【技术实现步骤摘要】
本专利技术属于矿区监测领域，尤其涉及一种基于insar的开采沉陷盆地信息提取方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、煤炭开采导致的地质灾害问题越来越受关注，为了减少因煤炭开采引起的地质环境灾害，需要通过科学的方法监测矿区开采沉陷，分析地表沉陷的时空演化规律，研究地表沉降的变化过程和影响范围等因素。
3、传统的地表形变测量方法包括水准测量、全站仪测量和全球卫星导航系统gnss测量等，这三种测量手段一般只以矿区地表观测点为监测对象；这种以点概面的方法存在很大的缺陷，无法完整地反映地表完整形变场以及形变的动态过程。合成孔径雷达干涉测量（insar）技术是一种重要的非接触式测量手段，它具有全天时、全天候、高空间分辨率和广泛的范围等优点。近年来，研究人员将insar与深度学习技术融合，自动识别开采沉陷区的位置分布。然而，这些方法依赖人工选取的训练样本，训练数据集的数据量有限，同时，仅通过位置分布信息往往无法全面了解地下开采情况；此外，矿区的insar干涉图的特点是噪声大、条纹密，这导致难以从干涉图中高效、准确地提取沉降量信息；因此，现有方案的复杂度高、鲁棒性弱，无法实现高效、精确地开采沉陷沉降监测。
技术实现思路
1、为克服上述现有技术的不足，本专利技术提供了一种基于insar的开采沉陷盆地信息提取方法及系统，基于真实训练数据集和模拟训练数据集，对深度学习网络模型进行充分的训练，提高开采沉陷盆地信息
2、为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：
3、本专利技术第一方面提供了一种基于insar的开采沉陷盆地信息提取方法。
4、一种基于insar的开采沉陷盆地信息提取方法，包括：
5、获取待监测矿区的insar干涉图；
6、将insar干涉图输入到训练好的深度学习网络模型中，提取开采沉陷盆地信息；
7、其中，所述深度学习网络模型的训练数据集，包括真实训练数据集和模拟训练数据集，所述真实训练数据集是采用差分干涉测量与静态概率积分法结合的方式求取真实的开采沉陷盆地信息进而构建的，所述模拟训练数据集是利用动态概率积分法模拟开采沉陷相位，再结合柏林噪声和高斯噪声模型构建的。
8、进一步的，所述insar干涉图的获取方法为：采用合成孔径雷达sar对待监测的矿区进行高分辨的微波成像，通过差分雷达干涉测量方法处理所述微波成像，得到insar干涉图。
9、进一步的，所述深度学习网络模型，包括特征提取模块、扩张卷积模块、残差网络模块和特征输出模块；
10、所述特征提取模块，从insar 干涉图中提取多个特征图；
11、所述扩张卷积模块，使用不同扩张率的卷积层对提取的多个特征图进行多尺度信息融合；
12、所述残差网络模块，基于多个残差结构的卷积层，对残差网络模块的输入和输出进行连接；
13、所述特征输出模块，从残差网络模块输出的特征图中，提取开采沉陷盆地信息；
14、所述开采沉陷盆地信息为地表沉降值。
15、进一步的，所述采用差分干涉测量与静态概率积分法结合的方式，具体为：
16、对于小量级开采沉陷区域，采用 d-insar 的沉陷监测结果作为样本标签数据；
17、对于大量级开采沉陷区域，基于样本标签数据，按照 insar 与静态概率积分法结合的方式求取，制作相应的样本标签数据。
18、进一步的，所述利用动态概率积分法模拟开采沉陷相位，具体为：
19、采取概率积分法动态预计的方式进行矿区开采沉陷预计，通过对开采参数的调整，使用knothe时间函数得到不同工作面预计时间内不同强度和形态的地表沉降值，进而构建沉陷预计模型。
20、进一步的，所述沉陷预计模型，具体为：
21、；
22、其中，为第个动态单元开采后对地表下沉最大影响值的计算公式，为第个动态单元在t时刻所对应的时间系数，所述第个动态单元是将待监测矿区进行单元划分后得到的第个单元。
23、进一步的，所述结合柏林噪声和高斯噪声模型，具体为：
24、使用不同频率和振幅的柏林噪声叠加，得到分形柏林噪声作为模拟的insar干涉图中的大气延迟相位；
25、引入高斯噪声模型，在模拟过程中随机设置噪声强度，生成具有相同量级的独立噪声矩阵作为实部和虚部，并将值缠绕在（-π,π]之间，得到insar干涉图的缠绕相位。
26、本专利技术第二方面提供了一种基于insar的开采沉陷盆地信息提取系统。
