矿区地表沉陷的监测方法、装置和电子设备

技术领域

本申请涉及地表变形检测领域，具体而言，涉及一种矿区地表沉陷的监测方法、装置、计算机可读存储介质和电子设备。

背景技术

目前对于矿区开采的地表需要进行沉陷变形检测，可以采用空天地一体化信息网络对矿区进行动态检测，从而全方位检测矿区地表移动全盆地的沉陷变形特征，而空天地一体化信息网络中不同的设备可以检测到多个数据，所以需要对多个数据进行融合，以对矿区的地表进行检测，但是，目前的方案中只可以对矿区多个数据进行组合，而并没有对多个数据真正进行融合，这样会导致矿区检测的效率较低。

发明内容

本申请的主要目的在于提供一种矿区地表沉陷的监测方法、装置、计算机可读存储介质和电子设备，以解决现有技术中只可以对矿区多个数据进行组合，而并没有对多个数据真正进行融合，这样会导致矿区检测的效率较低的问题。

根据本发明实施例的一个方面，提供了一种矿区地表沉陷的监测方法，包括：获取矿区的地表的多个位置数据，多个所述位置数据是多个设备采集得到的；对多个所述位置数据进行第一次数据融合，得到初始数据集，所述初始数据集中包括所述矿区的地表的多个坐标点和各所述坐标点的初始沉陷数据；根据所述矿区中的不同区域对应的所述位置数据，对所述初始数据集中对应的区域的数据进行第二次数据融合，得到目标数据集，所述目标数据集中包括所述矿区的地表的多个所述坐标点和各所述坐标点的目标沉陷数据；根据所述目标数据集，检测所述矿区的地表的沉陷程度。

可选地，获取矿区的地表的多个位置数据，包括：获取所述矿区的地表的第一类型位置数据，所述第一类型位置数据是位于所述矿区的地面上的第一雷达采集得到的；获取所述矿区的地表的第二类型位置数据，所述第二类型位置数据是位于所述矿区的上方的半空中的第二雷达采集得到的，其中，所述第一雷达的高度小于所述第二雷达的高度；获取所述矿区的地表的第三类型位置数据，所述第三类型位置数据是位于所述矿区的上方的空中的第三雷达采集得到的，其中，所述第二雷达的高度小于所述第三雷达的高度，所述第一类型位置数据的精度大于所述第二类型位置数据的精度，所述第二类型位置数据的精度大于所述第三类型位置数据的精度；获取所述矿区的地表的第四类型位置数据，所述第四类型位置数据是激光扫描仪采集得到的，所述第四类型位置数据是指所述矿区的地表的三维数据。

可选地，对多个所述位置数据进行第一次数据融合，得到初始数据集，包括：确定所述第一类型位置数据、所述第二类型位置数据和所述第三类型位置数据中任意两个的对应关系，得到多个关系信息；根据多个所述关系信息以及所述第四类型位置数据进行融合，得到所述初始数据集。

可选地，根据多个所述关系信息以及所述第四类型位置数据进行融合，得到所述初始数据集，包括：将所述第一类型位置数据与所述第四类型位置数据进行融合，得到第一数据集；将所述第一数据集作为基准，并根据所述第一类型位置数据与所述第二类型位置数据的所述关系信息，与所述第二类型位置数据进行融合，得到第二数据集；将所述第二数据集作为基准，并根据所述第二类型位置数据与所述第三类型位置数据的所述关系信息，与所述第三类型位置数据进行融合，得到所述初始数据集。

可选地，确定所述第一类型位置数据、所述第二类型位置数据和所述第三类型位置数据中任意两个的对应关系，得到多个关系信息，包括：采用检测模型确定多个所述关系信息，其中，所述检测模型是使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括所述第一类型位置数据与所述第二类型位置数据的第一关系信息、所述第二类型位置数据与所述第三类型位置数据的第二关系信息、所述第一类型位置数据与所述第三类型位置数据的第三关系信息。

可选地，根据所述矿区中的不同区域对应的所述位置数据，对所述初始数据集中对应的区域的数据进行第二次数据融合，得到目标数据集，包括：将所述初始数据集作为基准，与所述矿区中的第一区域中的所述第三类型位置数据进行融合，得到第三数据集，其中，所述第一区域是指所述矿区中的边缘区域；将所述第三数据集作为基准，与所述矿区中的第二区域中的所述第二类型位置数据、所述第四类型位置数据进行融合，得到第四数据集，其中，所述第二区域是指所述矿区中除所述第一区域以外的区域；将所述第四数据集作为基准，与所述矿区中的各位置处的所述第一类型位置数据进行融合，得到所述目标数据集。

