CN116796643A - 地表沉降监测方法、装置、电子设备及存储介质 - Google Patents
地表沉降监测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116796643A CN116796643A CN202310787903.8A CN202310787903A CN116796643A CN 116796643 A CN116796643 A CN 116796643A CN 202310787903 A CN202310787903 A CN 202310787903A CN 116796643 A CN116796643 A CN 116796643A
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring
- surface subsidence
- machine learning
- learning model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 281
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000005065 mining Methods 0.000 claims abstract description 200
- 239000003673 groundwater Substances 0.000 claims abstract description 165
- 238000010801 machine learning Methods 0.000 claims abstract description 133
- 238000009826 distribution Methods 0.000 claims abstract description 67
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 51
- 230000000694 effects Effects 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 81
- 238000004519 manufacturing process Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 17
- 238000004062 sedimentation Methods 0.000 claims description 16
- 238000003384 imaging method Methods 0.000 claims description 15
- 230000007613 environmental effect Effects 0.000 claims description 13
- 238000010219 correlation analysis Methods 0.000 claims description 10
- 238000012806 monitoring device Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 abstract description 7
- 229910052500 inorganic mineral Inorganic materials 0.000 description 20
- 239000011707 mineral Substances 0.000 description 20
- 238000004458 analytical method Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 239000000463 material Substances 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000003245 coal Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种地表沉降监测方法、装置、电子设备及存储介质。该方法包括：根据开采区域的当前开采数据和第一机器学习模型对开采区域的地下水分布情况进行预测，得到开采区域的地下水分布预测数据；基于地下水分布预测数据和第二机器学习模型对开采区域的地表沉降情况进行预测，得到开采区域不同位置的地表沉降预测数据；按照地表沉降预测数据表征的地表沉降趋势大小依次对开采区域的不同位置进行地表沉降监测。本发明能够基于矿山开采活动间接预测开采区域下不同位置的地表沉降情况，从而有利于后续根据不同位置对应的地表沉降情况设计相应的地表沉降监测方案，从而按照地表沉降趋势的大小精准有序地对相应位置进行地表沉降监测。
Description
技术领域
本发明涉及地表沉降监测技术领域，尤其涉及一种地表沉降监测方法、装置、电子设备及存储介质。
背景技术
随着我国经济的高速发展，对煤、铁等矿产资源的需求也在逐年增长。因此，在开采矿产资源之前、之后以及过程中及时对开采区域及其周边进行地表沉降监测是十分有必要的。
针对我国矿产资源丰富且种类颇多，但各类矿产资源的分布密度不均衡且分布范围较广的特性，目前在实际进行矿产资源开采时，往往需要对大范围的采矿区域进行地表沉降监测，这不仅需要大量人力物力的投入，还极大地降低了地表沉降的监测效率。
基于此，如何高效且精准有序地实现对大范围采矿区域的地表沉降监测成为亟需解决的技术问题。
发明内容
本发明实施例提供了一种地表沉降监测方法、装置、电子设备及存储介质，以解决现有技术中难以高效且精准有序地监测大范围采矿区域的地表沉降的问题。
第一方面，本发明实施例提供了一种地表沉降监测方法，包括：
根据开采区域的当前开采数据和第一机器学习模型对开采区域的地下水分布情况进行预测，得到开采区域的地下水分布预测数据；其中，所述第一机器学习模型为基于开采区域的历史开采数据和历史地下水监测数据训练得到的表征开采区域内的矿业开采活动和地下水分布情况之间关系的模型；
基于所述地下水分布预测数据和第二机器学习模型对开采区域的地表沉降情况进行预测，得到开采区域不同位置的地表沉降预测数据；其中，所述第二机器学习模型为基于所述历史地下水监测数据和历史地表沉降数据训练得到的表征开采区域内的地下水分布情况和地表沉降信息之间关系的模型；
