基于下沉速度与多源数据融合的概率积分预计参数反演方法: 以唐山林西矿为例

张宏志; 景胜强; 易四海; 高鹏程; 陈文聪; 才向军; 李新亮

doi:10.12404/j.issn.1671-1815.2503656

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (12) :5012-5021 DOI: 10.12404/j.issn.1671-1815.2503656

矿冶工程

基于下沉速度与多源数据融合的概率积分预计参数反演方法: 以唐山林西矿为例

张宏志 ¹ ,
景胜强 ²^,^* ,
易四海 ³ ,
高鹏程 ³ ,
陈文聪 ³ ,
才向军 ¹ ,
李新亮 ¹

作者信息 +

Inversion Method of Probability Integral Prediction Parameters Based on Sinking Velocity and Multi-source Data Fusion: Linxi Mine in Tangshan

Author information +

文章历史 +

摘要

矿区地表沉陷监测为地表沉陷预计参数反演提供重要依据。传统水准观测虽精度高, 但观测点稀疏, 工作量大;合成孔径雷达干涉测量(interferometric synthetic aperture radar, InSAR)可实现大范围高时空分辨率监测, 但在大梯度快速形变区域易出现失相干, 限制了该技术的应用。以林西矿煤层开采地表沉陷为例, 对比分析了水准测量与InSAR监测精度的时空特征, 提出一种基于地表下沉速度的InSAR与水准测量数据融合方法对概率积分法预计参数进行反演。结果表明: 随着地表快速沉陷区扩大, InSAR失相干区域逐渐增大;在大梯度形变区域, 监测误差呈现“增大-平稳”的规律, 该规律与多工作面开采导致的地表下沉速度变化密切相关。基于下沉速度提出了InSAR与水准测量数据融合方法, 该方法通过下沉速度划分失相干与未失相干区域, 引入水准数据弥补InSAR在快速沉陷区的失相干问题, 从而保证了概率积分参数反演的连续性与精度。实例验证表明, 该方法不仅减少了水准观测工作量, 还显著提高了参数反演的准确性, 具有较高的实用性。

Abstract

Surface subsidence monitoring in mining areas is regarded as an essential basis for parameter inversion of subsidence prediction. Although traditional leveling surveys provide high accuracy, their application is limited by sparse observation points and intensive workload. Interferometric synthetic aperture radar (InSAR) technology enables large-scale monitoring with high spatiotemporal resolution. However, decorrelation often occurs in areas of steep gradients and rapid deformation, which restricts its applicability. The surface subsidence caused by coal seam mining in the Linxi mine was taken as a case, and the spatiotemporal characteristics of monitoring accuracy between leveling and InSAR were compared. A fusion method of InSAR and leveling data based on surface subsidence velocity was then proposed to invert the parameters of the probability integral method(PIM). The results show that with the expansion of rapid subsidence zones, the area of InSAR decorrelation gradually increases; in regions of steep gradients, monitoring errors followed an “increase-stabilization” pattern, which is closely related to subsidence velocity variations induced by multi-panel mining. Based on subsidence velocity, incoherent and coherent regions were delineated, and leveling data was introduced to compensate for InSAR decorrelation in rapid subsidence zones, ensuring the continuity and accuracy of parameter inversion. Verification with field data demonstrates that the proposed method significantly reduces the workload of leveling surveys while improving inversion accuracy, indicating strong practical applicability.

Graphical abstract

关键词

合成孔径雷达干涉测量(InSAR) / 概率积分法 / 多源数据融合 / 下沉速度 / 参数反演

Key words

interferometric synthetic aperture radar (InSAR) / probability integral method / multi-source data fusion / sinking velocity / parameter inversion

引用本文

引用格式 ▾

张宏志, 景胜强, 易四海, 高鹏程, 陈文聪, 才向军, 李新亮. 基于下沉速度与多源数据融合的概率积分预计参数反演方法: 以唐山林西矿为例[J]. 科学技术与工程, 2026, 26(12): 5012-5021 DOI:10.12404/j.issn.1671-1815.2503656

ZHANG Hong-zhi, JING Sheng-qiang, YI Si-hai, GAO Peng-cheng, CHEN Wen-cong, CAI Xiang-jun, LI Xin-liang. Inversion Method of Probability Integral Prediction Parameters Based on Sinking Velocity and Multi-source Data Fusion: Linxi Mine in Tangshan[J]. Science Technology and Engineering, 2026, 26(12): 5012-5021 DOI:10.12404/j.issn.1671-1815.2503656

