, GAREE），构建煤矿采空区地表三维全参数反演模型。开展地表沉陷监测、三维参数关系模型推导、三维全参数反演及采空区全盆地形变信息提取研究。并以郭屯煤矿某工作面为例来验证本方法的沉降预计精度与可靠性。
1. 三维全参数反演模型
1.1 三维参数关系模型
假定地表真实三维形变表现为三维空间中向上、向东和向北方向形变的组合，分别记为W，UE和UN，SBAS-InSAR视线向位移则是由UE、 UN和W在视线向上的投影，若已知采空区地表任意点的形变值，便可获得PIM沉陷预计所需的三维全参数。为此，构建了地表真实三维形变与SBAS-InSAR视线向形变DLOS之间的三维参数关系模型。首先建立了地表真实三维形变与LOS向位移的投影关系，如图1所示，对于视线向方位角为αh（正北方向和卫星飞行方向的顺时针夹角），雷达入射角为θ的轨道卫星，其三维参数关系[22]可以描述为
![]()
图 1 InSRA视线向形变与地表真实三维形变的投影关系Figure 1. Projection relationship between the LOS deformation derived by InSAR and the real three-dimensional ground deformation$$ {D_{{\mathrm{LOS}}}} = W\cos \theta - \sin \theta \left[{U_N}\cos \left({\alpha _h} - \frac{{3\pi }}{2}\right) + {U_E}\sin \left({\alpha _h} - \frac{{3\pi }}{2}\right)\right] $$ (1) 为了在开采沉陷力学模型的基础上分析参数关系，首先对PIM原理进行了推导。PIM是基于随机介质理论所构建的应用最为广泛的影响函数模型之一，可以分别计算得到垂直位移W(x, y)和水平形变UN(x, y, φN), UE(x, y, φE)。其中φN, φE分别为工作面走向与正北和正东方向的夹角，如图2a示。对于采空区地表任意点P(x, y)，其真实三维位移的计算公式为：
$$ \left\{ \begin{gathered} W(x,y) = \frac{{{W^0}(x){W^0}(y)}}{{{W_{\max }}}} \\ {U_{\mathrm{E}}}(x,y,{\varphi _{\mathrm{E}}}) = \frac{{[{U^0}(x){W^0}(y)\cos {\varphi _{\mathrm{E}}} + {U^0}(y){W^0}(x)\sin {\varphi _{\mathrm{E}}}]}}{{{W_{\max }}}} \\ {U_{\mathrm{N}}}(x,y,{\varphi _{\mathrm{N}}}) = \frac{{[{U^0}(x){W^0}(y)\cos {\varphi _{\mathrm{N}}} + {U^0}(y){W^0}(x)\sin {\varphi _{\mathrm{N}}}]}}{{{W_{\max }}}} \\ \end{gathered} \right. $$ (2) 式中：W0(x)、W0(y)、 U0(x)、 U0(y)分别为在走向和倾斜方向引起的垂直沉降和水平位移，有：
$$ \left\{ \begin{gathered} {W^0}(x) = \frac{{{W_{\max }}}}{2}\left\{ {{\mathrm{erf}}\left( {\sqrt \pi /r \cdot x} \right) - {\mathrm{erf}}\left[ {\sqrt \pi /r(x - l)} \right]} \right\} \\ {W^0}(y) = \frac{{{W_{\max }}}}{2}\left\{ {{\mathrm{erf}}\left( {\sqrt \pi /{r_1} \cdot y} \right) - {\mathrm{erf}}\left[ {\sqrt \pi /{r_2}(y - L)} \right]} \right\} \\ {U^0}(x) = b {W_{\max }}\left\{ {\exp \left( {( - \pi /{r^2}){x^2}} \right) - \exp \left( {( - \pi /{r^2}){{(x - l)}^2}} \right)} \right\} \\ {U^0}(y) = b {W_{\max }}\left\{ {\exp \left( {( - \pi /r_1^2){y^2}} \right) - \exp \left[ {( - \pi /r_2^2){{(y - L)}^2}} \right]} \right\} - \\ \qquad \quad\cot\; \theta \cdot {W^0}(y) \\ \end{gathered} \right. $$ (3) 对于任意变量X, ${\mathrm{erf}}(X) = (2/\sqrt \pi )\int_0^X {\exp ( - {u^2}){\mathrm{d}}u} $代表其概率密度函数。