中国安全科学学报

作者：李刚, 支梦辉, 李斌, 杨帆, 彭志伟, 李东亮

单位：1 山西晋煤集团技术研究院有限责任公司, 山西 晋城 048000；2 山西省地球物理勘探创新技术中心,山西 晋城 048000；3 辽宁工程技术大学 测绘与地理科学学院, 辽宁 阜新 123000；4 晋能控股集团晋圣松峪煤业有限公司, 山西 晋城 048200；5 晋能控股集团 赵庄煤业有限责任公司, 山西 晋城 048000

关键词：地面沉降,形变预测,小基线集干涉合成孔径雷达(SBAS-InSAR)技术,长短期记忆网络(LSTM)模型,变分模态分解-长短期记忆网络(VMD-BP)模型

基金：国家自然科学基金资助(50604009); 辽宁省教育厅科学技术研究项目(LJ2020JCL006); 自然资源部国土卫星遥感应用重点实验室资助项目(LSMNR-202107)

为研究地下采矿引发的地面沉降预测问题,以山西省晋城市阳城县为背景开展地表沉降监测与预测方法研究。首先,获取2018年1月至2020年12月期间的Sentinel-1 SAR影像(81景),结合数字高程模型(DEM)、大气校正在线服务(GACOS)及精密轨道数据,采用小基线集干涉合成孔径雷达(SBAS-InSAR)技术精细化监测区域地表形变情况,揭示其时序演化与空间分布特征(最大沉降速率达27.84 mm/a);然后,构建基于变分模态分解(VMD)与反向传播(BP)神经网络相结合的混合预测模型(VMD-BP);最后,将该模型预测性能与传统长短期记忆网络(LSTM)模型及变分模态分解与长短期记忆网络(VMD-LSTM)模型进行对比分析。结果表明:VMD-BP模型显著提升了预测精度,在测试点位(点位a)的均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分别低至0.278 01 mm、0.234 29 mm和0.39%,远优于LSTM及VMD-LSTM模型。

来源：2025年第S1期

《中国安全科学学报》期刊编辑部

查看中国安全科学学报杂志2025年第S1期