登录浏览全文

4963

注册一个新账户忘记密码

煤层开采引发的地表沉陷问题对地表建(构)筑安全及生态环境造成显著影响^[1-2]。因此,对矿区地表沉陷进行全面、持续和高精度的监测与预测具有重要意义。传统的地表形变监测方法主要包括水准观测、全球导航卫星系统观测和无人机航测等,这些手段虽然能够一定程度地提供地表沉陷的数据,但在空间覆盖范围、监测频率等方面存在局限性^[3]。此外,由于矿区地形条件复杂、观测周期较长等因素,传统观测方法在实际作业中易出现测点丢失、测线调整等问题^[4],这对矿区地表形变监测的稳定性和适应性提出了更高要求。

近年来,合成孔径雷达干涉测量(interferometric synthetic aperture radar, InSAR)技术^[5-7]在地表沉降监测中得到广泛应用。该方法具有全天时、全天候、大范围和高空间分辨率等优势,在城市地面沉降^[8-9]、地震形变^[10-11]、滑坡监测^[12-13]等领域取得了大量成功应用。但在矿区快速、大梯度形变区域,InSAR 技术容易发生失相干现象,导致监测结果精度下降,从而限制了其在煤矿沉陷监测中的推广。

针对这一问题,中外学者提出了多种改进方法。李世金等^[14]基于相位优化提高了大梯度沉陷区的干涉条纹保持能力。邹英杰^[15]结合深度学习和多源InSAR数据,实现了采动沉陷盆地的智能识别。徐小波等^[16]联合DInSAR与Offset-tracking技术对高强度采区开采沉陷进行监测。冷红伟等^[17]采用多视融合方法有效改善了地表下沉盆地中心局部监测精度。Wang等^[18]利用InSAR、无人机和激光雷达数据的融合,实现了矿区全覆盖形变监测。综上可知,InSAR 与其他监测或建模手段的融合,是提升地表沉陷监测精度的重要途径。

近年来,InSAR技术与概率积分法(probability integral method, PIM)等矿山沉陷预测模型逐步融合,成为提升矿区地表沉陷监测与预测精度的重要方向。概率积分法是目前矿山沉陷预测中应用最为广泛的解析模型^[19]。该方法基于随机介质理论,通过少量参数即可较好地描述沉陷盆地的空间形态,具有参数物理意义明确、适应性强和计算效率高等优点。在已有研究中,一类研究聚焦于提升大梯度沉陷区的监测能力。陈洋等^[20]通过将概率积分法与InSAR结果分区融合,实现对大、中、小变形区域的分层监测。李全生等^[21]利用概率积分模型对InSAR数据进行相位修复,从而实现大梯度沉陷区的三维形变监测。另一类研究则利用InSAR数据与其他监测数据融合,对概率积分法参数进行反演。胡东升等^[22]以相干性为依据,将InSAR与无人机监测数据融合,并基于融合数据进行概率积分法参数反演。总体来看,前者方法的监测精度依赖于概率积分法参数的准确性,而后者方法在大梯度沉陷区反演时存在较大误差,且多源数据融合的阈值选择缺乏统一的理论依据。

针对上述不足,以林西矿为研究区,利用长时间序列的Sentinel-1A SAR数据,采用SBAS-InSAR技术提取地表沉降特征,并结合实测水准数据,揭示InSAR地表开采沉陷形变监测精度时空异质性规律,指出监测精度变化与地表下沉速度密切相关。在此基础上,提出一种基于下沉速度的InSAR与水准测量联合的概率积分预计参数反演方法。该方法旨在为InSAR多源数据融合提供依据,提高概率积分法参数反演精度,为矿区大梯度形变区域监测与预计提供支撑。

1 研究区域概况

林西矿位于河北省唐山市古冶区境内,井田内地势较平坦。井田内揭露的地层由老到新有:奥陶系、石炭系、二叠系和第四系。含煤地层为石炭、二叠系,煤系地层基底为奥陶系灰岩,林西井田地层如图1所示。矿井目前主采深部采区的9煤层和12煤层,煤厚均约2.7 m,煤层倾角在18°~30°,采深普遍大于600 m,采用长壁后退式综合机械化采煤法,全部垮落法管理顶板。根据数据可得性,选择2014—2019年作为研究时段。该时段共开采工作面12个,其中9煤开采6个工作面,12煤开采7个工作面。各工作面开采信息如表1所示。

2 数据采集与处理

2.1 水准测量数据

为监测开采引起的地表沉陷,在区域地表布置了倾向水准观测线(T线),共设计布置了60个监测点,测点间距30 m。观测线首次全面观测时间为2014年10月,工作面开采期间观测频率为1个月,末次观测时间为2019年6月,观测精度符合二等水准测量精度要求。三个工作面及观测线相对位置关系如图2所示。根据监测结果绘制开采过程中地表观测线的下沉曲线,如图3所示。下沉盆地下沉较大,出现非均匀台阶沉降(图4)。

