彬长矿区活动变形区多方法识别与时空演化分析

《Remote Sensing》：Multi-Method Identification and Spatiotemporal Evolution Analysis of Active Deformation Areas in the Binchang Mining Area

　　

采矿引起的地面沉降和地质灾害在黄土矿区日益突出。准确识别活动变形区（Active Deformation Areas, ADA）对采矿安全、生态保护和地质灾害防治具有重要意义。本研究选取彬长矿区，利用基于Sentinel-1合成孔径雷达（SAR）影像（2020-2025年）的小基线子集（Small Baseline Subset, SBAS）-干涉合成孔径雷达（InSAR）技术获取累积形变和形变速率。采用三种ADA识别方法，包括ADAfinder、多约束自适应分割与拓扑优化（Multi-Constraint Adaptive Segmentation and Topological Optimization, MCAS-TO）和轻量级U-Net（Light-UNet）深度学习方法，通过交并比（Intersection over Union, IoU）、F1分数（F1-score）、边界F1分数（Boundary_F1-score）、精确率（Precision）、召回率（Recall）、面积误差百分比（Area Error (%)）进行定量评估和比较分析。ADAfinder能识别沉降中心但结果碎片化；MCAS-TO改善了边界连续性但受2%面积阈值限制；而深度学习方法实现了最高的边界检测精度并捕捉到ADA的扩张和合并过程。空间上，识别出的ADA主要分布在矿区中南部，与地下采煤工作面高度一致。综合三种ADA识别结果揭示了采矿诱发形变的时空演化。结果表明采矿活动是控制ADA形成和演化的主导驱动因素。研究结果可为黄土矿区地质灾害防治提供重要技术支持。

**论文解读：彬长矿区活动变形区多方法识别与时空演化分析**

**研究背景与问题**
黄土高原地区大规模地下煤炭开采引发的地面沉降及其伴生地质灾害（如滑坡、地裂缝、崩塌、黄土蠕变）日益突出。彬长矿区位于中国西部黄土高原，是典型的大型煤炭生产基地，高强度开采导致上覆岩层破坏和地表沉降，严重威胁生态环境与工程安全。然而，受厚层黄土覆盖、沟壑发育、地表环境复杂等因素影响，黄土矿区地表形变常呈现长期累积和复杂演化特征，活动变形区（Active Deformation Areas, ADA）的边界通常具有显著的空间不连续性和动态演化模式，给识别与监测带来巨大挑战。传统干涉合成孔径雷达（Interferometric Synthetic Aperture Radar, InSAR）技术虽能获取毫米级形变，但直接基于形变速率或累积沉降量难以准确提取ADA；固定阈值方法易出现遗漏、碎片化和边界扭曲等问题。因此，亟需系统比较不同识别方法的优劣，以综合理解黄土矿区ADA的时空演化规律，为地质灾害防治和绿色开采提供科学依据。该论文发表于《Remote Sensing》。

**主要关键技术方法**
研究人员利用2020年至2025年Sentinel-1卫星134景C波段SAR影像，采用小基线子集（SBAS）方法获取地表形变场和形变速率。三种ADA识别方法包括：（1）ADAfinder：基于形变速率阈值（-3 cm/年）、半径阈值（26）和最小聚类点数（10）的离散点聚类后边界缓冲（30像素）生成ADA多边形；（2）多约束自适应分割与拓扑优化（MCAS-TO）：对形变栅格进行无效值掩膜（约占0.74%）、自然邻域插值（Natural Neighbor Interpolation, NNI）修复、高斯低通滤波平滑、Sobel算子梯度计算，采用形变幅值（取最严重沉降面积2%的阈值）与梯度（归一化后设定阈值）的“与”逻辑双约束自适应分割，再经形态学闭运算、空洞填充、小连通域移除和距离变换提取单一外部边界；（3）Light-UNet深度学习模型：以ResNet18为编码器的轻量级U-Net，输入为形变栅格单波段数据，标签由物理阈值（速率≤-3 mm/年）自动生成，采用32×32像素滑动窗口（步长16，50%重叠）提取61,258个样本，经平衡正负采样（1:1）、空间几何增强（旋转、翻转）、Focal损失函数（α=10, γ=2）训练，Adam优化器（初始学习率10^-3），早停机制（patience=5），最后将全场景概率图经阈值分割和形态学后处理转化为矢量ADA多边形。验证参考边界由三种识别结果、高分七号（GF-7）遥感影像和人工目视解译联合确定，采用交并比（IoU）、精确率（Precision）、召回率（Recall）、F1分数、边界F1分数和相对面积误差（Area Error (%)）进行定量评估。