Wmax为最大开采沉陷值，Wmax=mqcos α，相关参数如图2所示，其中q为下沉系数，m为煤层厚度，α为煤层倾角。r=H/tan β, r1=H1/tan β1, r2=H2/tan β2为主要影响半径，H、 H1、 H2分别为沿工作面的走向和上下2个倾向方向的开采深度，b为水平移动系数。在矿区同等地质条件下，可以假定tan β和b没有方向性差异。l、L分别为工作面走向和倾向的计算长度，其中l=D1−s1−s2，L=[(D2−s3−s4)sin(θ0+α)]/sin θ0，D1、 D2分别为工作面走向和倾向的实际长度。s1、 s2、 s3、 s4分别为工作面走向左右方向和倾向上下方向的拐点偏移距；θ0为开采传播角[29]。
一般来说，工作面参数m, α, H, H1, H2, D1, D2是由矿山开采设计资料给出，这些已知量可以记为变量集合G=[m, α, H, H1, H2, D1, D2]。因此，PIM需要反演的参数集可以记为P=[tan β, b, q , θ0, s1, s2, s3, s4]。为了使得PIM方程更为直观，可将式（2）中的3个变量记为自变量的函数形式，即垂直形变W(x,y,G,P)和水平形变UN(x, y, φN, G, P), UE(x, y, φE, G, P)。因此，基于PIM原理与LOS向三维投影关系，可以得到SBAS-InSAR监测位移 DLOS(x, y)与采空区地表真实三维位移的三维参数关系：
$$ \begin{split} &{D_{\rm{LOS}}}(x,y) = \\&{\left[ {\begin{array}{*{20}{c}} {\cos \;\theta } \\ { - \sin\;\; \theta\; \cos ({\alpha _h} - 3\pi /2)} \\ { - \sin\; \theta \;\sin ({\alpha _h} - 3\pi /2)} \end{array}} \right]^{\mathrm{T}}}\left[ {\begin{array}{*{20}{c}} {W(x,y,G,P)} \\ {{U_N}(x,y,{\varphi _N},G,P)} \\ {{U_E}(x,y,{\varphi _E},G,P)} \end{array}} \right] \end{split}$$ (4) 1.2 三维全参数反演与沉降预计
基于已建立的参数关系，在InSAR监测数据的驱动下，考虑到采空区沉降机制复杂性与模型的高度非线性特征，提出了一种基于随机误差消除的遗传算法GAREE来进行PIM参数反演，以消除传统遗传算法的随机操作所引起的严重误差，从而实现在节省人力物力的条件下，快速、高效、准确地获取PIM参数，处理流程如图3所示。具体步骤如下：
![]()
图 3 InSAR驱动和基于 GAREE的三维全参数反演流程Figure 3. Process of the InSAR-driven and GAREE-based 3D full parameter inversion model1）首先获取研究区SAR影像，采用SBAS-InSAR技术进行处理得到煤矿采空区地表位移信息。
2）构建SBAS-InSAR获取的 LOS向形变和PIM参数之间的三维形变关系模型，并将UE, UN和W投影到雷达视线方向上。
3）建立适应度函数，其目标是对SBAS-InSAR监测位移DLOS(x,y)与视线向预测位移D’LOS(x,y,P)的二范数进行最小化，也即
$$ \min f = \left\| {{D_{\rm{LOS}}}(x,y) - {{D'}_{\rm{LOS}}}(x,y,P)} \right\| $$ (5) 式中：f为地表任意点P(x, y)的目标函数。
4）生成种群，根据二进制编码规则，对各个参数随机生成一定数目的目标解库，生成种群，根据以往资料和现场地质采矿条件确定PIM反演参数的范围，对生成种群进行范围限制。
5）解码计算，主要包括对各参数的随机基因库进行解码，计算适应度函数值，设置最大迭代次数20次，种群初始值为200，交叉率为0.95，变异率为0.05。
6）计算个体适应度与所有个体适应度之和的比值，该值是个体相对于种群的相对适合度，即被选择的概率，从而获得反演参数。
7）为了消除基因库随机选择所造成的系统误差，重复步骤4—6，获取k组结果，计算各组结果的均方根误差（RMSE），计算RMSE的均值，将RMSE大于RMSE均值2倍的结果视为异常值，去除误差大于异常值的反演结果，获得n组剩余结果集合，记为[A1, A2, ···, An]，并将结果集平均化为
$$ {\boldsymbol{P}} = {{\displaystyle\sum_{i = 1}^n {{{\boldsymbol{A}}_i}} } / n} $$ (6) 式（6）作为最终的输出结果，最终获得PIM最优三维全参数。