按照所述地表沉降预测数据表征的地表沉降趋势大小依次对开采区域的不同位置进行地表沉降监测。
在一种可能的实现方式中，在训练得到所述第一机器学习模型和所述第二机器学习模型之前，还包括：
获取历史开采数据、历史地下水监测数据和历史地表沉降数据；其中，所述历史地下水监测数据包括至少两种类型的地下水监测数据；
对所述历史开采数据、所述历史地下水监测数据和所述历史地表沉降数据进行数据相关性分析；
得到与同一类型的地下水监测数据的相关性满足相关性阈值的目标开采数据和目标地表沉降数据；并将该类型的历史地下水监测数据作为目标地下水监测数据；
基于开采区域的历史开采数据和历史地下水监测数据训练得到所述第一机器学习模型，包括：
基于所述目标开采数据和所述目标地下水监测数据训练得到所述第一机器学习模型；
基于所述历史地下水监测数据和历史地表沉降数据训练得到所述第二机器学习模型，包括：
基于所述目标地下水监测数据和所述目标地表沉降数据训练得到所述第二机器学习模型。
在一种可能的实现方式中，所述基于所述目标开采数据和所述目标地下水监测数据训练得到所述第一机器学习模型，包括：
对所述目标开采数据和所述目标地下水监测数据进行标准化处理；
将标准化处理后的目标开采数据和目标地下水监测数据作为第一训练集；
基于所述第一训练集对第一预设机器学习模型进行训练，同时对所述第一预设机器学习模型的第一超参数进行优化，得到所述第一超参数最优时所对应的第一预设机器学习模型作为所述第一机器学习模型。
在一种可能的实现方式中，所述基于所述目标地下水监测数据和所述目标地表沉降数据训练得到所述第二机器学习模型，包括：
对所述目标地下水监测数据和所述目标地表沉降数据进行标准化处理；
将标准化处理后的目标地下水监测数据和目标地表沉降数据作为第二训练集；
基于所述第二训练集对第二预设机器学习模型进行训练，同时对所述第二预设机器学习模型的第二超参数进行优化，得到所述第二超参数最优时所对应的第二预设机器学习模型作为所述第二机器学习模型。
在一种可能的实现方式中，所述按照所述地表沉降预测数据表征的地表沉降趋势大小依次对开采区域的不同位置进行地表沉降监测，包括：
按照所述地表沉降趋势由大到小的顺序依次对开采区域的对应位置进行地表沉降监测。
在一种可能的实现方式中，在对开采区域的对应位置进行地表沉降监测之前，还包括：
根据开采区域不同位置的监测精度要求和环境信息，确定对开采区域不同位置进行地表沉降监测的监测方案。
在一种可能的实现方式中，所述环境信息包括：历史地表沉降速度、空间范围和地形条件；
所述根据开采区域不同位置的监测精度要求和环境信息，确定对开采区域不同位置进行地表沉降监测的监测方案，包括：
根据所述监测精度要求确定采集精度符合所述监测精度要求的无人机LiDAR设备；
根据所述历史地表沉降速度确定所述无人机LiDAR设备的监测频率；
根据所述空间范围和所述地形条件确定所述无人机LiDAR设备的监测时间、飞行高度和成像重叠度；
基于所述无人机LiDAR设备以及所述无人机LiDAR设备的监测频率、监测时间、飞行高度以及成像重叠度确定所述监测方案。
第二方面，本发明实施例提供了一种地表沉降监测装置，包括：
地下水分布预测模块，用于根据开采区域的当前开采数据和第一机器学习模型对开采区域的地下水分布情况进行预测，得到开采区域的地下水分布预测数据；其中，所述第一机器学习模型为基于开采区域的历史开采数据和历史地下水监测数据训练得到的表征开采区域内的矿业开采活动和地下水分布情况之间关系的模型；
地表沉降预测模块，用于基于所述地下水分布预测数据和第二机器学习模型对开采区域的地表沉降情况进行预测，得到开采区域不同位置的地表沉降预测数据；其中，所述第二机器学习模型为基于所述历史地下水监测数据和历史地表沉降数据训练得到的表征开采区域内的地下水分布情况和地表沉降信息之间关系的模型；
地表沉降监测模块，用于按照所述地表沉降预测数据表征的地表沉降趋势大小依次对开采区域的不同位置进行地表沉降监测。
第三方面，本发明实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施例提供一种地表沉降监测方法、装置、电子设备及存储介质，通过根据开采区域的当前开采数据和第一机器学习模型对开采区域的地下水分布情况进行预测，得到开采区域的地下水分布预测数据；其中，第一机器学习模型为基于开采区域的历史开采数据和历史地下水监测数据训练得到的表征开采区域内的矿业开采活动和地下水分布情况之间关系的模型；基于地下水分布预测数据和第二机器学习模型对开采区域的地表沉降情况进行预测，得到开采区域不同位置的地表沉降预测数据；其中，第二机器学习模型为基于历史地下水监测数据和历史地表沉降数据训练得到的表征开采区域内的地下水分布情况和地表沉降信息之间关系的模型；按照地表沉降预测数据表征的沉降趋势大小依次对开采区域的不同位置进行地表沉降监测。本发明实施例基于对开采区域内历史数据的分析得到了矿山开采扰动下地下水信息与地表沉降情况之间的关系，从而便于后续以地下水信息作为媒介，基于矿山开采活动数据间接预测大范围矿山区域内不同位置的地表沉降情况。如此一来，有利于后续根据各个不同位置的地表沉降情况设计相应的地表沉降监测方案，从而按照地表沉降趋势的大小精准有序地对相应位置进行地表沉降监测。基于本发明实施例可以有效避免在实际进行矿产开采时，直接对大范围开采区域进行全域性地表沉降监测的情况，既降低了人力物力成本的投入，又显著提高了地面沉降监测作业的执行效率和有效性，还高效实现了对大范围矿山区域内地表沉降情况的准确预测。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的地表沉降监测方法的实现流程图；
图2是本发明实施例提供的地表沉降监测装置的结构示意图；
图3是本发明实施例提供的电子设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
以邯郸-邢台地区的百泉泉域为例，其覆盖面积达3843平方千米。现有技术中，通常利用遥感技术对百泉泉域这种大范围区域变形进行监测，但是遥感技术的时间分辨率不能根据实际项目/实际矿产开采活动需要随时成像。因此，基于遥感技术往往不能实时分析矿业开发活动下开采区域的地面沉降情况。而利用无人机雷达技术对大范围区域进行地面沉降监测，又会导致监测成本投入和人力物力投入过高，不利于控制项目成本。基于此，本发明实施例提供一种地表沉降监测方法。图1为本发明实施例提供的地表沉降监测方法的实现流程图，如图1所示，现对该方法详述如下：
