0 引 言
煤炭开采在满足国家能源需求的同时也导致严重的矿区地质环境损害问题，比如矿区地表沉陷、地裂缝等地质灾害，土地损坏、植被退化、水体流失等矿区环境损害。煤炭开采引起岩层及地表变形是产生矿山地质环境损害的根源。随着国家供给侧结构性改革、我国能源战略调整以及东部煤炭资源逐渐枯竭，西部地区已成为我国未来主要煤炭资源产地[1-3]。同时，我国采煤方法发展迅速，采煤方法已由以往的炮采、普采、综采和综放开采迅速向无人化、智能化开采方向变革[3-5]。这使得我国西部以大规模、高强度快速开采为主，开采引起的地表移动损害也呈现出变形速度快、损害程度深、波及范围广的特点[6-9]。由于西部生态环境脆弱，煤炭开采引起的地质与环境损害问题成为重点关注和研究的焦点[10-13]。然而，西部矿区地表沉陷监测数据较少，沉陷规律研究不深入，更没有适合的沉陷参数。随着国家对环境保护要求越来越严格，矿区环境损害监测及评估已经成为西部矿山企业面临的巨大难题。在这种形势下，如何快速、准确、全面地监测西部高强度开采引起的地表沉陷与环境损害是解决问题的关键。而目前常规地表移动与变形监测方法已经无法适应我国新形势下的矿山开采损害监测需求[14-15]。随着测绘技术的快速发展，如何充分利用测绘新技术，突破理论与技术瓶颈，建立新形势下的矿山开采损害监测理论、技术与方法，以适应西部煤炭大规模、高强度开采地质环境损害监测任务，是目前资源开发与生态环境保护亟须解决的重大问题。
总结现有矿山开采损害监测技术的研究现状，分析了各项监测技术在矿区开采损害监测中存在的问题、优势和不足。基于UAV摄影测量与InSAR技术各自的优势，提出了融合UAV/InSAR监测矿山开采损害的关键理论与技术，并以内蒙古鄂尔多斯王家塔煤矿为例进行了工程应用研究，取得良好的效果，研究结果可为工矿企业地表损害监测和环境保护提供借鉴。
1 矿山开采损害监测技术发展现状
矿山开采损害监测技术主要包括常规地表沉陷监测技术、三维激光扫描技术、摄影测量技术(UAV摄影测量)和InSAR监测技术等4个方面。
1.1 常规地表沉陷监测技术
常规地表移动变形监测方法，按照布站形式，可分为剖面线状观测站和网状观测站[14-15]。前者应用较广，它是在工作面走向/倾向主断面上布“点”成“线”组成观测站；后者是多布设一些测点组成网格状的观测站，由于受地形、地物条件限制(如占用更多土地)，后者应用较少。2种观测站获取的均为有限的“点状”数据。常规观测站主要采用包括三角测量、导线测量(经纬仪、全站仪)、水准测量(水准仪)以及GPS等常规测量方法；常规观测站精度高、是目前获取矿区地表形变最常用、最有效的手段，在矿山开采沉陷研究及实际工程中发挥了重要的作用。随着研究的发展，出现一些不足：①尺度小，一般以单工作面为监测对象，测量方法也决定了不便大范围(大尺度)的作业；②仅以地表移动变形值为监测内容，无法获得矿区生态环境损害信息(比如植被光谱、水体等)；③成本高、周期长(时效性差)、工作量大、需要埋设测点且难以长期保存等缺点；④只“点状”观测，数据及信息量少，不能完整反映沉陷盆地特征。这也导致了其已无法适应新形势下西部高强度规模开采地表损害监测任务。
1.2 三维激光扫描技术
可分为地面激光扫描技术、机载激光雷达和航天激光雷达扫描技术。其中的机载/航天激光雷达设备较贵，使用成本较高，对于矿山企业来说使用较少。使用较多的是地面激光扫描技术。包括作者在内的部分学者[15-18]利用地面三维激光扫描技术建立地表移动观测站，该方法可获得丰富的“面状”点云数据，但是在实际观测过程中，需要分站扫描，每一站扫描范围有限，搬站次数多，尤其是西部山区及丘陵地区，搬站困难；因此，该方法仍存在尺度小、成本高、效率低，只获取地表变形数据，无法获得矿区环境损害数据等问题，限制了其在矿区的推广应用，尤其无法满足西部矿区开采损害监测任务。
1.3 摄影测量技术(UAV摄影测量技术)
摄影测量技术在矿山应用由来已久，航空/航天摄影测量主要用于矿区地形图测绘[13-15]，受制于成本及精度等因素的影响，很难推广到矿区地表沉陷监测中；在利用地面近景摄影测量监测矿区地表形变方面，相关学者也做了一些尝试[16-18]，实践证明可行，然而受相机视角的限制，其观测区域较小，效率较低，后期数据处理复杂等因素，导致其发展缓慢。随着近年低成本、轻型UAV技术的发展，出现了UAV低空摄影测量技术，成为传统航空摄影测量的有力补充，可快速获取含有丰富地物光谱信息的多(高)光谱、高分辨率光学影像，适合多尺度的监测任务，极大推动了摄影测量技术在矿区的应用。近年UAV摄影测量在矿区应用研究得到飞速发展，主要集中于：①矿区地表DEM建立及三维建模，研究表明UAV建立DEM精度能达到厘米～分米级；如宫传刚等[19]除去植被影响后，DEM精度达到45 mm；田帅帅等[20]利用UAV建立采煤沉陷区地表DEM，修正后的高程中误差为12.7 cm；②矿区地表稳态及动态沉陷盆地监测，求取地表沉陷参数；如侯恩科等[21-22]采用轻型UAV监测宁夏羊场湾煤矿Y120212工作面采煤沉陷量，得到最大沉陷量达6.5 m；周大伟等[23]利用UAV对内蒙古王家塔煤矿2S201工作面地表沉陷进行监测，得到三期地表动态下沉盆地，并求取了可靠的开采沉陷参数。③矿区环境因素监测，包括矿区地表裂缝监测[24-25]、土地利用分类[26]，植被分类及参数反演[27]等。如：肖武等[28-29]利用无人机多光谱影像数据，研究了采煤沉陷对玉米叶绿素和生物量的影响。