8）基于反演所得的最优参数集，采用PIM实现采空区全盆沉降的地表地形变预计。
2. 研究区与数据源
2.1 研究区介绍
如图4所示，以山东郭屯煤矿某工作面为研究区，郭屯煤矿属于临沂矿业集团菏泽煤电有限公司，位于我国山东省郓城县境内，其宽度约13 km，长度约14 km，整个矿井总面积约为180 km2。研究区内均为黄河冲击平原，海拔在+38～+47 m，以缓平坡地带为主，夏季雨水较多。研究区地表植被覆盖率较高，地表沉降会造成农田、道路塌陷及房屋损毁，且降水会导致采空区大面积积水，形成池塘，严重影响当地居民的生活和生命安全。图4标注了工作面的开采进度（2017年8月至2018年4月）。研究区域内有2条观测线，A测线和F测线，分别有47和33个观测点。工作面的基本几何参数由采煤作业规程给出，工作面走向长度为900 m，倾向长度170 m，煤层厚度4 m，煤层倾角为10°，平均采深为750 m，属于非充分采动。
![]()
图 4 研究区位置—山东郭屯煤矿Figure 4. Location of the study area—Guotun coal mine, Shandong province2.2 SAR影像与DEM
工作面开采时间为2017年7月31日至2018年5月3日，获取了该时间段内的哨兵1号卫星Sentinel-1A TOPS模式单视复数（single look complex，SCL）影像，共计18景SAR影像（C波段），时间间隔12 d，成像模式为IW，极化模式为VV。此外，采用精密轨道数据（POD Precise Orbit Ephemerides）来校正SLC影像的轨道精度。获取美国地质调查局(USGS)提供的航天飞机雷达地形任务数据(SRTM DEM，30 m分辨率)，来消除SLC影像干涉处理过程中的地形相位影响，并完成地理编码。
3. 试验结果及分析
3.1 基于SBAS-InSAR的LOS向形变观测
采用多时相小基线集SBAS-InSAR技术，对18景SAR影像进行处理，指定2017年7月31日采集的影像为主影像。遵循小基线原则，空间基线和时间基线阈值分别设定为200 m和365 d，一共获得了136个差分干涉对。采用Goldstein滤波方法来抑制由大气延迟等引起的干涉图噪声影响。最后，采用最小费用流（Minimum-cost Flow，MCF）方法对差分干涉图进行相位解缠。最后，通过将干涉相位投影到LOS方向，获得采空区地表时间序列沉降速率，通过地理编码将结果转换到WGS84坐标系。在此基础上，最终得到2018年5月采空区地表的累积沉降场。图5所示为SBAS-InSAR监测的沉降场与工作面位置在Google Earth卫星遥感影像地图上的叠加效果。在沉降边缘处最大累积LOS形变值大约为0.23 m，形变梯度从沉降边缘逐渐增加并延伸至工作面的中心位置。 SBAS-InSAR技术有效获得了工作面开采所引发的地表下沉空间分布趋势，大范围的监测点密度为PIM三维全参数反演提供了良好的数据支持。
![]()
图 5 SBAS-InSAR获取郭屯煤矿采空区地表累积沉降（2018年5月）空间分布Figure 5. Spatial distribution of surface cumulative subsidence derived by SBAS-InSAR in the mining goaf area of Guotun coal mine (May 2018)3.2 三维全参数反演
在InSAR观测数据的驱动下，基于随机误差消除遗传算法，反演了郭屯某工作面的PIM三维全参数，得到下沉系数q=0.933，主要影响角正切值tan β=1.839，开采影响传播角θ0=86.877，水平移动系数b=0.258，以及偏移距s1, s2, s3, s4分别为0.250 、2.469、2.243和1.561 mm，其中，前4个参数所对应的郭屯煤矿长期实地监测所提供的经验参数为0.949，1.856，89，0.263，对应的偏差分别为1.686%，0.916%，2.385%，1.901%。可见所获得的反演参数与经验参数相比具有很高的一致性，偏差率均低于3.0%，其中主要影响角正切值的偏差率只有0.916%。这表明所提出的基于随机误差消除遗传算法的三维全参数反演模型在郭屯矿区具有良好的可靠性，所反演的参数具有较高精度。
3.3 PIM沉陷预计与结果验证
