摘要
为了解决滑坡危险识别精度不足以及露天矿高陡坡缺乏动态稳定性评估的关键问题，本研究创新性地提出了一种综合技术框架，将时间序列干涉合成孔径雷达（InSAR）与机器学习（ML）深度融合，形成了一个智能分析系统，用于监测露天矿滑坡危险并评估其稳定性。主要贡献包括：（1）克服了InSAR技术在低相干区域的应用限制，采用了改进的小基线子集InSAR（SBAS-InSAR）算法来提取坡面变形数据，使复杂岩坡上的监测点密度提高了2.18倍，获得了高精度的变形场数据，并显著增强了高陡坡的变形捕捉能力；（2）提出了一种新的动态-静态多因素耦合稳定性评估方法，该方法将时间序列InSAR变形特征与多源异构数据（包括地质、采矿和环境因素）深度融合，采用随机森林（RF）和XGBoost的双模型协作策略，使得曲线下面积（AUC）超过0.88，其中InSAR动态因素的重要性最高，从而验证了动态监测数据在稳定性评估中的核心作用。在中国北部的一个大型露天矿进行的实证研究表明，高风险和极高风险区域被精确地定位到特定的台阶上，为矿山安全生产提供了操作技术支持，并为推动InSAR技术在矿山灾害预警领域的深入应用具有重要的示范价值。
