本文摘要：摘要：以內(nèi)蒙古唐家會(huì)礦區(qū)為研究對(duì)象，獲取該地區(qū)2020年8月與2021年3月無人機(jī)攝影影像數(shù)據(jù)，并制作生成DEM，將2期DEM數(shù)據(jù)相減獲取該地區(qū)下沉盆地，用BP神經(jīng)網(wǎng)絡(luò)算法作去噪處理，并對(duì)比不同去噪方法的去噪效果;利用全盆地下沉數(shù)據(jù)，融合模擬退火算法(SA)與概率積分參數(shù)
摘要：以內(nèi)蒙古唐家會(huì)礦區(qū)為研究對(duì)象，獲取該地區(qū)2020年8月與2021年3月無人機(jī)攝影影像數(shù)據(jù)，并制作生成DEM，將2期DEM數(shù)據(jù)相減獲取該地區(qū)下沉盆地，用BP神經(jīng)網(wǎng)絡(luò)算法作去噪處理，并對(duì)比不同去噪方法的去噪效果;利用全盆地下沉數(shù)據(jù)，融合模擬退火算法(SA)與概率積分參數(shù)反演方法,求出該下沉盆地下沉系數(shù)與主要影響角正切;利用該參數(shù)模擬下沉盆地，計(jì)算出測(cè)量中誤差為589mm，占最大下沉值8.1%;最后對(duì)參數(shù)作抗差分析，在測(cè)量中誤差占(1%~10%)最大下沉值時(shí)，求參結(jié)果可靠。結(jié)果表明：BP神經(jīng)網(wǎng)絡(luò)算法能夠有效去除盆地內(nèi)噪點(diǎn)，提高下沉盆地的精度，基于SA和礦區(qū)全盆地?cái)?shù)據(jù)能夠有效求取概率積分參數(shù)，彌補(bǔ)無人機(jī)精度不高帶來的影響。
關(guān)鍵詞：無人機(jī)攝影測(cè)量技術(shù);點(diǎn)云去噪;模擬退火算法;全盆地求參;抗差分析
我國(guó)煤炭資源賦存現(xiàn)狀是“西部多、中部富、東部區(qū)域枯竭”。以晉陜蒙為代表的西部地區(qū)，煤炭產(chǎn)量已占到全國(guó)總產(chǎn)量的70%以上。隨著大量煤炭的產(chǎn)出，所引起的地表沉陷及災(zāi)害問題也日益突出，如地表塌陷和塌陷區(qū)積水[1-2]。因此，對(duì)開采沉陷進(jìn)行快速、準(zhǔn)確、全面的監(jiān)測(cè)，合理地建立下沉盆地模型和反演參數(shù)，可以定量研究受開采影響的巖層的時(shí)空變化規(guī)律�，F(xiàn)有的GNSS、水準(zhǔn)等大地測(cè)量方法野外工作量大，且不足以獲取整個(gè)沉陷區(qū)的變形特征，因此難以支撐大規(guī)模西部礦區(qū)煤炭開采沉陷監(jiān)測(cè)。
InSAR[3-8]等遙感檢測(cè)方法在變形劇烈的區(qū)域容易出現(xiàn)是失相干的現(xiàn)象，許多高分辨率影像成本過高。無人機(jī)攝影測(cè)量技術(shù)[9-12]以其自動(dòng)化、智能化、快速化的特點(diǎn)，通過對(duì)地面周期性快速航拍獲取高分辨影像，構(gòu)建密集點(diǎn)云，從而在礦區(qū)沉陷監(jiān)測(cè)中發(fā)揮巨大優(yōu)勢(shì);但在產(chǎn)品生產(chǎn)過程中，點(diǎn)云常常出現(xiàn)噪聲，野點(diǎn)的情況，同時(shí)因其精度僅達(dá)到分米級(jí)，對(duì)礦區(qū)盆地參數(shù)反演產(chǎn)生極大的影響[13]。
在沉陷參數(shù)預(yù)計(jì)方面，目前有很多求取參數(shù)的研究方法[14]，但存在或多或少的問題;正交參數(shù)[15]試驗(yàn)當(dāng)參數(shù)較多時(shí)，工作量較大，試驗(yàn)次數(shù)較多;模矢法[16]容易把局部最優(yōu)解當(dāng)成全局最優(yōu)解，對(duì)參數(shù)初值有一定的要求;遺傳算法[17-18]需要確定種群數(shù)量等參數(shù)，否則會(huì)影響收斂速度與參數(shù)精度，且存在局部搜索能力差的缺陷。模擬退火算法[19-21](SimulatedAnnealing，SA)是由Kirk-patrickZ提出的一種求解組合優(yōu)化問題的算法，其優(yōu)點(diǎn)是：根據(jù)Metropolis接受準(zhǔn)則，采用一定的概率接受比當(dāng)前解差的解，從而跳出局部最優(yōu)解來搜索全局最優(yōu)解。