结合工作面开采几何参数与反演参数，基于PIM原理，对郭屯某工作面开采所引发的地表沉降进行了预计，得到了采空区垂直沉降场、水平移动场和水平形变场，如图6所示。可以很明显看出，采空区形成了一个对称的沉降区域，其空间分布与工作面的走向和倾向方向一致，最大垂直沉降量为−1.282 m，位于工作面中心位置，最大水平位移为−0.386 m。此外，由于在研究中InSAR监测对于采空区大尺度沉降失效，仅获取了采空区边缘区域的InSAR监测值。为了方便对比分析，基于克里金插值对InSAR监测数据沿实际观测线进行了等分辨率的插值，最后将PIM预测的沉降量与现场实地测量的水准数据以及插值后的InSAR监测数据进行对比。图7、图8所示分别为沿着A测线与F测线的对比结果，其中绝对差值为PIM预计值与实测值差值的绝对值。从图图7、图8可以看出，InSAR监测结果仅在采空区边缘沉降区域表现较好，对于采空区沉降漏斗中心位置已经无法进行有效监测。图9、图10分别为PIM预计值与实测值在A测线与F测线上的误差散点图，决定系数R2均为0.994，表明基于反演参数的PIM预测结果与水准实测值具有很好的一致性，并准确预测到了沉降中心的最大沉降值，说明三维全参数反演与沉降预计的必要性。为了进一步量化沉降值的预测精度，计算了相应的RMSE和平均绝对误差（Mean Absolute Error，MAE），得到A测线的RMSE与MAE分别为0.083和0.068 m，F测线的RMSE与MAE分别为0.102和0.089 m，误差较小，表明所提出的三维全参数反演方法对于PIM采空区沉降预计具有高度的可靠性。
![]()
图 7 PIM沉降预计值、插值后的InSAR监测值与水准数据沿着A测线的对比结果Figure 7. Results comparison along observation line A for PIM-predictions and interpolated InSAR observations against leveling data![]()
图 8 PIM沉降预计值、插值后的InSAR监测值与水准数据沿着F测线的对比结果Figure 8. Results comparison along observation line F for PIM-predictions and interpolated InSAR observations against leveling data![]()
图 9 PIM预计沉降值相比于水准数据沿着A测线误差散点图Figure 9. Error scatter plot along observation line A for PIM-predictions against leveling data![]()
图 10 PIM预计沉降值相比于水准数据沿着F测线的误差散点图Figure 10. Error scatter plot along observation line F for PIM-predictions against leveling data4. 结 论
1）构建了SBAS-InSAR视线向位移与概率积分法之间的三维参数关系，并在SBAS-InSAR采空区观测数据的驱动下，提出了一种基于随机误差消除遗传算法的PIM三维全参数反演方法。
2）基于所提出的方法，准确获得了郭屯煤矿某工作面的地表沉降参数，通过与现场经验值对比，各参数的偏差均小于3%，拟合精度较高。将基于反演参数的概率积分法预计结果与实测水准数据进行了对比，得到A测线与F测线的均方根误差为0.083和0.102 m，平均绝对误差为0.068和 0.089 m，预计结果与实测值基本一致，表明所提出的方法能够满足实际工程需求，并且对保障郭屯煤矿采空区周边居民环境的安全和当地政府的决策制定具有重要的借鉴意义。
3）由于概率积分法收敛速度较快，导致其预计结果在采空区沉降边缘部分快速收敛为零值，即概率积分法对于微小形变的拟合相比于实测水准数据存在一些偏差。因此，如何改进采空区沉降边缘微小形变预计将是后期的研究重点。
-
![]()
图 1 InSRA视线向形变与地表真实三维形变的投影关系
Figure 1. Projection relationship between the LOS deformation derived by InSAR and the real three-dimensional ground deformation
![]()
图 3 InSAR驱动和基于 GAREE的三维全参数反演流程
Figure 3. Process of the InSAR-driven and GAREE-based 3D full parameter inversion model
![]()
图 4 研究区位置—山东郭屯煤矿
Figure 4. Location of the study area—Guotun coal mine, Shandong province
![]()
图 5 SBAS-InSAR获取郭屯煤矿采空区地表累积沉降（2018年5月）空间分布
Figure 5. Spatial distribution of surface cumulative subsidence derived by SBAS-InSAR in the mining goaf area of Guotun coal mine (May 2018)
![]()
图 7 PIM沉降预计值、插值后的InSAR监测值与水准数据沿着A测线的对比结果
