基于InSAR的乌东德水电站库区边坡形变监测及分析

水电站建成投产后,水库水位变化频繁,改变了库岸边坡原有的稳定性,易诱发边坡失稳破坏,从而对水电站的安全运行及周边居民区产生一定安全隐患。为了更好地掌握乌东德水电站蓄水过程中库区边坡的形变情况,通过SBAS-InSAR技术对该区域2020年5月至2022年8月间的升降轨哨兵数据进行解算,获取了研究区的地表形变特征;结合库水位变化情况、SAR数据反演出的边坡土壤含水量后向散射系数,对识别出的5处不稳定区域的形变机理进行分析。结果表明:运用升降轨InSAR可准确识别出库岸边坡的形变情况,研究区最大年平均沉降速率为-92 mm/a;库岸边坡的形变趋势与库水位及土壤含水量后向散射系数变化有着明显的相关性,水库蓄水是致使边坡体加速沉降的主要因素。

基于SBAS-InSAR与Offset-Tracking的色东普流域灾前形变探究

利用SAR偏移量追踪(offset-tracking)技术获取冰川形变作为SBAS-InSAR的补充,采用2种技术计算2018-01~10色东普流域灾前形变,联合分析灾前形变特征及影响因素。结果表明,色东普流域冰川与沟道在2018-10-17冰崩灾害发生前已出现形变;冰川主要形变区形变趋势表现为加速-平缓-加速,7~9月形变量达到-7.69 m;沟道内堆积物长期呈下滑趋势,7月后与冰川均加速形变;气温升高是冰崩碎屑流灾害发生的主导因素。联合SBAS-InSAR与offset-tracking技术能够满足不同形变量级的监测需求,可用于冰崩灾害的早期识别与形变反演,为青藏高原地区冰崩灾害防治提供参考。

基于时序InSAR监测的VMD-SSA-LSTM矿区地表形变预测模型研究

矿区地表形变引起的滑坡、塌陷等灾害对矿山安全生产造成了极大影响,因此对地表形变进行预测对于矿山安全开采和灾害预警预报具有重要的现实意义。采用时序InSAR技术获取矿区面域式地表形变数据,结合变分模态分解算法(VMD)对其进行分解,通过构建麻雀优化算法(SSA)与长短期记忆神经网络(LSTM)相结合的预测模型,对分解后的形变分量进行综合预测;以云南省玉溪市大红山矿区为例,利用该模型对其地表形变进行了预测,结果表明:VMD算法在一定程度上可以解决矿山地表形变数据时序特征复杂且难以直接分析判别的问题;SSA-LSTM预测模型通过智能搜索算法自动寻找预测网络模型超参数,有效减少了人为因素对模型预测效果的干扰,模型预测结果的决定系数R2均大于0.96;同时,该模型采用“多维输入”的方式训练模型,提高了训练效率;该模型在预测精度、训练效率等方面均取得了较好的效果。采用VMD-SSA-LSTM预测算法对时间序列InSAR监测下的形变数据进行分析能有效预测矿区地表形变,可为矿山安全生产管理提供参考。

结合Prophet-CNN模型的多轨时序InSAR矿区三维形变监测预警

绝大多数矿区由于矿床的地质条件及特殊的采矿方式,推进开采容易引发矿区地质应力失衡,造成不同程度的变形破坏。为探究采矿活动下大红山矿区地表稳定性,本文通过对覆盖大红山矿区2021—2023年的三轨SAR影像进行联合解算矿区三维形变场,分析矿区形变特征;在此基础上,运用Prophet-CNN模型对形变时序进行训练,构建形变预测模型对矿区的三维形变趋势并进行预测;结果表明,矿区在开采活动的影响下地表持续发生形变,形变主要分布于硝水箐—南部废石场、露天采区及铜矿采区,最大垂直形变速率为-51.22 mm/a;采用Prophet-CNN组合模型对矿区地表三维形变进行时序预测,3个方向预测结果的RMSE与MAE分别在2.90和1.85 mm以下,充分证明了本文方法能够运用于矿区沉降趋势预测,为防灾减灾工作提供技术依据。