UAV低空摄影测量技术可以同时采集到地表沉陷变形与矿区生态环境信息，其高程精度为分米级，其在矿区开采沉陷大变形监测中具有优势(如Y120212工作面地面6.5 m下沉量)。然而，分米级精度决定了其无法精确监测沉陷盆地边界区域。
1.4 InSAR技术
InSAR集合成孔径雷达技术(SAR)与干涉测量技术于一体，用来记录地物的后向散射强度信息及相位信息，前者反映了地表属性(含水量、粗糙度、地物类型等)，后者则蕴含了传感器与目标物之间的距离信息[30]。InSAR通过对同一区域两景SAR影像进行干涉处理(即相位差)即可提取地表高程信息或分离地表形变。作为InSAR技术的延伸，差分合成孔径雷达干涉技术(D-InSAR)则是通过引入外部DEM或三轨/四轨差分实现了地表变形监测[31-32]。D-InSAR易受时空失相干、大气延迟和轨道误差等因素影响，尤其时空失相干是InSAR技术在矿区沉陷监测中的最大阻碍。煤矿开采沉降量大、下沉速率快、矿区地表覆盖和地形起伏变化快等原因导致InSAR局部区域(如沉陷盆地中心大变形区域)相位完全失相关，无法可靠地求取沉陷盆地中心区域的大变形，然而，InSAR技术可精确探测出沉陷盆地边缘区域变形。
1.5 研究现状分析
综上，常规观测站存在尺度小、仅能观测地表形变(不能获得环境因素)，成本高效率低且数据量少等不足；地面三维激光扫描技术虽然可获得大量“面状”点云数据，但是也存在尺度小、成本高效率低的问题；在我国煤炭开采向西部转移，大规模、高强度开采成为主流的新形势下，这些监测方法无法适应多尺度开采损害监测任务。
虽然UAV与InSAR技术在矿山开采变形监测应用中也各有不足，单独采用其中一种技术目前均无法完整地监测整个地表沉陷盆地信息。然而，二者优势互补：UAV弥补了InSAR无法提取沉陷盆地大变形的问题，InSAR弥补了UAV在监测沉陷盆地边缘误差大的问题；UAV获取的多(高)光谱影像数据，在矿区环境因素监测方面具有很大优势，弥补了SAR影像中缺少地物光谱特性的问题；两种影像融合，可以获得同时包涵地物后向散射强度、相位信息及地物光谱特性的影像，即可完整提取沉陷盆地整体形态，也可提高矿区环境损害监测能力。基于此，提出融合UAV/InSAR技术进行矿区多尺度开采损害监测，实现矿区关键地质与环境损害信息精准提取，建立新形势下集地表沉陷(地表形变)与环境损害为一体的综合监测理论、技术与方法体系，以适应西部大规模、高强度开采地质环境损害监测需求。
2 UAV/InSAR融合监测矿区地表损害关键理论与技术
UAV/InSAR融合监测矿区地表损害关键技术体系主要包括：UAV/InSAR多尺度矿山开采损害协同监测技术；UAV/InSAR跨尺度融合理论与方法；基于融合数据的矿区开采沉陷与关键环境因素精细提取。首先，UAV/InSAR进行协同监测(时间、空间和参数协同[33])，建立多尺度新型开采损害观测站，包括不同尺度观测站的布设模式(如工作面尺度、采区尺度和矿区尺度等)、观测点合理布设和观测时间间隔等；其次，UAV与InSAR获取影像是跨尺度的异质数据，顾及异质数据的空间差异的情况下，充分利用各自的优势，建立跨尺度异质遥感数据融合理论与方法；最后，基于融合数据精准提取地表沉陷变形和关键环境因素，建立基于融合数据的矿区开采沉陷与关键环境因素精细提取的理论与方法。
2.1 UAV/InSAR多尺度协同监测技术
UAV/InSAR多尺度协同监测获取遥感影像是研究的技术支撑和数据基础。主要包括2个方面：建立基于UAV/InSAR的多尺度的“空(InSAR)-天(UAV)-地(传统观测点)”一体化新型观测站模式；InSAR时-空间分辨率约束下的UAV/InSAR协同观测。
1)基于UAV/InSAR协同的多尺度观测站的建立模式。收集目标矿区的地质资料(岩层性质、钻孔柱状图、井上下对照图等)及采矿资料(开采时间、开采速度、采深、采厚等)，结合开采时间和开采速度，优选出合理的InSAR数据，包括确定极化方式、时间分辨率和空间分辨率。根据不同目的与服务对象，建立如下多尺度的开采损害观测站形式：工作面尺度：采用“点-线-面”结合布设形式，在沉陷盆地边界点、拐点和最大下沉点等关键位置设置少量观测点(9～20个观测点不等)，这些点也作为UAV低空摄影测量时的像控点，该观测站的目的是求取开采沉陷参数、研究地表移动规律服务的。采区尺度和矿区尺度的“面状”观测站，采用UAV摄影测量进行“面状”测量，规划航摄范围，获得影像数据，前者为采区建(构)筑物损害、沉陷规律及环境损害评估服务，后者为矿区地质环境灾害监测、环境评估及预警服务，如图1所示。
图1 多尺度观测站建立模式
Fig. 1 Multi-scale observation station establishment model