**研究结果**
**4.1 ADAfinder提取结果**
通过ADAfinder共识别出61个ADA，总面积46.08 km2，个体面积0.20~7.20 km2，最大形变速率-8.025 cm/年，平均-3.141 cm/年。空间上，沉降区主要集中于矿区中南部，呈带状分布，与采煤工作面位置高度吻合。不同矿井表现差异显著：水帘洞（Shuiliandong）面积最大；大佛寺（Dafosi）和蒋家河（Jiangjiahe）识别数量多但个体小而碎片化；亭南（Tingnan）、小庄（Xiaozhuang）、胡家河（Hujiahe）各形成3~4个较大ADA；杨家坪（Yangjiaping）未识别出ADA。

**4.2 MCAS-TO提取结果**
基于2020-2025年多期累积沉降和形变速率图，采用2%面积阈值提取ADA。除2021年面积（21.58 km2）显著偏小外，总面积稳定在31~40 km2，表明核心沉降区范围相对固定。沉降幅度随时间增加：2%最严重沉降区的形变值从2020年的-2.26 cm增至2025年的-12.67 cm，2020-2025年平均形变速率为-2.12 cm/年。ADA数量波动受空间连续性控制：低沉降时离散，随开采推进相邻单元合并。水帘洞（Shuiliandong）占比最大，杨家坪（Yangjiaping）未识别。

**4.3 深度学习方法提取结果**
深度学习提取的ADA总面积从2020年的17.35 km2持续增至2025年的32.08 km2，但数量波动（2022年229个→2023年218个→2024年327个→2025年265个），表明单个ADA平均面积持续扩大，相邻ADA连接合并。2020-2025年速率结果提取155个ADA，总面积27.16 km2，低于年累积最大值，表明速率结果更保守，反映长期显著形变区域。2024-2025年部分区域（如高家堡Gaojiabao、孟村Mengcun、雅店Yadian）沉降超过-10 cm，表面活动加剧。ADA主要分布在小谷（Xiaogu）、大佛寺（Dafosi）和蒋家河（Jiangjiahe），呈带状或斑块状。

**4.4 不同ADA结果的验证**
基于参考边界的定量验证显示：三种方法在区域重叠、边界描绘和面积估计上差异明显。ADAfinder的召回率为0.999，但精确率仅0.630，IoU 0.629，边界F1分数0.094，面积误差58.63%，存在明显过度提取和边界碎片化。MCAS-TO的IoU、F1分数、边界F1分数升至0.841、0.914、0.586，面积误差降为12.02%，有效改善了边界连续性和空间范围估计。Light-UNet表现最优，IoU、F1分数、边界F1分数分别为0.930、0.964、0.821，精确率0.996，面积误差-6.36%，实现高精度识别和边界提取且虚警率低。对于多期累积形变结果，Light-UNet总体优于MCAS-TO，平均IoU、F1分数、边界F1分数分别达0.920、0.957、0.831，面积误差约6.41%，表明其提取完整性和准确性更优。

**5 讨论**
**5.1 不同ADA结果的验证**
三种方法在区域重叠、边界描绘和面积估计上差异显著。ADAfinder过度提取且边界碎片化；MCAS-TO改善完整性但部分年份仍过度提取；Light-UNet在空间重叠、虚警控制、边界定位和面积估计方面最佳，适用于复杂ADA边界的精细识别和多时相演化分析。

