黃虎城，袁 穎，任 濤，張?zhí)炝?/p>

（1.山西省地質(zhì)調(diào)查院有限公司，山西太原 030001；2.河北地質(zhì)大學(xué)城市地質(zhì)與工程學(xué)院，河北石家莊 050031；3.河北省地下人工環(huán)境智慧開(kāi)發(fā)與管控技術(shù)創(chuàng)新中心，河北石家莊 050031；4.京津冀城市群地下空間智能探測(cè)與裝備重點(diǎn)實(shí)驗(yàn)室，河北石家莊 050031）

引言

地面沉降是一種常見(jiàn)的區(qū)域性環(huán)境地質(zhì)災(zāi)害，造成的危害和損失巨大。因此，地面沉降危險(xiǎn)性的準(zhǔn)確預(yù)測(cè)是保障人民生命財(cái)產(chǎn)安全，進(jìn)行地區(qū)開(kāi)發(fā)建設(shè)與災(zāi)害防治的必要工作［1-2］。我國(guó)對(duì)于地面沉降危險(xiǎn)性預(yù)測(cè)方面的研究稍微晚于國(guó)外，研究水平總體上比國(guó)際發(fā)達(dá)國(guó)家落后。但是隨著近年來(lái)數(shù)學(xué)和計(jì)算機(jī)的發(fā)展，加之我國(guó)對(duì)地面沉降研究的不斷深入，各相關(guān)學(xué)科之間的穿插研究也愈見(jiàn)明顯，人們對(duì)地面沉降的研究不單單僅限于形成機(jī)理和調(diào)查結(jié)果方向的定性描述，地面沉降的防御和預(yù)測(cè)研究也逐漸成為眾多專(zhuān)家、學(xué)者關(guān)注的熱點(diǎn)。

伴隨著災(zāi)害危險(xiǎn)性評(píng)價(jià)體系的不斷深入研究，人們對(duì)地面沉降防治工作的認(rèn)識(shí)從消除災(zāi)害隱患發(fā)展到通過(guò)合理科學(xué)的理論對(duì)地面沉降進(jìn)行預(yù)測(cè)來(lái)降低其造成的危害。目前，用于地面沉降危險(xiǎn)性預(yù)測(cè)的研究方法主要有支持向量機(jī)模型［3-5］、層次分析法［6-7］、灰色模型［8-10］、模糊綜合評(píng)判法［11-12］等。上述方法研究效果明顯，但也有一些不足。涉及到多分類(lèi)問(wèn)題以及當(dāng)訓(xùn)練樣本數(shù)據(jù)較多時(shí)，支持向量機(jī)便很難處理；當(dāng)指標(biāo)數(shù)據(jù)很多時(shí)，層次分析法在分析過(guò)程中難以確定指標(biāo)權(quán)重；灰色理論在對(duì)評(píng)價(jià)指標(biāo)或評(píng)價(jià)對(duì)象波動(dòng)較大的樣本數(shù)據(jù)進(jìn)行預(yù)測(cè)時(shí)，灰色模型理論往往會(huì)降低模型的預(yù)測(cè)精度；模糊理論隸屬函數(shù)的合理選擇是限制模糊綜合評(píng)判模型應(yīng)用的難點(diǎn)。由于導(dǎo)致地面沉降的因素眾多和其隨機(jī)性以及不確定性的影響，單一的數(shù)學(xué)模型很難準(zhǔn)確的表示出地面沉降和各影響因素之間復(fù)雜的映射關(guān)系［13-15］。因此，有必要根據(jù)現(xiàn)有的計(jì)算模型，探索預(yù)測(cè)地面沉降危險(xiǎn)性的新方法。