可选地，根据所述目标数据集，检测所述矿区的地表的沉陷程度，包括：在所述坐标点对应的所述目标沉陷数据大于第一沉陷阈值的情况下，确定所述矿区的地表的所述沉陷程度为第一沉陷程度；在所述坐标点对应的所述目标沉陷数据大于第二沉陷阈值的情况下，确定所述矿区的地表的所述沉陷程度为第二沉陷程度，其中，所述第一沉陷阈值小于所述第二沉陷阈值；在所述坐标点对应的所述目标沉陷数据大于第三沉陷阈值的情况下，确定所述矿区的地表的所述沉陷程度为第三沉陷程度，其中，所述第二沉陷阈值小于所述第三沉陷阈值。

根据本发明实施例的另一方面，还提供了一种矿区地表沉陷的监测装置，包括：获取单元，用于获取矿区的地表的多个位置数据，多个所述位置数据是多个设备采集得到的；第一融合单元，用于对多个所述位置数据进行第一次数据融合，得到初始数据集，所述初始数据集中包括所述矿区的地表的多个坐标点和各所述坐标点的初始沉陷数据；第二融合单元，用于根据所述矿区中的不同区域对应的所述位置数据，对所述初始数据集中对应的区域的数据进行第二次数据融合，得到目标数据集，所述目标数据集中包括所述矿区的地表的多个所述坐标点和各所述坐标点的目标沉陷数据；检测单元，用于根据所述目标数据集，检测所述矿区的地表的沉陷程度。

根据本发明实施例的又一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，所述程序执行任意一种所述的方法。

根据本发明实施例的再一方面，还提供了一种电子设备，包括：一个或多个处理器，存储器以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行任意一种所述的方法。

在本发明实施例中，首先获取矿区的地表的多个位置数据，之后对多个位置数据进行第一次数据融合，得到初始数据集，之后根据矿区中的不同区域对应的位置数据，对初始数据集中对应的区域的数据进行第二次数据融合，得到目标数据集，最后根据目标数据集，检测矿区的地表的沉陷程度。该方案中，可以获取矿区的地表的多个位置数据，可以根据多个位置数据之间的映射关系，通过两次数据融合的方式，得到目标数据集，目标数据集可以较好地采用不同的位置数据之间的关联性，从而实现多个位置数据的联动性，这样可以提高矿区检测的效率。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1示出了根据本申请的实施例的一种矿区地表沉陷的监测方法的流程示意图；

图2示出了多个设备的联合检测位置数据的示意图；

图3示出了检测模型的结构示意图；

图4示出了两次数据融合的流程示意图；

图5示出了根据本申请的实施例的一种矿区地表沉陷的监测装置的结构示意图。

其中，上述附图包括以下附图标记：

100、第一雷达；200、第二雷达；300、第三雷达。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应该理解的是，当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时，该元件可直接在该另一元件上，或者也可存在中间元件。而且，在说明书以及权利要求书中，当描述有元件“连接”至另一元件时，该元件可“直接连接”至该另一元件，或者通过第三元件“连接”至该另一元件。

据统计，2017年原煤在我国一次能源生产总量中占比为68.6％，煤炭在我国一次能源消费总量中占比为60.4％，预计到2050年仍将是我国重要基础能源，为保障国家能源安全发挥重要作用。随着我国东部矿区可开采煤层的逐渐枯竭，国家矿区开发的重心更多的在向西部转移。2016年国家发布的《全国矿产资源规划2016-2020》表明国家14个亿吨级大型煤炭基地中的神东、陕北、宁东等均位于西部，煤炭产量占全国70％以上。西部矿区不仅煤储量巨大，而且所存煤田为世界少见的优质动力煤，煤层厚实，赋存稳定，为西部矿区的高强度开采提供了先决条件。

西部矿区高强度开采工作面具有工作面范围大、推进速度快的特点，是一种更加高产高效的采煤方式。例如西部神东矿区大部分的工作面长度在300m-360m之间，推进距离在3000m-4000m之间，采高最大可达7m以上。在矿井规模上，有2个达到了2000万吨/年以上，8个达到1000万吨/年。如此高强度的开采作业对地表损坏十分严重，对矿区原有生态环境和地表建(构)筑物造成巨大扰动和损坏。特别是我国西部生态环境脆弱，高强度煤炭开采引发的严重生态环境影响，给矿区人民的正常生活及可持续发展带来一系列负面影响。

传统的观测手段是以点为单位，采用水准和导线测量，沿地表移动盆地主断面布设线形观测站进行地表沉陷监测。这种观测方式精度高，但是由于人力成本高，观测周期长。在大数据时代下，显然已无法满足现代工程中实时动态、全方位、一体化的监测需求。现代观测技术正是在这种时代背景下，高速蓬勃的发展。不同的观测技术针对不同的服务对象正在不断地升级与发展。观测数据所携带的信息日益丰富，但不同观测技术的数据类型和结构的差异性也逐步增大。