2.2 InSAR监测数据

SAR影像采用Sentinel-1A卫星C波段数据。Sentinel-1A卫星是欧空局发射的合成孔径雷达卫星。该卫星具有轨道稳定,成像质量高,覆盖面积广,多极化,重访周期短等优势,也是唯一对中国提供免费长时间序列SAR数据的卫星。卫星搭载有C波段传感器,其波长为5.6 cm,分辨率为 5 m×20 m。采用覆盖研究区域的降轨数据进行数据处理,数据时间为2014年10月—2019年6月,处理过程中使用卫星精密轨道数据对轨道信息进行修正。DEM数据采用SRTM-1数据,其分辨率为30 m。

数据处理采用SBAS-InSAR技术,本次计算的最大时间基线阈值设置为180 d,最大空间基线阈值设置为临界空间基线的50%。利用SRTM-1数据进行去除地形相位,滤波方法采用Goldtein,解缠方法采用Delaunay MCF来进行差分干涉处理及解缠操作。然后在没有残余地形条纹,远离形变区域选择30个大地控制点(GCP),三次多项式模型去除残余的恒定相位和相位坡道。再通过两次形变反演得到时间序列的最终位移结果,并将其转换到与水准测量相同的地理坐标系下。数据处理结果如图5所示。

3 InSAR形变监测精度时空异质性分析

煤层开采引起的地表沉陷程度呈现分区特性,在影响区边缘地表沉陷程度较小,越靠近开采中心区域累计沉降越大。而且影响区域地表同一位置随工作面推进下沉量不断累加,但下沉速度呈现先增大后减小的规律。根据地表沉陷时空特征,对 InSAR 形变监测精度进行时空异质性分析,揭示地表不同沉陷区域和地表沉陷过程中的监测精度特征。为实现上述目标,选择12煤12-3、12-6、12-7三个工作面开采后InSAR反演结果与地表水准测量结果进行对比。12-6工作面位于下山方向,12-7工作面位于上山方向;在12-6工作面下山方向为未开采区,在12-7工作面上山方向未采空区。12-3、12-6、12-7三个工作面开采时间分别为2015-01—2016-04、2018-03—2018-10、2018-11—2019-05,地表观测站与三个工作面相对位置关系如图6所示。

3.1 InSAR形变监测精度的空间异质性

各工作面开采后地表观测站InSAR反演结果与水准测量结果如图7所示。若以InSAR监测结果与水准测量结果相差小于100 m为标准,将InSAR 监测精度分为两个区域,并以误差100 m处与工作面边界连线的水平角为误差临界角。在地表受影响边缘区域,InSAR监测精度较高,该区域地表下沉较小;在开采中心区域,InSAR监测精度较低,误差较大,该区域地表下沉较大。12-3、12-6、12-7三个工作面开采后水准测量下沉最大值分别为569、1 361、1 466 mm;而InSAR监测与水准测量相差最大值分别为218、866、858 mm;InSAR监测误差较大区域长度分别为600、840、760 m;上山方向误差临界角分别为76.8°、69.7°、79.9°,下山方向误差临界角分别为69°、68.4°、72.4°。

通过上述分析可知,地表沉陷量越大,InSAR监测误差值和失相干范围越大,且由于倾斜煤层开采沉陷盆地中心向下山方向偏移,导致InSAR监测误差较大区域的范围下山方向会比上山方向大。

3.2 InSAR形变监测精度的时间异质性

由3.1节可知,在空间分布上InSAR监测可分为精度较高区域和精度较低区域。根据InSAR监测精度的空间分区各选择一个地表监测点,分析InSAR 监测精度随时间变化特征。InSAR监测精度较高区域地表监测点为T18,该点位于地表影响区域边缘处;较低区域为T28,该点位于开采区域中心位置。在两点处InSAR监测与水准测量结果随时间变化如图8所示。

T18在整个观测期间InSAR监测与水准测量结果吻合较好。水准测量地表下沉值由0均匀增大至539 mm,期间未发生地表突变下沉。由于T18与开采工作面水平距离较远,位于地表影响边缘处,下沉较缓慢,最大下沉速度仅为1.48 mm/d。InSAR监测结果与水准测量最大相差49 mm,相对误差为16.3%,在整个地表下沉期间,InSAR监测与水准测量结果均吻合较好。

