Hochpräzise Vorhersagemethode für Bergbauverformungen basierend auf GNSS RTK und Stacking-Ensemble-Learning

Warum das Beobachten der Bodenbewegung Leben retten kann

Moderne Bergwerke verändern still und stetig jede Stunde, jeden Tag die Landschaft. Ein Großteil dieser Bewegung ist langsam und harmlos, doch manchmal rutschen Hänge plötzlich ab oder Halden geben nach und gefährden Arbeiter, Geräte und umliegende Gemeinden. Diese Arbeit zeigt, wie satellitengestützte Positionsbestimmung und fortgeschrittene Datenanalyse winzige Bodenverschiebungen – bis hinab zu Bruchteilen eines Millimeters – erfassen und in Frühwarnungen verwandeln können, bevor geringes Nachsacken in eine schwere Katastrophe mündet.

Der Mine mit Satellitensignalen zuhören

Statt sich nur auf Sichtprüfungen oder gelegentliche Vermessungen zu verlassen, nutzen die Autoren ein Netzwerk permanenter Global Navigation Satellite System (GNSS)-Stationen rund um ein Tagebau-Kohlebergwerk in Xinjiang, China. Diese Stationen arbeiten im Real-Time Kinematic (RTK)-Modus und messen kontinuierlich ihre dreidimensionale Position mit Zentimeter-Genauigkeit jede Stunde, Tag und Nacht. Über Monate und Jahre entsteht so ein reiches Zeitraffermodell davon, wie sich jeder Punkt der Bergbauoberfläche langsam hebt, senkt oder verschiebt. In diesen Daten stecken frühe Hinweise auf Probleme – sie sind jedoch von Störungen durch Atmosphäre, Satellitenbahnen, elektronische Rauscheffekte und Sprengungen überlagert.

Das Signal säubern, damit echte Bewegung sichtbar wird

Um verrauschte Messungen in vertrauenswürdige Bodenbewegungen zu verwandeln, entwickelt das Team eine „Fusion-Filter“-Pipeline, die mehrere Rauschunterdrückungsverfahren kombiniert, anstatt sich nur auf eines zu stützen. Zuerst entfernt ein Medianfilter plötzliche Ausreißer, die durch kurzzeitigen Signalverlust oder elektrische Störungen entstehen. Anschließend wird ein Butterworth-Filter unterschiedlich für ruhige, stabile Zonen und aktivere Hänge abgestimmt, um hochfrequentes Zittern zu eliminieren und echte niederfrequente Bodenbewegungen zu erhalten. Ein Savitzky–Golay-Filter glättet die Daten unter Bewahrung wichtiger lokaler Krümmungen und Knicke, die auf Verhaltensänderungen hinweisen können. Schließlich passt ein adaptiver Kalman-Filter seine Gewichtung abhängig von der Bewegungsgeschwindigkeit des Bodens an und gewichtet dabei stärker entweder vergangene Trends oder aktuelle Beobachtungen. Dieser schrittweise Prozess reduziert die Streuung in den Koordinatendaten in vertikaler Richtung um bis zu etwa ein Drittel, ohne sinnvolle Verformungen zu löschen.

Modelle anlernen, um winzige Verschiebungen vorherzusagen

Nach der Bereinigung der Daten wechseln die Autoren vom Messen zum Vorhersagen. Sie wandeln die Stationskoordinaten in kumulative Verformungen um – also wie weit sich jeder Punkt seit Beginn bewegt hat – und zerlegen diese Bewegung in drei Teile: einen langfristigen Trend, wiederkehrende saisonale Schwankungen und unregelmäßige Restanteile. Außerdem berechnen sie die Änderungsrate der Bewegung (Geschwindigkeit) und wie schnell diese Geschwindigkeit selbst sich verändert (Beschleunigung). Diese Bestandteile bilden eine Art Gesundheitsprotokoll für jeden Standort. Anstatt auf eine einzige Prognosemethode zu setzen, stellen die Forscher ein Modellensemble zusammen: klassische Zeitreihenverfahren, die gut mit stabilen Trends und Zyklen umgehen, und moderne Machine-Learning-Modelle, die kompliziertes, nichtlineares Verhalten erfassen. Ein abschließendes „Schiedsrichter“-Modell lernt, wie jedes Ensemble-Mitglied zu gewichten ist, sodass die kombinierte Vorhersage der Realität möglichst genau entspricht.

Von Rohdaten zu verlässlichen Warnungen

In Tests mit nahezu zwei Jahren Messdaten von 19 Stationen sagt der kombinierte Ansatz zukünftige Verformungen mit Root-Mean-Square-Fehlern unter 0,3 Millimetern voraus, selbst bei Vorhersagen bis zu drei Tage im Voraus. Die Methode erfasst sowohl sanfte langfristige Setzungen als auch schärfere Veränderungen im Zusammenhang mit bergbaulichen Aktivitäten und bleibt stabil, wenn sich Bedingungen zwischen Stationen und über die Zeit ändern. Zusätzlich zu den Vorhersagen implementieren die Autoren ein Warnsystem, das jeden Zeitpunkt anhand von Geschwindigkeit und Beschleunigung in Stadien einteilt – stabiles Kriechen, langsame Beschleunigung oder rasche Instabilität. Mit einem Clustering-Algorithmus und einem gleitenden statistischen Fenster passt sich das System automatisch an, sodass kleine, harmlose Schwankungen keine Alarme auslösen, wohl aber deutliche Abweichungen vom erwarteten Verhalten.

Vorhersagen in sicherere Bergwerke verwandeln

Für den Nichtfachmann ist die Kernbotschaft, dass diese Arbeit subtile, schwer zu interpretierende satellitengestützte Positionsdaten in ein praktisches Frühwarninstrument verwandelt. Durch intelligentes Säubern des Signals und die Kombination mehrerer Vorhersagemethoden können die Autoren Bodenbewegungen in Risikozonen wie inneren Halden und steilen Hängen mit submillimeterpräziser Genauigkeit antizipieren. Das macht die Hardware nicht genauer, als die Physik es zulässt; vielmehr bedeutet es, dass die verbleibenden Vorhersagefehler, nachdem Rauschen herausgefiltert und aus vergangenem Verhalten gelernt wurde, äußerst gering sind. Eine derart detaillierte Voraussicht erlaubt Bergwerksbetreibern, gefährliche Trends früher zu erkennen, Inspektionen auf die instabilsten Bereiche zu konzentrieren und Verstärkungsmaßnahmen oder Evakuierungen zu planen, bevor ein langsames Nachsacken in einen plötzlichen Rutsch übergeht.

Zitation: Dong, X., Ma, R., Tian, W. et al. High-precision prediction method for mine deformation based on GNSS RTK and stacking ensemble learning. Sci Rep 16, 12277 (2026). https://doi.org/10.1038/s41598-026-41945-x

Schlüsselwörter: Überwachung von Bergbauverformungen, GNSS RTK, Frühwarnung vor Erdrutschen, maschinelles Lernen Vorhersage, Tagesbruch-Bergbausicherheit