面对西部矿区高强度开采的地表大范围多盆地沉陷变形监测需求，对其进行“空天地”多平台、多角度、一体化的动态监测十分必要，从而全方位地掌握矿区地表移动全盆地的沉陷变形特征。

传统的数据融合技术往往被认为是数据集成的一部分，是将多个表示同一对象的监测数据组合成一致、准确和具有价值的数据表示过程。通过对数据进行不同地映射和重复检测，将不同类型的数据集合并到具有一致数据模式的数据库中。

但是在大数据时代，不同的数据所携带信息的差异性越来越明显；不同测量手段产生的数据之间的相关联性也更加难以挖掘。在这种情况下，不能通过模式映射和重复检测直接合并它们，传统的数据融合方法难以胜任这类任务。因此，需要通过不同的方法从每个数据中去提取信息，挖掘出不同数据之间的相关性，以此构建一个可以共同分析观测对象的全新分析手段。这里更多的是关于不同监测数据信息之间的融合，而不是映射，这与传统的数据融合有着很大的区别。目前，针对数据融合算法的研究主要分两方面进行研究：1)基于语义分析的数据融合；2)基于特征分析的数据融合。

(1)基于语义分析的数据融合算法

语义分析的核心思想是理解每个数据背后的实际意义以及不同数据之间的特征关系。每个数据代表的含义，不同的数据信息可以被融合的原因，以及多个数据信息彼此之间是如何融合的。数据融合的过程带有语义含义(即信息的实际意义)，这些语义含义源自与研究者们对不同数据之间融合方式的思考。因此，数据信息是可解释和有意义的。常见的基于语义分析的数据融合方法有四种：

A、基于多视角融合：分为三步进行分析，a、进行协同训练，将不同类型的数据转换成一致的输入格式。b、多线程学习，利用多线程学习算法(Multi-Kernel Learning，简称MKL)，进行语义分析。c、下采样学习，利用多视角主成分分析算法(Canonical CorrelationAnalysis，简称CCA)，输出结果。

B、基于相似性融合：分为两类，a、多矩阵因式分解方法，主要通过奇异值分解算法(Singular Value Decomposition，简称SVD)和非负矩阵分解(Nonnegative MatrixFactor，简称NMF)将数据进行降维，依据相似性进行融合。b、通过流形对齐(ManifoldAlignment)方法进行融合。

C、基于概率依赖性融合：通过建立概率图形模型，分析不同数据之间条件依赖结构关系，调整模型参数，从而达到数据融合的目的。

D、基于转移学习融合：迁移学习重点关注对不同类型数据的转换或针对不同数据集模型调整方式。利用多任务学习技术(Multi-task learning，简称MTL)，可以将多个数据集的信息从源域传输到目标域。

(2)基于特征分析的数据融合算法

随着计算机视觉的不断发展，深度学习算法已经成为特征分析的主要应用算法。基于特征分析的数据融合方法的思路与基于语义的分析方法不同，特征分析不关心每个数据的实际含义，而是将数据视为实际真值或者分类值。从基于深度神经网络(Deep NeuralNetworks，简称DNN)在不同数据的特征进行研究，大幅度提升了深度学习在数据融合算法中的性能。

DNN在人工智能中并不是一个全新的概念。DNN基本上是一个包含大量参数的多层神经网络。以前，神经网络是基于反向传播算法(Back Propagation，简称BP)进行训练的，当神经网络有许多隐藏层时，由于参数过多而限制了神经网络的性能。近期，人们提出了新的学习算法(又称深度学习)，如自动编码器(autoencoder)和受限玻尔兹曼机(RestrictedBoltzmann Machines，简称RBM)来逐层学习DNN的参数，并通过共享参数的方式解决了参数过多的问题，从而大大提升了算法性能。深度学习通过使用有监督的、无监督的和半监督的方法，使神经网络能够进行多层次的抽象提取和表达，进而达到理解数据、分析数据。

目前，基于“空天地”一体化多源数据融合算法研究，应用前景较为广泛，但是还存在着以下问题：

(1)矿区测绘对多源数据融合分析的应用更多的是对某一数据精度运用其他数据源进行验证分析，或者简单直接的组合形式，并未从多源域整体化方面去分析数据的相关性。然而，现有的数据融合算法多用于处理具有多种实际意义的信息数据，常用于GIS地信领域的数据融合，而对于矿区“空天地”一体化的测量数据，由于测量数据的语义信息相对匮乏，因此处理效果不够理想。