T28在整个观测期间InSAR监测精度呈现明显的分段特性,即具有明显时间异质性。根据InSAR监测与水准测量差值的变化,可分为五个阶段进行分析。第一阶段为两种测量结果吻合较好期。该阶段InSAR监测结果与水准测量结果差值最大为14.4 mm,差值较小,地表下沉速度缓慢,最大下沉速度仅为0.57 mm/d,InSAR监测精度较高。第二阶段为InSAR监测误差增大期。该阶段水准测量地表下沉值由156 mm增加到410 mm,InSAR监测最大误差达到130 mm,地表最大下沉速度达到2.43 mm/d,地表下沉开始进入活跃期,InSAR监测误差逐渐增大,精度开始下降。第三阶段为InSAR监测误差稳定期。该阶段水准测量地表下沉值由410 mm增加到854 mm,InSAR监测误差基本维持在约90 mm,地表最大下沉速度下降至1.29 mm/d,InSAR监测误差基本保持稳定。第四阶段为InSAR监测误差二次增大期。该阶段地表下沉值急剧增大,水准测量地表下沉值由854 mm迅速增加到 1 700 mm,InSAR监测误差迅速增大至895 mm,地表最大下沉速度达到8.2 mm/d,再次进入活跃期,InSAR监测误差再次增大。第五阶段为InSAR监测误差二次稳定期。该阶段水准测量地表下沉值由 1 700 mm 增加到1 805 mm,InSAR监测误差基本维持在约860 mm,地表最大下沉速度下降至 0.58 mm/d,地表再次进入衰退期,InSAR监测误差再次基本保持稳定。

通过上述分析可知,在地表影响边缘处InSAR监测结果较好,和水准测量结果具有一致性。但是受地表影响较大区域,InSAR监测误差具有明显的时间异质性,主要表现为随开采时间变化,InSAR监测误差呈现“稳定-增大-稳定-增大-稳定”的循环状态。误差状态转变与下沉速度密切相关,当地表下沉速度较大,地表下沉进入活跃期时,InSAR监测误差进入增大期,与水准测量结果差值不断增加。这是由地表快速下沉引起InSAR失相干造成的,InSAR 监测误差主要受到形变相位的影响。当地表下沉速度较小,地表下沉进入初始期或衰退期时,InSAR监测误差进入稳定期,与水准测量结果差值基本保持稳定,这个时期地表下沉速度未进一步引起InSAR形变相位误差的积累。

4 基于下沉速度和多源数据融合的概率积分预计参数反演方法

针对地表快速形变对形变相位的影响,导致 InSAR 监测数据发生失相干现象,提出一种基于地表下沉速度判识的InSAR和水准测量数据融合地表移动参数反演方法。

4.1 多源数据融合

以地表某点下沉稳定后的最大下沉量(W_m)和开采期间已知时刻的下沉速度(v)作为起算数据,根据时间函数下沉速度公式反演求取岩性参数(c)和待拟合参数(k),时间函数下沉速度公式^[23]为

(1)v(t)=W_mcke^-^ct

$(1-{\mathrm{e}}^{-ct}{)}^{k-1}$

式(1)中:W_m为地表某点下沉稳定后的最大下沉值; t为煤层采动后的任意时刻;c为岩性参数;k为待拟合参数。

将式(1)代入沉陷盆地地表任意点下沉速度的空间分布函数得^[24]

(2)v(x,y)=$\frac{{v}_{\mathrm{m}\mathrm{a}\mathrm{x}}}{1+{\left(\frac{x+l}{a}\right)}^{2}}\frac{1}{1+{\left(\frac{y}{b}\right)}^{2}}$

式(2)中:x为走向方向距离工作面边界处的法向距离;y为倾向方向距离工作面边界处的法向距离;l为最大下沉速度滞后距;v_max为地表最大下沉速度,可由式(1)或实测数据求得;b为倾向主断面的形态参数,在充分采动时可以根据经验公式b=0.117

$\stackrel{—}{H}$

-31.31确定,非充分采动时根据实际煤厚、采深、倾角等信息确定,其中

$\stackrel{—}{H}$

为平均采深;a为走向主断面的形态参数, 其计算公式为

(3)a=$\frac{x+l}{\sqrt{\frac{{v}_{\mathrm{m}\mathrm{a}\mathrm{x}}}{{v}_{x}}}-1}$

式(3)中:v_x为走向主断面x处的下沉速度。

得到工作面开采全过程中地表任意点任意时刻(图9)的下沉速度公式为

(4)v(x,y,t)=$\frac{{W}_{\mathrm{m}}ck{\mathrm{e}}^{-ct}(1-{\mathrm{e}}^{-ct}{)}^{k-1}}{1+{\left(\frac{x+l}{a}\right)}^{2}}\frac{1}{1+{\left(\frac{y}{b}\right)}^{2}}$