**5.2 不同方法提取结果的比较**
ADAfinder依赖离散点聚类，结果对点密度和参数敏感，易产生碎片化边界和内部空洞；MCAS-TO可简洁去除小斑块，但2%面积阈值在长期形变中误差较大；深度学习方法能提取更多细小ADA，但缺乏明确物理意义且处理时间较长。三种方法在方法原理、输入敏感性（速率和均方根误差RMSE的影响）、提取细粒度等方面各有优劣。

**5.3 不同ADA识别方法的互补应用**
三种方法在揭示采矿地表形变特征方面互补性强。ADAfinder快速识别稳定沉降中心，且不同时期结果一致性强；MCAS-TO整合形变梯度和拓扑优化，提供物理一致性和拓扑完整性较好的沉降边界；深度学习方法在复杂空间模式识别和时空演化表征上优势显著，能捕捉ADA的扩张、连接和合并过程，补充MCAS-TO在长时序累积形变中的阈值约束限制。三者联合使用提高了黄土矿区ADA识别的可靠性。需注意，本研究基于遥感监测与多方法对比，尚未开展系统野外验证，未来将结合实地调查进一步验证。

**5.4 ADA的时空演化特征**
综合三种方法结果，彬长矿区ADA的时空演化特征可概括为：沉降位置相对稳定、沉降幅度持续增大、受影响范围逐步扩大。ADA数量在不同年份波动，主要因形变区域空间连通性变化：早期呈离散斑块，随开采推进相邻斑块连接合并。空间分布上，ADA与地下采煤区高度一致，呈带状分布，表明地下煤层开采是控制ADA形成和演化的主导因素。然而，部分小尺度、离散的ADA在六年内持续存在但范围未明显扩展或迁移，表明黄土滑坡、崩塌、黄土蠕变等地质灾害与黄土地质环境可能进一步诱发局部地表形变。因此，彬长矿区ADA的形成和演化是地下开采活动与黄土地质环境共同作用的结果。

**6 结论**
本研究采用ADAfinder、MCAS-TO和深度学习方法，基于2020-2025年多期累积形变结果和相应形变速率图，对彬长矿区ADA进行识别、验证和比较分析，主要结论如下：
（1）三种识别方法均能有效提取矿区ADA，但在识别精度、边界描绘能力和适用场景上存在差异。ADAfinder结合形变幅值和速率信息，适合快速识别稳定沉降中心，召回率达0.999，但存在过度提取、边界碎片化和内部空洞问题。MCAS-TO整合形变梯度、自适应阈值分割和拓扑优化，IoU、F1分数和边界F1分数表明该方法能有效改善ADA边界连续性和空间范围估计精度，但固定2%面积阈值可能限制其对长期累积形变过程的完整表征。Light-UNet深度学习方法在多时相ADA识别中总体优于MCAS-TO，稳定性和边界描绘能力更强，能有效捕捉ADA的扩张、连接和合并过程，但计算复杂度较高且物理可解释性有待提升。
（2）三种方法在ADA识别和时空演化分析中互补性强。ADAfinder快速识别长期稳定沉降中心；MCAS-TO揭示2%最严重沉降区的沉降幅度持续增大；Light-UNet深度学习方法基于多时相形变结果确认ADA面积的持续扩大。综合结果揭示彬长矿区ADA的时空演化特征为沉降盆位置稳定、沉降幅度增加、受影响面积扩大。
（3）彬长矿区ADA的空间分布与地下采煤区高度一致，表明地下煤层开采是控制ADA形成和演化的主导因素。然而，部分离散、碎片化的ADA可能与局部黄土地质灾害（如地面沉降、滑坡、崩塌和黄土蠕变）有关，需进一步现场调查验证。
综上，联合应用ADAfinder、MCAS-TO和Light-UNet深度学习方法，为黄土矿区ADA识别建立了更可靠、更全面的方法体系。研究结果为采矿沉降监测、地质灾害防控提供了技术支撑，也可为后续精细化监测、野外调查和地质灾害风险识别提供有效参考。