針對(duì)西部礦區(qū)地形起伏且植被較少的地理環(huán)境，本研究利用索尼a7r2數(shù)碼相機(jī)搭載垂直起降固定翼無人機(jī)開展礦區(qū)沉陷監(jiān)測(cè)建模研究。以內(nèi)蒙古唐家會(huì)煤礦工作面地表為實(shí)驗(yàn)區(qū)，利用無人機(jī)獲取2期影像數(shù)據(jù)，制作DEM并獲取下沉盆地，針對(duì)存在噪點(diǎn)問題，對(duì)全盆地點(diǎn)云去噪方法進(jìn)行對(duì)比擇優(yōu)。同時(shí)，為了使求參結(jié)果更準(zhǔn)確，融合概率積分與模擬退火算法，選取全盆地下沉值進(jìn)行盆地參數(shù)反演，最后對(duì)沉陷參數(shù)進(jìn)行抗差分析[22-23]。
1方法原理
1.1無人機(jī)攝影測(cè)量獲取下沉盆地原理
在無人機(jī)攝影測(cè)量技術(shù)應(yīng)用過程中，為了確保礦區(qū)監(jiān)測(cè)工作的順利進(jìn)行，首要任務(wù)是相機(jī)標(biāo)定，設(shè)置相控點(diǎn)布設(shè)方案以及無人機(jī)飛行路線的規(guī)劃處理。在具體過程中，需要明確監(jiān)測(cè)區(qū)域邊界，設(shè)定航向重疊率、旁向重疊率、飛行航高，以此為基礎(chǔ)開展礦區(qū)監(jiān)測(cè)工作。
在獲取區(qū)域影像數(shù)據(jù)后，結(jié)合無人機(jī)飛控系統(tǒng)導(dǎo)出的POS數(shù)據(jù)和校正過后得到的相機(jī)參數(shù)數(shù)據(jù)，進(jìn)行影像自動(dòng)內(nèi)定向，然后依次進(jìn)行輸出坐標(biāo)系、快速檢測(cè)、導(dǎo)入像控點(diǎn)、刺相控點(diǎn)、高精度處理，生成高密度點(diǎn)云，最終生成測(cè)區(qū)數(shù)字高程模型。通過多期對(duì)該區(qū)域的重復(fù)監(jiān)測(cè)，獲取不同時(shí)期工作面推進(jìn)到不同位置的DEM，將DEM相減得到監(jiān)測(cè)區(qū)域的地表下沉盆地[24]。
2內(nèi)蒙古唐家會(huì)煤礦概率積分法求參
2.1獲取唐家會(huì)下沉盆地
唐家會(huì)煤礦位于內(nèi)蒙古自治區(qū)準(zhǔn)格爾煤田東孔兌普查區(qū)的西南部，其地理坐標(biāo)為：東經(jīng)：111°10′27″～ 111°14′34″，北緯：39°52′45″～39°57′22″。選擇61202工作面作為觀測(cè)地點(diǎn)，該工作面尺寸為240m×1960m，平均采深538m，平均采厚19m，平均傾角2°，計(jì)劃開采時(shí)間2020年7月，計(jì)劃結(jié)束時(shí)間2021年7月，在測(cè)區(qū)東南部有矸石山堆積。用垂直起降固定翼無人機(jī)于2020年8月采集第1期無人機(jī)影像數(shù)據(jù)，2021年3月采集第2期影像數(shù)據(jù)，監(jiān)測(cè)區(qū)域?qū)捈s為1000m，長(zhǎng)約為2900m，面積約為3km2。其中航向重疊率、旁向重疊率均設(shè)為80%，航高設(shè)置為140m。
在工作面四角、航飛邊緣四角布設(shè)通視較好的像控點(diǎn)，其他像控點(diǎn)均勻布設(shè)在旁向重疊范圍內(nèi)，共計(jì)29個(gè)。第1次數(shù)據(jù)采集共獲得2079張有效影像，第2次數(shù)據(jù)采集共獲得2531張有效影像，通過內(nèi)業(yè)處理獲取DEM，無人機(jī)影像處理生成DEM如圖3。用檢查點(diǎn)驗(yàn)證DEM精度，經(jīng)計(jì)算，第1期DEM中誤差為0.066m，第2期DEM中誤差為0.059m，用2期DEM相減獲得唐家會(huì)地區(qū)地表下沉盆地。
2.2點(diǎn)云去噪方法對(duì)比
經(jīng)過濾波后的DEM仍帶有噪點(diǎn)，將DEM復(fù)原為下沉點(diǎn)云，下沉點(diǎn)云圖如圖5，其中噪點(diǎn)區(qū)域用圓圈圈出。產(chǎn)生噪點(diǎn)的主要原因有：