2)InSAR时-空分辨率约束下的UAV/InSAR协同观测：在优选出InSAR数据后，InSAR的时间和空间分辨率已定；UAV监测周期(时间分辨率)及空间分辨率均可灵活调整。在UAV航摄测量时，根据InSAR的时空分辨率，对其航摄时间、地面分辨率、飞行高度、像片重叠度等航摄方案中所涉及的参数进行优化设计，达到UAV/InSAR协同观测的目的。分析UAV与InSAR时间分辨率的最佳关系；研究UAV/InSAR达到最佳融合效果对应的二者空间分辨率之间的关系；分析UAV地面空间分辨率的影响因素，通过UAV光学影像时间-空间分辨率的调整，从而实现二者时间协同、空间协同和参数协同的目的，为给后面数据融合和信息提取提供最佳的遥感影像数据。
2.2 UAV/InSAR融合理论与方法
UAV获得光学影像分辨率为5～10 cm，InSAR获得的卫星雷达影像分辨率为3～100 m，2种不同平台传感器获取的数据，在点-线-面观测尺度上差异较大，二者融合是属于跨尺度异质遥感数据融合，目前的研究成果相对较少。如果要二者融合，需要对以下两方面做研究：①顾及异质数据的时空差异，挖掘它们之间的相关性与映射关系，建立UAV/InSAR影像的精确配准策略；②配准后两类影像的像素级和特征级融合，分析融合结果的评价指标体系，建立融合精度和质量定量评价方法，形成UAV/InSAR跨尺度融合理论与方法体系。
UAV/InSAR融合方法分为像素级融合和特征级融合；根据不同的目的采用不同的融合方法。
1)提取矿区地表裂缝及生态环境因素，采用像素级融合。像素级融合方法又具体分为IHS变换法、主成分变换法(PCA)和加权平均法等方法，各方法实施具体如下：①IHS变换法影像融合。IHS变换是将图像RGB彩色空间的红、绿和蓝变换为IHS彩色空间的明度、色调和饱和度。变换方法为：将UAV影像进行IHS变换，再利用InSAR图像的灰度代替I分量，进行IHS逆变换得到融合图像，如图2所示。②主成分分析法(PCA)影像融合。PCA是在统计特征基础上的一种常用降维变换融合方法，其基本原理是将原始存在较高相关性的N维特征的高维数据，通过PCA变换投影到M维正交子空间(M≤N)，用新子空间中少数几个不相关的、方差大的、信息量大的特征来表示原始数据信息。主要步骤：首先对UAV光学影像进行PCA变换，得到n个独立主分量；再对高分辨率InSAR图像进行拉伸处理，使其灰度的均值与方差和UAV影像的第i(i=1, 2, …, n)主分量一致，替换该主分量；最后进行PCA逆变换，得到融合影像，如图3所示。③加权平均法影像融合。该方法的基本原理是对经配准的两幅影像中各对应像素做加权平均处理，融合成一幅新图像。设A和B分别为UAV像片与SAR图像，图像大小为M×N,F为融合后的图像，则加权平均过程可以表示为：
F(m,n)=w1A(m,n)+w2B(m,n)
(1)
式中：m为图像中像素的行号，m=1,2,…,M；n为图像中像素的列号，m=1,2,…,N；w1、w2为权重，通常w1+w2=1。
图2 IHS变换融合方法流程
Fig. 2 Flow of IHS transformation and fusion method
图3 PCA变换融合方法流程
Fig. 3 Flow of PCA transform fusion method
像素级融合能够充分应用原始数据中包含的数据和信息量，获得更高质量的含SAR强度、相位信息和UAV光谱信息的数据，为矿区地表植被、土地利用和地表裂缝提供服务。
2)提取矿区地表沉陷变形值，采用UAV/InSAR的特征级融合方法。特征级融合是指从不同数据中分别提取相关特征，通过对提取的特征进行融合处理，生成新的特征或特征矢量，以便于后续地物解译。采用2种方法进行UAV与InSAR特征级融合。①第1种融合方法采用相位融合：由于矿区开采沉陷快速大变形的特点，造成InSAR解缠过程中相位“整周数”的丢失，使得监测结果出现较大偏差(最大下沉量严重偏小)；利用UAV获得矿区大变形沉陷信息修正SAR影像处理过程中丢失的“整周数”相位，以提高InSAR技术监测矿区沉陷量级。具体步骤如下：首先，将获取的N景SAR影像进行干涉和解缠处理，获取N-1幅解缠相位，通过“叠加”和重缠绕处理获得复数缠绕相位；其次，UAV航摄及数据处理获得矿区DEM，两期DEM相减获得矿区沉陷大变形；再次，将UAV获得“大形变”根据雷达波长转换为绝对干涉相位，并转换为缠绕相位。最后，通过InSAR获得缠绕相位与UAV获得的含有大变形的缠绕相位融合，修正SAR相位中的“整周数”，得到含有大变形的融合相位，通过解算处理，最终得到完整、准确的矿区沉陷盆地变形。②第2种融合方法的基本思想：首先利用UAV摄影测量和InSAR技术分别提取同一个区域的地表沉陷盆地信息，通过边界提取算法提取UAV沉陷盆地精确的外边缘和InSAR监测的沉陷盆地内边缘区域，对提取的边界进行融合处理，得到完整、精确的沉陷盆地，如图4所示。
图4 UAV与InSAR沉陷盆地融合方法思路
Fig.4 Idea of UAV and InSAR subsidence basin fusion method
2.3 矿山开采损害信息精准提取
矿山开采损害可分为矿山地质损害与矿山生态环境损害，以地表沉陷变形(包括下沉和水平移动)与地表裂缝为代表的矿山地质损害和以土地、植被与地表水体等为关键因素代表的矿山环境损害。从3个方面开展研究：①地表沉陷变形的获取，研究UAV/InSAR融合精确获取矿区动态及稳态沉陷盆地的方法以及如何提取矿区水平移动值；②矿区地表裂缝的提取，研究分别从融合影像中提取地表裂缝的方法；③研究矿区地表土地利用、植被覆盖及水体等关键环境因素的变化检测方法，对比分析性能及优缺点，优选最佳提取方法。从UAV/InSAR融合数据中精准提取矿山地表形变与环境损害信息，建立面向矿山损害监测应用的信息提取理论与方法。包括3个方面：UAV/InSAR融合地表沉陷变形精确获取(下沉和水平移动)；UAV/InSAR融合矿区地表裂缝的提取方法；UAV/InSAR融合矿区关键环境因素变化检测方法。
