论文部分内容阅读
煤矿行业的发展为我国城市化进程和区域经济的协调发展做出了巨大的贡献。但伴随着煤炭资源的大规模开采,地表结构不断遭到破坏,引起的地面沉降、塌陷、建筑物变形倒塌和公共设施损毁等一系列矿区灾害问题严重的威胁到了矿区人民的生命财产安全,地区的可持续性发展面临着严峻的挑战。因此,开展矿区地面沉降的长期高效监测、建筑物的动态损坏评估及预测预警研究工作,对于矿区的防灾减灾工作以及地区的和谐稳步发展有着重要的理论和现实意义。近年来新兴的合成孔径雷达干涉技术（Interferometry Synthetic Aperture Radar,In SAR）以其全天时、全天候、高精度、连续覆盖等优点弥补了传统光学遥感在特殊环境下成像困难的短板,克服了传统观测技术采样点密度低、延续性差的困难,为矿区形变监测带来了一种全新、高效的观测方法。然而,当前In SAR仅仅被作为一种获取矿区形变信息的手段,其在矿区防灾减灾工作中的实际应用价值没有完全发挥。如何将In SAR技术和矿区形变研究更好的结合,真正高效的应用到矿区地面沉降长期监测、建筑物动态损坏评估及预测预警等防灾减灾工作中去,仍处于探索阶段,也是一个亟待解决的问题。因此,论文以华东淮南矿区为研究区,综合对地观测技术、地质、结构以及计算机机器学习等相关理论知识,开展基于In SAR技术的矿区地表时空演变分析、建（构）筑物受采动影响的动态损坏评估及预测预警研究,为矿区的地表沉陷监测及灾害评估、预警工作提供高效的方法和可靠的依据。论文的主要研究内容和成果如下:（1）基于差分干涉测量（Differential In SAR,D-In SAR）技术和Sentinel-1A的淮南矿区形变区域识别与特征提取研究,验证了D-In SAR技术和Sentinel-1A数据在淮南矿区开采沉陷监测中的能力。基于Sentinel-1雷达影像数据,应用DIn SAR技术,反演了淮南矿区的地表形变结果,识别并圈定了研究区内的所有形变区域,探查了研究区内形变区域的空间分布,分析了影响区域形变特征的原因,揭示了形变区域的空间形变特征和规律。结果表明研究区内共有25处形变区域,主要分布于淮南矿区的西部和北部;淮南矿区内由于煤炭开采引发的形变干涉条纹在干涉图中都呈现面积小、形状规则的同心圆形或椭圆形空间形态特征;形变区域在空间上都呈现出典型的漏斗状地面沉降特征,区域沉降量最大值处都位于形变区域的中心位置,沉降量随着形变区域的中心向边界处逐渐减小。（2）基于Sentinel-1A数据的不同地物类型时序相干性研究,揭示了不同地物类型的时序相干性变化规律。深入探讨了影响In SAR技术相干性的因素指标,利用Sentinel-1A数据,筛选出时间和地物类型两个不同的重要影响指标,以此开展了矿区内不同地物类型在不同时间段内对D-In SAR技术的去相干影响研究,定量的分析了矿区内不同地物类型的时序相干性变化特征。选取淮南矿区4类典型地物:农地、林地、裸地、居民地为代表,通过相干系数的计算,分别获取了4种地物类型在一年中各个月份的时序相干性变化结果。结果表明4类地物在一年中总体有着相似的相干性变化趋势,其中6至9月相干性最差,12月至3月相干性最好;居民地和裸地全年中表现出了较为稳定的高相干性,而农地和林地则表现出了较强的季节性变化相干性;研究区内4种地物类型在一年各月中的平均相干系数值均高于0.32,满足长时序形变监测的相干性要求。通过与矿区的气象要素图对比,结果表明相干性的变化趋势与当地降水量、气温的变化趋势呈负相关关系。通过实地的走访勘查,表明农地和林地区域相干性表现出的强季节性变化与当地农作物种植周期、植被的生长周期有着密切关系。（3）基于小基线集（Small Baseline Subsets In SAR,SBAS-In SAR）技术的矿区建（构）筑物安全监测与损坏评估研究,验证了该方法的有效性。通过深入的分析对比矿区形变对建筑物结构损坏影响的因素和特点,筛选损坏指标;并根据矿区建筑物的实际结构特征,选取损坏评估模型,利用SBAS-In SAR技术能够快速获取区域面状形变信息的特点,提取损坏指标并结合损坏评估模型,实现矿区建筑物的快速动态安全监测与损坏评估。以淮南矿区杨聚庄居民区为例,基于2015年7月至2016年8月20景Sentinel-1A卫星影像数据,应用SBAS-In SAR技术反演了研究区在监测期内的形变信息,获取了研究区内的时间序列形变图,并基于时序形变结果,提取了研究区内建筑物的动态损坏评估结果图,并通过对研究区建筑物损坏情况的实地勘察结果进行验证。结果表明本次的损坏评估结果与研究区内建筑物实际损坏情况有较高的一致性,该方法为利用In SAR技术实现矿区区域建（构）筑物的快速动态安全监测与损坏评估提供了新的途径和手段。（4）联合时序InSAR和机器学习理论的矿区形变预测研究,提出了灰色支持向量机（Grey-Support Vector Machine model,GM-SVR）组合预测模型。通过利用时序In SAR技术获取的矿区时间序列形变结果,获取形变的时空演化规律和发展趋势;根据矿区的形变时空演化规律结合时序In SAR数据集的特点,基于组合建模的思想,综合灰色模型强大的线性处理和支持向量机优良的学习、泛化以及高维空间非线性处理能力的优势,建立GM-SVR组合预测模型,通过分别对线性和非线性形变分量的预测,最终实现矿区形变的预测研究。以研究区杨聚庄时序In SAR监测的结果进行预测模型的实例分析,验证了GM-SVR组合模型的全局预测能力,通过与单一预测模型的对比,结果表明GM-SVR组合模型预测精度最高且性能稳定,是一种有效的形变预测方法。