步骤101：根据开采区域的当前开采数据和第一机器学习模型对开采区域的地下水分布情况进行预测，得到开采区域的地下水分布预测数据；其中，第一机器学习模型为基于开采区域的历史开采数据和历史地下水监测数据训练得到的表征开采区域内的矿业开采活动和地下水分布情况之间关系的模型。
在步骤101中，历史开采数据可以包括：历史采矿量数据、历史开采深度数据以及历史采矿工艺数据等数据。历史地下水监测数据可以包括：历史地下水位数据、历史水质数据以及历史水量数据等数据。第一机器学习模型表征的是开采区域内矿业开采活动和地下水分布情况之间的关系。该模型是基于开采区域的历史开采数据和历史地下水监测数据训练得到的。示例性的，第一机器学习模型可以是回归模型。例如，线性回归模型、岭回归模型等。
本实施例中，在实际进行矿产开采时，矿产开采活动与地下水漏斗之间不一定同步发生。地下水漏斗是指由于集中开采地下水，导致集中开采区的地下水位下降，从而使周边地下水流场发生改变，周边的地下水向集中开采区流动，形成的区域性漏斗状凹面。在实际矿产开采中，矿井采空区、矿山井巷和巷道等部位的涌水或渗漏可能会引起地下水位异常下降，从而地下水位的高程、水流速度以及水质等水文参数会受到地质构造和岩层结构的影响而有所变化。在不同的地质条件下，矿产开采活动和地下水漏斗之间的发生时间和速率可能会有所不同。但是，矿产开采活动对地下水系统的影响是较为显著的，且矿山采空区的形成和地下水位的下降对地下水漏斗的形成和发展具有促进作用。由此可见，虽然地下水漏斗的形成和矿产开采活动的发生时间不一定同步，但是它们之间存在较强的关联性。因此，本实施例中，通过探究矿产开采活动与地下水分布情况之间的关系，构建第一机器学习模型，从而基于实际矿山开采活动和第一机器学习模型对开采区域的地下水分布情况进行预测，得到开采区域的地下水分布预测数据。
在一种可能的实现方式中，在训练得到第一机器学习模型和第二机器学习模型之前，还包括：
获取历史开采数据、历史地下水监测数据和历史地表沉降数据；其中，历史地下水监测数据包括至少两种类型的地下水监测数据。
对历史开采数据、历史地下水监测数据和历史地表沉降数据进行数据相关性分析。
得到与同一类型的地下水监测数据的相关性满足相关性阈值的目标开采数据和目标地表沉降数据；并将该类型的历史地下水监测数据作为目标地下水监测数据。
本实施例中，首先获取大量的历史开采数据、历史地下水监测数据和历史地表沉降数据。可选的，历史开采数据可以包括：采煤量、开采深度以及开采工艺等数据类型。历史地下水监测数据可以包括：地下水位、水质以及水量等数据类型。
进一步地，对获取的历史开采数据、历史地下水监测数据和历史地表沉降数据进行数据相关性分析，寻找各个数据类型之间的相关性。
通过相关性分析筛选出与同一类型的地下水监测数据的相关性满足相关性阈值的目标开采数据和目标地表沉降数据。其中，目标开采数据的数据类型可以包括至少一种。示例性的，可以分别设定开采数据和地下水监测数据之间的第一相关性阈值以及地下水监测数据和地表沉降数据之间的第二相关性阈值。可选的，第一相关性阈值和第二相关性阈值的取值范围可以为0.7-0.9。示例性的，第一相关性阈值可以设置为0.7，第二相关性阈值可以设置为0.9，本申请对此不作限定。
本实施例中，通过对获取的历史数据进行相关性分析，以筛选出符合条件的目标开采数据、目标地下水监测数据和目标地表沉降数据，从而有利于后续基于这些目标数据构建高线性拟合度的机器学习模型，以便进行地下水分布情况的精准预测和地表沉降的精准预测。
可选的，在进行数据相关性分析之前，还可以对获取的历史数据进行数据清洗、缺失值填充以及异常值处理等预处理，以保证历史数据的真实有效以及为后续进行数据相关性分析提供准确的数据支持。
可选的，基于开采区域的历史开采数据和历史地下水监测数据训练得到第一机器学习模型，包括：
基于目标开采数据和目标地下水监测数据训练得到第一机器学习模型。
本实施例中，在进行数据相关性分析之后，确定出高相关性的目标开采数据和目标地下水监测数据，进而基于目标开采数据和目标地下水监测数据训练得到第一机器学习模型。示例性的，第一机器学习模型可以是回归模型。例如：线性回归模型或岭回归模型等。
可选的，基于历史地下水监测数据和历史地表沉降数据训练得到第二机器学习模型，包括：
基于目标地下水监测数据和目标地表沉降数据训练得到第二机器学习模型。
本实施例中，基于高相关性的目标地下水监测数据和目标地表沉降数据训练得到第二机器学习模型。示例性的，第二机器学习模型可以是回归模型。例如：线性回归模型或岭回归模型等。
在一种可能的实现方式中，基于目标开采数据和目标地下水监测数据训练得到第一机器学习模型，包括：
对目标开采数据和目标地下水监测数据进行标准化处理。
将标准化处理后的目标开采数据和目标地下水监测数据作为第一训练集。
基于第一训练集对第一预设机器学习模型进行训练，同时对第一预设机器学习模型的第一超参数进行优化，得到第一超参数最优时所对应的第一预设机器学习模型作为第一机器学习模型。
本实施例中，首先对目标开采数据和目标地下水监测数据进行标准化处理，以去除各个数据类型的原始量纲的影响，保证各个维度特征具有相同的重要性。然后将标准化处理后的目标开采数据和目标地下水监测数据作为第一训练集，并基于该第一训练集对第一预设机器学习模型进行训练，同时采用交叉验证的方法对第一预设机器学习模型的第一超参数进行优化，最终将第一超参数最优时对应的第一预设机器学习模型作为第一机器学习模型。
可选的，以第一机器学习模型为岭回归模型为例，对本实施例进行解释说明，而非限定。岭回归算法是一种正则化回归算法，通过在损失函数中加入L2正则化项来惩罚过大的参数值，控制线性模型的复杂程度，从而避免模型过拟合问题。该算法适用于处理高维数据、存在共线性和噪声的问题，可以有效防止过拟合问题，提高模型的泛化能力。本实施例中，可以根据第一训练集中的数据，使用岭回归算法建立表征开采区域内的矿业开采活动和地下水分布情况之间关系的岭回归模型(也即第一机器学习模型)。进一步地，还可以在模型训练之前，将第一训练集划分为实际训练集、实际验证集和实际测试集。基于该实际训练集训练第一预设机器学习模型，然后利用验证集数据测试模型，选出预测效果最佳的第一预设机器学习模型所对应的第一超参数，然后利用实际测试集评估预测效果最佳的模型的性能。例如，可以采用均方误差来评价模型的预测能力和拟合效果，本申请对此不作限定。