Figure 7. Results comparison along observation line A for PIM-predictions and interpolated InSAR observations against leveling data
![]()
图 8 PIM沉降预计值、插值后的InSAR监测值与水准数据沿着F测线的对比结果
Figure 8. Results comparison along observation line F for PIM-predictions and interpolated InSAR observations against leveling data
![]()
图 9 PIM预计沉降值相比于水准数据沿着A测线误差散点图
Figure 9. Error scatter plot along observation line A for PIM-predictions against leveling data
-
[1] YANG Xuelin,WEN Guangcai,DAI Linchao,et al. Ground subsidence and surface cracks evolution from Shallow-Buried Close-Distance Multi-seam Mining:a case study in Bulianta coal mine[J]. Rock Mechanics and Rock Engineering,2019,52(8):2835−2852. doi: 10.1007/s00603-018-1726-4
[2] YANG Zefa,LI Zhiwei,ZHU Jianjun,et al. InSAR-Based model parameter estimation of probability integral method and its application for predicting mining-induced horizontal and vertical displacements[J]. IEEE Transactions on Geoscience and Remote Sensing,2016,54(8):4818−4832. doi: 10.1109/TGRS.2016.2551779
[3] YUAN Mingze,LI Mei,LIU Hui,et al. Subsidence monitoring base on SBAS-InSAR and slope stability analysis method for damage analysis in mountainous mining subsidence regions[J]. Remote Sensing,2021,13(16):1−14.
[4] LIU Hui,LI Mei,YUAN Mingze,et al. A fine subsidence information extraction model based on multi-source inversion by integrating InSAR and leveling data[J]. Natural Hazards,2022,114(3):2839−2854. doi: 10.1007/s11069-022-05494-6
[5] WU Songbo,YANG Zefa,DING Xiaoli,et al. Two decades of settlement of Hong Kong International Airport measured with multi-temporal InSAR[J]. Remote Sensing of Environment,2020,248:1−14.
[6] CHEN Beibei,GONG Huili,CHEN yun,et al. Investigating land subsidence and its causes along Beijing high-speed railway using multi-platform InSAR and a maximum entropy model[J]. International Journal of Applied Earth Observation and Geoinformation,2021,96:1−15.
[7] WANG Lei,TENG Chaoqun,JIANG Kegui,et al. D-InSAR monitoring method of mining subsidence based on Boltzmann and its application in building mining damage assessment[J]. KSCE Journal of Civil Engineering,2021,26(1):353−370.