1)點(diǎn)云濾波算法的局限性。植被點(diǎn)以及低矮建筑物不能完全去除。在研究區(qū)域里，由于2期DEM 監(jiān)測(cè)時(shí)間在夏冬兩季，植被區(qū)域覆蓋不同，疊加后的DEM偏差較大。
2)插值引起的誤差。無人機(jī)穿透能力較低。在研究區(qū)域西部方位有落差較大的溝壑，其覆蓋植被較多，無人機(jī)攝影測(cè)量難以穿透此區(qū)域。不含點(diǎn)云數(shù)據(jù)的區(qū)域依賴于DEM插值。在點(diǎn)云密度較低的區(qū)域，其差值DEM存在較多偏差。
3)無人機(jī)精度原因。無人機(jī)精度為分米級(jí)，在保證整體精度較高的情況下，有少數(shù)點(diǎn)高程誤差較高，且水平偏移引起的誤差較為明顯。這些噪點(diǎn)對(duì)后續(xù)處理或者預(yù)計(jì)參數(shù)效果帶來了很大的不穩(wěn)定性，因此需要進(jìn)行去噪處理。BP神經(jīng)網(wǎng)絡(luò)是一種按誤差反向傳播(簡(jiǎn)稱誤差反傳)訓(xùn)練的多層前饋網(wǎng)絡(luò)，其算法稱為BP算法，它的基本思想是梯度下降法，利用梯度搜索技術(shù)，以期使網(wǎng)絡(luò)的實(shí)際輸出值和期望輸出值的誤差均方差為最小。
針對(duì)沉陷點(diǎn)云去噪，選用MATLAB中BP神經(jīng)網(wǎng)絡(luò)工具箱對(duì)原始下沉點(diǎn)云進(jìn)行去噪處理，設(shè)置訓(xùn)練次數(shù)為1000，學(xué)習(xí)速率為0.05，設(shè)置顯示頻率為500次顯示1次，訓(xùn)練目標(biāo)最小誤差為10-5。同時(shí)選擇中值去噪、最小二乘去噪、最近鄰去噪與BP神經(jīng)網(wǎng)絡(luò)去噪對(duì)比，其中中值濾波窗口設(shè)置為20，最小二乘濾波窗口設(shè)置為3，最近鄰點(diǎn)數(shù)設(shè)置為10，離群點(diǎn)閾值設(shè)置為1。
經(jīng)過4種去噪方法的測(cè)試對(duì)比發(fā)現(xiàn)：最小二乘去噪效果最差，去噪窗口增大后容易出現(xiàn)點(diǎn)云紊亂的現(xiàn)象，其次為中值去噪及最近鄰去噪算法，BP神經(jīng)網(wǎng)絡(luò)去噪效果最好，同時(shí)保留了下沉盆地?cái)?shù)據(jù)的完整性。
2.3全盆地?cái)M合求參61202
工作面走向達(dá)到充分采動(dòng)，傾向方向?yàn)榉浅浞珠_采，因此計(jì)算時(shí)走向需要乘上傾向采動(dòng)系數(shù)。為使結(jié)果更可靠，均勻選取全盆地觀測(cè)值作擬合初值，避免選點(diǎn)帶來的參數(shù)不穩(wěn)定性，其中由于東南出矸石山在工作面開采范圍內(nèi)，因此選點(diǎn)時(shí)避開矸石山區(qū)域，共計(jì)取到368個(gè)點(diǎn)。
根據(jù)概率積分法，在Matlab中多次使用模擬退火算法預(yù)計(jì)，選取目標(biāo)函數(shù)值最小的參數(shù)作為最終參數(shù)，最終求得：下沉系數(shù)q為0.6，走向主要影響角正切tanβ為0.6，傾向下山方向主要影響角正切tanβ1為1.337，傾向上山方向主要影響角正切tanβ2為3.43，開采影響傳播角為89°。根據(jù)預(yù)計(jì)參數(shù)畫出下沉等值線，并模擬下沉盆地。
用配對(duì)T檢驗(yàn)判斷2組數(shù)據(jù)相似程度，在執(zhí)行T檢驗(yàn)之前需要驗(yàn)證實(shí)測(cè)值與預(yù)計(jì)值的誤差是否符合或近似符合正態(tài)分布，因此隨機(jī)選取40組數(shù)據(jù)執(zhí)行Shapiro-Wilk(W檢驗(yàn))，利用本次實(shí)驗(yàn)樣本計(jì)算得出檢驗(yàn)統(tǒng)計(jì)量Wα=0.928。取顯著性水平0.05，根據(jù)樣本數(shù)量查表得到界限值為0.980131，可知Wα=0.928<0.981031t0.704>0.05，配對(duì)數(shù)據(jù)無顯著性差異，擬合結(jié)果較好。
3UAV求取參數(shù)的可靠性分析