Elman神經(jīng)網(wǎng)絡(luò)是Jeffrey L.Elman在1990提出的簡(jiǎn)單的遞歸神經(jīng)網(wǎng)絡(luò)，能夠處理有序的刺激信息，該網(wǎng)絡(luò)因?yàn)槠渚哂泻軓?qiáng)的非線性映射能力、柔性網(wǎng)絡(luò)結(jié)構(gòu)、以及高度的容錯(cuò)性和魯棒性［16］，得到了廣泛的使用。我國(guó)學(xué)者羅凌江等［17］基于Elman神經(jīng)網(wǎng)絡(luò)原理對(duì)抽水導(dǎo)致的地面沉降進(jìn)行了預(yù)測(cè)，Elman神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果和實(shí)際結(jié)果較為貼近，研究取得了較為理想的結(jié)果。趙寶民等［18］則在羅凌江等人的研究基礎(chǔ)上通過(guò)改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò)模型重新對(duì)相同的地面沉降實(shí)測(cè)樣本數(shù)據(jù)進(jìn)行了預(yù)測(cè)計(jì)算。郭慶軍等［19］利用MADAS軟件對(duì)基坑開(kāi)挖導(dǎo)致的地表沉降的模擬值和實(shí)際值的差值構(gòu)建Elman神經(jīng)網(wǎng)絡(luò)模型，其預(yù)測(cè)結(jié)果相對(duì)于單一的軟件模擬結(jié)果，誤差降低了約50%。

Elman神經(jīng)網(wǎng)絡(luò)避開(kāi)了特征因素，通過(guò)對(duì)已有數(shù)據(jù)的學(xué)習(xí)來(lái)記憶輸入量和輸出量之間的關(guān)系，這些特點(diǎn)都決定了Elman神經(jīng)網(wǎng)絡(luò)在地面沉降的預(yù)測(cè)中有著獨(dú)特的優(yōu)勢(shì)。同時(shí)考慮到InSAR地面沉降監(jiān)測(cè)數(shù)據(jù)具有時(shí)序性和較強(qiáng)的非線性特征。在綜合考慮各種時(shí)序方法以及現(xiàn)有InSAR地面沉降監(jiān)測(cè)數(shù)據(jù)基礎(chǔ)上，通過(guò)Elman神經(jīng)網(wǎng)絡(luò)的方法，用于研究區(qū)地面沉降危險(xiǎn)性實(shí)測(cè)數(shù)據(jù)的訓(xùn)練并建立相應(yīng)的預(yù)測(cè)模型，對(duì)研究區(qū)2020年年平均地面沉降進(jìn)行預(yù)測(cè)。有望解決復(fù)雜影響因素情況下模型預(yù)測(cè)精度難以保證的問(wèn)題，為地面沉降危險(xiǎn)性的預(yù)測(cè)提供新思路。

1 Elman神經(jīng)網(wǎng)絡(luò)

Elman神經(jīng)網(wǎng)絡(luò)屬于一種典型的反饋型神經(jīng)網(wǎng)絡(luò)［20］。Elman神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層、輸出層和反饋層四部分組成，各層之間的連接權(quán)值可以進(jìn)行學(xué)習(xí)修正。和傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比，Elman神經(jīng)網(wǎng)絡(luò)多了一個(gè)反饋連接的反饋層，反饋層接收隱含層前一時(shí)刻的輸出信號(hào)并返回給輸入，達(dá)到了記憶的目的［21-22］。因此，Elman神經(jīng)網(wǎng)絡(luò)具有時(shí)變特性，對(duì)動(dòng)態(tài)數(shù)據(jù)有較強(qiáng)的處理能力。Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 Elman neural network structure diagram

以地面沉降數(shù)據(jù)為例，與Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖相應(yīng)的數(shù)學(xué)計(jì)算過(guò)程見(jiàn)式（1）～式（3）。

式中：k為沉降觀測(cè)次數(shù)；W1、W2和W3分別為輸入層至隱含層、反饋層至隱含層、隱含層至輸出層的權(quán)值矩陣；b1和b2分別為輸入層至隱含層、隱含層至輸出層的閾值；u(k-1)為k-1時(shí)刻的輸入向量；xc(k)為k時(shí)刻反饋狀態(tài)向量；Xc(k)為k時(shí)刻隱含層傳遞到輸出層的向量；y(k)為輸出層k時(shí)刻網(wǎng)絡(luò)結(jié)構(gòu)的沉降預(yù)測(cè)值；f為輸出層與隱含層間的傳遞函數(shù)；g為隱含層與輸出層間的傳遞函數(shù)。

Elman神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果精度與權(quán)值和隱含層節(jié)點(diǎn)數(shù)密切相關(guān)，權(quán)值由反向誤差傳播函數(shù)式（3）確定，而隱含層節(jié)點(diǎn)數(shù)的確定比較繁瑣，首先根據(jù)式（4）確定其取值范圍，然后根據(jù)預(yù)測(cè)結(jié)果的精度通過(guò)反復(fù)試算來(lái)確定最佳的隱含層節(jié)點(diǎn)數(shù)。