[8] CHEN Bingqian,DENG Kazhong. Integration of D-InSAR technology and PSO-SVR algorithm for time series monitoring and dynamic prediction of coal mining subsidence[J]. Survey Review,2014,46:392−400. doi: 10.1179/1752270614Y.0000000126
[9] MOHAMADI B,BALZ T,YOUNES A. Towards a PS-InSAR based prediction model for building collapse:spatiotemporal patterns of vertical surface motion in collapsed building areas-case study of Alexandria,Egypt[J]. Remote Sensing,2020,12(20):1−19.
[10] CHEN Donghui,CHEN Huie,ZHANG Wen,et al. Characteristics of the residual surface deformation of multiple abandoned mined-out areas based on a field investigation and SBAS-InSAR:a case study in Jilin,China[J]. Remote Sensing,2020,12(22):1−17.
[11] BERARDINO P,FORNARO G,LANARI R,et al. A new algorithm for surface deformation monitoring based on small baseline differential SAR interferograms[J]. IEEE Transactions on Geoscience and Remote Sensing,2002,40(11):2375−2383. doi: 10.1109/TGRS.2002.803792
[12] 吴立新,高均海,葛大庆,等. 基于D-InSAR的煤矿区开采沉陷遥感监测技术分析[J]. 地理与地理信息科学,2004,20(2):22−25. doi: 10.3969/j.issn.1672-0504.2004.02.005 WU Lixin,GAO Junhai,GE Daqing,et al. Technical analysis of the remote sensing monitoring for coal-mining subsidence based on D-InSAR[J]. Geography and Geo-Information Science,2004,20(2):22−25. doi: 10.3969/j.issn.1672-0504.2004.02.005
[13] 刘善军,吴立新,毛亚纯,等. 天-空-地协同的露天矿边坡智能监测技术及典型应用[J]. 煤炭学报,2020,45(6):2265−2276. LIU Shanjun,WU Lixin,MAO Yachun,et al. Spaceborne-airborne-ground collaborated intelligent monitoring on openpit slope and its typical applications[J]. Journal of China Coal Society,2020,45(6):2265−2276.
[14] 柴华彬,胡吉彪,丁亚辉,等. 单视线向D-InSAR的地表沉陷预测参数反演方法[J]. 测绘科学,2022,47(7):77−84. CHAI Huabin,HU Jibiao,DING Yahui,et al. Inversion method of surface subsidence parameters based on single line of sight D-InSAR[J]. Science of Surveying and Mapping,2022,47(7):77−84.
[15] 柴华彬,胡吉彪,耿思佳. 融合实测数据的地表沉降SBAS_InSAR监测方法[J]. 煤炭学报,2021,46(S1):17−24. CHAI Huabin,HU Jibiao,GENG Sijia. SBAS-InSAR monitoring method of ground subsidence in mining areas by fusion with measured data[J]. Journal of China Coal Society,2021,46(S1):17−24.
[16] 杨泽发,易辉伟,朱建军,等. 基于InSAR时序形变的矿区全盆地沉降时空演化规律分析[J]. 中国有色金属学报,2016,26(7):1515−1522. YANG Zefa,YI Huiwei,ZHU Jianjun,et al. Spatio-temporal evolution law analysis of whole mining subsidence basin based on InSAR-derived time-series deformation[J]. The Chinese Journal of Nonferrous Metals,2016,26(7):1515−1522.