實(shí)測(cè)數(shù)據(jù)由于存在誤差，與真實(shí)模擬盆地存在一定的差距，而誤差也會(huì)對(duì)求參結(jié)果帶來很大的影響，因此需要對(duì)參數(shù)進(jìn)行抗差分析。各參數(shù)對(duì)誤差的敏感度不同，有些參數(shù)敏感度很高，而有些參數(shù)在誤差很大時(shí)也不會(huì)產(chǎn)生很大的影響。選取唐家會(huì)模擬盆地，分別加入不同中誤差來對(duì)比參數(shù)的影響程度，對(duì)每一次加入的誤差多次求參，優(yōu)選出擬合程度最好的參數(shù)來作為在該誤差時(shí)的參數(shù)。當(dāng)對(duì)實(shí)測(cè)下沉值加入超過10%W0，即800mm中誤差時(shí)，下沉系數(shù)與主要影響角正切誤差較大，故認(rèn)為此時(shí)的求參結(jié)果不可靠，而原始擬合下沉中誤差為589mm，占最大下沉值8.1%，因此求參結(jié)果可靠。
4結(jié)語
以內(nèi)蒙古唐家會(huì)煤礦為例，用BP神經(jīng)網(wǎng)絡(luò)算法對(duì)下沉點(diǎn)云做去噪處理，并與中值去噪、最小二乘去噪、最近鄰去噪方法做對(duì)比，提高了下沉模型精度。針對(duì)傳統(tǒng)依靠走向、傾向主斷面求參精度不高的情況，融合模擬退火算法與概率積分模型，選用全盆地特征點(diǎn)進(jìn)行參數(shù)反演，并對(duì)參數(shù)結(jié)果作抗差分析。結(jié)果表明，擬合模型測(cè)量中誤差占最大下沉值的8.1%，預(yù)計(jì)結(jié)果滿足工程要求，克服了無人機(jī)精度不高對(duì)求參帶來的影響，為后續(xù)采煤工作、災(zāi)害治理提供技術(shù)支持。
參考文獻(xiàn)(References)：
[1]陳西斌，張書畢，鮑國(guó).一種適合開采沉降實(shí)時(shí)觀測(cè)的單頻歷元算法[J].金屬礦山，2015(2)：103-107.CHENXibin,ZHANGShubi,BAOGuo.Asignalfre-quencyandsingleepochalgorithmforminingsettlementobservationinrealtime[J].MetalMine,2015(2):103.
[2]王小華，胡海峰，廉旭剛.基于Weibull時(shí)間序列函數(shù)與負(fù)指數(shù)法的動(dòng)態(tài)沉陷預(yù)計(jì)[J].金屬礦山，2015(8)：158-162.WANGXiaohua,HUHaifeng,LIANXugang.Dynamicsubsidencepredictionmethodbasedonnegativeexpo- nentialmethodandWeibulltimesequencefunction[J].MetalMine,2015(8):158-162.
[3]何亞倩，鄭宇，何晴倩.D-InSAR在礦區(qū)開采沉陷監(jiān)測(cè)中應(yīng)用的探析[J].現(xiàn)代礦業(yè)，2009(9)：76-78.HEYaqian,ZHENGYu,HEQingqian.ApplicationofD-InSARinmonitoringminingsubsidenceofminingarea[J].ModernMining,2009(9):76-78.
[4]汪磊，鄧喀中，薛繼群，等.融合概率積分模型與DInSAR的開采沉陷預(yù)計(jì)[J].金屬礦山，2016(2)：160.WANGLei,DENGKazhong,XUEJiqun,etal.Predic-tionofminingsubsidencebasedonD-InSARcombinedwithprobabilityintegralmodel[J].MetalMine,2016(2):160-163.
[5]王磊，張鮮妮，池深深，等.融合InSAR和GA的開采沉陷預(yù)計(jì)參數(shù)反演模型研究[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版)，2018，43(11)：1635-1641.
作者：李昱昊1，安士凱2，周大偉1，詹少奇2，高銀貴3
轉(zhuǎn)載請(qǐng)注明來自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///dzlw/29570.html