27、一种基于insar的开采沉陷盆地信息提取系统，包括获取模块和提取模块：
28、获取模块，被配置为：获取待监测矿区的insar干涉图；
29、提取模块，被配置为：将insar干涉图输入到训练好的深度学习网络模型中，提取开采沉陷盆地信息；
30、其中，所述深度学习网络模型的训练数据集，包括真实训练数据集和模拟训练数据集，所述真实训练数据集是采用差分干涉测量与静态概率积分法结合的方式求取真实的开采沉陷盆地信息进而构建的，所述模拟训练数据集是利用动态概率积分法模拟开采沉陷相位，再结合柏林噪声和高斯噪声模型构建的。
31、本专利技术第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本专利技术第一方面所述的一种基于insar的开采沉陷盆地信息提取方法中的步骤。
32、本专利技术第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本专利技术第一方面所述的一种基于insar的开采沉陷盆地信息提取方法中的步骤。
33、以上一个或多个技术方案存在以下有益效果：
34、本专利技术采用差分干涉测量与静态概率积分法结合的方式求取真实的开采沉陷盆地信息构建真实训练数据集，利用动态概率积分法模拟开采沉陷相位，再结合柏林噪声和高斯噪声模型构建模拟训练数据集，从而得到样本多样、全面的数据集，从而改善深度学习网络模型的训练效果，提供模型的提取准确率。
35、本专利技术融合特征提取、扩张卷积、残差网络和特征输出多个子网络，构建了一个用于提取开采沉陷盆地信息的深度学习网络模型，并利用模拟训练数据集和真实训练数据集训练该网络，充分发挥了深度学习网络特征提取能力强和噪声鲁棒性好的优势，克服了现有技术难以从高噪声干涉图中提取密集条纹信息的不足，能更好的提取中等量级沉陷盆地信息。
36、本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种基于InSAR的开采沉陷盆地信息提取方法，其特征在于，包括：
2.如权利要求1所述的一种基于InSAR的开采沉陷盆地信息提取方法，其特征在于，所述InSAR干涉图的获取方法为：采用合成孔径雷达SAR对待监测的矿区进行高分辨的微波成像，通过差分雷达干涉测量方法处理所述微波成像，得到InSAR干涉图。
3.如权利要求1所述的一种基于InSAR的开采沉陷盆地信息提取方法，其特征在于，所述深度学习网络模型，包括特征提取模块、扩张卷积模块、残差网络模块和特征输出模块；
4.如权利要求1所述的一种基于InSAR的开采沉陷盆地信息提取方法，其特征在于，所述采用差分干涉测量与静态概率积分法结合的方式，具体为：
5.如权利要求1所述的一种基于InSAR的开采沉陷盆地信息提取方法，其特征在于，所述利用动态概率积分法模拟开采沉陷相位，具体为：
6.如权利要求5所述的一种基于InSAR的开采沉陷盆地信息提取方法，其特征在于，所述沉陷预计模型，具体为：
7.如权利要求1所述的一种基于InSAR的开采沉陷盆地信息提取方法，其特征
8.一种基于InSAR的开采沉陷盆地信息提取系统，其特征在于，包括获取模块和提取模块：
9.一种电子设备，其特征是，包括：
10.一种存储介质，其特征是，非暂时性地存储计算机可读指令，其中，当所述计算机可读指令由计算机执行时，执行权利要求1-7任一项所述的方法。
...【技术特征摘要】
1.一种基于insar的开采沉陷盆地信息提取方法，其特征在于，包括：
2.如权利要求1所述的一种基于insar的开采沉陷盆地信息提取方法，其特征在于，所述insar干涉图的获取方法为：采用合成孔径雷达sar对待监测的矿区进行高分辨的微波成像，通过差分雷达干涉测量方法处理所述微波成像，得到insar干涉图。
3.如权利要求1所述的一种基于insar的开采沉陷盆地信息提取方法，其特征在于，所述深度学习网络模型，包括特征提取模块、扩张卷积模块、残差网络模块和特征输出模块；
4.如权利要求1所述的一种基于insar的开采沉陷盆地信息提取方法，其特征在于，所述采用差分干涉测量与静态概率积分法结合的方式，具体为：
5.如权利要...
【专利技术属性】
技术研发人员：李涛，李向伟，范洪冬，
申请(专利权)人：山东省煤田地质局物探测量队，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。