[17] 朱建军,杨泽发,李志伟. InSAR矿区地表三维形变监测与预计研究进展[J]. 测绘学报,2019,48(2):135−144. ZHU Jianjun,YANG Zefa,Ll Zhiwei. Recent progress in retrieving and predicting mining induced 3D displacements using InSAR[J]. Acta Geodaetica et Cartographica Sinica,2019,48(2):135−144
[18] 杨泽发. 基于单轨InSAR数据的矿区地表三维形变监测与预计研究[J]. 地理与地理信息科学,2018,34(4):125. doi: 10.3969/j.issn.1672-0504.2018.04.019 YANG Zefa. Retrieving and predicting mining-induced 3-D displacements from a single imaging ceometrv InSAR dataset[J]. Geography and Geo-Information Science,2018,34(4):125. doi: 10.3969/j.issn.1672-0504.2018.04.019
[19] YANG Zefa,LI Zhiwei,ZHU Jianjun,et al. Locating and defining underground goaf caused by coal mining from space-borne SAR interferometry[J]. ISPRS Journal of Photogrammetry and Remote Sensing,2018,135:112−126. doi: 10.1016/j.isprsjprs.2017.11.020
[20] 陈炳乾,邓喀中,范洪冬,等. 基于全极化数据的D-InSAR技术在矿区沉陷监测中的应用[J]. 矿山测量,2011(4):85−88. doi: 10.3969/j.issn.1001-358X.2011.04.030 CHEN Binqian,DENG Kazhong,FAN Hongdong,et al. Application of D-InSAR in mining subsidence monitoring based on full-polarization data[J]. Mine Surveying,2011(4):85−88. doi: 10.3969/j.issn.1001-358X.2011.04.030
[21] FAN Hongdong,LU Lu,YAO Yahui. Method combining probability integration model and a small baseline subset for time series monitoring of mining subsidence[J]. Remote Sensing,2018,10(9):1−18.
[22] CHEN Bingqian,LI Zhenlong,YU Chen,et al. Three-dimensional time-varying large surface displacements in coal exploiting areas revealed through integration of SAR pixel offset measurements and mining subsidence model[J]. Remote Sensing of Environment,2020,240:1−12.
[23] YANG Zefa,XU Bing,LI Zhiwei,et al. Prediction of mining-Induced kinematic 3-D displacements from InSAR using a weibull model and a kalman Filter[J]. IEEE Transactions on Geoscience and Remote Sensing,2022,60:1−12.
[24] 谭志祥,杨嘉威,邓喀中. 基于SBAS-InSAR的矿区全盆地开采沉陷求参方法研究[J]. 煤炭科学技术,2021,49(1):312−318. TAN Zhixiang,YANG Jiawei,DENG Kazhong. Study on method of mining subsidence parameters calculating for whole basin of mining area based on SBAS- InSAR[J]. Coal Science and Technology,2021,49(1):312−318.
[25] WANG Lei,LI Nan,ZHANG Xianni,et al. Full parameters inversion model for mining subsidence prediction using simulated annealing based on single line of sight D-InSAR[J]. Environmental Earth Sciences,2018,77(5):1−11.
[26] 徐可心,何荣,白伟森,等. 基于改进SPSO算法的开采沉陷预测参数反演研究[J]. 煤矿安全,2022,53(8):218−224. XU Kexin,HE Rong,BAI Weisen. Research on inversion of mining subsidence prediction parameters based on improved SPSO algorithm[J]. Safety in Coal Mines,2022,53(8):218−224.
[27] 王磊,张鲜妮,池深深,等. 融合InSAR和GA的开采沉陷预计参数反演模型研究[J]. 武汉大学学报(信息科学版),2018,43(11):1635−1641. WANG Lei,ZHANG Xianni,CHI Shenshen,et al. Parameter inversion model for mining subsidence prediction based on fusion of InSAR and GA[J]. Geomatics and Information Science of Wuhan University,2018,43(11):1635−1641.
[28] 邢学敏,贺跃光,吴凡,等. 永久散射体雷达差分干涉反演矿区时序沉降场[J]. 遥感学报,2016,20(3):491−501. doi: 10.11834/jrs.20165104 XING Xuemin,HE Yueguang,WU Fan,et al. Time series of subsidence inversion on mining area using PSInSAR[J]. Journal of Remote Sensing,2016,20(3):491−501. doi: 10.11834/jrs.20165104
[29] DIAO Xinpeng,BAI Zhihui,WU Kan,et al. Assessment of mining-induced damage to structures using InSAR time series analysis:A case study of Jiulong Mine,China[J]. Environmental Earth Sciences,2018,77(5):1−14.
下载:
计量
- 文章访问数: 57
- HTML全文浏览量: 11
- PDF下载量: 40
