CN117111057A - 一种煤矿采空区形变敏感性评价方法 - Google Patents
一种煤矿采空区形变敏感性评价方法 Download PDFInfo
- Publication number
- CN117111057A CN117111057A CN202311069080.1A CN202311069080A CN117111057A CN 117111057 A CN117111057 A CN 117111057A CN 202311069080 A CN202311069080 A CN 202311069080A CN 117111057 A CN117111057 A CN 117111057A
- Authority
- CN
- China
- Prior art keywords
- coal mine
- goaf
- distribution
- deformation
- deformation sensitivity
- 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
- 230000035945 sensitivity Effects 0.000 title claims abstract description 70
- 239000003245 coal Substances 0.000 title claims abstract description 68
- 238000011156 evaluation Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000005516 engineering process Methods 0.000 claims abstract description 18
- 238000011160 research Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 49
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 26
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000002068 genetic effect Effects 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 6
- 239000002352 surface water Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000006855 networking Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 239000013049 sediment Substances 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 abstract description 8
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000010801 machine learning Methods 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000004927 clay Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000003673 groundwater Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及地表形变探测与遥感地学分析技术领域，且公开了一种煤矿采空区形变敏感性评价方法，包括以下步骤：S1、建立煤矿采空区形变敏感性评价指标库；S2、利用SBAS‑InSAR技术获取煤矿采空区地表形变速率；S3、在研究区内均匀选取样本点，以煤矿采空区形变敏感性评价指标最为输入变量，以相应地表形变速率作为标签，构建模型训练样本数据集，并对其按照7:3的比例进行随机分组，分别作为训练集和测试集。该煤矿采空区形变敏感性评价方法，通过联合地表形变探测技术、遥感技术和机器学习方法，可在一定程度上弥补常规基于调查统计资料的煤矿采空区形变敏感性评价方法的局限性，实现了一种更有效、更准确的煤矿采空区形变敏感性评价方法。
Description
技术领域
本发明涉及地表形变探测与遥感地学分析技术领域，具体为一种煤矿采空区形变敏感性评价方法。
背景技术
小基线集干涉测量技术是一种将短时、空基线和相对小的多普勒中心频率差异的干涉对进行组合，识别长时间间隔内地表稳定高相干点的相位信息，并建立时序相位模型估算地表位移量的测量技术，被广泛用于地表形变探测。