通过收集目标监测区域内的水准测量数据,求出某水准测量点n在t时刻的下沉速度为

(5)v_n(t)=$\frac{{W}_{n}\left(t\right)-{W}_{n}(t-1)}{\mathrm{\Delta }t}$

式(5)中:W_n(t)和W_n(t-1)分别为第t时刻和第t-1时刻观测时n点的下沉值;Δt为两次观测的间隔天数;W_n(t)=H_t-H₀,其中H_t和H₀分别为t时刻和首次观测时n点的高程。

根据地面水准实测资料,利用某水准测点采动过程中的下沉速度值,根据时间函数反演求取参数c、k;再根据需要计算的地表点位置(x, y),由式(3)求出工作面开采全过程中沉陷区域内地表任意点任意时刻的下沉速度。

收集目标监测区域内的SAR数据并进行数据处理,根据式(5)获取地表点的垂直形变量为

(6)R₀=$\frac{\mathrm{\Delta }\varphi \lambda }{4\mathrm{\pi }\mathrm{c}\mathrm{o}\mathrm{s}\theta }$

式(6)中:Δφ为影像对的相位差;λ为SAR雷达信号的波长;θ为雷达视线与垂直方向之间的夹角。

根据相邻两景影像之间所能监测到的最大垂直形变速度理论值式(6)确定所采用卫星的最大垂直形变速度理论值为

(7)v_SAR=$\frac{\lambda }{2\mathrm{\Delta }t\mathrm{c}\mathrm{o}\mathrm{s}\theta }$

地表某点的下沉速度由式(3)求得,与InSAR所能监测的最大垂直形变速度理论值v_SAR[由式(7)得到]比较。若地表某点的下沉速度v₍_x_,_y_,_t₎在工作面开采全过程中一次或多次超过InSAR所能监测的最大垂直形变速度v_SAR时,该点的DInSAR监测数据发生失相干;若地表某点的下沉速度v₍_x_,_y_,_t₎在工作面开采全过程中均未超过InSAR所能监测的最大垂直形变速度v_SAR时,该点处的InSAR数据未发生失相干。

根据上述方法可将地表沉陷盆地依据InSAR监测数据分为两部分,包括外围的未失相干区域和内部的失相干区域(图10)。

4.2 概率积分预计参数反演

在划分好失相干区域和未失相干区域后,在未失相干区域选择InSAR监测到的垂直形变量作为实测数据,在失相干区域选择水准特征点(如最大下沉值处、拐点处)的观测数据作为实测数据,分别反演求取概率积分法预计参数。

概率积分模型中的任意点下沉预计公式^[25]为

(8)W(x,y)=$\frac{{W}_{\mathrm{m}}}{4}\left\{\mathrm{e}\mathrm{r}\mathrm{f}\left(\frac{\sqrt{\mathrm{\pi }}}{r}x\right)-\mathrm{e}\mathrm{r}\mathrm{f}\left[\frac{\sqrt{\mathrm{\pi }}}{r}(x-{l}_{1})\right]\right\}${erf$\left(\frac{\sqrt{\mathrm{\pi }}}{{r}_{1}}y\right)$-erf$\left[\frac{\sqrt{\mathrm{\pi }}}{{r}_{2}}(y-L)\right]$}

式(8)中:(x, y)为地表任意点的坐标;r为主要影响半径,r=

$\stackrel{—}{H}$

/tanβ,其中

$\stackrel{—}{H}$

为平均采深,tanβ为主要影响角正切值;r₁为上山方向的主要影响半径,r₁=H₁/tanβ,其中H₁为上山方向的工作面采深;r₂为下山方向的主要影响半径,r₂=H₂/tanβ,其中H₂为下山方向的工作面采深;L为倾向工作面计算长度,L=(D₁-s₁-s₂)

$\frac{\mathrm{s}\mathrm{i}\mathrm{n}({\theta }_{0}+a)}{\mathrm{s}\mathrm{i}\mathrm{n}{\theta }_{0}}$

,其中,D₁为倾向长度,s₁、s₂分别为上下山拐点偏移距,θ₀为开采影响传播角;l₁为走向有限开采的计算长度,l₁=D₃-s₃-s₄,其中,D₃为走向长度,s₃、s₄分别为走向的左右拐点偏移距;W_m为地表最大下沉值,其计算公式为

(9)W_m=mqcosα

式(9)中:m为煤厚;q为下沉系数;α为煤层倾角。

erf为概率积分函数,其表达式为

(10)