可选的，在实际进行矿产开采时，可以通过在矿山开采区域的特定位置打孔，建设水文观测井以直接采集地下水相关信息。另外还可以加设传感器、水位计等装置，以便于更准确地采集地下水相关信息。具体地，可以根据确定的探测方法，在开采区域内进行现场调查，采集各个位置的地下水位数据、地下水化学成分数据、地下水流动方向数据、矿产采空区和巷道信息等数据。然后对采集的数据进行分析处理，绘制出对应区域的地下水位分布图、水化学图以及水利地质剖面图等，再通过分析这些相关图数据，确定出地下水分布实时数据。示例性的，探测方法可以包括：地下水位监测法、水文地质调查法以及地球物理勘探法等，可以选择其中的至少一种以实现地下水相关信息的准确采集。
可选的，可以基于采集的地下水分布实时数据，基于该地下水分布实时数据和地下水分布预测数据确定第一机器学习模型的第一预测误差，进而基于该第一预测误差对第一机器学习模型进行修正，并将修正后的第一机器学习模型作为新的第一机器学习模型，以用于后续地下水分布情况的精准预测。
步骤102：基于地下水分布预测数据和第二机器学习模型对开采区域的地表沉降情况进行预测，得到开采区域不同位置的地表沉降预测数据；其中，第二机器学习模型为基于历史地下水监测数据和历史地表沉降数据训练得到的表征开采区域内的地下水分布情况和地表沉降信息之间关系的模型。
在步骤102中，第二机器学习模型是由历史地下水监测数据和历史地表沉降数据训练得到的。通过将第一机器学习模型预测出的地下水分布预测数据作为第二机器学习模型的输入，进而可以基于该第二机器学习模型对开采区域的地表沉降情况进行预测。本实施例中，以地下水信息作为媒介，间接探究矿产开采活动和地表沉降之间的关系。在实际矿产开采中，地下水信息可以通过建设的水文观测井实时获取，因此，在实际进行矿产开采时，可以密切监测地下水信息的变化，及时采取相应的应对措施，从而避免因矿产开采活动引起的地下水漏斗对开采区域的地表环境和附近的居民生产生活产生影响。可选的，相应的应对措施可以有：基于实时监测到的地下水信息的变化对开采区域的地表沉降情况进行进一步地预测，以便于及时确定应对可能突发的地表沉降的方案。
在一种可能的实现方式中，基于目标地下水监测数据和目标地表沉降数据训练得到第二机器学习模型，包括：
对目标地下水监测数据和目标地表沉降数据进行标准化处理。
将标准化处理后的目标地下水监测数据和目标地表沉降数据作为第二训练集。
基于第二训练集对第二预设机器学习模型进行训练，同时对第二预设机器学习模型的第二超参数进行优化，得到第二超参数最优时所对应的第二预设机器学习模型作为第二机器学习模型。
本实施例中，对目标地下水监测数据和目标地表沉降数据进行标准化处理，以保证各个维度特征具有相同的重要性。然后将标准化处理后的目标地下水监测数据和目标地表沉降数据作为第二训练集，并基于该第二训练集对第二预设机器学习模型进行训练，同时采用交叉验证的方法对第二预设机器学习模型的第二超参数进行优化，最终将第二超参数最优时对应的第二预设机器学习模型作为第二机器学习模型。在得到第二机器学习模型之后，对开采区域的各个位置进行地表沉降预测，得到各个位置对应的地表沉降预测数据。然后进一步基于实际地表沉降数据和地表沉降预测数据确定第二机器学习模型的第二预测误差，进而基于该第二预测误差对第二机器学习模型进行修正，并将修正后的第二机器学习模型作为新的第二机器学习模型，以用于后续地表沉降的精准预测。
步骤103：按照地表沉降预测数据表征的地表沉降趋势大小依次对开采区域的不同位置进行地表沉降监测。
在步骤103中，基于第二机器学习模型可以预测得到开采区域内多个位置区域的地表沉降预测数据。因此，此时可以按照地表沉降预测数据表征的地表沉降趋势大小依次对开采区域内的不同位置进行地表沉降监测，从而避免了直接对大范围的开采区域进行全域性的地表沉降监测，既降低了人力物力成本的投入，又显著提高了地面沉降监测作业的执行效率和有效性。
在一种可能的实现方式中，按照地表沉降预测数据表征的地表沉降趋势大小依次对开采区域的不同位置进行地表沉降监测，包括：
按照地表沉降趋势由大到小的顺序依次对开采区域的对应位置进行地表沉降监测。
本实施例中，通常情况下，地表沉降预测数据的数据值越大，则表明对应区域的地表沉降趋势越大，也即该对应区域更有可能先发生地表沉降。基于此，可以按照地表沉降趋势由大到小的顺序依次对开采区域中的不同位置进行地表沉降监测。也即，可以对预测结果为容易发生地表沉降的位置先进行地表沉降监测，然后再对预测结果为不易发生地表沉降的位置再进行地表沉降监测。如此一来，按照地表沉降趋势的大小陆续对大范围开采区域逐步进行地表沉降监测，可以在不影响实际矿产开采进度和效率的情况下，显著提高开采区域内地表沉降监测的监测效率。进一步地，还显著降低了人力物力的成本性投入。
在一种可能的实现方式中，在对开采区域的对应位置进行地表沉降监测之前，还包括：
根据开采区域不同位置的监测精度要求和环境信息，确定对开采区域不同位置进行地表沉降监测的监测方案。
本实施例中，对于开采区域内的不同位置，可以先确定各不同位置的区域范围和区域边界，以便后续的测量和分析。可选的，可以根据开采区域的不同位置的监测精度要求和具体的环境信息，分析确定出不同位置的地表沉降监测方案。如此一来，后续在实际进行地表沉降监测时，可以在该监测方案的指导下，对开采区域内的不同位置进行相应的地表沉降监测。
在一种可能的实现方式中，环境信息包括：历史地表沉降速度、空间范围和地形条件。
根据开采区域不同位置的监测精度要求和环境信息，确定对开采区域不同位置进行地表沉降监测的监测方案，包括：
根据监测精度要求确定采集精度符合监测精度要求的无人机LiDAR设备。
根据历史地表沉降速度确定无人机LiDAR设备的监测频率。
根据空间范围和地形条件确定无人机LiDAR设备的监测时间、飞行高度和成像重叠度。
基于无人机LiDAR设备以及无人机LiDAR设备的监测频率、监测时间、飞行高度以及成像重叠度确定监测方案。
本实施例中，考虑到开采区域内矿山的种类和数量均较多，因此在选择地表沉降监测设备时，需要综合考虑监测区域的地表沉降的监测精度要求和实际的环境信息。可选的，环境信息可以包括历史地表沉降速度、监测区域的空间范围以及监测区域的地形条件等信息。