式中：Nh為待定的隱含層節(jié)點(diǎn)數(shù)；Ni和Nj分別為輸入層和輸出層的節(jié)點(diǎn)數(shù)；a為常數(shù)其取值范圍1～10。

2 工程概況

研究區(qū)位于山西省中部，包括整個(gè)山西轉(zhuǎn)型綜改示范區(qū)瀟河現(xiàn)代產(chǎn)業(yè)區(qū)及南部相鄰片區(qū)，具體工作范圍主要包括太原市小店區(qū)南部劉家堡鄉(xiāng)和北格鎮(zhèn)兩個(gè)鄉(xiāng)的部分，清徐縣西谷、王答、徐溝、集義四個(gè)鄉(xiāng)鎮(zhèn)的全部及孟封鎮(zhèn)北部部分；晉中市榆次區(qū)修文鎮(zhèn)及東陽(yáng)鎮(zhèn)的大部分地區(qū)，其地理位置介于112°22'12.4″～112°47'19″E，37°31'04″～37°38'29.4″N之間，東西長(zhǎng)約28.8 km，南北寬約12.8 km，研究區(qū)面積約384 km2，見(jiàn)圖2藍(lán)框部分。遙感工作主要包括常規(guī)的遙感解譯和InSAR遙感監(jiān)測(cè)工作，解譯和監(jiān)測(cè)范圍為研究區(qū)東、西、南、北四個(gè)方向各向外擴(kuò)1 000 m，并呈矩形，遙感工作面積為763 km2，涉及的縣（區(qū)）為太原市晉源區(qū)南部和小店區(qū)南部、晉中榆次區(qū)西南部、清徐縣東北部、太古縣北部，見(jiàn)遙感影像區(qū)分布，見(jiàn)圖2紅框部分。

圖2 遙感區(qū)、研究區(qū)范圍分布圖Fig.2 Distribution map of remote sensing area and research area

根據(jù)遙感InSAR地表沉降監(jiān)測(cè)結(jié)果獲得遙感區(qū)2016年7月-2019年3月監(jiān)測(cè)點(diǎn)沉降速率統(tǒng)計(jì)表（表1）：遙感區(qū)共包含436 514個(gè)監(jiān)測(cè)點(diǎn)，在所有的監(jiān)測(cè)點(diǎn)中最大沉降速率達(dá)-68.5 mm/a，位于太原市清徐縣徐溝鎮(zhèn)，坐標(biāo)為：112.490 6°E，37.566 3°N，遙感區(qū)所有監(jiān)測(cè)點(diǎn)平均沉降速率為-13.96 mm/a。

表1 遙感區(qū)2016.7-2019.3監(jiān)測(cè)點(diǎn)沉降速率統(tǒng)計(jì)表Table 1 Statistical table of subsidence rates of monitoring points in remote sensing area from July 2016 to March 2019

遙感區(qū)沉降速率小于0的點(diǎn)，即相對(duì)下沉的點(diǎn)有415 016個(gè)，占總數(shù)的95.08%，其中沉降速率≤-60 mm/a的監(jiān)測(cè)點(diǎn)最少，占總數(shù)的0.01%；沉降速率在-60～-30 mm/a的監(jiān)測(cè)點(diǎn)有36 725個(gè)，占總數(shù)的8.41%；沉降速率在-30～0 mm/a的監(jiān)測(cè)點(diǎn)最多，有378 232個(gè)，占總數(shù)的86.65%。沉降速率大于0的點(diǎn)，即相對(duì)上升的監(jiān)測(cè)點(diǎn)有21 493個(gè)，占總數(shù)的4.92%。

3 預(yù)測(cè)模型的建立

3.1 樣本設(shè)計(jì)及建立模型

遙感區(qū)共436 514個(gè)監(jiān)測(cè)點(diǎn)，由30期的InSAR地表沉降監(jiān)測(cè)結(jié)果可獲得：436 514列×30行沉降量原始數(shù)據(jù)。在436 514個(gè)監(jiān)測(cè)點(diǎn)中，表2為原始數(shù)據(jù)中某10個(gè)監(jiān)測(cè)點(diǎn)的監(jiān)測(cè)數(shù)據(jù)。

