摘要
煤炭作为我国国民经济的命脉，不得不对煤炭进行大量开采，煤炭开采造成的矿区地下空洞，严重破坏了原有的地下岩体应力平衡。矿区地表沉陷作为矿区地质灾害之主要的表现之一，严重危害当地的自然环境和人们的生产和生活。因此对矿区沉陷区进行形变监测显得尤为重要，特别是对于山西省这样的煤炭大省，获取山西省全省的矿区沉陷区形变数据有着重要的意义。传统的测量方法早已不能满足矿区沉陷区的大量级、大范围的形变监测效率和精度，具有全天候、高精度等优势的雷达干涉测量技术现在广泛应用于矿区沉陷区监测。但是由于矿区形变量级大、形变过程为非线性和时空不连续等问题，为InSAR监测技术带来了重重困难，应充分结合多种InSAR技术，如D-InSAR技术、SBAS-InSAR技术、PS-InSAR技术等，对不同方法监测结果进行综合性分析，可以发挥不同监测技术优势，更加快速、全面的获取山西省矿区沉陷区形变监测结果。矿区所处的地理环境复杂多变，InSAR监测所得结果往往掺杂着大量的噪声，降低结果的精度，难以有效的获取沉陷边界。深度学习方法可以学习到样本图像内在特征并保存为外部特征模型，并基于该特征模型应用于同类型样本图像进行特征提取，可以高效的对图像进行识别或分类。本文尝试使用深度学习的方法对InSAR监测结果进行的沉陷区边界提取，并基于阈值分割法对提取结果作对比分析，取得了一定的效果。本文所做的工作内容如下： （1）本文利用2017年3月至2020年12月期间获取覆盖山西省全域3个不同轨道的Sentinel-1SAR影像数据，结合D-InSAR技术和SBAS-InSAR技术对山西省全域进行地表形变监测研究，得到了山西省地表形变监测结果图，基于InSAR地表形变监测结果，粗略划定出2410处地表形变区域，总形变面积为3742.79km2，结合形变特征和现有的地质资料对形变进行分类，其中城市地面沉降为5处，面积约为45.67km2，占总形变面积的12.17%，其余均为矿区开采引起的地表形变。结果表明，在山西省的11个行政市中，矿区沉陷区面积最大为吕梁市，沉陷面积为854.75km2，沉陷面积占全市总面积比例最高的是阳泉市，沉陷区面积占比为4.7%，运城市是沉陷区面积最小的市，沉陷区面积和沉陷区面积占比分别为68.27km2和0.48%。 （2）为了分析沉陷区的形变特征，分别采用SBAS-InSAR技术和PS-InSAR技术对山西省矿区进行重点监测，并对数据处理过程的流程和参数进行了详细的阐述。在SBAS-InSAR技术监测结果中选择了大同矿区一处典型的沉陷区进行了剖面分析，沿剖线选取了三个特征点进行时序分析，并结合PS-InSAR技术监测结果进行交叉验证。 （3）基于大同矿区InSAR监测地表形变速率结果，分别采用阈值分割法和深度学习的方法对沉陷区进行边界提取。阈值分割法操作简单，但是易受噪声影响，所得结果存在较多误差像元；深度学习方法可实现沉陷区自动化提取，但前期需要制作大量样本并选择合适的网络模型进行训练才能真正的实现高精度识别，所得识别结果精度远高于前者。
NETL