(2)在矿区开采过程中，由于地表下沉变化具有规律性，对于不同监测技术的精度影响差异显著，数据融合较为困难。

(3)矿区地表沉陷监测数据的融合多为观测成果的组合，并未从数据本身进行多源数据格式的融合统一。

(4)不同的测量方式采集到的数据具有数据格式(遥感影像、点云数据、测点三维坐标等)不同、精度不同等差异，现有的数据融合技术无法直接应用于测绘数据之中。

因此，目前的方案中只可以对矿区多个数据进行组合，而并没有对多个数据真正进行融合，这样会导致矿区检测的效率较低。

正如背景技术中所说的，现有技术中只可以对矿区多个数据进行组合，而并没有对多个数据真正进行融合，这样会导致矿区检测的效率较低，为了解决上述问题，本申请的一种典型的实施方式中，提供了一种矿区地表沉陷的监测方法、装置、计算机可读存储介质和电子设备。

根据本申请的实施例，提供了一种矿区地表沉陷的监测方法。

图1是根据本申请实施例的矿区地表沉陷的监测方法的流程图。如图1所示，该方法包括以下步骤：

步骤S101，获取矿区的地表的多个位置数据，多个上述位置数据是多个设备采集得到的；

为了更为高效地获取多个位置数据，以保证后续可以更为高效地进行数据融合，进而进一步保证本方案的数据融合效率较好，本申请的一种实施例中，获取矿区的地表的多个位置数据，包括：获取上述矿区的地表的第一类型位置数据，上述第一类型位置数据是位于上述矿区的地面上的第一雷达采集得到的；获取上述矿区的地表的第二类型位置数据，上述第二类型位置数据是位于上述矿区的上方的半空中的第二雷达采集得到的，其中，上述第一雷达的高度小于上述第二雷达的高度；获取上述矿区的地表的第三类型位置数据，上述第三类型位置数据是位于上述矿区的上方的空中的第三雷达采集得到的，其中，上述第二雷达的高度小于上述第三雷达的高度，上述第一类型位置数据的精度大于上述第二类型位置数据的精度，上述第二类型位置数据的精度大于上述第三类型位置数据的精度；获取上述矿区的地表的第四类型位置数据，上述第四类型位置数据是激光扫描仪采集得到的，上述第四类型位置数据是指上述矿区的地表的三维数据。

具体地，多个设备的联合检测位置数据如图2所示，空天地一体化中采用了多个设备检测位置数据，例如采用第一雷达100、第二雷达200和第三雷达300进行检测，第一雷达100可以是检测水准点和导线的雷达，第二雷达200可以是GNSS的雷达、地基雷达、机载雷达，第三雷达300可以是合成孔径雷达(Synthetic Aperture Radar，简称SAR)、北斗卫星的雷达，图2中水准点和导线下方有采煤工作面，还有其他的岩石层、含水层等。

在实际中对于水准点和导线，实际上是最准确的数据，一个区域中具有三个坐标，分别是X坐标、Y坐标和Z坐标，X坐标和Y坐标是用于确定面积的，而Z坐标是用于确定地表沉陷的高度的，第二雷达测量到的位置数据的面积可以包括第一雷达测量到的位置数据，第三雷达测量到的位置数据的面积可以包括第二雷达测量到的位置数据，由于第一雷达是贴在地面上的，地下还在采煤，并且人力成本较高，所以第一雷达设置在多个位置上是不合理的，可以间隔设置几个第一雷达，这样地下采煤工作也可以不被影响，对于第二雷达测量到的Z坐标的精度是低于第一雷达测量到的Z坐标的精度的，对于第三雷达测量到的Z坐标的精度是低于第二雷达测量到的Z坐标的精度的。

步骤S102，对多个上述位置数据进行第一次数据融合，得到初始数据集，上述初始数据集中包括上述矿区的地表的多个坐标点和各上述坐标点的初始沉陷数据；

具体地，可以将多个位置数据根据关联性融合为一个整体，得到初始数据集，初始数据集为包含空天地多个设备采集到的多个位置数据的一体化的数据集。可以由高精度的水准点、导线数据逐渐向相邻区域扩散，并根据多个位置数据间的关联性进行融合，数据覆盖范围可以是整个开采矿区。

为了进一步高效准确地进行第一次数据融合，以进一步得到较为准确的初始数据集，本申请的一种具体的实施例中，对多个上述位置数据进行第一次数据融合，得到初始数据集，包括：确定上述第一类型位置数据、上述第二类型位置数据和上述第三类型位置数据中任意两个的对应关系，得到多个关系信息；根据多个上述关系信息以及上述第四类型位置数据进行融合，得到上述初始数据集。