1)UAV/InSAR融合地表沉陷变形精确获取，包括地表下沉盆地的提取和地表水平移动的提取。①下沉盆地的提取方法。地表下沉盆地提取有2种方法：方法1的思路是利用UAV获得矿区大变形修正InSAR影像处理过程中相位的“整周数”，从而获得完整的下沉盆地；方法2的思路是利用UAV和InSAR技术分别监测矿区沉陷盆地，将UAV大变形区域与InSAR的边界区域融合，从而得到完整沉陷盆地数据，如图4所示。求取的下沉盆地，根据开采时间不同，可以分为动态下沉盆地和稳态下沉盆地。②水平移动提取方法。方法1：可以采用UAV航摄的像控点求取水平移动值。方法2：由于UAV摄影测量和InSAR测量时无固定的目标点，结合UAV/InSAR像素级融合后的影像，通过融合影像精确提取矿区地表稳定的特征点、线(如道路)或面(建筑物顶面)，求取矿区水平移动。以提取线的中点和面的重心为基准，在精确配准后，以第一期数据为准，计算第i期提取的点、线(中点)或面(重心)与第一期的距离，多期距离相减求取地表水平移动。
2)UAV/InSAR融合矿区地表裂缝提取方法。煤矿开采引起的地表裂缝的发育规律为(图5)：裂缝均位于工作面外侧拉伸变形区，均由拉伸变形和正曲率变形引起，其基本形态是以工作面为中心的圆弧形或椭圆形。因此，煤矿地表裂缝的发育区域和形态特征均可作为先验知识，基于此，建立先验知识模型，以含有光谱特性的UAV光学影像为主，含有地物强度信息的InSAR影像为辅助修正，通过二者融合提高裂缝提取精度；利用UAV/InSAR融合影像数据，通过掩膜技术去除干扰，采用特征提取算子提取矿山地表裂缝，形成基于先验知识模型的矿区地表裂缝提取方法。具体步骤：首先，根据地裂缝与其他地物在光谱、几何特征和区域特征上的差异，采用掩膜技术去除部分干扰；然后，基于掩膜结果，利用边缘检测算子(如Canny算子和SIFT算子)提取圆弧形或椭圆形线性特征，去除不具有该线性特征的地表形态；最后，根据裂缝提取结果，对于散乱小裂缝等进行人工修正，得到符合发育规律的矿区地表裂缝信息。
图5 煤矿开采地表裂缝动态发展过程和基本形态
Fig.5 Dynamic development process and basic form of surface cracks in coal mining
3)UAV/InSAR融合矿区关键环境因素变化提取。以UAV/InSAR像素级融合影像为基础，通过像元级和对象级变化监测。①像元级变化检测方法。提取多个时段的影像的亮度、NDVI特征。采用差值法得到差异图，该差异图集中了绝大部分的变化信息, 而滤除了影像中相同的背景部分；在差异图中进行地物分类，提取矿区关键环境因素的变化信息。②面向对象的变化检测方法。UAV获得光学影像具有丰富的地物光谱特性；由于不同地物散射特性的差异, 在SAR图像上会表现出不同的亮度(灰度)和纹理；因此，灰度特征和纹理特征是SAR影像用于分类的主要特征。面向对象的变化检测方法是根据同一对象同质性进行分类；利用UAV/SAR融合影像中综合利用地物的光谱特征、灰度特征和纹理特征进行同质点选择，利用面向对象的分类器进行地物分类，分类器采用支持向量机(SVM)分类算法以及深度学习算法实现，从分类结果中统计矿区关键环境因素(比如土地、植被和水体等)的面积、形状和数量等基础属性信息。通过多期数据进行对比差值运算获得矿区关键环境因素的变化信息，为矿区环境损害研究提供数据支持。需要说明，虽然均是利用融合数据提取地物，不同地物提取方法的侧重点略有不同，比如植被的提取以含有地物光谱特征的UAV光学影像为主，InSAR影像的强度信息作为辅助修正，以提高提取精度。而对于建筑土地或者水体，由于其反射强度信息占主，因此需以InSAR影像为主，UAV光学影像为辅助修正。
3 工程应用
针对上述UAV/InSAR融合监测矿区损害理论体系，以内蒙古鄂尔多斯王家塔煤矿地表沉陷变形监测为例，主要以地表沉陷为监测内容，说明上述方法在西部矿区的应用。
3.1 研究区域概况
以位于内蒙古自治区鄂尔多斯市的王家塔煤矿2S201工作面为研究区域，工作面如图6所示。该工作面倾向长度260 m，走向长度1 253 m，煤层平均倾角为2°，平均采深约为200 m，平均采厚为3.26 m。该工作面于2018年7月11日正式回采，2018年10月25日收尾。
3.2 工作面尺度“点-线-面”结合模式观测站
采用工作面尺度的“点-线-面”结合模式建立观测站。在研究区域范围内，在沉陷盆地边界点、拐点和最大下沉点等关键位置布设了15个测点(也作为UAV摄影测量的像控点和检查点)；根据SAR卫星经过研究区域的时间(表1)，选定InSAR数据为2018-06-11—2018-09-04之间8景Sentinel-1A的IW SLC影像数据，影像参数见表1。2018-06-09和2018-09-04两个时间采用UAV摄影测量对研究区域进行了两次观测，UAV测量参数及数据基本信息见表2。同时，采用全站仪/水准测量的方法观测地表测点。因此，同时获得该区域的UAV光学影像、InSAR影像和主断面关键点水准数据，建立了工作面尺度的 “点-线-面”结合模式观测站即为传统观测站与UAV/InSAR测量新技术相结合的新型观测模式，具体如图6所示。
