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。     

基于时序InSAR的改进型PIM矿山采空区沉降模型构建与应用

利用InSAR监测矿山采空区地表沉降的过程中易在沉降中心周围产生失相干现象，导致形变结果缺失，无法获取准确的沉降区模型。基于此，提出了一种结合时序InSAR与PIM(Probability Integral Method)的监测方法，以云南省玉溪市大红山铁矿地下采区某工作面为研究对象，首先计算出时序InSAR累积沉降量，并提取其沉降区边缘的高相干点，结合少量沉降中心水准点，利用改进型PSO(Particle Swarm Optimization)算法获取PIM参数，并通过克里金插值法建立采空区地表整体沉降区模型，利用少量水准点数据对该方法的可靠性和精度进行验证，结果表明，该方法获得的沉降区分布与实际相吻合，其沉降区监测精度比单独使用时序InSAR或PIM的更高，可用于矿区地表沉降信息的准确获取。