为了进一步准确地确定多个位置数据之间的关联性，后续可以更为高效地进行第一次数据融合，本申请的再一种实施例中，确定上述第一类型位置数据、上述第二类型位置数据和上述第三类型位置数据中任意两个的对应关系，得到多个关系信息，包括：采用检测模型确定多个上述关系信息，其中，上述检测模型是使用多组数据通过机器学习训练出的，上述多组数据中的每组数据均包括上述第一类型位置数据与上述第二类型位置数据的第一关系信息、上述第二类型位置数据与上述第三类型位置数据的第二关系信息、上述第一类型位置数据与上述第三类型位置数据的第三关系信息。

具体地，一般的模型可以有三个标准条件：第一，所学习到的共享特征保持了“概念”的相似性，第二，在有些数据缺失的情况下，可以轻松得到相关性数据的特征，从而填补缺失数据，第三，新的特征可以单独作为输入中的任何一种原始数据的代表，因此，为了满足上述的条件，可以采用多模态受限玻尔兹曼机算法(Multimodal Learning RestrictedBoltzmann Machines，简称MLDBM)训练模型。

MLDBM采用高斯-伯努利函数(Gaussian-Bernoulli RBM)对第二类型位置数据和第三类型位置数据进行训练，同时采用多重SoftMax函数对第一类型位置数据进行训练，如图3所示，MLDBM为每种模式构建了一个独立的两层DBM网络，然后通过在两层DBM网络上面添加一个数据连接表达层进行组合，由于MLDBM是一种自生成、无定向的深度学习框架，相邻层之间均由两部分连接，所以MLDBM支持双向训练(从下到上或者从上到下)，而具体的DBM网络的层数不做限定，可以根据实际情况设置合适的DBM网络的层数。

一种实施例中，第一类型位置数据中的Z坐标采集到的是2.15M，第二类型位置数据中的Z坐标采集到的是2.20M，第三类型位置数据中的Z坐标采集到的是2M，在一些方案中，是将这三个Z坐标进行组合，而本方案中，要确定2.15M和2.20M之间的第一关系信息，还要确定2.20M和2M之间的第一关系信息，还要确定2.15M和2M之间的第三关系信息。

为了先将输入的多个位置数据根据对应的关系信息融合为一个整体，形成一个包含空天地多源的位置数据的一体化数据集，且可以采用渐进式的数据融合方式，由高精度的第一类型位置数据逐渐向相邻区域扩散，以和第二类型位置数据、第三类型位置数据、第四类型位置数据进行融合，从而进一步包成融合的覆盖范围可以逐渐扩至整个开矿区，本申请的又一种实施例中，根据多个上述关系信息以及上述第四类型位置数据进行融合，得到上述初始数据集，包括：将上述第一类型位置数据与上述第四类型位置数据进行融合，得到第一数据集；将上述第一数据集作为基准，并根据上述第一类型位置数据与上述第二类型位置数据的上述关系信息，与上述第二类型位置数据进行融合，得到第二数据集；将上述第二数据集作为基准，并根据上述第二类型位置数据与上述第三类型位置数据的上述关系信息，与上述第三类型位置数据进行融合，得到上述初始数据集。

具体地，融合过程如图4所示，首先以第一类型位置数据(包括水准数据和导线数据)作为基准，与第四类型位置数据(包含倾向线与走向线的三维数据)进行融合，得到第一数据集A，将第一数据集A作为基准，与覆盖范围更广的第二类型位置数据(包括无人机影像数据)进行融合，得到第二数据集B，将第二数据集B作为基准，与第三类型位置数据(包括InSAR遥感影像数据)进行融合，得到数据集C，数据集C为初始数据集。

步骤S103，根据上述矿区中的不同区域对应的上述位置数据，对上述初始数据集中对应的区域的数据进行第二次数据融合，得到目标数据集，上述目标数据集中包括上述矿区的地表的多个上述坐标点和各上述坐标点的目标沉陷数据；

具体地，初始数据集实际上是粗融合的数据集，可以将初始数据集作为基准，从精度较低、范围较广的第三位置数据(InSAR遥感影像数据)开始，利用精度较高的相邻的不同类型的位置数据逐渐融合，即逐渐校正精度，校正后的目标数据集可以包括多个位置数据之间的特征信息(即多个位置数据融合后的数据)，这样可以很好地利用不同区域的位置数据之间的关联性，从而实现空天地一体化，多源数据联动。