表1 Sentinel-1A影像相关参数及S1A干涉对信息
Table 1 Related parameters of S1A image and Interference information
产品模式干涉对日期主影像辅影像时间基线/d空间基线/m极化方式VV12018-06-112018-06-2312-11.76122018-06-232018-07-051252.307幅宽/km250×25032018-07-052018-07-1712-60.27442018-07-172018-07-291267.364分辨率20 m52018-07-292018-08-101214.28862018-08-102018-08-2212-70.333中心点坐标39°50'N/109°35'E(鄂尔多斯区域)72018-08-222018-09-0312-101.344
表2 UAV摄影测量航摄信息
Table 2 Information of UAV aerial photography
监测日期航高/m像控点/个面积/km2航向航带/条航摄像片/张第1期(2018-06-09)250132.76东西向28560第2期(2018-09-04)25082.67东西向28560
图6 研究区域、全站仪监测点及航带分布
Fig.6 Excavation view of study area and layout of image con-trol points
3.3 UAV/InSAR数据融合方法
本次主要提取矿区地表沉陷变形值，采用了UAV/InSAR的特征级融合方法中的第2种融合思路(图4)，具体步骤如图7所示。
图7 UAV/InSAR沉陷盆地特征级融合具体步骤
Fig. 7 Specific steps of UAV/InSAR subsidence basin feature-level fusion
1)利用UAV摄影测量和InSAR技术分别提取该工作面地表沉陷盆地。
2)确定沉陷盆地边界区域和盆地中心区域：由于已知InSAR在外边缘区域精度较高，UAV可以监测沉陷盆地中心大变形区域。因此，根据煤矿开采沉陷学主要影响半径的定义[7]，选取0.16Wmax和0.84Wmax(Wmax为最大下沉值)的点为边界，小于0.16Wmax的沉陷区域采用InSAR监测数据，大于0.84Wmax的沉陷区域采用无人机监测数据。
3)确定0.16Wmax和0.84Wmax之间的区域：通过概率积分法拟合迭代选取，即首先固定盆地边界和中心实测数据，然后通过概率积分模型进行拟合循环迭代，每次迭代一次，提取与拟合下沉盆地(即为拟合曲面)差值最小的格网点，以拟合误差中误差最小作为目标函数，通过多次拟合迭代可以获取0.16Wmax和0.84Wmax之间区域最佳监测数据。再联合提取的边缘区和盆地中心区可以得到完整的融合沉陷盆地。
3.4 UAV/InSAR融合提取地表沉陷盆地
1)UAV解算下沉盆地。DEM的构建是生成地表沉陷盆地的关键步骤，UAV数据处理得到该区域不同期DEM，多期DEM相减获得监测区域的地表沉陷。通过对UAV原始影像进行畸变校正、相对定向、绝对定向、光束法区域网平差以及影像密集匹配等处理步骤得到监测区域的点云，对点云进行滤波、去噪和压缩处理，得到去除非地面点之后的点云。根据数字高程模型的生成算法，建立20 m分辨率方格网，每个格网内仅保留一个最低点作为地面点，通过内插格网节点高程构建DEM[12-13]，图8所示为建立的第1期DEM和第2期DEM。两期DEM相减获得该区域由2018-06-09—2018-09-04的动态地表移动盆地，如图9a所示，图9b和图9c为走向(A—A′)和倾向(B—B′)剖面下沉曲线。UAV监测到该期间的最大下沉值为2 487 mm，通过与水准测量结果对比，评估UAV下沉盆地的下沉值中误差为81 mm；UAV沉陷盆地误差对于沉陷盆地边界影响较大，对盆地中间大变形区域影响相对较小；剖面下沉曲线也可看出，相比于沉陷盆地中间区域(区域2)，沉陷盆地边界区域(区域1)波动相对更大，在后面求参数时主要影响角正切的误差偏大也能说明该问题。
图8 UAV摄影测量解算的两期DEM和DOM
Fig.8 Two phases of DEM and DOM solved by UAV photogrammetry method
图9 UAV摄影测量解算结果
Fig.9 Result of UAV photogrammetvy
2)InSAR解算沉陷盆地。通过对8景InSAR影像数据处理得到图10a中的7个干涉像对的形变图，干涉对信息见表1。将图中由D-InSAR解算得到的各干涉像对的形变量进行叠加解算，得到2S201工作面观测时间从2018-06-11—2018-09-03的动态地表沉降量，动态沉陷盆地如图10b所示，图10c为走向剖面(A—A′)下沉曲线。根据水准测量结果，该时段内地表最大下沉值为2 415 mm。而InSAR监测的最大下沉值仅为110 mm，远小于实际下沉量。因此，InSAR在监测矿区形变梯度大时，受时空失相干因素的影响，无法准确获取大变形区域沉降。