可选的，可以选择无人机LiDAR设备监测开采区域内不同位置的地表沉降情况。鉴于大范围开采区域内矿山的种类较多且数量繁杂，因此在选择无人机LiDAR设备时，需要综合考虑待监测区域的空间范围大小、地形复杂程度、监测精度要求、数据采集效率和成本等诸多因素，以确定出最合适的监测设备。
示例性的，无人机LiDAR设备可以选用基于激光雷达的空中三角测量系统。该系统使用高精度激光雷达设备，可以对矿山区域进行高精度的三维测量和建模，适用于大范围、高精度的沉降监测和变形分析。无人机LiDAR设备还可以选用基于光学相机的无人机测量系统。该系统采用光学相机进行图像测量和建模，适用于中小尺度的沉降监测和变形分析，具有数据采集效率高、成本低的特点。无人机LiDAR设备还可以选用激光雷达和光学相机组合系统。该系统采用激光雷达和光学相机相结合的方式，可以同时获得高精度的三维点云数据和高分辨率的影像数据，适用于大范围、高精度的沉降监测和变形分析。无人机LiDAR设备还可以选用单光学相机系统。该系统采用单个光学相机进行数据采集和建模，适用于小范围、低精度的沉降监测和变形分析，具有操作简便、成本低的优点。基于此，可以根据待监测区域的监测精度要求等信息确定符合该要求的无人机LiDAR设备。
在确定待监测区域的监测设备后，可以进一步根据待监测区域的历史地表沉降情况、空间范围大小以及地形条件的复杂程度等信息，确定待监测区域的监测方案。该监测方案还可以包括：监测频率、监测时间、飞行高度、成像重叠度等监测指标。需要说明的是，通常某监测指标的影响因素有很多，因此本实施例中可以基于影响程度较大的影响因素确定监测方案中的某监测指标。
可选的，可以根据待监测区域的历史地表沉降情况确定无人机LiDAR设备的监测频率。煤矿、铁矿等不同类型的矿山的沉降速度不同，因此无人机LiDAR设备的监测时间和监测频率需要进行合理设计。通常情况下，矿山沉降速度较快，则无人机LiDAR设备的监测频率需要适度增加，以便及时掌握待监测区域的地表沉降情况。
可选的，可以根据待监测区域的空间范围大小和地形复杂程度确定无人机LiDAR设备的监测时间、飞行高度和成像重叠度。一般来说，矿山区域大小和地形复杂程度也会对无人机LiDAR设备进行数据采集的监测时间和监测频率产生影响。通常情况下，待监测区域空间范围越大或地形越复杂，无人机LiDAR设备的监测时间和监测频率需要相应增加。另外，如果待监测区域需要高精度的监测数据，那么在确定无人机LiDAR设备的监测时间和监测频率时，也应当考虑到该监测精度要求。例如，监测精度越高，则监测频率可以相应增加。除此之外，无人机LiDAR设备的监测时间和监测频率的设计确定还需要考虑到成本和效益的因素。监测频率过高会增加数据处理成本，而监测频率过低又会影响待监测区域的监测效果。因此，需要根据待监测区域的实际情况来平衡项目的成本投入和项目效益。
一般来说，无人机LiDAR设备的飞行高度越高，其所拍摄到的图像范围就越广，但其对单个目标的分辨率会降低。而飞行高度越低，则可以获得更为细致、清晰的监测图像数据，但覆盖范围会相应缩小。与此同时，无人机LiDAR设备的飞行高度还可能会受到无线电干扰、天气、地形和目标自身特征等因素的干扰。因此，在选择无人机LiDAR设备的飞行高度时，需要进行多维度的评估测算，以确保其能够输出高质量的监测数据。
通常情况下，无人机LiDAR设备的成像重叠度受到其飞行路径和飞行速度等因素的影响。因此，可以合理设置无人机LiDAR设备的飞行路径和飞行速度等监测指标，从而确定出合适的成像重叠度。一般来说，无人机LiDAR设备的成像重叠度设置在60％-80％即可满足一般的监测要求。可选的，可以根据实际项目需要合理确定无人机LiDAR设备的成像重叠度，本申请对此不作限定。
可选的，基于无人机LiDAR设备对待监测区域进行地表沉降监测的过程描述如下：可以利用机载激光雷达系统进行数据采集，获取待监测区域的原始三维点云数据。对获取的原始三维点云数据进行预处理，可以包括：数据去噪、数据滤波以及数据配准等处理，从而得到待监测区域的目标三维点云数据。根据目标三维点云数据生成地表模型。然后对该地表模型进行沉降变形分析，得到待监测区域对应的沉降变形图，进而可以基于该沉降变形图对待监测区域的地表沉降情况进行分析确定。可选的，可以将生成的待监测区域的地表模型和沉降变形图进行可视化展示，以便直观地分析确定待监测区域的地表沉降情况。
本发明实施例提供一种地表沉降监测方法，通过根据开采区域的当前开采数据和第一机器学习模型对开采区域的地下水分布情况进行预测，得到开采区域的地下水分布预测数据；其中，第一机器学习模型为基于开采区域的历史开采数据和历史地下水监测数据训练得到的表征开采区域内的矿业开采活动和地下水分布情况之间关系的模型；基于地下水分布预测数据和第二机器学习模型对开采区域的地表沉降情况进行预测，得到开采区域不同位置的地表沉降预测数据；其中，第二机器学习模型为基于历史地下水监测数据和历史地表沉降数据训练得到的表征开采区域内的地下水分布情况和地表沉降信息之间关系的模型；按照地表沉降预测数据表征的沉降趋势大小依次对开采区域的不同位置进行地表沉降监测。本发明实施例基于对开采区域内历史数据的分析得到了矿山开采扰动下地下水信息与地表沉降情况之间的关系，从而便于后续以地下水信息作为媒介，基于矿山开采活动数据间接预测大范围矿山区域内不同位置的地表沉降情况。如此一来，有利于后续根据各个不同位置的地表沉降情况设计相应的地表沉降监测方案，从而按照地表沉降趋势的大小精准有序地对相应位置进行地表沉降监测。基于本发明实施例可以有效避免在实际进行矿产开采时，直接对大范围开采区域进行全域性地表沉降监测的情况，既降低了人力物力成本的投入，又显著提高了地面沉降监测作业的执行效率和有效性，还高效实现了对大范围矿山区域内地表沉降情况的准确预测。
本发明提供的地表沉降监测方法，通过建立矿山开采和地下水漏斗之间的关系模型，根据矿山开采的时间、空间等信息，预测开采区域的地下水位变化。建立地下水漏斗和地表沉降漏斗之间的关系模型，根据地下水位变化以及地下岩土物理力学性质等因素，预测开采区域内各个位置的地表沉降情况。也即，将基于矿山开采和地下水漏斗之间关系构建的模型所预测出的地下水位变化，作为地下水漏斗和地表沉降漏斗之间的关系模型的输入，由此来预测开采区域内不同位置的地表沉降情况。本实施例中，以地下水信息作为媒介，基于矿山开采活动数据预测大范围矿山区域内的地表沉降情况，从而实现大范围矿山区域内地表沉降情况的准确预测，有利于为今后的实际矿业活动生产提供指导。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图2为本发明实施例提供的地表沉降监测装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