由于第一次融合过程中着重于确定相邻数据间的相关性，会导致在第一次融合过程中形成误差，导致误差累计，因此可以进行第二次数据融合，第二次数据融合即为校正的过程，这样可以保证目标数据集的精度较高，第二数据融合的过程与第一次数据融合的过程相反，第二次是从分辨率较低、范围最广的第三类型位置数据开始，依次按照精度的高低，对相邻数据逐渐继续校正，本申请的另一种具体的实施例中，根据上述矿区中的不同区域对应的上述位置数据，对上述初始数据集中对应的区域的数据进行第二次数据融合，得到目标数据集，包括：将上述初始数据集作为基准，与上述矿区中的第一区域中的上述第三类型位置数据进行融合，得到第三数据集，其中，上述第一区域是指上述矿区中的边缘区域；将上述第三数据集作为基准，与上述矿区中的第二区域中的上述第二类型位置数据、上述第四类型位置数据进行融合，得到第四数据集，其中，上述第二区域是指上述矿区中除上述第一区域以外的区域；将上述第四数据集作为基准，与上述矿区中的各位置处的上述第一类型位置数据进行融合，得到上述目标数据集。

具体地，融合过程如图4所示，首先将初始数据集C作为基准，重新与矿区的边缘区域的第三类型位置数据(包括InSAR遥感影像数据)进行融合，得到第三数据集α，将第三数据集α作为基准，与矿区的中心区域的第二类型位置数据(包括无人机影像数据)以及第四类型位置数据(包含倾向线与走向线的三维数据)进行融合，得到第四数据集β，将第四数据集β作为基准，与第一类型位置数据(包括水准数据和导线数据)进行融合，得到数据集γ，数据集γ为目标数据集。

数据集γ即为最终的空天地一体化数据融合的结果，数据集γ可以包括多个位置数据间的特征信息，由于较好的利用了不同位置数据间的相关联性，从而达到了空天地一体化，多源数据联动的目的。

步骤S104，根据上述目标数据集，检测上述矿区的地表的沉陷程度。

为了在数据融合后，更为高效准确地对矿区的地表的沉陷程度进行检测，进而进一步提高了矿区检测的效率，本申请的一种具体的实施例中，根据上述目标数据集，检测上述矿区的地表的沉陷程度，包括：在上述坐标点对应的上述目标沉陷数据大于第一沉陷阈值的情况下，确定上述矿区的地表的上述沉陷程度为第一沉陷程度；在上述坐标点对应的上述目标沉陷数据大于第二沉陷阈值的情况下，确定上述矿区的地表的上述沉陷程度为第二沉陷程度，其中，上述第一沉陷阈值小于上述第二沉陷阈值；在上述坐标点对应的上述目标沉陷数据大于第三沉陷阈值的情况下，确定上述矿区的地表的上述沉陷程度为第三沉陷程度，其中，上述第二沉陷阈值小于上述第三沉陷阈值。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

上述的方法中，首先获取矿区的地表的多个位置数据，之后对多个位置数据进行第一次数据融合，得到初始数据集，之后根据矿区中的不同区域对应的位置数据，对初始数据集中对应的区域的数据进行第二次数据融合，得到目标数据集，最后根据目标数据集，检测矿区的地表的沉陷程度。该方案中，可以获取矿区的地表的多个位置数据，可以根据多个位置数据之间的映射关系，通过两次数据融合的方式，得到目标数据集，目标数据集可以较好地采用不同的位置数据之间的关联性，从而实现多个位置数据的联动性，这样可以提高矿区检测的效率。

具体地，本申请的方案中，建立了针对矿区下沉变化、基于深度学习的空天地一体化多源位置数据融合的检测模型，确定多源位置数据之间的相关性和差异性，对比分析不同数据源的数据融合过程中的稳定性，对空天地一体化多源位置数据进行融合，建立不同数据源之间的映射关系是较为重要的，因此，采用本方案可以较好的融合多源数据，在大数据时代下，本方案可以通过多源数据融合算法实现矿区多源数据的高效利用。

一种可选的实施例中，还可以通过某一个位置数据对其他位置数据进行验证分析，或者组合多个位置数据。

本申请实施例还提供了一种矿区地表沉陷的监测装置，需要说明的是，本申请实施例的矿区地表沉陷的监测装置可以用于执行本申请实施例所提供的用于矿区地表沉陷的监测方法。以下对本申请实施例提供的矿区地表沉陷的监测装置进行介绍。