$\mathrm{e}\mathrm{r}\mathrm{f}\left(\frac{\sqrt{\mathrm{\pi }}}{r}x\right)=\frac{2}{\sqrt{\mathrm{\pi }}}{\int }_{0}^{\sqrt{\mathrm{\pi }}/r}{\mathrm{e}}^{-{u}^{2}}\mathrm{d}u$

式(10)中:u为积分参数。

设置初始概率积分参数(包括下沉系数q、上山和下山拐点偏移距s₁和s₂、走向拐点偏移距s₃和s₄、主要影响角正切tanβ、开采影响传播角θ₀)代入式(8)进行模拟计算,比较计算结果与实测数据的精度误差,不断反演直至求到准确的概率积分参数。

5 反演概率积分预计参数精度验证

对12-3、12-6、12-7工作面进行验证分析,这三个工作面的采动程度依次增加,且地表有较为完整的水准测量和InSAR监测数据,便于精度验证。

首先根据干涉相位公式确定地表临界失相干处的形变速率。哨兵一号卫星观测重访周期为 12 d,c波段波长为5.6 cm,雷达入射角约为41.6°,由式(6)计算得到临界失相干形变速率为1.72 mm/d。

根据时间函数分别反演三个工作面的相关参数c和k,并进一步计算各工作面失相干区域,再以失相干边界为条件对InSAR数据和水准数据进行融合,失相干区域下沉数据采用水准测量数据,未失相干区域下沉数据采用InSAR监测数据,根据融合后的下沉曲线迭代求取概率积分参数。三个工作面参数求取结果如表2所示,融合数据的下沉曲线与利用反演参数预计结果对比如图11所示。

以水准测量数据作为实际下沉值,预计误差如表3所示。在未失相干区域,12-3、12-6、12-7三工作面概率积分法预计下沉值误差分别为31、66、81 mm;在失相干区域其误差值分别为34、95、125 mm,而InSAR监测误差分别为218、866、858 mm。可见预测下沉误差较小,说明基于下沉速度的多源数据融合反演概率积分预计参数方法具有有效性。

6 结论

(1)InSAR形变监测精度在空间上存在异质性,表现为: 在地表沉陷盆地边缘小变形区域,InSAR形变监测精度高;在地表沉陷盆地中心大梯度变形区域,InSAR形变监测的精度低,容易发生失相干现象。

(2)InSAR形变监测精度在时间上存在异质性,主要表现在大梯度变形区域,随着地表采动沉降InSAR监测的下沉误差值反复呈现“增大-稳定”的规律,其误差与地表下沉速度密切相关,当地表下沉活跃时,InSAR监测的下沉误差值会增大,而在地表下沉进入衰退期后,InSAR监测的下沉误差又会保持一个相对稳定水平。InSAR地表开采沉陷形变监测精度时空异质性规律,揭示了地表下沉速度过快为InSAR监测技术在大梯度快速形变区域失相干的根本原因。

(3)针对InSAR监测技术在大梯度快速形变区域误差大的缺陷,以地表下沉速度为InSAR数据失相干的判别因子,有效融合InSAR未失相干数据和水准数据,提出了基于下沉速度和多源数据融合的概率积分预计参数反演方法。该方法能够实现对地表沉陷的精准预测,同时可减少地面水准测量工作量,具有较高的实用性。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	王皓, 王强民, 董书宁, 等. 西部典型煤矿区采动水文生态效应及修复途径[J]. 煤炭学报, 2025, 50(1): 610-622.

[2]	Wang Hao, Wang Qiangmin, Dong Shuning, et al. Hydroecological effects of mining and its restoration ways in coal mining areas of Western China[J]. Journal of China Coal Society, 2025, 50(1): 610-622.

[3]	夏军武, 周宇, 王玉婧, 等. 采煤沉陷区建筑物抗变形技术研究进展与展望[J]. 煤炭学报, 2025, 50(7): 3352-3368.

[4]	Xia Junwu, Zhou Yu, Wang Yujing, et al. State-of-the-art of research on building anti-deformation technology in coal mining subsidence area[J]. Journal of China Coal Society, 2025, 50(7): 3352-3368.

[5]	王晓蕾, 姬志岗, 魏慷, 等. 煤层开采地表沉陷监测及预测技术现状及发展趋势[J]. 科学技术与工程, 2020, 20(24): 9696-9706.

[6]	Wang Xiaolei, Ji Zhigang, Wei Kang, et al. Present situation and development trend of surface subsidence monitoring and prediction technology in coal seam mining[J]. Science Technology and Engineering, 2020, 20(24): 9696-9706.

[7]	郭庆彪, 余庆, 郑美楠, 等. 测线布设形态与测点缺失对采煤沉陷预计参数反演的影响[J]. 煤田地质与勘探, 2024, 52(6): 57-68.