相关技术中，目前常用的煤矿采空区形变敏感性评价方法多是基于数理统计方法，通常联合统计学和地理信息技术进行敏感性制图；例如，利用多变量统计方法、机器学习技术和回归分析等方法，基于调查统计结果进行敏感性计算和制图，而评价结果依赖调查统计资料，具有一定的局限性，实地调查费时费力，且难以对大范围的采空区形变敏感性进行全面评估。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种煤矿采空区形变敏感性评价方法，通过借助SBAS-InSAR技术和遥感地学分析方法，可以弥补常规实地调查和基于统计资料进行煤矿采空区形变敏感性研究的局限和不足，从而提高煤矿采空区形变敏感性评价的可靠性，解决了评价结果依赖调查统计资料，具有一定的局限性；实地调查费时费力的问题。
(二)技术方案
为实现上述的目的，本发明提供如下技术方案：一种煤矿采空区形变敏感性评价方法，包括以下步骤：
S1、建立煤矿采空区形变敏感性评价指标库；
S2、利用SBAS-InSAR技术获取煤矿采空区地表形变速率；
S3、在研究区内均匀选取样本点，以煤矿采空区形变敏感性评价指标最为输入变量，以相应地表形变速率作为标签，构建模型训练样本数据集，并对其按照7:3的比例进行随机分组，分别作为训练集和测试集；
S4、构建并训练基于遗传算法优化的BP神经网络模型；
S5、对模型训练结果进行精度评价；
S6、根据神经网络模型输出结果，调整模型参数，然后重复S4和S5，如此重复5-10轮，选择最优结果对应的模型作为最终的敏感性评价模型；
S7、利用最优评估模型估算并生成煤矿采空区形变敏感性空间分布。
优选的，所述S1中建立煤矿采空区形变敏感性评价指标库，包括以下步骤：
S11、收集与煤矿采空区形变敏感性相关的地理、环境、地质空间要素，其中包含：含水层介质类型分布、土地覆盖类型、土地利用类型分布、含水层或沉积层厚度分布、主要地质构造分布、历史地震震中分布以及震级等统计数据、地下水位分布等值线、地表水资源分布、地质岩性分布、导水率或储水系数分布、数字高程分布的因子或者类似指标；
S12、将上述指标分别进行分级、分类或归一化处理，其中，数字高程分布数据分别提取坡度和坡向数据；断裂和地表水资源分布则分别生成距离分布数据，并进行归一化处理，其余指标数据按照分级、分类情况进行赋值；
S13、建立包括含水层介质类型分布、土地覆盖类型、土地利用类型分布、含水层或沉积层厚度分布、与断裂的距离分布、历史地震震中分布以及震级、地下水位分布等值线、与水系的距离分布、地质岩性分布、导水率或储水系数分布、高程分布、坡度分布、坡向指标的煤矿采空区形变敏感性评价指标库。
优选的，所述S2中利用SBAS-InSAR技术获取煤矿采空区地表形变速率，包括以下步骤：
S21、生成SAR干涉图集合；
S22、时间序列反演与形变速率估算。
优选的，所述S21中生成SAR干涉图集合，包括首先通过时空阈值和相干性评估的方法确定合适的参考图像，随后，结合精密轨道数据，将所有SAR图像配准到参考图像，然后，结合外部DEM数据模拟参考影像强度图和反演的地形相位，进行SAR图像的干涉处理和去除平地相位；最后利用最小费用流方法进行干涉图的相位解缠，得到解缠后的干涉图集合。
优选的，所述S22中时间序列反演与形变速率估算，包括利用相干性阈值和生成树规则将干涉图进行组网，利用加权最小二乘方法进行地表时间序列的反演，再利用ERA-5大气模型参数估算大气延迟并进行去除，随后利用小波滤波方法估算并去除DEM残差和噪声，生成地表形变时间时间序列，最后利用最小二乘法估算地表形变速率。
优选的，所述S3中构建模型训练样本数据集，包括以下步骤：
S31、在研究区内生成2000个均匀分布的样本点，利用空间叠加分析技术分别获取点位相应的指标值和地表形变速率；
S32、随机将所有样本点按照数量7:3的比例划分为训练组和测试组。
优选的，所述S4中构建并训练基于遗传算法优化的BP神经网络模型，包括以下步骤：
S41、创建BP神经网络；
S42、确定网络的初始权重值和阈值，对其进行编码得到初始种群；
S43、训练BP神经网络误差作为适应度值；
S44、进行遗传算法的操作，即选择、交叉、变异，得到新种群；
S44、迭代计算适应度，获取最优权值阈值；
S45、迭代更新权值阈值，直到满足约束条件并输出结果。
优选的，所述S5中对模型训练结果进行精度评价，包括通过预测值和真实值的误差计算。
优选的，所述S7中利用最优评估模型估算并生成煤矿采空区形变敏感性空间分布，包括基于S6中得到的最优模型进行逐像元反演，得到研究区地表形变敏感性评估的量化结果，根据评估结果数值的四分位数从大到小按照低、中、高、极高进行风险划分，生成煤矿采空区形变敏感性空间分布。
(三)有益效果
与现有技术相比，本发明提供了一种煤矿采空区形变敏感性评价方法，具备以下有益效果：
1、本发明通过联合地表形变探测技术、遥感技术和机器学习方法，可在一定程度上弥补常规基于调查统计资料的煤矿采空区形变敏感性评价方法的局限性，实现了一种更有效、更准确的煤矿采空区形变敏感性评价方法。
2、本发明通过选取了十余种与煤矿采空区形变敏感性相关的指标，涵盖了地理、环境和地质要素等，评价结果更加科学可靠。