如图2所示，地表沉降监测装置2包括：
地下水分布预测模块21，用于根据开采区域的当前开采数据和第一机器学习模型对开采区域的地下水分布情况进行预测，得到开采区域的地下水分布预测数据；其中，第一机器学习模型为基于开采区域的历史开采数据和历史地下水监测数据训练得到的表征开采区域内的矿业开采活动和地下水分布情况之间关系的模型。
地表沉降预测模块22，用于基于地下水分布预测数据和第二机器学习模型对开采区域的地表沉降情况进行预测，得到开采区域不同位置的地表沉降预测数据；其中，第二机器学习模型为基于历史地下水监测数据和历史地表沉降数据训练得到的表征开采区域内的地下水分布情况和地表沉降信息之间关系的模型。
地表沉降监测模块23，用于按照地表沉降预测数据表征的地表沉降趋势大小依次对开采区域的不同位置进行地表沉降监测。
本发明实施例提供一种地表沉降监测装置，该装置包括：地下水分布预测模块21、地表沉降预测模块22和地表沉降监测模块23。通过根据开采区域的当前开采数据和第一机器学习模型对开采区域的地下水分布情况进行预测，得到开采区域的地下水分布预测数据；其中，第一机器学习模型为基于开采区域的历史开采数据和历史地下水监测数据训练得到的表征开采区域内的矿业开采活动和地下水分布情况之间关系的模型；基于地下水分布预测数据和第二机器学习模型对开采区域的地表沉降情况进行预测，得到开采区域不同位置的地表沉降预测数据；其中，第二机器学习模型为基于历史地下水监测数据和历史地表沉降数据训练得到的表征开采区域内的地下水分布情况和地表沉降信息之间关系的模型；按照地表沉降预测数据表征的沉降趋势大小依次对开采区域的不同位置进行地表沉降监测。本发明实施例基于对开采区域内历史数据的分析得到了矿山开采扰动下地下水信息与地表沉降情况之间的关系，从而便于后续以地下水信息作为媒介，基于矿山开采活动数据间接预测大范围矿山区域内不同位置的地表沉降情况。如此一来，有利于后续根据各个不同位置的地表沉降情况设计相应的地表沉降监测方案，从而按照地表沉降趋势的大小精准有序地对相应位置进行地表沉降监测。基于本发明实施例可以有效避免在实际进行矿产开采时，直接对大范围开采区域进行全域性地表沉降监测的情况，既降低了人力物力成本的投入，又显著提高了地面沉降监测作业的执行效率和有效性，还高效实现了对大范围矿山区域内地表沉降情况的准确预测。
在一种可能的实现方式中，地表沉降监测装置2还包括数据获取和处理模块20，具体用于：
获取历史开采数据、历史地下水监测数据和历史地表沉降数据；其中，历史地下水监测数据包括至少两种类型的地下水监测数据。
对历史开采数据、历史地下水监测数据和历史地表沉降数据进行数据相关性分析。
得到与同一类型的地下水监测数据的相关性满足相关性阈值的目标开采数据和目标地表沉降数据；并将该类型的历史地下水监测数据作为目标地下水监测数据。
基于开采区域的历史开采数据和历史地下水监测数据训练得到第一机器学习模型，包括：
基于目标开采数据和目标地下水监测数据训练得到第一机器学习模型。
基于历史地下水监测数据和历史地表沉降数据训练得到第二机器学习模型，包括：
基于目标地下水监测数据和目标地表沉降数据训练得到第二机器学习模型。
在一种可能的实现方式中，数据获取和处理模块20，还具体用于：
对目标开采数据和目标地下水监测数据进行标准化处理。
将标准化处理后的目标开采数据和目标地下水监测数据作为第一训练集。
基于第一训练集对第一预设机器学习模型进行训练，同时对第一预设机器学习模型的第一超参数进行优化，得到第一超参数最优时所对应的第一预设机器学习模型作为第一机器学习模型。
在一种可能的实现方式中，数据获取和处理模块20，还具体用于：
对目标地下水监测数据和目标地表沉降数据进行标准化处理。
将标准化处理后的目标地下水监测数据和目标地表沉降数据作为第二训练集。
基于第二训练集对第二预设机器学习模型进行训练，同时对第二预设机器学习模型的第二超参数进行优化，得到第二超参数最优时所对应的第二预设机器学习模型作为第二机器学习模型。
在一种可能的实现方式中，地表沉降监测模块23，具体用于：
按照地表沉降趋势由大到小的顺序依次对开采区域的对应位置进行地表沉降监测。
在一种可能的实现方式中，地表沉降监测模块23，还具体用于：
根据开采区域不同位置的监测精度要求和环境信息，确定对开采区域不同位置进行地表沉降监测的监测方案。
在一种可能的实现方式中，地表沉降监测模块23中的环境信息包括：历史地表沉降速度、空间范围和地形条件。
地表沉降监测模块23，还具体用于：
根据监测精度要求确定采集精度符合监测精度要求的无人机LiDAR设备。
根据历史地表沉降速度确定无人机LiDAR设备的监测频率。
根据空间范围和地形条件确定无人机LiDAR设备的监测时间、飞行高度和成像重叠度。
基于无人机LiDAR设备以及无人机LiDAR设备的监测频率、监测时间、飞行高度以及成像重叠度确定监测方案。
图3为本发明实施例提供的电子设备的示意图。如图3所示，该实施例的电子设备3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述各个地表沉降监测方法实施例中的步骤，例如图1所示的步骤101至步骤103。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块21至23的功能。
示例性的，所述计算机程序32可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器30执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序32在所述电子设备3中的执行过程。例如，所述计算机程序32可以被分割成图2所示的模块21至23。