神經(jīng)網(wǎng)絡(luò)對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行預(yù)測(cè)，通常是根據(jù)已有的樣本數(shù)據(jù)對(duì)Elman神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，例如用過(guò)去的N(N≥1)個(gè)數(shù)據(jù)預(yù)測(cè)未來(lái)M(M≥1)個(gè)時(shí)刻的值，即進(jìn)行M步預(yù)測(cè)。如表3所示，表中列出了樣本數(shù)據(jù)的一種分段方法，該表把訓(xùn)練數(shù)據(jù)分成K個(gè)長(zhǎng)度為( )N+M的有一定重疊的數(shù)據(jù)段，每一段的前N個(gè)數(shù)據(jù)作為網(wǎng)絡(luò)的輸入，后M個(gè)數(shù)據(jù)作為網(wǎng)絡(luò)的輸出。

Elman模型通過(guò)選取監(jiān)測(cè)點(diǎn)的監(jiān)測(cè)數(shù)據(jù)作為網(wǎng)絡(luò)的輸入，其輸入節(jié)點(diǎn)數(shù)并不像其他機(jī)器類(lèi)算法那樣可以根據(jù)影響指標(biāo)等的個(gè)數(shù)來(lái)確定。因此，為了更加合理地利用沉降數(shù)據(jù)，提高Elman預(yù)測(cè)模型的精度，根據(jù)前人的經(jīng)驗(yàn)并通過(guò)反復(fù)試算，最終確定采用連續(xù)7個(gè)監(jiān)測(cè)日期的沉降量預(yù)測(cè)的方式建立Elman模型，即N=7，M=3，K=20，這樣可以得到20組不同的訓(xùn)練樣本，3組測(cè)試樣本。

模型由輸入層、隱含層、反饋層和輸出層4層結(jié)構(gòu)組成（如圖1所示），輸入層節(jié)點(diǎn)數(shù)設(shè)為7，輸出層節(jié)點(diǎn)數(shù)設(shè)為3。同時(shí)根據(jù)式（5）并通過(guò)試算確定Elman模型隱含層的節(jié)點(diǎn)數(shù)設(shè)為8。隱含層與承接層的傳遞函數(shù)為S函數(shù)，模型訓(xùn)練函數(shù)為trainx函數(shù)，代碼如式（6）所示。網(wǎng)絡(luò)訓(xùn)練的目標(biāo)誤差精度設(shè)置為1×10-5，代碼如式（7）所示；最大訓(xùn)練次數(shù)設(shè)置為1×104步，代碼如式（8）所示。本文的Elman模型基于MATLAB 2019a中的神經(jīng)網(wǎng)絡(luò)工具箱實(shí)現(xiàn)，Elman模型的關(guān)鍵代碼如下。

以表2所示監(jiān)測(cè)點(diǎn)1為例，根據(jù)上述建立Elman模型的方法可構(gòu)建出23組樣本數(shù)據(jù)，其中2016年7月-2018年12月的沉降量構(gòu)成的20組數(shù)據(jù)作為訓(xùn)練樣本（表4），2019年2月-2019年3月的沉降量構(gòu)成的3組樣本數(shù)據(jù)作為測(cè)試樣本（表5）。

表4 訓(xùn)練樣本（監(jiān)測(cè)點(diǎn)1為例）Table 4 Training sample（monitoring point 1 as an example）

表5 測(cè)試樣本（監(jiān)測(cè)點(diǎn)1為例）Table 5 Test sample（monitoring point 1 as an example）

依據(jù)訓(xùn)練樣本中的20組訓(xùn)練數(shù)據(jù)及所設(shè)置的初始參數(shù)，建立Elman神經(jīng)網(wǎng)絡(luò)模型。沉降量預(yù)測(cè)值與實(shí)際值和二者的殘差值如表6所示。

表6 訓(xùn)練樣本的預(yù)測(cè)值及殘差值（監(jiān)測(cè)點(diǎn)1為例）Table 6 The predicted value and residual value of the training sample（monitoring point 1 as an example）

由表6可以看出Elman預(yù)測(cè)模型的預(yù)測(cè)值與實(shí)際值基本吻合。殘差值的大小存在一些波動(dòng)情況，但每個(gè)日期的殘差絕對(duì)值均小于0.04，表明沉降量預(yù)測(cè)結(jié)果的準(zhǔn)確性較高。由訓(xùn)練樣本的運(yùn)行效率和測(cè)試結(jié)果可知Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型收斂速度快、精度滿足實(shí)際應(yīng)用的要求。

