顾及WD-BP降噪的SBAS-InSAR矿区地表沉降监测

在煤层开采过程中如果不及时了解地表形变状况将对周边居住地产生安全隐患¹用准确模拟预测地表沉降是地面风险预警的基础开使用SBAS-InSAR生成的地表信息对矿区地表沉降进行预测和分析具有重要意义刘青豪[2]等用SBAS-InSAR技术获取大面积地表时序形变结果用长短期记忆(LSTM模型进行地表特征学习并进行预测分析预测精度比传统的预测模型高为了提高模型的预测精度开周定义³1等通过PSO算法优化BP模型的超参数开达到最优参数配置研究表明SBAS-InSAR技术结合深度学习预测模型对矿区地表沉降监测与预测是可行的用然而InSAR获取高维的数据不仅影响机器学习速度而且可能包含错误的噪声信息开少有研究把矿区InSAR时序数据进行降噪处理应用于预测模型用通过选取某煤矿2017年3月～2018年9月的44术处理并获取该研究区的时序沉降值分析该研究区周边村庄沉降情况用通过实测数据验证其精度用小波BP神经网络(WD-BP)对沉降序列值预测分析用1.1小波降噪基本原理小波基表达式由不同尺度因子a和时移因子b组使用连续小波变换(G)把信号x(t)映射到时间一尺度面：因子IC是小波容许性条件用将数据多层分解用相关的阈值方法对小波分解后的系数进行阈值处理最终重构得到去噪后的信号本文采用db3小波函数开该小波不仅具有连续性和正交性而且支持集最小意味着该小波所需的滤波器数量较少#在处理沉降值时开使用db3小波进行降噪能显著减少噪声提高信号BP神经网络是采用误差逆向传播算法进行训练的多层前馈神经网络BP神经网络由输入层、隐藏层和输出层三部分组成用①将沉降时序值通过式(2)三层一维小波分解开分解后采用硬阈值处理方法用当式(2)C满足式(3)时实现小波重构用②小波变换重构值进行归一化处理将小波变换重构和归一化处理后的值进行训练集和测试集分类用③假设输入层有n个神经元隐含层有p个神经输入层怜y=[y₁Hy₂H….Fy。]作为输出层开期望输出为d=[d₁Hd.….d,]以W₁表示权重因子b表示偏置因子f表示激活函数则：④输出层y即预期结果与期望输出d的误差公式表示为：⑤根据式(5)和设定的学习率η本文设置为0.01#向参数的负梯度方向更新神经网络中各层的权重及偏置项即误差逆向传播算法经过k-1次迭代开选用淮南市潘集区某煤矿作为实验研究区大致范围在11647,E～11650,E3251,N～3253,N开该煤矿122X1)工作面2017年3月25日正式开采2017年10月26日停采开采时间215d平均开采长度805m平均开采速度3.7nmd用1222(1)工作面观测站于2017年3月19日开始进行首次全面观测到2018年9月18日进行末次全面观测51用研究区概况见图1#实验选取44景影像通过SARscape进行SBAS操作处理生成研究区的整体形变图包含以2017年4月2日为基准时间的时序累计形变数值选取当中15幅时间序列形变图开如图2所示开以工作面为中心沉降最明显由外向内颜色越深沉降越严重最大累计抬升量为104mml最大累积沉降量为-222mm#更直观地看出12221)工作面的采矿活动对庙东北村的影响较小前圩村位于设计停采线东北侧明显看出对设计停采线有影响主要由于下沉和倾斜所致用在研究区内布设的水准特征点ML01、ML18、ML31开沿沉陷较大区域到沉陷边缘均匀分布开这三个点能够反映工作面沉降信息观测值能够验证InSAR结果的准确性#将SBAS-InSAR监测到的地面时序沉降结果与相同时期、一定邻近距离范围内的水准测量数据进行对比如图3所示ML01、ML18、ML31三点水准数据与SAR数据沉降趋势一致R分别为0.98、0.760.96说明SBAS-InSAR技术沉降监测精度3WD-BP模型预测结果及分析-136的前40期时序沉降数据后4期数据作为测试样本建立WD-BP神经网络模型开将预测值与41～44期数据作差判断参数最优开获取预测的时序沉降值用预测对比三种预测方法基本符合InSAR沉降趋势同时表明WD-BP模型预测效果更好结果见表1#三种预测模型中WD-BP精度高于传统沉降点①通过SBAS-InSAR获取的工作面12221)影响地表的沉降速度图可知该工作面中心沉降最明显最大沉降速度达到-140mmda曲根据时序累计图看开工作面回采对西边侧的庙东北村影响不大对东北侧的前圩村有影响②输入降