图10 D-InSAR解算结果
Fig. 10 Result of D-InSAR
3)UAV/InSAR融合获得精确下沉盆地。根据图7中的融合步骤对InSAR和UAV监测的下沉盆地进行融合，得到融合下沉盆地如图11a所示，做走向(A-A’)和倾向(B-B’)剖面线，得到融合盆地主断面下沉曲线，如图11b和图11c所示。从图11b和图11c中可看出，边界区域的相对较平滑，通过与水准测量结果对比，边界区域精度达到6 mm，融合下沉盆地整体中误差为56.3 mm。与UAV沉陷盆地相比，融合下沉盆地整体精度和边界区域精度均有提高。
图11 UAV/InSAR融合结果
Fig. 11 Result of UAV/InSAR fusion method
3.5 基于融合数据的沉陷参数反演
首先，利用UAV沉陷盆地数据进行参数反演，采用概率积分法结合时间函数的动态求参方法[14,39]，拟合中误差为181 mm，占最大下沉值的7.3%，实测与预计拟合效果如图12a所示；其次，采用融合下沉盆地数据进行求参，拟合中误差为46.5 mm，占最大下沉值的1.9%，拟合效果如图12b所示；两者求参结果见表3。通过与水准测量求参结果相比：
1)UAV下沉盆地求参结果中，下沉系数q与水准测量数据求参结果相符，相对误差仅为1.4%，主要影响角正切tan β与之相比偏差较大，偏离约20%。tan β是开采深度H与主要影响半径r的比值(tan β=H/r)，在充分开采的条件下，r的范围处在沉陷盆地边界区域，由于UAV下沉盆地边界区域的误差较大，导致求出的主要影响角正切值误差偏大。
2)融合数据求取的下沉系数与水准求参结果一致，主要影响角正切与水准求参结果的相对误差仅为5%。融合数据参数反演的结果能够更好地预计矿区地表沉陷。
3)与单独UAV下沉盆地求参结果相比，融合下沉盆地求出的参数更准确。由于InSAR解算的下沉盆地的边界区域精度较高，所以用融合求参很好地解决了单一UAV求参时主要影响角正切偏差较大的问题。
表3 无人机数据求取的测量参数
Table 3 Acquiring parameters by UAV data
测量方法下沉系数q主要影响角正切tan β拟合中误差/mmUAV0.711.60181UAV/InSAR0.721.9046.5水准测量0.722.0
图12 利用UAV下沉盆地和融合下沉盆地求参拟合效果
Fig.12 Fitting effect of measured subsidence and predicted subsidence by parameters inversion with UAV subsidence basin and the fused subsidence basin
4 结 论
1)提出了融合UAV摄影测量/InSAR监测矿山开采损害的思路。论述了基于UAV/InSAR融合的新型多尺度地表损害观测站的建立模式，分析了InSAR时-空间分辨率约束下的UAV/InSAR协同观测方法；探讨了UAV/InSAR跨尺度异质遥感数据融合及矿区地质环境损害信息精细提取方法。
2)以内蒙古王家塔煤矿为例进行了应用，结果表明：UAV测量误差对于沉陷盆地边界影响较大；与UAV沉陷盆地相比，InSAR/UAV融合下沉盆地整体精度和边界区域精度均更高。与单独UAV求参相比，融合下沉盆地数据求出的参数更准确，主要影响角正切的相对误差仅为5%，融合数据很好解决了单一UAV求参时tan β误差偏大的问题。
3)实际工程应用表明了UAV/InSAR融合技术在矿区地表沉陷变形监测中具有显著的优势；UAV弥补了InSAR无法提取沉陷盆地大变形的问题，InSAR弥补了UAV在监测沉陷盆地边缘误差大的问题，且适合矿区多尺度的监测任务；可为我国西部煤矿开采地表损害监测提供技术支撑。
[1] 中华人民共和国自然资源部. 中国矿产资源报告2019[M]. 北京：地质出版社，2019.
Ministry of natural resources of the people’s Republic of China. China mineral resources2019[M]. Beijing: Geological Publishing House，2019.
[2] 袁 亮，张 农，阚甲广，等. 我国绿色煤炭资源量概念、模型及预测[J]. 中国矿业大学学报，2018，47(1): 1-8.
YUAN Liang, ZHANG Nong, KAN Jiaguang,et al. The concept, model and reserve forecast of green coal resources in China[J]. Journal of China University of Mining and Technology, 2018, 47(1): 1-8.
[3] 973计划(2013CB227900)“西部煤炭高强度开采下地质灾害防治与环境保护基础研究”项目组. 西部煤炭高强度开采下地质灾害防治理论与方法研究进展[J]. 煤炭学报，2017，42(2): 267-275.