图5是根据本申请实施例的矿区地表沉陷的监测装置的示意图。如图5所示，该装置包括：

获取单元10，用于获取矿区的地表的多个位置数据，多个上述位置数据是多个设备采集得到的；

为了更为高效地获取多个位置数据，以保证后续可以更为高效地进行数据融合，进而进一步保证本方案的数据融合效率较好，本申请的一种实施例中，获取单元包括第一获取模块、第二获取模块、第三获取模块和第四获取模块，第一获取模块用于获取上述矿区的地表的第一类型位置数据，上述第一类型位置数据是位于上述矿区的地面上的第一雷达采集得到的；第二获取模块用于获取上述矿区的地表的第二类型位置数据，上述第二类型位置数据是位于上述矿区的上方的半空中的第二雷达采集得到的，其中，上述第一雷达的高度小于上述第二雷达的高度；第三获取模块用于获取上述矿区的地表的第三类型位置数据，上述第三类型位置数据是位于上述矿区的上方的空中的第三雷达采集得到的，其中，上述第二雷达的高度小于上述第三雷达的高度，上述第一类型位置数据的精度大于上述第二类型位置数据的精度，上述第二类型位置数据的精度大于上述第三类型位置数据的精度；第四获取模块用于获取上述矿区的地表的第四类型位置数据，上述第四类型位置数据是激光扫描仪采集得到的，上述第四类型位置数据是指上述矿区的地表的三维数据。

第一融合单元20，用于对多个上述位置数据进行第一次数据融合，得到初始数据集，上述初始数据集中包括上述矿区的地表的多个坐标点和各上述坐标点的初始沉陷数据；

为了进一步高效准确地进行第一次数据融合，以进一步得到较为准确的初始数据集，本申请的一种具体的实施例中，第一融合单元包括第一确定模块和第一融合模块，确定模块用于确定上述第一类型位置数据、上述第二类型位置数据和上述第三类型位置数据中任意两个的对应关系，得到多个关系信息；第一融合模块用于根据多个上述关系信息以及上述第四类型位置数据进行融合，得到上述初始数据集。

为了进一步准确地确定多个位置数据之间的关联性，后续可以更为高效地进行第一次数据融合，本申请的再一种实施例中，第一确定模块包括确定子模块，确定子模块用于采用检测模型确定多个上述关系信息，其中，上述检测模型是使用多组数据通过机器学习训练出的，上述多组数据中的每组数据均包括上述第一类型位置数据与上述第二类型位置数据的第一关系信息、上述第二类型位置数据与上述第三类型位置数据的第二关系信息、上述第一类型位置数据与上述第三类型位置数据的第三关系信息。

为了先将输入的多个位置数据根据对应的关系信息融合为一个整体，形成一个包含空天地多源的位置数据的一体化数据集，且可以采用渐进式的数据融合方式，由高精度的第一类型位置数据逐渐向相邻区域扩散，以和第二类型位置数据、第三类型位置数据、第四类型位置数据进行融合，从而进一步包成融合的覆盖范围可以逐渐扩至整个开矿区，本申请的又一种实施例中，第一融合模块包括第一融合子模块、第二融合子模块和第三融合子模块，第一融合子模块用于将上述第一类型位置数据与上述第四类型位置数据进行融合，得到第一数据集；第二融合子模块用于将上述第一数据集作为基准，并根据上述第一类型位置数据与上述第二类型位置数据的上述关系信息，与上述第二类型位置数据进行融合，得到第二数据集；第三融合子模块用于将上述第二数据集作为基准，并根据上述第二类型位置数据与上述第三类型位置数据的上述关系信息，与上述第三类型位置数据进行融合，得到上述初始数据集。

第二融合单元30，用于根据上述矿区中的不同区域对应的上述位置数据，对上述初始数据集中对应的区域的数据进行第二次数据融合，得到目标数据集，上述目标数据集中包括上述矿区的地表的多个上述坐标点和各上述坐标点的目标沉陷数据；

由于第一次融合过程中着重于确定相邻数据间的相关性，会导致在第一次融合过程中形成误差，导致误差累计，因此可以进行第二次数据融合，第二次数据融合即为校正的过程，这样可以保证目标数据集的精度较高，第二数据融合的过程与第一次数据融合的过程相反，第二次是从分辨率较低、范围最广的第三类型位置数据开始，依次按照精度的高低，对相邻数据逐渐继续校正，本申请的另一种具体的实施例中，第二融合单元包括第二融合模块、第三融合模块和第四融合模块，第二融合模块用于将上述初始数据集作为基准，与上述矿区中的第一区域中的上述第三类型位置数据进行融合，得到第三数据集，其中，上述第一区域是指上述矿区中的边缘区域；第三融合模块用于将上述第三数据集作为基准，与上述矿区中的第二区域中的上述第二类型位置数据、上述第四类型位置数据进行融合，得到第四数据集，其中，上述第二区域是指上述矿区中除上述第一区域以外的区域；第四融合模块用于将上述第四数据集作为基准，与上述矿区中的各位置处的上述第一类型位置数据进行融合，得到上述目标数据集。

