Das Untersuchungsgebiet liegt in Heze City, Provinz Shandong, China, auf einer Bergbaufläche im Gelben Fluss Alluvial-Ebene. Das Gebiet umfasst eine Fläche von etwa 259 km2 und liegt auf einer Höhe von +41 m bis +46 m mit einer natürlichen Geländeneigung von 0,2‰. Es gibt verschiedene Kohlesorten wie Fettkohle, ein Drittel Koks und Gaskohle. Die Kohleförderung begann im Jahr 2006 und erreicht eine Tiefe von 938 m und eine Mächtigkeit von 6,8 m. Das Gebiet wird hauptsächlich landwirtschaftlich genutzt und hat eine gute wirtschaftliche Entwicklung. Die Bergbauaktivitäten haben zu ernsthaften Bodenabsenkungsproblemen geführt, weshalb es wichtig ist, einen Ausgleich zwischen Bergbau und Oberflächenschutz zu schaffen.
Zur Genauigkeitsanalyse der SBAS InSAR wurden 66 Sentinel-1A SAR-Bilder ausgewählt und mit dem GAMMA-Software SBAS InSAR-Verfahren verarbeitet, um Zeitreihen der Oberflächenabsenkung zu erhalten. Diese Zeitreihen umfassten 69 Perioden mit 12-tägigen Intervallen. Die Überwachung der Bergbauoberflächenabsenkung durch Nivellements umfasste 19 Perioden von Januar 2019 bis April 2021. Durch einen Vergleich der beiden Methoden wurde die Konsistenz und Genauigkeit der SBAS InSAR-Überwachung demonstriert.
Die Studie verwendete eine Kombination aus dem SDK-Algorithmus, um die räumliche Unterteilung der Bergbauoberflächenabsenkungszeitreihe zu bestimmen. Dieser Ansatz berücksichtigt die räumliche und zeitliche Korrelation und Ähnlichkeit von Oberflächenabsenkungszeitreihen benachbarter Pixel. Durch die Berechnung des spatio-temporalen Abstands und die Anwendung des K-Means-Clustering-Verfahrens wurden Partitionen der Bergbauoberflächenabsenkungszeitreihen ermittelt.
Für die Vorhersage der Bergbauoberflächenabsenkung wurde ein tiefen Lernansatz vorgeschlagen, der die Spatio-temporale Korrelation der Daten berücksichtigt. Hierbei wurden Long Short-Term Memory (LSTM) und Gated Recurrent Unit (GRU) verwendet, um die komplexe räumliche und zeitliche Muster in den Daten zu erfassen. Die Parameteroptimierung erfolgte mithilfe des Snake Optimization Algorithmus, um die Leistung des GRU-Modells zu verbessern. Dieser Ansatz ermöglicht eine präzise Vorhersage der Bergbauoberflächenabsenkung und gewährleistet die Anpassungsfähigkeit des Modells.