973 Plan (2013cb227900) “basic research on prevention and control of geological disasters and environmental protection under high intensity coal mining in Western China” project team. Research progress on theory and method of prevention and control of geological disasters under high intensity coal mining in Western China[J]. Journal of China Coal Society，2017，42(2): 267-275.
[4] 武 强，刘宏磊，赵海卿，等. 解决矿山环境问题的“九节鞭”[J]. 煤炭学报，2019，44(1): 10-22.
WU Qiang, LIU Honglei, ZHAO haiqiang，et al. Discussion on the nine aspects of addressing environmental problems of mining[J]. Journal of China Coal Society，2019，44(1): 10-22.
[5] 范立民，马雄德，李永红，等. 西部高强度采煤区矿山地质灾害现状与防控技术[J].煤炭学报,2017,42(2): 276-285.
FAN Limin，MA Xiongde，LI Yonghong，et al. Geological disasters and control technology in high intensity mining area of western China[J]. Journal of China Coal Society，2017，42(2): 276-285.
[6] 卞正富，于昊辰，侯 竟，等. 西部重点煤矿区土地退化的影响因素及其评估[J]. 煤炭学报，2020，45(1): 338-350.
BIAN Zhengfu, YU Haochen, HOU Jing，et al. Influencing factors and evaluation of land degradation of 12 coal mine areas in Western China[J]. Journal of China Coal Society，2020，45(1): 338-350.
[7] 何国清，杨 伦，凌赓娣，等. 矿山开采沉陷学[M]. 徐州:中国矿业大学出版社，1991.
HE Guoqing, YANG Lun, LING Gengdi, et al. Mining subsidence science[M]. Xuzhou: China University of Mining and Technology press，1991.
[8] 汪云甲.矿区生态扰动监测研究进展与展望[J].测绘学报,2017,46(10):1705-1716.
WANG Yunjia. Research progress and prospect of ecological disturbance monitoring in mining area[J]. Acta Geodaetica et Cartographica Sinica,2017,46(10): 1705-1716.
[9] 周大伟，吴 侃，周 鸣，等. 地面三维激光扫描与RTK相结合建立开采沉陷观测站[J].测绘科学,2011(3): 82-84.
ZHOU Dawei，WU Kan，ZHOU Ming，et al. Establishing mining subsidence observation station by combining terrestrial 3D laser scanning technology with RTK[J]. Science of Surveying and Mapping，2011(3): 82-84.
[10] ZHOU Dawei，WU Kan，CHEN Ranli，et al. GPS/terrestrial 3D laser scanner combined monitoring technology for coal mining subsidence: a case study of a coal mining area in Hebei, China[J]. Natural Hazards，2014，70(2): 1197-1208.
[11] 郭文兵,白二虎,陈俊杰. 三维激光扫描监测开采沉陷的精度分析[J]. 煤炭科学技术，2014，42(11): 85-89.
GUO Wenbing，BAI Erhu，CHEN Junjie. Precision analysis of 3D laser scanning to monitor mining subsidence[J]. Coal Science and Technology，2014，42(11): 85-89.
[12] 戴华阳，廉旭刚，陈 炎，等. 三维激光扫描技术在采动区房屋变形监测中的应用[J]. 测绘通报，2011(11): 44-46.
DAI Huayang，LIAN Xugang，CHEN Yan，et al. Study of the deformation of houses induce by mining based on 3d laser scanning[J]. Bulletin of Surveying and Mapping，2011(11): 44-46.
[13] 李帅帅，任怀伟. 综采工作面"三机"设备位姿测量技术研究现状与展望[J]. 煤炭科学技术, 2020, 48(9):218-226.
LI Shuaishuai, REN Huaiwei. Research status and development trend of position and posture measurement technology on hydraulic support, scraper conveyor, shearer in fully-mechanized mining face[J]. Coal Science and Technology, 2020, 48(9):218-226.
[14] 王明忠. 西德的大地-矿山测量情况[J]. 矿山测量，1979(3): 52-55.
WANG Mingzhong. Earth-mine survey in western Germany[J]. Mine Surveying，1979(3): 52-55.
[15] 孙家录. 我国矿山测量技术的发展与展望[J]. 煤炭科学技术，1980(1): 3-6.
SUN Jialu. Development and prospect of mine surveying technology in China[J]. Coal Science and Technology，1980(1): 3-6.
[16] 杨 仑，马伟民，黄绍东. 采矿引起地面建筑物变形的摄影观测[J].中国矿业学院学报，1982(4): 67-73.
YANG Lun，MA Weimin，HUANG Shaodong. Observation on surface building deformation caused by underground mining[J]. Journal of China University of Mining & Technology，1982(4): 67-73.
[17] 盛业华，闫志刚，宋金铃. 矿山地表塌陷区的数字近景摄影测量监测技术[J].中国矿业大学学报，2003(4): 411-415.
SHENG Yehua，YAN Zhigang，SONG Jinling. Monitoring technique for mining subsidence with digital terrestrial photogrammetry[J]. Journal of China University of Mining & Technology，2003(4): 411-415.
[18] 杨化超,邓喀中,张书毕，等.数字近景摄影测量技术在矿山地表沉陷监测中的应用研究[J].中国图象图形学报，2008，13(3)：519-524.
YANG Huachao, DENG Kazhong,ZHANG Shubi, et al. Research on Subsidence Monitoring of Mine Surface Using Digital Close-range Photogrammetric Technique[J]. Journal of Image and Graphics, 2008, 13(3):519-524.