[8]	Guo Qingbiao, Yu Qing, Zheng Meinan, et al. Impacts of observation line layout morphology and survey point missing on the inversion of predicted parameters of mining subsidence[J]. Coal Geology & Exploration, 2024, 52(6): 57-68.

[9]	郑学召, 苏海蛟, 童鑫, 等. 面向煤矿矿区的InSAR地表形变监测技术研究进展[J]. 测绘通报, 2025(2): 64-70.

[10]	Zheng Xuezhao, Su Haijiao, Tong Xin, et al. Review of InSAR surface deformation monitoring technology for coal mine areas[J]. Bulletin of Surveying and Mapping, 2025(2): 64-70.

[11]	王战卫, 安黎明, 张斌, 等. 结合SBAS-InSAR与光学遥感的矿区地表塌陷监测[J]. 科学技术与工程, 2023, 23(17): 7239-7246.

[12]	Wang Zhanwei, An Liming, Zhang Bin, et al. Surface subsidence monitoring in mining areas combined with SBAS-InSAR and optical remote sensing[J]. Science Technology and Engineering, 2023, 23(17): 7239-7246.

[13]	刘辉, 陈斯涤, 朱晓峻, 等. 基于D-InSAR技术的煤矿工业广场动态沉降特征研究[J]. 煤田地质与勘探, 2023, 51(5): 99-112.

[14]	Liu Hui, Chen Sidi, Zhu Xiaojun, et al. Research on dynamic subsidence characteristics of coal mine industrial square based on D-InSAR technology[J]. Coal Geology & Exploration, 2023, 51(5): 99-112.

[15]	葛畅, 石云, 龚文瑜, 等. 基于PS-InSAR技术的北京平原区地面沉降与影响因素[J]. 科学技术与工程, 2025, 25(18): 7502-7510.

[16]	Ge Chang, Shi Yun, Gong Wenyu, et al. Analysis of land subsidence and influencing factors in the beijing plain area based on PS-InSAR technology[J]. Science Technology and Engineering, 2025, 25(18): 7502-7510.

[17]	宋志伟, 郭海朋, 李超群, 等. 沧州平原区地面沉降演变特征与驱动机制[J]. 地质学报, 2025, 99 (11): 3905-3917.

[18]	Song Zhiwei, Guo Haipeng, Li Chaoqun, et al. Evolution characteristics and driving mechanisms of land subsidence in the Cangzhou Plain[J]. Acta Geologica Sinica, 2025, 99(11): 3905-3917.

[19]	单新建, 李彦川, 高志钰, 等. 2022年泸定M_S6.8地震同震形变特征及周边强震危险性[J]. 科学通报, 2023, 68(8): 944-953.

[20]	Shan Xinjian, Li Yanchuan, Gao Zhiyu, et al. Coseismic deformation of the 2022 Luding M_S6.8 earthquake and seismic potential along adjacent major fault[J]. Chinese Science Bulletin, 2023, 68(8): 944-953.

[21]	魏云光, 刘国林, 王凤云, 等. 基于InSAR技术的甘肃积石山M_S6.2级地震地表形变监测与分析[J]. 科学技术与工程, 2025, 25(13): 5305-5315.

[22]	Wei Yunguang, Liu Guolin, Wang Fengyun, et al. Surface deformation monitoring and analysis of Gansu Jishishan M_S6.2 earthquake based on InSAR technology[J]. Science Technology and Engineering, 2025, 25(13): 5305-5315.

[23]	葛鹏飞, 陈蜜, 张领旗, 等. 结合时序InSAR技术分析降雨对三峡库区金鸡岭滑坡的影响[J]. 科学技术与工程, 2025, 25(24): 10161-10174.

[24]	Ge Pengfei, Chen Mi, Zhang Lingqi, et al. Analyzing impact of rainfall on Jinjiling landslide in Three Gorges Reservoir Area using time-series InSAR technology[J]. Science Technology and Engineering, 2025, 25(24): 10161-10174.

[25]	郑冠峰, 邢学敏, 沈绍罗, 等. 白鹤滩水电站库岸边坡InSAR形变估计及时空变形规律分析——以大弯子-骑骡沟段为例[J]. 遥感学报, 2025, 29(7): 2413-2428.

[26]	Zheng Guanfeng, Xing Xuemin, Shen Shaoluo, et al. InSAR time-series deformation estimation and spatiotemporal analysis of the bank area of Baihetan hydropower station: a case study of the Dawanzi-Qiluogou section[J]. National Remote Sensing Bulletin, 2025, 29(7): 2413-2428.

[27]	李世金, 卞正富, 高延东, 等. 先验信息驱动的DSInSAR自适应相位优化算法[J]. 中国矿业大学学报, 2024, 53(2): 409-420.