检测单元40，用于根据上述目标数据集，检测上述矿区的地表的沉陷程度。

为了在数据融合后，更为高效准确地对矿区的地表的沉陷程度进行检测，进而进一步提高了矿区检测的效率，本申请的一种具体的实施例中，检测单元包括第二确定模块、第三确定模块和第四确定模块，第二确定模块用于在上述坐标点对应的上述目标沉陷数据大于第一沉陷阈值的情况下，确定上述矿区的地表的上述沉陷程度为第一沉陷程度；第三确定模块用于在上述坐标点对应的上述目标沉陷数据大于第二沉陷阈值的情况下，确定上述矿区的地表的上述沉陷程度为第二沉陷程度，其中，上述第一沉陷阈值小于上述第二沉陷阈值；第四确定模块用于在上述坐标点对应的上述目标沉陷数据大于第三沉陷阈值的情况下，确定上述矿区的地表的上述沉陷程度为第三沉陷程度，其中，上述第二沉陷阈值小于上述第三沉陷阈值。

上述的装置中，获取单元获取矿区的地表的多个位置数据，第一融合单元对多个位置数据进行第一次数据融合，得到初始数据集，第二融合单元根据矿区中的不同区域对应的位置数据，对初始数据集中对应的区域的数据进行第二次数据融合，得到目标数据集，检测单元根据目标数据集，检测矿区的地表的沉陷程度。该方案中，可以获取矿区的地表的多个位置数据，可以根据多个位置数据之间的映射关系，通过两次数据融合的方式，得到目标数据集，目标数据集可以较好地采用不同的位置数据之间的关联性，从而实现多个位置数据的联动性，这样可以提高矿区检测的效率。

上述矿区地表沉陷的监测装置包括处理器和存储器，上述获取单元、第一融合单元、第二融合单元和检测单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来提高矿区检测的效率。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本发明实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述矿区地表沉陷的监测方法。

本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述矿区地表沉陷的监测方法。

本申请还提供了一种电子设备，包括一个或多个处理器，存储器以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置为由上述一个或多个处理器执行，上述一个或多个程序包括用于执行任意一种上述的方法。

本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：

步骤S101，获取矿区的地表的多个位置数据，多个上述位置数据是多个设备采集得到的；

步骤S102，对多个上述位置数据进行第一次数据融合，得到初始数据集，上述初始数据集中包括上述矿区的地表的多个坐标点和各上述坐标点的初始沉陷数据；

步骤S103，根据上述矿区中的不同区域对应的上述位置数据，对上述初始数据集中对应的区域的数据进行第二次数据融合，得到目标数据集，上述目标数据集中包括上述矿区的地表的多个上述坐标点和各上述坐标点的目标沉陷数据；

步骤S104，根据上述目标数据集，检测上述矿区的地表的沉陷程度。

本文中的设备可以是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：

步骤S101，获取矿区的地表的多个位置数据，多个上述位置数据是多个设备采集得到的；

步骤S102，对多个上述位置数据进行第一次数据融合，得到初始数据集，上述初始数据集中包括上述矿区的地表的多个坐标点和各上述坐标点的初始沉陷数据；

步骤S103，根据上述矿区中的不同区域对应的上述位置数据，对上述初始数据集中对应的区域的数据进行第二次数据融合，得到目标数据集，上述目标数据集中包括上述矿区的地表的多个上述坐标点和各上述坐标点的目标沉陷数据；

步骤S104，根据上述目标数据集，检测上述矿区的地表的沉陷程度。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

从以上的描述中，可以看出，本申请上述的实施例实现了如下技术效果：

1)、本申请的矿区地表沉陷的监测方法，首先获取矿区的地表的多个位置数据，之后对多个位置数据进行第一次数据融合，得到初始数据集，之后根据矿区中的不同区域对应的位置数据，对初始数据集中对应的区域的数据进行第二次数据融合，得到目标数据集，最后根据目标数据集，检测矿区的地表的沉陷程度。该方案中，可以获取矿区的地表的多个位置数据，可以根据多个位置数据之间的映射关系，通过两次数据融合的方式，得到目标数据集，目标数据集可以较好地采用不同的位置数据之间的关联性，从而实现多个位置数据的联动性，这样可以提高矿区检测的效率。

2)、本申请的矿区地表沉陷的监测装置，获取单元获取矿区的地表的多个位置数据，第一融合单元对多个位置数据进行第一次数据融合，得到初始数据集，第二融合单元根据矿区中的不同区域对应的位置数据，对初始数据集中对应的区域的数据进行第二次数据融合，得到目标数据集，检测单元根据目标数据集，检测矿区的地表的沉陷程度。该方案中，可以获取矿区的地表的多个位置数据，可以根据多个位置数据之间的映射关系，通过两次数据融合的方式，得到目标数据集，目标数据集可以较好地采用不同的位置数据之间的关联性，从而实现多个位置数据的联动性，这样可以提高矿区检测的效率。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。