[19] 宫传刚，卞正富，卞和方，等. 基于无人机与植被指数的排土场DEM模型构建关键技术[J]. 煤炭学报，2019，44(12): 3849-3858.
GONG Chuangang，BIAN Zhengfu，BIAN Hefang，et al. Key technology of DEM model construction based on UAV and vegetation index in dump soil field[J]. Journal of China Society，2019，44(12): 3849-3858.
[20] 田帅帅，赵艳玲，李亚龙，等. 高潜水位矿区采煤沉陷地DEM的无人机构建方法[J]. 测绘通报，2018(3): 98-101.
TIAN Shuaishuai，ZHAO Yanling，LI Yalong，et al. DEM establishing method of mining subsidence in high underground water mining area with UAV[J]. Bulletin of Surveying and Mapping，2018(3): 98-101.
[21] 侯恩科，首召贵，徐友宁，等. 无人机遥感技术在采煤地面塌陷监测中的应用[J]. 煤田地质与勘探，2017，45(6): 102-110.
HOU Enke，SHOU Zhaogui，XU Youning，et al. Application of UAV remote sensing technology in monitoring of coal mining-induced subsidence[J]. Bulletin of Surveying and Mapping，2017，45(6): 102-110.
[22] 高冠杰，侯恩科，谢晓深，等. 基于四旋翼无人机的宁夏羊场湾煤矿采煤沉陷量监测[J].地质通报，2018，37(12): 2264-2269.
GAO Guanjie, HOU Enke, XIE Xiaoshen, et al. The monitoring of ground surface subsidence related to coal seams mining in Yangchangwan coal mine by means of unmanned aerial vehicle with quad-rotors[J]. Geological Bulletin of China，2018，37(12): 2264-2269.
[23] ZHOU Dawei，QI Lizhuang，ZHANG Demin，et al. Unmanned aerial vehicle (UAV) photogrammetry technology for dynamic mining subsidence monitoring and parameter inversion：a case study in China[J]. IEEE Access，2020(8): 16372-16386.
[24] 侯恩科，张 杰，谢晓深，等. 无人机遥感与卫星遥感在采煤地表裂缝识别中的对比[J]. 地质通报，2019，38(2/3): 261-266.
HOU Enke, ZHANG Jie, XIE Xiaoshen，et al. Contrast application unmanned aerial vehicle remote sensing and satellite remote sensing technology relating to ground surface cracks recognition in coal mining area[J]. Geological Bulletin of China，2019，38(2/3): 261-266.
[25] 卢小平，张 航，张冬梅，等. 一种基于无人机影像的迭代二值化道路裂缝检测方法[J]. 河南理工大学学报(自然科学版)，2019，38(6): 55-59.
LU Xiaoping，ZHANG Hang，ZHANG Dongmei，et al. An iterative binary road crack detection method based on UAV image[J]. Journal of Henan Polytechnic University (Natural Science)，2019，38(6): 55-59.
[26] 杨红琳. 无人机影像获取及其面向对象的土地利用分类应用[D].淮南:安徽理工大学，2019.
YANG Honglin. UAV image acquisition and its object-oriented land use classification application[D]. Huainan: Anhui University of Science & Technology，2019.
[27] 肖 武，任 河，吕雪娇，等.基于无人机遥感的高潜水位采煤沉陷湿地植被分类[J].农业机械学报，2019，50(2)：184-193.
XIAO Wu，REN He，LYU Xuejiao，et al. Inversion and analysis of maize biomass in coal mining subsidence area based on UAV images[J]. Transactions of the Chinese Society for Agricultural Machinery，2019，50(2): 184-193.
[28] 肖 武，陈佳乐，赵艳玲，等.利用无人机遥感反演高潜水位矿区沉陷地玉米叶绿素含量[J]. 煤炭学报，2019，44(1): 295-306.
XIAO Wu，CHEN Jiale，ZHAO Yanling，et al. Identify maize chlorophyll impacted by coal mining subsidence in high groundwater table area based on UAV remote sensing[J]. Journal of China Society，2019，44(1): 295-306.
[29] 肖 武，陈佳乐，笪宏志，等. 基于无人机影像的采煤沉陷区玉米生物量反演与分析[J]. 农业机械学报，2018，49(8): 176-187.
XIAO Wu，CHEN Jiale，DA Hongzhi，et al. Identify maize chlorophyll impacted by coal mining subsidence in high groundwater table area based on UAV remote sensing [J]. Transactions of the Chinese Society for Agricultural Machinery，2018，49(8): 176-187.
[30] 朱建军，李志伟，胡 俊. InSAR变形监测方法与研究进展[J]. 测绘学报，2017，46(10): 1717-1733.
ZHU Jianjun，LI Zhiwei，HU Jun. Research progress and methods of InSAR for deformation monitoring[J]. Acta Geodaetica et Cartographica Sinica，2017，46(10): 1717-1733.
[31] 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，LI Zhiwei. Recent progress in retrieving and predicting mining-induced 3D displacements using InSAR[J]. Acta Geodaetica et Cartographica Sinica，2019，48(2): 135-144.
[32] 邓云凯，禹卫东，张 衡，等. 未来星载SAR技术发展趋势[J]. 雷达学报,2020,9(1): 1-33.
DENG Yunkai，YU Weidong，ZHANG Heng，et al. Forthcoming Space borne SAR development[J]. Journal of Radars，2020，9(1): 1-33.
[33] 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 open-pit slope and its typical applications[J]. Journal of China Coal Society, 2020, 45(6):2265-2276.
