本文摘要：摘要：以內(nèi)蒙古唐家會礦區(qū)為研究對象，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)蒙古唐家會礦區(qū)為研究對象，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，計算出測量中誤差為589mm，占最大下沉值8.1%;最后對參數(shù)作抗差分析，在測量中誤差占(1%~10%)最大下沉值時，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，提高下沉盆地的精度，基于SA和礦區(qū)全盆地數(shù)據(jù)能夠有效求取概率積分參數(shù)，彌補無人機(jī)精度不高帶來的影響。
關(guān)鍵詞：無人機(jī)攝影測量技術(shù);點云去噪;模擬退火算法;全盆地求參;抗差分析
我國煤炭資源賦存現(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，對開采沉陷進(jìn)行快速、準(zhǔn)確、全面的監(jiān)測，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空變化規(guī)律�，F(xiàn)有的GNSS、水準(zhǔn)等大地測量方法野外工作量大，且不足以獲取整個沉陷區(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。
InSAR[3-8]等遙感檢測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)攝影測量技術(shù)[9-12]以其自動化、智能化、快速化的特點，通過對地面周期性快速航拍獲取高分辨影像，構(gòu)建密集點云，從而在礦區(qū)沉陷監(jiān)測中發(fā)揮巨大優(yōu)勢;但在產(chǎn)品生產(chǎn)過程中，點云常常出現(xiàn)噪聲，野點的情況，同時因其精度僅達(dá)到分米級，對礦區(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]試驗當(dāng)參數(shù)較多時，工作量較大，試驗次數(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)測建模研究。以內(nèi)蒙古唐家會煤礦工作面地表為實驗區(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，針對存在噪點問題，對全盆地點云去噪方法進(jìn)行對比擇優(yōu)。同時，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)攝影測量獲取下沉盆地原理
在無人機(jī)攝影測量技術(shù)應(yīng)用過程中，為了確保礦區(qū)監(jiān)測工作的順利進(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)行影像自動內(nèi)定向，然后依次進(jìn)行輸出坐標(biāo)系、快速檢測、導(dǎo)入像控點、刺相控點、高精度處理，生成高密度點云，最終生成測區(qū)數(shù)字高程模型。通過多期對該區(qū)域的重復(fù)監(jiān)測，獲取不同時期工作面推進(jìn)到不同位置的DEM，將DEM相減得到監(jiān)測區(qū)域的地表下沉盆地[24]。
2內(nèi)蒙古唐家會煤礦概率積分法求參
2.1獲取唐家會下沉盆地
唐家會煤礦位于內(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工作面作為觀測地點，該工作面尺寸為240m×1960m，平均采深538m，平均采厚19m，平均傾角2°，計劃開采時間2020年7月，計劃結(jié)束時間2021年7月，在測區(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)測區(qū)域?qū)捈s為1000m，長約為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，其他像控點均勻布設(shè)在旁向重疊范圍內(nèi)，共計29個。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。用檢查點驗證DEM精度，經(jīng)計算，第1期DEM中誤差為0.066m，第2期DEM中誤差為0.059m，用2期DEM相減獲得唐家會地區(qū)地表下沉盆地。
2.2點云去噪方法對比
經(jīng)過濾波后的DEM仍帶有噪點，將DEM復(fù)原為下沉點云，下沉點云圖如圖5，其中噪點區(qū)域用圓圈圈出。產(chǎn)生噪點的主要原因有：
1)點云濾波算法的局限性。植被點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)測時間在夏冬兩季，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)攝影測量難以穿透此區(qū)域。不含點云數(shù)據(jù)的區(qū)域依賴于DEM插值。在點云密度較低的區(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，在保證整體精度較高的情況下，有少數(shù)點高程誤差較高，且水平偏移引起的誤差較為明顯。這些噪點對后續(xù)處理或者預(yù)計參數(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)的實際輸出值和期望輸出值的誤差均方差為最小。
針對沉陷點云去噪，選用MATLAB中BP神經(jīng)網(wǎng)絡(luò)工具箱對原始下沉點云進(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，最近鄰點數(shù)設(shè)置為10，離群點閾值設(shè)置為1。
經(jīng)過4種去噪方法的測試對比發(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，同時保留了下沉盆地數(shù)據(jù)的完整性。
2.3全盆地擬合求參61202
工作面走向達(dá)到充分采動，傾向方向為非充分開采，因此計算時走向需要乘上傾向采動系數(shù)。為使結(jié)果更可靠，均勻選取全盆地觀測值作擬合初值，避免選點帶來的參數(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)，因此選點時避開矸石山區(qū)域，共計取到368個點。
根據(jù)概率積分法，在Matlab中多次使用模擬退火算法預(yù)計，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)計參數(shù)畫出下沉等值線，并模擬下沉盆地。
用配對T檢驗判斷2組數(shù)據(jù)相似程度，在執(zhí)行T檢驗之前需要驗證實測值與預(yù)計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)，利用本次實驗樣本計算得出檢驗統(tǒng)計量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
實測數(shù)據(jù)由于存在誤差，與真實模擬盆地存在一定的差距，而誤差也會對求參結(jié)果帶來很大的影響，因此需要對參數(shù)進(jìn)行抗差分析。各參數(shù)對誤差的敏感度不同，有些參數(shù)敏感度很高，而有些參數(shù)在誤差很大時也不會產(chǎn)生很大的影響。選取唐家會模擬盆地，分別加入不同中誤差來對比參數(shù)的影響程度，對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)來作為在該誤差時的參數(shù)。當(dāng)對實測下沉值加入超過10%W0，即800mm中誤差時，下沉系數(shù)與主要影響角正切誤差較大，故認(rèn)為此時的求參結(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)蒙古唐家會煤礦為例，用BP神經(jīng)網(wǎng)絡(luò)算法對下沉點云做去噪處理，并與中值去噪、最小二乘去噪、最近鄰去噪方法做對比，提高了下沉模型精度。針對傳統(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，選用全盆地特征點進(jìn)行參數(shù)反演，并對參數(shù)結(jié)果作抗差分析。結(jié)果表明，擬合模型測量中誤差占最大下沉值的8.1%，預(yù)計結(jié)果滿足工程要求，克服了無人機(jī)精度不高對求參帶來的影響，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.一種適合開采沉降實時觀測的單頻歷元算法[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時間序列函數(shù)與負(fù)指數(shù)法的動態(tài)沉陷預(yù)計[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[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)計參數(shù)反演模型研究[J].武漢大學(xué)學(xué)報(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)載請注明來自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///dzlw/29570.html