所述电子设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备3可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是电子设备3的示例，并不构成对电子设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31可以是所述电子设备3的内部存储单元，例如电子设备3的硬盘或内存。所述存储器31也可以是所述电子设备3的外部存储设备，例如所述电子设备3上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器31还可以既包括所述电子设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个地表沉降监测方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种地表沉降监测方法，其特征在于，包括：
根据开采区域的当前开采数据和第一机器学习模型对开采区域的地下水分布情况进行预测，得到开采区域的地下水分布预测数据；其中，所述第一机器学习模型为基于开采区域的历史开采数据和历史地下水监测数据训练得到的表征开采区域内的矿业开采活动和地下水分布情况之间关系的模型；
基于所述地下水分布预测数据和第二机器学习模型对开采区域的地表沉降情况进行预测，得到开采区域不同位置的地表沉降预测数据；其中，所述第二机器学习模型为基于所述历史地下水监测数据和历史地表沉降数据训练得到的表征开采区域内的地下水分布情况和地表沉降信息之间关系的模型；
按照所述地表沉降预测数据表征的地表沉降趋势大小依次对开采区域的不同位置进行地表沉降监测。
2.根据权利要求1所述的地表沉降监测方法，其特征在于，在训练得到所述第一机器学习模型和所述第二机器学习模型之前，还包括：
获取历史开采数据、历史地下水监测数据和历史地表沉降数据；其中，所述历史地下水监测数据包括至少两种类型的地下水监测数据；
对所述历史开采数据、所述历史地下水监测数据和所述历史地表沉降数据进行数据相关性分析；
得到与同一类型的地下水监测数据的相关性满足相关性阈值的目标开采数据和目标地表沉降数据；并将该类型的历史地下水监测数据作为目标地下水监测数据；
基于开采区域的历史开采数据和历史地下水监测数据训练得到所述第一机器学习模型，包括：
基于所述目标开采数据和所述目标地下水监测数据训练得到所述第一机器学习模型；
基于所述历史地下水监测数据和历史地表沉降数据训练得到所述第二机器学习模型，包括：
基于所述目标地下水监测数据和所述目标地表沉降数据训练得到所述第二机器学习模型。
3.根据权利要求2所述的地表沉降监测方法，其特征在于，所述基于所述目标开采数据和所述目标地下水监测数据训练得到所述第一机器学习模型，包括：
对所述目标开采数据和所述目标地下水监测数据进行标准化处理；
将标准化处理后的目标开采数据和目标地下水监测数据作为第一训练集；
基于所述第一训练集对第一预设机器学习模型进行训练，同时对所述第一预设机器学习模型的第一超参数进行优化，得到所述第一超参数最优时所对应的第一预设机器学习模型作为所述第一机器学习模型。
4.根据权利要求2所述的地表沉降监测方法，其特征在于，所述基于所述目标地下水监测数据和所述目标地表沉降数据训练得到所述第二机器学习模型，包括：
对所述目标地下水监测数据和所述目标地表沉降数据进行标准化处理；
将标准化处理后的目标地下水监测数据和目标地表沉降数据作为第二训练集；
基于所述第二训练集对第二预设机器学习模型进行训练，同时对所述第二预设机器学习模型的第二超参数进行优化，得到所述第二超参数最优时所对应的第二预设机器学习模型作为所述第二机器学习模型。
5.根据权利要求1至4中任一项所述的地表沉降监测方法，其特征在于，所述按照所述地表沉降预测数据表征的地表沉降趋势大小依次对开采区域的不同位置进行地表沉降监测，包括：
按照所述地表沉降趋势由大到小的顺序依次对开采区域的对应位置进行地表沉降监测。
6.根据权利要求5所述的地表沉降监测方法，其特征在于，在对开采区域的对应位置进行地表沉降监测之前，还包括：
根据开采区域不同位置的监测精度要求和环境信息，确定对开采区域不同位置进行地表沉降监测的监测方案。
7.根据权利要求6所述的地表沉降监测方法，其特征在于，所述环境信息包括：历史地表沉降速度、空间范围和地形条件；
所述根据开采区域不同位置的监测精度要求和环境信息，确定对开采区域不同位置进行地表沉降监测的监测方案，包括：
根据所述监测精度要求确定采集精度符合所述监测精度要求的无人机LiDAR设备；
根据所述历史地表沉降速度确定所述无人机LiDAR设备的监测频率；
根据所述空间范围和所述地形条件确定所述无人机LiDAR设备的监测时间、飞行高度和成像重叠度；
基于所述无人机LiDAR设备以及所述无人机LiDAR设备的监测频率、监测时间、飞行高度以及成像重叠度确定所述监测方案。
8.一种地表沉降监测装置，其特征在于，包括：
地下水分布预测模块，用于根据开采区域的当前开采数据和第一机器学习模型对开采区域的地下水分布情况进行预测，得到开采区域的地下水分布预测数据；其中，所述第一机器学习模型为基于开采区域的历史开采数据和历史地下水监测数据训练得到的表征开采区域内的矿业开采活动和地下水分布情况之间关系的模型；
地表沉降预测模块，用于基于所述地下水分布预测数据和第二机器学习模型对开采区域的地表沉降情况进行预测，得到开采区域不同位置的地表沉降预测数据；其中，所述第二机器学习模型为基于所述历史地下水监测数据和历史地表沉降数据训练得到的表征开采区域内的地下水分布情况和地表沉降信息之间关系的模型；
地表沉降监测模块，用于按照所述地表沉降预测数据表征的地表沉降趋势大小依次对开采区域的不同位置进行地表沉降监测。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310787903.8A CN116796643A (zh) | 2023-06-29 | 2023-06-29 | 地表沉降监测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310787903.8A CN116796643A (zh) | 2023-06-29 | 2023-06-29 | 地表沉降监测方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116796643A true CN116796643A (zh) | 2023-09-22 |
Family
ID=88049401