3.2 模型預(yù)測(cè)結(jié)果分析

采用所建立的Elman神經(jīng)網(wǎng)絡(luò)模型對(duì)表5中的測(cè)試樣本進(jìn)行預(yù)測(cè)，同時(shí)引入支持向量機(jī)（SVM）的方法建立了基于SVM的地面沉降危險(xiǎn)性預(yù)測(cè)模型。將預(yù)測(cè)結(jié)果與Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果進(jìn)行比較分析，見(jiàn)表7。

表7 測(cè)試樣本的預(yù)測(cè)結(jié)果及殘差值（監(jiān)測(cè)點(diǎn)1為例）Table 7 The prediction result and residual value of the test sample（monitoring point 1 as an example）

由表7可知，Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型在預(yù)測(cè)20190211沉降量值時(shí)，預(yù)測(cè)值與實(shí)際值基本吻合，能夠合理的預(yù)測(cè)出沉降量發(fā)展趨勢(shì)；而采用該模型預(yù)測(cè)20190307和20190331沉降量時(shí)，沉降量的預(yù)測(cè)值偏大?？赡苁且?yàn)楹笕M的測(cè)試樣本數(shù)據(jù)進(jìn)行預(yù)測(cè)的過(guò)程中，輸入數(shù)據(jù)的減少引起的，同時(shí)由表6可以看出所建立的Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的訓(xùn)練樣本每個(gè)日期的殘差絕對(duì)值均小于0.04，綜上認(rèn)為此Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型能夠滿足實(shí)際工程的需要。

相對(duì)于Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，SVM在解決樣本數(shù)據(jù)較多以及線性等實(shí)際問(wèn)題中的優(yōu)勢(shì)不明顯，殘差絕對(duì)值較大。Elman神經(jīng)網(wǎng)絡(luò)方法能夠很好的處理時(shí)間序列特征的數(shù)據(jù)，其預(yù)測(cè)過(guò)程高效、簡(jiǎn)便，有效解決了“時(shí)間變化”所導(dǎo)致的特性難以捕捉的問(wèn)題，因此Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型應(yīng)用于地面沉降危險(xiǎn)性實(shí)測(cè)樣本數(shù)據(jù)的訓(xùn)練和預(yù)測(cè)中，效果更佳。

3.3 2020年預(yù)測(cè)結(jié)果

整個(gè)遙感工作區(qū)有436 514個(gè)監(jiān)測(cè)點(diǎn)，其中研究區(qū)共有監(jiān)測(cè)點(diǎn)207 950個(gè)，由表1可知，2016年7月-2019年3月最大地表沉降速率為-68.5 mm/a，地表沉降速率在＜-60 mm/a的范圍占比較小，在-30 mm/a～0 mm/a的范圍占比高達(dá)86.65%。因此規(guī)定預(yù)測(cè)的平均沉降速率＜-68.5 mm/a的地區(qū)為較危險(xiǎn)區(qū)；平均沉降速率在-68.5 mm/a～-30 mm/a的地區(qū)為危險(xiǎn)區(qū)；平均沉降速率在-30 mm/a～0 mm/a的地區(qū)為次危險(xiǎn)區(qū)；平均沉降速率≥0的地區(qū)為安全區(qū)。為了更準(zhǔn)確的得到2020年的年平均地面沉降量，對(duì)表2的監(jiān)測(cè)樣本數(shù)據(jù)進(jìn)行平均處理，得到各監(jiān)測(cè)點(diǎn)的年平均沉降量，表8為對(duì)應(yīng)的10個(gè)監(jiān)測(cè)點(diǎn)每年的平均沉降量。

表8 其中10個(gè)監(jiān)測(cè)點(diǎn)年平均沉降量Table 8 The annual average sedimentation of 10 monitoring points

樣本數(shù)據(jù)包括436 514列×30行，預(yù)測(cè)結(jié)束可得到2020年的年平均地面沉降量436 514列。如表8為對(duì)應(yīng)的10個(gè)監(jiān)測(cè)點(diǎn)地面沉降量值，采用表8中的樣本進(jìn)行數(shù)據(jù)代入建立的Elman神經(jīng)網(wǎng)絡(luò)模型對(duì)2020年年平均沉降量進(jìn)行預(yù)測(cè)。得到各監(jiān)測(cè)點(diǎn)年平均沉降量預(yù)測(cè)值，如表9為對(duì)應(yīng)的10個(gè)監(jiān)測(cè)點(diǎn)地面沉降量預(yù)測(cè)值。對(duì)各監(jiān)測(cè)點(diǎn)年平均沉降量預(yù)測(cè)值統(tǒng)計(jì)得到遙感區(qū)2020年的監(jiān)測(cè)點(diǎn)沉降速率統(tǒng)計(jì)表（表10），研究區(qū)2020年各鄉(xiāng)鎮(zhèn)平均沉降速率統(tǒng)計(jì)表（表11），以及研究區(qū)2020年沉降速率預(yù)測(cè)圖，見(jiàn)圖3。