[28]	Li Shijin, Bian Zhengfu, Gao Yandong, et al. The adaptive phase optimization algorithm for DSInSAR driven by prior information[J]. Journal of China University of Mining & Technology, 2024, 53(2): 409-420.

[29]	邹英杰. 基于SAR/InSAR的开采沉陷盆地信息提取方法研究[D]. 北京: 中国矿业大学(北京), 2024.

[30]	Zou Yingjie. Research on information extraction method of mining subsidence basin based on SAR/InSAR[D]. Beijing: China University of Mining and Technology-Beijing, 2024.

[31]	徐小波, 马超, 单新建, 等. 联合DInSAR与Offset-tracking技术监测高强度采区开采沉陷的方法[J]. 地球信息科学学报, 2020, 22(12): 2425-2435.

[32]	Xu Xiaobo, Ma Chao, Shan Xinjian, et al. Monitoring ground subsidence in high-intensity mining area by integrating DInSAR and Offset-tracking technology[J]. Journal of Geo-information Science, 2020, 22(12): 2425-2435.

[33]	冷红伟, 陶秋香, 刘国林. 基于融合多视和全分辨率的矿区沉降监测[J]. 煤矿安全, 2020, 51(2): 124-127.

[34]	Leng Hongwei, Tao Qiuxiang, Liu Guolin. Mining subsidence monitoring based on combination method of multi-Look and full-resolution interferogram[J]. Safety in Coal Mines, 2020, 51(2): 124-127.

[35]	Wang R, Huang S, He Y, et al. Construction of high-precision and complete images of a subsidence basin in sand dune mining areas by InSAR-UAV-LiDAR heterogeneous data integration[J]. Remote Sensing, 2024, 16(15): 2752.

[36]	刘宝琛, 戴华阳. 概率积分法的由来与研究进展[J]. 煤矿开采, 2016, 21(2): 1-3.

[37]	Liu Baochen, Dai Huayang. Research development and origin of probability integral method[J]. Coal Minging Technology, 2016, 21(2): 1-3.

[38]	陈洋, 陶秋香, 刘国林, 等. InSAR与概率积分法联合的矿区地表沉降精细化监测方法[J]. 地球物理学报, 2021, 64(10): 3554-3566.

[39]	Chen Yang, Tao Qiuxiang, Liu Guolin, et al. Detailed mining subsidence monitoring combined with InSAR and probability integral method[J]. Chinese Journal of Geophysics, 2021, 64(10): 3554-3566.

[40]	李全生, 戴华阳, 王志红, 等. 大梯度形变矿区InSAR三维形变的参考相位修复和PIM融合监测方法[J]. 采矿与安全工程学报, 2025, 42(3): 660-672.

[41]	Li Quansheng, Dai Huayang, Wang Zhihong, et. al. Reference phase retrieve and PIM fusion monitoring method for InSAR three-dimensional deformation in large gradient deformation mining areas[J]. Journal of Mining & Safety Engineering, 2025, 42(3): 660-672.

[42]	胡东升, 程小凯, 张雅飞, 等. 空天地一体化监测联合反演开采沉陷概率积分预计参数研究[J]. 煤炭工程, 2023, 55(1): 81-86.

[43]	Hu Dongsheng, Cheng Xiaokai, Zhang Yafei, et. al. Parameter inversion of mining subsidence probability integration prediction method based on space-air-ground integrated monitoring[J]. Coal Engineering, 2023, 55(1): 81-86.

[44]	刘玉成, 曹树刚, 刘延保. 改进的Konthe地表沉陷时间函数模型[J]. 测绘科学, 2009, 34(5): 16-17, 31.

[45]	Liu Yucheng, Cao Shugang, Liu Yanbao. The improved Knothe time function for subface subsidenec[J]. Science of Surveying and Mapping, 2009, 34(5): 16-17, 31.

[46]	邓喀中, 王金庄, 邢安仕. 采动过程中地表任意点下沉速度计算[J]. 中国矿业学院学报, 1983(4): 71-82.

[47]	Deng Kazhong, Wang Jinzhuang, Xing Anshi. On predicting the surface subsidence velocity in undermining process[J]. Journal of China Mining Institute, 1983(4): 71-82.

[48]	邓喀中, 谭志祥, 姜岩, 等. 变形监测及沉陷工程学[M]. 徐州: 中国矿业大学出版社, 2014.

[49]	Deng Kazhong, Tan Zhixiang, Jiang Yan, et. al. Deformation monitoring and subsidence engineering[M]. Xuzhou: China University of Mining and Technology Press, 2014.