附图说明
图1为本发明提出的一种煤矿采空区形变敏感性评价方法第一实施例的流程示意图；
图2为本发明提出的一种煤矿采空区形变敏感性评价方法第二实施例研究区地表形变速率分布图；
图3为本发明提出的一种煤矿采空区形变敏感性评价方法第二实施例样本点分布于模型结构示意图；
图4为本发明提出的一种煤矿采空区形变敏感性评价方法第二实施例采空区地表形变敏感性分布示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
参照附图1所示，一种煤矿采空区形变敏感性评价方法，包括以下步骤：
S1、建立煤矿采空区形变敏感性评价指标库；
所述S1中建立煤矿采空区形变敏感性评价指标库，包括以下步骤：
S11、收集与煤矿采空区形变敏感性相关的地理、环境、地质空间要素，其中包含以下10类常用的因子或者类似指标：
含水层介质类型(如黏土、沙土、砂卵砾石等)分布；
土地覆盖类型/土地利用类型分布；
含水层或沉积层厚度分布；
主要地质构造(断裂、断层等)分布；
历史地震震中分布以及震级等统计数据；
地下水位分布等值线；
地表水资源分布(河、湖、渠等)；
地质岩性分布(地质图)；
导水率或储水系数分布；
数字高程分布(DEM)；
S12、将上述指标分别进行分级、分类或归一化处理，其中，DEM数据分别提取坡度和坡向数据；断裂和地表水资源分布则分别生成距离分布(即地表任意位置到断裂、水系的距离分布)数据，并进行归一化处理；其余指标，如土地利用类型、含水层介质类型等数据按照分级、分类情况进行赋值，如将土地利用类型中的建设用地类型赋值为1，将含水层介质中的黏土赋值为5等；
最后，建立包含以下12个指标的煤矿采空区形变敏感性评价指标库：
含水层介质类型分布(1-5)；
土地覆盖类型/土地利用类型分布(1-5)；
含水层或沉积层厚度分布(1-5)；
与断裂的距离分布(0～1)；
历史地震震中分布以及震级(1-5)；
地下水位分布等值线(m)；
与水系的距离分布(0～1)；
地质岩性分布(1-5)；
导水率或储水系数分布(1-5)；
高程分布(1-5)；
坡度分布(0-1)；
坡向(1-5)；
S2、利用SBAS-InSAR技术获取煤矿采空区地表形变速率；
所述S2中利用SBAS-InSAR技术获取煤矿采空区地表形变速率，包括以下步骤：
S21、生成SAR干涉图集合；
S22、时间序列反演与形变速率估算。
所述S21中生成SAR干涉图集合，包括首先通过时空阈值和相干性评估的方法确定合适的参考图像，随后，结合精密轨道数据，将所有SAR图像配准到参考图像，然后，结合外部DEM数据模拟参考影像强度图和反演的地形相位，进行SAR图像的干涉处理和去除平地相位；最后利用最小费用流方法进行干涉图的相位解缠，得到解缠后的干涉图集合。
所述S22中时间序列反演与形变速率估算，包括利用相干性阈值和生成树规则将干涉图进行组网，利用加权最小二乘方法进行地表时间序列的反演，再利用ERA-5大气模型参数估算大气延迟并进行去除，随后利用小波滤波方法估算并去除DEM残差和噪声，生成地表形变时间时间序列，最后利用最小二乘法估算地表形变速率；
将SAR图像进行配准、基线估算、干涉处理以及相位解缠，得到SAR干涉图集合。
利用相干性阈值和最小生成树规则将干涉图进行组网，利用加权最小二乘方法进行地表时间序列的反演；
利用ERA-5大气模型参数估算大气延迟并进行去除；
利用小波滤波方法估算并去除DEM残差和噪声，生成地表形变时间时间序列；
利用最小二乘法估算地表形变速率。
S3、在研究区内均匀选取样本点，以煤矿采空区形变敏感性评价指标最为输入变量，以相应地表形变速率作为标签，构建模型训练样本数据集，并对其按照7:3的比例进行随机分组，分别作为训练集和测试集；
所述S3中构建模型训练样本数据集，包括以下步骤：
S31、在研究区内生成2000个均匀分布的样本点，利用空间叠加分析技术分别获取点位相应的指标值和地表形变速率；
S32、随机将所有样本点按照数量7:3的比例划分为训练组和测试组；
S4、构建并训练基于遗传算法优化的BP神经网络模型；
所述S4中构建并训练基于遗传算法优化的BP神经网络模型，包括以下步骤：
S41、创建BP神经网络；
S42、确定网络的初始权重值和阈值，对其进行编码得到初始种群；
S43、训练BP神经网络误差作为适应度值；
S44、进行遗传算法的操作，即选择、交叉、变异，得到新种群；
S44、迭代计算适应度，获取最优权值阈值；
S45、迭代更新权值阈值，直到满足约束条件并输出结果；
S5、对模型训练结果进行精度评价；
初始创建包含输入层、3个隐含层和输出层的五层结构BP神经网络，输入层节点设置为12(与输入的指标数一致)，输出层节点设置为1。隐含层节点的个数需要通过迭代进行确定，即使用循环来遍历范围内的隐含层节点与训练误差情况。此外，需要设置其他参数，如学习率、训练次数和训练的目标误差等。
初始化遗传算法(GA)参数，设置初始种群规模、最大进化代数、交叉概率、变异概率等，权重和阈值的经验范围为(-1，1)；随后，对变量矩阵进行编码得到初始种群，并以BP神经网络误差(如MAE)作为适应度值；进行选择、交叉、变异，得到新种群；迭代计算适应度，确定获取最优权值和阈值，并确定相应的隐含层节点数。
将GA得到的最优解对应参数传递给BP神经网络的权值矩阵和阈值向量进行训练，并输出训练结果。
所述S5中对模型训练结果进行精度评价，包括通过预测值和真实值的误差计算；
假设预测值为真实值为y＝{y1,y2,y3,K,yn}，MAE和RMSE计算公式分别如下：
二者计算结果范围为[0，+∞)，当预测值与真实值完全吻合时等于0，即完美模型；误差越大，该值越大；
S6、根据神经网络模型输出结果，调整模型参数(如隐含层数)，然后重复S4和S5，如此重复5-10轮，选择最优结果对应的模型作为最终的敏感性评价模型；
S7、利用最优评估模型估算并生成煤矿采空区形变敏感性空间分布；
所述S7中利用最优评估模型估算并生成煤矿采空区形变敏感性空间分布，包括基于S6中得到的最优模型进行逐像元反演，得到研究区地表形变敏感性评估的量化结果，根据评估结果数值的四分位数从大到小按照低、中、高、极高进行风险划分，生成煤矿采空区形变敏感性空间分布。
实施例2：基于实施例1有所不同的是；
参照附图2-3所示，采用实施例1中一种煤矿采空区形变敏感性评价方法进行的实施案例；
S1、收集山东省临沂市罗庄区近年来的Sentinel-2、Landsat 8、Landsat 9等多光谱遥感图像，Sentinel-1SAR SLC数据产品，地下水位等值线、水文地质资料等，土地利用、植被覆盖度、水体以及DEM等栅格数据产品等，构建临沂市煤矿采空区形变敏感性评价指标库；
S2、利用实施例1中S2中SBAS-InSAR技术流程，获取覆盖临沂市煤矿采空区长时间序列(2016.10至2021.12)的LOS(line-of-sight，视线)方向高精度时间序列形变测量结果；
S3、在研究区内均匀生成2214个样本点，利用空间叠加分析方法，获取相应点位处指标值和形变速率分别作为输入变量和训练目标，并按照7:3的比例随机划分训练集(1550个样本点)与测试集(664个样本点)；
S4、构建包含输入层、3个隐含层和输出层的神经网络模型，训练次数为1000，学习率0.01，训练目标最小误差0.0001；GA初始种群规模为30，最大进化代数为50，交叉概率0.8，变异概率0.2，适应度函数设置为MAE的最小值，即：F＝min(MAETrainingset,Testingset)；
通过GA输出最优解变量，再把变量赋给BP神经网络的权值矩阵与阈值向量的相应位置，进行优化后的BP训练与测试；经过迭代确定BP神经网络中隐藏层节点数为13时获得最优训练结果；
S5、S4中最优训练结果对应的MAE为2.9213，RMSE为3.6836；
S6、调整BP神经网络中隐含层个数，分别为1、2、4、5、6，经过5轮训练，得到6个优化模型；经对比发现，包含5个隐含层的GA优化的BP神经网络模型为本实例中研究区煤矿采空区地表稳定性敏感性评价的最优模型；
S7、利用S6中确定的最优模型，进行研究区煤矿采空区地表稳定性敏感性评价制图。
需要说明的是，术语“包括”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种煤矿采空区形变敏感性评价方法，其特征在于，包括以下步骤：
S1、建立煤矿采空区形变敏感性评价指标库；
S2、利用SBAS-InSAR技术获取煤矿采空区地表形变速率；
S3、在研究区内均匀选取样本点，以煤矿采空区形变敏感性评价指标最为输入变量，以相应地表形变速率作为标签，构建模型训练样本数据集，并对其按照7:3的比例进行随机分组，分别作为训练集和测试集；
S4、构建并训练基于遗传算法优化的BP神经网络模型；
S5、对模型训练结果进行精度评价；
S6、根据神经网络模型输出结果，调整模型参数，然后重复S4和S5，如此重复5-10轮，选择最优结果对应的模型作为最终的敏感性评价模型；
S7、利用最优评估模型估算并生成煤矿采空区形变敏感性空间分布。
2.根据权利要求1所述的一种煤矿采空区形变敏感性评价方法，其特征在于：所述S1中建立煤矿采空区形变敏感性评价指标库，包括以下步骤：
S11、收集与煤矿采空区形变敏感性相关的地理、环境、地质空间要素，其中包含：含水层介质类型分布、土地覆盖类型、土地利用类型分布、含水层或沉积层厚度分布、主要地质构造分布、历史地震震中分布以及震级等统计数据、地下水位分布等值线、地表水资源分布、地质岩性分布、导水率或储水系数分布、数字高程分布的因子或者类似指标；
S12、将上述指标分别进行分级、分类或归一化处理，其中，数字高程分布数据分别提取坡度和坡向数据；断裂和地表水资源分布则分别生成距离分布数据，并进行归一化处理，其余指标数据按照分级、分类情况进行赋值；
S13、建立包括含水层介质类型分布、土地覆盖类型、土地利用类型分布、含水层或沉积层厚度分布、与断裂的距离分布、历史地震震中分布以及震级、地下水位分布等值线、与水系的距离分布、地质岩性分布、导水率或储水系数分布、高程分布、坡度分布、坡向指标的煤矿采空区形变敏感性评价指标库。
3.根据权利要求1或2所述的一种煤矿采空区形变敏感性评价方法，其特征在于：所述S2中利用SBAS-InSAR技术获取煤矿采空区地表形变速率，包括以下步骤：
S21、生成SAR干涉图集合；
S22、时间序列反演与形变速率估算。
4.根据权利要求3所述的一种煤矿采空区形变敏感性评价方法，其特征在于：所述S21中生成SAR干涉图集合，包括首先通过时空阈值和相干性评估的方法确定合适的参考图像，随后，结合精密轨道数据，将所有SAR图像配准到参考图像，然后，结合外部DEM数据模拟参考影像强度图和反演的地形相位，进行SAR图像的干涉处理和去除平地相位；最后利用最小费用流方法进行干涉图的相位解缠，得到解缠后的干涉图集合。
5.根据权利要求4所述的一种煤矿采空区形变敏感性评价方法，其特征在于：所述S22中时间序列反演与形变速率估算，包括利用相干性阈值和生成树规则将干涉图进行组网，利用加权最小二乘方法进行地表时间序列的反演，再利用ERA-5大气模型参数估算大气延迟并进行去除，随后利用小波滤波方法估算并去除DEM残差和噪声，生成地表形变时间时间序列，最后利用最小二乘法估算地表形变速率。
6.根据权利要求1所述的一种煤矿采空区形变敏感性评价方法，其特征在于：所述S3中构建模型训练样本数据集，包括以下步骤：
S31、在研究区内生成2000个均匀分布的样本点，利用空间叠加分析技术分别获取点位相应的指标值和地表形变速率；
S32、随机将所有样本点按照数量7:3的比例划分为训练组和测试组。
7.根据权利要求1所述的一种煤矿采空区形变敏感性评价方法，其特征在于：所述S4中构建并训练基于遗传算法优化的BP神经网络模型，包括以下步骤：
S41、创建BP神经网络；
S42、确定网络的初始权重值和阈值，对其进行编码得到初始种群；
S43、训练BP神经网络误差作为适应度值；
S44、进行遗传算法的操作，即选择、交叉、变异，得到新种群；
S44、迭代计算适应度，获取最优权值阈值；
S45、迭代更新权值阈值，直到满足约束条件并输出结果。
8.根据权利要求1所述的一种煤矿采空区形变敏感性评价方法，其特征在于：所述S5中对模型训练结果进行精度评价，包括通过预测值和真实值的误差计算。
9.根据权利要求1所述的一种煤矿采空区形变敏感性评价方法，其特征在于：所述S7中利用最优评估模型估算并生成煤矿采空区形变敏感性空间分布，包括基于S6中得到的最优模型进行逐像元反演，得到研究区地表形变敏感性评估的量化结果，根据评估结果数值的四分位数从大到小按照低、中、高、极高进行风险划分，生成煤矿采空区形变敏感性空间分布。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311069080.1A CN117111057A (zh) | 2023-08-23 | 2023-08-23 | 一种煤矿采空区形变敏感性评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311069080.1A CN117111057A (zh) | 2023-08-23 | 2023-08-23 | 一种煤矿采空区形变敏感性评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117111057A true CN117111057A (zh) | 2023-11-24 |
Family
ID=88803321
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311069080.1A Pending CN117111057A (zh) | 2023-08-23 | 2023-08-23 | 一种煤矿采空区形变敏感性评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117111057A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108804600A (zh) * | 2018-05-29 | 2018-11-13 | 山东省地质矿产勘查开发局第三水文地质工程地质大队(山东省鲁南地质工程勘察院) | 一种采煤沉陷区基础数据信息化分析展示方法 |
| CN110362949A (zh) * | 2019-07-23 | 2019-10-22 | 电子科技大学 | 一种基于神经网络的滑坡敏感性评估方法 |
| CN110516954A (zh) * | 2019-08-23 | 2019-11-29 | 昆明理工大学 | 一种基于ga-bp神经网络算法优化选矿生产指标的方法 |
| CN110888130A (zh) * | 2019-10-30 | 2020-03-17 | 华东师范大学 | 一种基于升降轨时序InSAR的煤矿区地表形变监测方法 |
| CN111738501A (zh) * | 2020-06-12 | 2020-10-02 | 鞍钢集团矿业有限公司 | 一种地下开采引起矿区地表变形中短期预测方法 |
| WO2021012592A1 (zh) * | 2019-07-19 | 2021-01-28 | 中南大学 | 一种基于多源sar数据附加对数约束的同震震后时空滑动分布联合反演方法 |
| CN112882032A (zh) * | 2021-01-21 | 2021-06-01 | 西安中科星图空间数据技术有限公司 | 一种燃气管道重点区域地质灾害sar动态监测方法及装置 |
| CN115115180A (zh) * | 2022-05-25 | 2022-09-27 | 华北科技学院 | 一种基于多参量分析的矿区地表塌陷风险识别与预测方法 |
| CN115980745A (zh) * | 2022-11-21 | 2023-04-18 | 中国地质大学（北京） | 地下开采沉陷区智能识别方法、装置、电子设备及存储介质 |
| CN116383992A (zh) * | 2023-03-16 | 2023-07-04 | 安徽省交通规划设计研究总院股份有限公司 | 一种基于InSAR的公路穿越深厚松散土层采空区沉降预测方法 |
-
2023
- 2023-08-23 CN CN202311069080.1A patent/CN117111057A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108804600A (zh) * | 2018-05-29 | 2018-11-13 | 山东省地质矿产勘查开发局第三水文地质工程地质大队(山东省鲁南地质工程勘察院) | 一种采煤沉陷区基础数据信息化分析展示方法 |
| WO2021012592A1 (zh) * | 2019-07-19 | 2021-01-28 | 中南大学 | 一种基于多源sar数据附加对数约束的同震震后时空滑动分布联合反演方法 |
| CN110362949A (zh) * | 2019-07-23 | 2019-10-22 | 电子科技大学 | 一种基于神经网络的滑坡敏感性评估方法 |
| CN110516954A (zh) * | 2019-08-23 | 2019-11-29 | 昆明理工大学 | 一种基于ga-bp神经网络算法优化选矿生产指标的方法 |
| CN110888130A (zh) * | 2019-10-30 | 2020-03-17 | 华东师范大学 | 一种基于升降轨时序InSAR的煤矿区地表形变监测方法 |
| CN111738501A (zh) * | 2020-06-12 | 2020-10-02 | 鞍钢集团矿业有限公司 | 一种地下开采引起矿区地表变形中短期预测方法 |
| CN112882032A (zh) * | 2021-01-21 | 2021-06-01 | 西安中科星图空间数据技术有限公司 | 一种燃气管道重点区域地质灾害sar动态监测方法及装置 |
| CN115115180A (zh) * | 2022-05-25 | 2022-09-27 | 华北科技学院 | 一种基于多参量分析的矿区地表塌陷风险识别与预测方法 |
| CN115980745A (zh) * | 2022-11-21 | 2023-04-18 | 中国地质大学（北京） | 地下开采沉陷区智能识别方法、装置、电子设备及存储介质 |
| CN116383992A (zh) * | 2023-03-16 | 2023-07-04 | 安徽省交通规划设计研究总院股份有限公司 | 一种基于InSAR的公路穿越深厚松散土层采空区沉降预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘一霖;张勤;黄海军;杨成生;赵超英;: "矿区地表大量级沉陷形变短基线集InSAR监测分析", 国土资源遥感, no. 02, 31 December 2017 (2017-12-31), pages 147 - 154 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zare et al. | Landslide susceptibility mapping at Vaz Watershed (Iran) using an artificial neural network model: a comparison between multilayer perceptron (MLP) and radial basic function (RBF) algorithms | |
| CN110986747B (zh) | 一种滑坡位移组合预测方法及系统 | |
| Alkhasawneh et al. | Determination of important topographic factors for landslide mapping analysis using MLP network | |
| CN114966685B (zh) | 基于InSAR和深度学习的大坝形变监测及预测方法 | |
| CN114966692B (zh) | 基于Transformer的InSAR技术冻土区多变量时序形变预测方法及装置 | |
| Hakim et al. | InSAR time-series analysis and susceptibility mapping for land subsidence in Semarang, Indonesia using convolutional neural network and support vector regression | |
| CN112200358A (zh) | 一种滑坡等级预测方法、装置、设备和存储介质 | |
| Azarakhsh et al. | Estimation, modeling, and prediction of land subsidence using Sentinel-1 time series in Tehran-Shahriar plain: A machine learning-based investigation | |
| Chen et al. | ARU-net: Reduction of atmospheric phase screen in SAR interferometry using attention-based deep residual U-net | |
| CN113281749A (zh) | 一种顾及同质性的时序InSAR高相干点选取方法 | |
| Behzadi et al. | Introducing a novel digital elevation model using artificial neural network algorithm | |
| CN115079172A (zh) | 一种MTInSAR滑坡监测方法、设备及存储介质 | |
| CN113091600B (zh) | 一种利用时序InSAR技术监测软土地基形变的监测方法 | |
| Bacalhau et al. | Bathymetry of reservoirs using altimetric data associated to optical images | |
| Barrile et al. | Analysis of hydraulic risk territories: comparison between LIDAR and other different techniques for 3D modeling | |
| CN116068511B (zh) | 一种基于深度学习的InSAR大尺度系统误差改正方法 | |
| CN112347700A (zh) | 一种泥石流发生概率及规模预报方法 | |
| CN117111057A (zh) | 一种煤矿采空区形变敏感性评价方法 | |
| Zeng-Wang | GIS and ANN model for landslide susceptibility mapping | |
| Henaish et al. | Integrated structural, geophysical and remote sensing data for characterizing extensional linked fault systems and related land deformation hazards at Cairo-Suez District, Egypt | |
| Ward et al. | Tracking tracer motion in a 4‐D electrical resistivity tomography experiment | |
| Miao et al. | Recognition of Red‐Bed Landslides over Eastern Sichuan through Remote Sensing and Field Investigations | |
| Beshr et al. | Using modified inverse distance weight and principal component analysis for spatial interpolation of foundation settlement based on geodetic observations | |
| Wang et al. | Land subsidence simulation based on Extremely Randomized Trees combined with Monte Carlo algorithm | |
| CN117236518B (zh) | 一种地铁沿线地质形变的预测方法 |
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 |