基于DB-SimAM-YOLOv11模型与InSAR干涉图的大范围煤矿开采形变边界时空追踪新方法

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Spatiotemporal Tracking of Coal Mining Deformation Boundary over Large Area from InSAR Differential Interferograms Using DB-SimAM-YOLOv11 Model

本研究针对传统InSAR技术因相位解缠误差和大梯度形变导致开采形变边界分割不全、时空动态追踪困难的问题，提出了一种融合双分支注意力机制（DB-SimAM）的YOLOv11模型。通过Sentinel-1A干涉图实验表明，该方法在陕北矿区的mAP50达到94.6%，能够实现采矿沉降边界的自动化精准分割与时空演化追踪，为矿山安全监测与灾害预警提供了技术支撑。

　　

随着地下煤炭资源的大规模开采，地表沉降问题日益凸显。这种沉降并非静态现象，而是随着工作面推进呈现时空扩展态势，精准掌握其边界动态变化对矿区安全和生态保护至关重要。传统监测手段依靠稀疏基准点布设，不仅成本高昂，更难以实现大范围、连续性的动态追踪。尽管星载合成孔径雷达干涉测量（InSAR）技术具备全天候、广覆盖的优势，但在面对采矿引起的大梯度形变时，相位解缠误差会导致沉降中心数据失效，使得形变场完整分割困难重重。更关键的是，现有研究多基于时序InSAR累积形变速率图进行边界划定，这种方法会平均化长周期内的小形变，难以捕捉局部化形变区的真实边界，且鲜有研究实现采矿形变场的时空演化追踪。

为了解决这些瓶颈问题，长安大学卢文松等研究人员在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》发表论文，开创性地将深度学习与差分SAR干涉图相结合，提出了DB-SimAM-YOLOv11模型。该研究通过构建矿山沉降专属数据集，在YOLOv11架构中融入双分支简单注意力模块，显著提升了复杂背景下形变边界的特征提取能力。实验结果表明，新模型在陕北矿区的识别精度比基准模型提升3%，成功实现了311个采矿点的自动化识别，并首次建立起采矿沉降边界的时空演化链条。

研究人员采用的核心技术方法包括：基于Sentinel-1A数据的差分干涉处理生成训练样本；构建双分支注意力机制增强的YOLOv11分割网络；采用形态学闭运算和高斯滤波进行边界优化；通过时序叠加分析实现动态追踪。这些技术方法的有机结合，解决了传统方法在复杂环境下的适应性难题。

精度评估与模型比较

通过对比YOLOv8、YOLOv11等模型发现，DB-SimAM-YOLOv11在检测任务中的mAP₅₀达到95.5%，比其它模型平均提高5%。虽然在分割精度指标上个别模型略有优势，但新模型在召回率等关键指标上表现更稳定，这对避免漏检采矿区域尤为重要。

分割结果验证

与Stacking-InSAR结果对比显示，新方法不仅能识别出传统方法可检测的大范围形变区，还能精准捕捉小尺度沉降边界。在露天矿区等复杂场景下，模型表现出更强的抗干扰能力，边界分割结果与光学影像吻合度更高。

大范围时空边界追踪

通过对2018年8月至2019年4月期间的数据分析，模型成功追踪到沉降边界从116个增加到396个，影响面积从86.85 km²扩张至426.01 km²的动态过程。这种时空追踪能力为掌握采矿活动规律提供了全新视角。

测试区干扰条件下的分割

即使在大气干扰严重的干涉图中，模型仍能保持稳定的分割性能，说明其具有较强的泛化能力。对不完整形变场的成功识别，进一步证明了方法在实战场景下的可靠性。

单个矿区的边界追踪

针对特定采矿点的连续监测表明，尽管大梯度形变导致沉降中心监测困难，但模型能够准确分割动态边界，这些边界与MT-InSAR结果高度吻合，显著提升了边界检测的空间分辨率。

该研究的创新性在于首次实现了采矿形变边端的端到端自动化分割与时空动态追踪。DB-SimAM注意力机制的有效融入，使模型在保持轻量化的同时增强了对多尺度目标的适应能力。相比传统方法，新方法避免了相位解缠 artefacts（伪影）和大气延迟误差的干扰，直接从未经解缠的差分干涉图中提取形变信息，大大提高了处理效率。值得注意的是，方法在测试区大气干扰条件下的稳健表现，证明了其在实际工程应用中的巨大潜力。

研究存在的局限性主要在于对视觉特征与周边环境高度相似的形变区域识别仍存在挑战，这提示未来可结合多源遥感数据进一步优化模型。此外，如何将边界追踪结果与采矿参数反演相结合，实现"识别-预警-调控"的闭环管理，是下一步值得探索的方向。

这项研究不仅为矿山形变监测提供了新的技术路径，更深远的意义在于展示了深度学习与InSAR技术在地质灾害监测领域的融合创新价值。随着遥感卫星数据的日益丰富，这种自动化、智能化的监测方法有望在滑坡、地面沉降等更多场景中发挥重要作用，推动地质灾害防治向数字化、精准化方向迈进。