En ny metod för finmaskig identifiering av sänkningsbassänger vid kolbrytning baserad på TS-InSAR och egenskaper hos sänkningskurvor

Varför marksänkning påverkar vardagen

I många delar av Kina omformar kol som bryts djupt under marken tyst landskapet ovanför. När berglager kollapsar ner i tömda skikt kan markytan långsamt sjunka och bilda vida, grunda skålar som kallas sänkningsbassänger. Dessa dolda förändringar hotar bostäder, vägar, rörledningar, åkermark och känsliga gräsmarker. Artikeln bakom denna text presenterar ett nytt sätt att snabbt och noggrant upptäcka och avgränsa dessa sänkningsområden med hjälp av radarsatelliter och smart mönsterigenkänning, vilket ger ett kraftfullt verktyg för säkrare gruvdrift och bättre markskydd.

Att iaktta marken från rymden

Forskarlaget förlitar sig på en satellitteknik kallad InSAR, som mäter hur jordens yta stiger eller sjunker genom att jämföra radarsignaler över tid. Moderna uppdrag som Sentinel-1 skannar upprepade gånger stora landområden och kan upptäcka markrörelser på några millimeter. Genom att sammanställa många bilder till en tidsserie kan teamet följa hur varje punkt på marken rör sig månad för månad. Denna breda, precisa täckning gör det möjligt att övervaka omfattande kolområden i östra, centrala och västra Kina utan att installera täta nätverk av markbaserade sensorer.

Det karakteristiska formen för gruvrelaterad sänkning

Decennier av fältmätningar har visat att marksänkning ovanför aktiva kolodlingar tenderar att följa ett karakteristiskt mönster. När brytning börjar under en plats sätter ytan först sig långsamt, sedan snabbare, och slutligen avtar det när den underjordiska tomheten stabiliseras, vilket ger en S-formad kurva när sänkningen plottas över tid. Områden som inte påverkas av brytning rör sig i regel mycket lite eller visar oregelbundna, lågamplitudsvariationer drivna av säsongsvatten, naturlig kompaktion eller andra lokala faktorer. Författarna insåg att dessa kurvformer, inte bara den totala sänkningsmängden, kan användas som ett fingeravtryck för att skilja gruvskador från annan deformation.

Att göra kurvor till data som datorn kan lära sig av

För att använda detta fingeravtryck byggde teamet ett stort bibliotek av tidsseriekurvor för sänkning. De kombinerade 564 noggrant uppmätta markpunkter från flera kolregioner med 10 000 realistiska kurvor genererade från etablerade matematiska modeller för gruvsänkning, och ytterligare 20 000 kurvor från områden som visade ingen betydande deformation i satellitdata. Varje kurva standardiserades: dess tidsomfång skalades om till en gemensam ram och sänkningsvärdena normaliserades, därefter samplades de vid tio jämnt fördelade tidpunkter, med maximal sänkning kvar som en extra egenskap. Detta gav en kompakt uppsättning av 11 siffror per plats som fångade både formen och storleken på dess rörelsehistoria.

Att lära en modell att spåra osynliga gränser för gruvor

Med detta funktionsbibliotek i handen tränade forskarna en viktad support vector machine, en typ av maskininlärningsmetod väl lämpad för små men informativa datamängder. Eftersom verkliga sänkande pixlar är betydligt färre än stabila pixlar justerade de modellen för att ge extra uppmärksamhet åt minoritetsklassen så att subtila bassänger inte skulle förbises. När modellen var tränad kunde den tillämpas pixel för pixel på InSAR-tidsserier från vilken gruvdistrikt som helst, och klassificera varje plats som gruvinducerad sänkning eller inte. Tester i tre mycket olika kolfält—stadsmiljö, bymiljö och gräsmarksområden—visade att algoritmen framgångsrikt återfann hela formerna av sänkningsbassänger och förblev känslig även för sena, långsamma kvarvarande sänkningar efter att brytningen upphört.

Att sätta siffror på framgång i fält

För att bedöma hur väl deras tillvägagångssätt fungerade jämförde teamet modellens förutsagda bassängkanter med precisa nivelleringenmätningar längs mätlinjer på marken. De fokuserade på konturen där kumulativ sänkning når 10 millimeter, en kritisk tröskel i kinesisk ingenjörspraxis för början av byggnadsskador. Den nya metoden uppnådde inte bara nästan 99 procent total noggrannhet i testerna, utan förbättrade också positionsbestämningen av denna 10-millimeterslinje med ungefär 80 procent jämfört med en tidigare InSAR-baserad teknik som förlitade sig på enklare tidsseriematchning. Att lägga till simulerade kurvor i träningsdata ökade ytterligare noggrannheten genom att berika variationen av beteenden som modellen kunde känna igen.

Vad detta betyder för gruvor, samhällen och landskap

För icke-experter är huvudbudskapet att vi nu kan kartlägga var kolbrytning tyst drar marken nedåt med mycket finare detaljer och med avsevärt mindre lokal kalibrering än tidigare. Genom att lära sig den typiska ”hjärtrytmen” av brytningsrelaterad sänkning från en kombination av fält- och modellerade data, och sedan läsa den rytmen i satellitdata, kan metoden snabbt skissera ut det verkliga omfånget av underjordiska arbeten—även i nya distrikt där ingen tidigare satellithistorik finns. Denna skarpare bild av riskzoner kan vägleda säkrare gruvplanering, byggnadsskydd, återställningsinsatser och miljöåterställning, och hjälpa till att balansera energiproduktion med den långsiktiga hälsan hos städer, jordbruk och ekosystem som ligger ovanför skikten.

Citering: Huang, S., Zhang, Y., Yan, Y. et al. A novel fine-scale identification method for coal mining subsidence basin based on TS-InSAR and subsidence curve characteristics. Sci Rep 16, 10875 (2026). https://doi.org/10.1038/s41598-026-45625-8

Nyckelord: sänkning vid kolbrytning, satellitradar InSAR, kartläggning av markdeformation, maskininlärningsklassificering, övervakning av markytan