表9 其中10個(gè)監(jiān)測(cè)點(diǎn)年平均沉降量預(yù)測(cè)值Table 9 The predicted value of annual average sedimentation of 10 monitoring points

由預(yù)測(cè)可知：2020年遙感區(qū)內(nèi)沉降速率小于-60 mm/a的監(jiān)測(cè)點(diǎn)有9 828個(gè)，占總數(shù)的2.25%；沉降速率在-60～-50 mm/a的監(jiān)測(cè)點(diǎn)有12 384個(gè)，占總數(shù)的2.84%；沉降速率在-50～-40 mm/a的監(jiān)測(cè)點(diǎn)有24 073個(gè)，占總數(shù)的5.51%；沉降速率在-40～-30 mm/a的監(jiān)測(cè)點(diǎn)有38 989個(gè)，占總數(shù)的8.93%；沉降速率在-30～-20 mm/年的監(jiān)測(cè)點(diǎn)有56 375個(gè)，占總數(shù)的12.91%；沉降速率在-20～-10 mm/a的監(jiān)測(cè)點(diǎn)有72 158個(gè)，占總數(shù)的16.53%；沉降速率在-10～0 mm/a的監(jiān)測(cè)點(diǎn)有80 895個(gè)，占總數(shù)的18.53%；沉降速率小于0即相對(duì)下降的監(jiān)測(cè)點(diǎn)有294 702個(gè)。

結(jié)合表10、表11、圖3可以看出：研究區(qū)2020年劉家堡鄉(xiāng)（9.56 mm/a）、王答鄉(xiāng)（8.48 mm/a）、北格鎮(zhèn)（5.77 mm/a）平均沉降速率大于0，其余鄉(xiāng)鎮(zhèn)平均沉降速率均小于0，平均沉降速率值存在一定差異性。按平均沉降速率值來(lái)說(shuō)，研究區(qū)2020年無(wú)較危險(xiǎn)區(qū)；危險(xiǎn)區(qū)有東陽(yáng)鎮(zhèn)；次危險(xiǎn)區(qū)有任村鄉(xiāng)、北田鎮(zhèn)、修文鎮(zhèn)、清源鎮(zhèn)、集義鄉(xiāng)、孟封鎮(zhèn)、張慶鄉(xiāng)、西谷鄉(xiāng)、徐溝鎮(zhèn)；安全區(qū)有北格鎮(zhèn)、王答鄉(xiāng)、劉家堡鄉(xiāng)。

圖3 研究區(qū)2020年沉降速率預(yù)測(cè)圖Fig.3 Prediction map of the subsidence rate of the research area in 2020

表10 遙感區(qū)2020年監(jiān)測(cè)點(diǎn)沉降速率統(tǒng)計(jì)表Table 10 Statistical table of subsidence rate of monitoring points in remote sensing area in 2020

表11 研究區(qū)2020年各鄉(xiāng)鎮(zhèn)平均沉降速率統(tǒng)計(jì)表Table 11 Statistics of the average subsidence rate of township in the research area in 2020

4 結(jié)論

（1）提出的Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型基本不受各影響因素及外部環(huán)境變化的影響，在預(yù)測(cè)過(guò)程中僅根據(jù)已有沉降量的時(shí)序數(shù)值就能夠?qū)Τ两蛋l(fā)展趨勢(shì)做出動(dòng)態(tài)的預(yù)測(cè)，并且預(yù)測(cè)結(jié)果的精度能夠滿足要求。

（2）模型建立過(guò)程中，采用的Elman神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)所得的沉降量值比實(shí)際值偏高，用以工程建設(shè)中危險(xiǎn)性的劃分，結(jié)果偏安全。因此，將Elman神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果作為研究區(qū)地面沉降防治工作的輔助預(yù)警手段是十分簡(jiǎn)單有效的。