基于时序InSAR与沉降曲线特征的煤矿塌陷洼地精细识别新方法

地面下沉为何与日常生活息息相关

在中国的许多地区，深部开采的煤层悄然改变着地表。随着岩层坍塌进入被掏空的煤巷，地表会逐步下沉，形成宽广而浅的盆状凹陷，称为沉降洼地。这些隐蔽的变化威胁着房屋、道路、管线、农田和脆弱的草地。本文所述的论文提出了一种新方法，结合雷达卫星观测与智能模式识别，能够快速且准确地发现并勾画这些下沉区域，为更安全的采矿和更有效的土地保护提供了有力工具。

从太空监视地面

研究人员依靠一种称为 InSAR 的卫星技术，通过比较不同时刻的雷达信号来测量地表的升降。像 Sentinel-1 这样的现代任务会重复扫描大范围土地，能检测到毫米量级的地表运动。通过将大量影像组装成时间序列，团队可以逐月追踪地面每一点的位移。如此广域且精确的覆盖使得在无需布设密集地面传感器的情况下，也能监测中国东部、中部及西部的大型煤炭区。

采矿沉降的典型形态

几十年的野外测量表明，活动采煤面的上方地面沉降往往遵循一种特征性模式。当底下开始采掘时，表面先缓慢下沉，然后加速，最后在地下空腔稳定后逐渐减缓，若将沉降随时间绘出便呈现 S 型曲线。相比之下，未受采矿影响的区域通常移动很小，或表现为由季节水分、自然压实或其他局部因素驱动的不规则、低振幅变化。作者意识到，这些曲线的形状——而不仅仅是累计下沉量——可以作为指纹，用来区分采矿引起的破坏与其他类型的形变。

把曲线转换为计算机能学习的数据

为利用这一指纹，团队建立了一个大型的时序沉降曲线库。他们将来自若干煤区的 564 个精测地面点与基于既有采矿沉降数学模型生成的 10,000 条真实感曲线，以及来自卫星数据中未见显著形变区域的 20,000 条附加曲线结合在一起。每条曲线都被标准化：时间范围被重缩放到一个公共框架，沉降值被归一化，然后在十个等间隔时刻进行采样，并将最大沉降值作为额外特征保留。这样每个位置产生了 11 个紧凑数字，既捕捉了位移历程的形状，又包含了其规模信息。

教会模型勾画看不见的矿区边界

有了这个特征库，研究人员训练了加权支持向量机，这是一类适合小而信息量密集数据集的机器学习方法。由于真实沉降像素远少于稳定像素，他们对模型进行了调整，使其对少数类别额外关注，从而不忽视微弱的洼地。一旦训练完成，模型即可逐像素应用于任一矿区的 InSAR 时序，判定该位置是否为采矿诱发的沉降。在城镇、村庄和草原三类迥异的煤田测试中，算法成功恢复了沉降洼地的完整形状，且即便在采矿停止后的晚期慢速残余下沉阶段也保持灵敏。

用数值评估现场成效

为评判方法效果，团队将模型预测的洼地边界与沿地面测量线的精密水准测量进行了比较。他们关注累计沉降达到10毫米的等高线——这是中国工程实践中判定建筑损害起始的重要阈值。新方法在测试中整体准确率接近 99%，且在该 10 毫米线的边界位置上，相较于先前依赖更简单时序匹配的 InSAR 技术，位置精度约提高了 80%。向训练数据中加入模拟曲线通过丰富模型可识别的行为范围，进一步提升了准确性。

这对矿山、社区与景观意味着什么

对非专业读者来说，关键结论是：我们现在能以更细致的尺度、且远少于以往的现场校准量，绘制出煤矿在地下悄然拉低地面的区域。通过从实测与模型化数据中学习采矿相关沉降的典型“心跳”，并在卫星观测记录中识别这种心跳，该方法能迅速勾勒出地下开采的实际影响范围——即便在没有先前卫星历史的新矿区也是如此。这一更清晰的风险图景可指导更安全的矿区规划、建筑防护、土地复垦与环境修复，帮助在能源生产与覆盖于煤层之上的城镇、农田与生态系统的长期健康之间取得更好的平衡。

引用: 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

关键词: 煤矿沉降, 卫星雷达 InSAR, 地面形变制图, 机器学习分类, 陆地表面监测