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310787903.8A Pending CN116796643A (zh) | 2023-06-29 | 2023-06-29 | 地表沉降监测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116796643A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117870618A (zh) * | 2024-03-13 | 2024-04-12 | 中晋环境科技有限公司 | 一种采空区沉降监测方法、装置、电子设备及存储介质 |
-
2023
- 2023-06-29 CN CN202310787903.8A patent/CN116796643A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117870618A (zh) * | 2024-03-13 | 2024-04-12 | 中晋环境科技有限公司 | 一种采空区沉降监测方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kong et al. | Development and application of UAV-SfM photogrammetry for quantitative characterization of rock mass discontinuities | |
| Xiang et al. | Open-pit mine geomorphic changes analysis using multi-temporal UAV survey | |
| Kim et al. | Vision-based nonintrusive context documentation for earthmoving productivity simulation | |
| CN104929687B (zh) | 矿山数字化生产管控系统和方法 | |
| CN111623722A (zh) | 一种基于多传感器的边坡变形立体监测系统和方法 | |
| Bishop et al. | Digital soil-terrain modeling: the predictive potential and uncertainty | |
| Albarelli et al. | Identification of potential rockfall sources using UAV-derived point cloud | |
| CN116796643A (zh) | 地表沉降监测方法、装置、电子设备及存储介质 | |
| CN111551956B (zh) | 基于机载激光雷达的一种地质灾害探测识别方法 | |
| Karantanellis et al. | 3D hazard analysis and object-based characterization of landslide motion mechanism using UAV imagery | |
| Lague | Terrestrial laser scanner applied to fluvial geomorphology | |
| Xu et al. | Comprehensive identification of statistical homogeneity of fractured rock masses for a candidate HLW repository site, China | |
| Shi et al. | Data-driven sequential development of geological cross-sections along tunnel trajectory | |
| Chen et al. | A critical review of automated extraction of rock mass parameters using 3D point cloud data | |
| Khanna et al. | Implications for controls on Upper Cambrian microbial build-ups across multiple-scales, Mason County, Central Texas, USA | |
| Kotaridis et al. | Delineation of Open-Pit Mining Boundaries on Multispectral Imagery | |
| CN117433440A (zh) | 一种基于激光点云的巷道形变实时检测方法、装置及存储介质 | |
| CN107076865A (zh) | 用于为地震勘测选择候选线的偏移脚印分析 | |
| CN115901640B (zh) | 融合光谱成像与时空分布的不良地质超前预报方法及系统 | |
| CN112711646A (zh) | 基于地学信息的找矿方法及装置、电子设备、存储介质 | |
| CN114202551B (zh) | 一种喀斯特石漠化的分级制图方法及装置 | |
| CN113762153B (zh) | 一种基于遥感数据的新型尾矿库检测方法及系统 | |
| Pradhananga et al. | GPS-based framework towards more realistic and real-time construction equipment operation simulation | |
| Kurniawan et al. | Videogrammetry: A new approach of 3-dimensional reconstruction from video using SfM algorithm: Case studi: Coal mining area | |
| Singh et al. | High-resolution mapping of forested hills using real-time uav terrain following |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |