基于时序InSAR监测的VMD-SSA-LSTM矿区地表形变预测模型研究

矿区地表形变引起的滑坡、塌陷等灾害对矿山安全生产造成了极大影响，因此对地表形变进行预测对于矿山安全开采和灾害预警预报具有重要的现实意义。采用时序InSAR技术获取矿区面域式地表形变数据，结合变分模态分解算法(VMD)对其进行分解，通过构建麻雀优化算法(SSA)与长短期记忆神经网络(LSTM)相结合的预测模型，对分解后的形变分量进行综合预测；以云南省玉溪市大红山矿区为例，利用该模型对其地表形变进行了预测，结果表明：VMD算法在一定程度上可以解决矿山地表形变数据时序特征复杂且难以直接分析判别的问题；SSA-LSTM预测模型通过智能搜索算法自动寻找预测网络模型超参数，有效减少了人为因素对模型预测效果的干扰，模型预测结果的决定系数R²均大于0.96;同时，该模型采用“多维输入”的方式训练模型，提高了训练效率；该模型在预测精度、训练效率等方面均取得了较好的效果。采用VMD-SSA-LSTM预测算法对时间序列InSAR监测下的形变数据进行分析能有效预测矿区地表形变，可为矿山安全生产管理提供参考。     

基于InSAR的乌东德水电站库区边坡形变监测及分析

水电站建成投产后,水库水位变化频繁,改变了库岸边坡原有的稳定性,易诱发边坡失稳破坏,从而对水电站的安全运行及周边居民区产生一定安全隐患。为了更好地掌握乌东德水电站蓄水过程中库区边坡的形变情况,通过SBAS-InSAR技术对该区域2020年5月至2022年8月间的升降轨哨兵数据进行解算,获取了研究区的地表形变特征;结合库水位变化情况、SAR数据反演出的边坡土壤含水量后向散射系数,对识别出的5处不稳定区域的形变机理进行分析。结果表明：运用升降轨InSAR可准确识别出库岸边坡的形变情况,研究区最大年平均沉降速率为-92 mm/a;库岸边坡的形变趋势与库水位及土壤含水量后向散射系数变化有着明显的相关性,水库蓄水是致使边坡体加速沉降的主要因素。