天津地面沉降严重区分布特征及变化规律

天津市地面沉降历史悠久,自1923年至今共经历了6个不同的阶段。截至2020年,天津市大面积的地面沉降已基本得到控制,但局部还存在年沉降量大于50 mm的沉降严重区,从大面积治理到小区域精准防控,天津市地面沉降分布特征已体现出新形势,地面沉降防治工作也面临着新的要求。为准确掌握新形势下地面沉降发展规律,精准施策,针对性治理,文中收集并分析2010—2020年天津市地面沉降水准测量、地下水位、地下水开采量等数据,对2010—2020年天津市地面沉降严重区分布特征及演化规律进行归纳总结。研究结果表明：2010—2020年,天津市地面沉降经历了沉降波动期（2010—2012年）、稳中向好期（2013—2016年）和快速减缓期（2017—2020年）三个时期,地面沉降平均沉降量下降了37%,沉降严重区面积减小了67%。各阶段沉降变化均与地下水开采量密切相关,截至2020年,天津市现存集中分布于西南部的5个沉降严重区,分布范围与深部含水组地下水漏斗分布范围基本一致。     

天津市地面沉降特征研究

天津市地面沉降分布和产业布局有关,其深层沉降比重较大。全市平均沉降量与平均降水量密切相关,年度沉降随季节变化,部分地区地面沉降过程具有可逆性。     

基于InSAR技术的盘锦地区地面沉降研究

为掌握盘锦地区地面沉降现状,包括沉降中心位置、沉降区面积、沉降量、沉降速率等,选取2013-2016年覆盖研究区的19期C波段Radasat-2数据,采用SBAS-InSAR技术提取盘锦地区地面沉降速率和累积地面沉降量。结果表明,研究区内存在两个沉降区:曙四联沉降区,面积约为43.6km^2,最大沉降速率为-151.49mm/a;龙王村沉降区,面积约为33.28km^2,最大沉降速率为-119.55mm/a。与2007-2009年的3期ASAR数据得到的结果进行对比后发现,两者得到的沉降区基本一致。通过地面沉降监测数据的时序分析,累积沉降量和沉降区范围均随着时间不断增大。     

基于情景分析的天津市滨海新区地面沉降预测

鉴于地面沉降演化的地质系统渐变性特征,从主要致灾因子考虑建立地面沉降数值模型。设计3种地下水开采情景,编译计算机程序预测地下水位动态变化过程中的地面沉降值。至2020年,在最不利、适中和最理想3种情景下天津市滨海新区最大累计沉降量分别达640 mm、520 mm和150mm;全区平均累计沉降量分别达268 mm、177 mm和95 mm。     

径向基神经网络在地面沉降预测中的应用

基于MATLAB6.5平台编程,利用前四年的沉降量作为输入神经元,后一年的沉降量作为输出神经元,重复此过程,构建了上海高桥地区地面沉降预测径向基神经网络.以历史沉降数据为训练样本,并对其进行归一化处理,在此基础上,采用未归一化及归一化后的训练样本进行网络训练与检验.结果表明,归一化后的训练样本训练得到的径向基网络具有良好的预测性能.最后利用该网络对1990-2010年的地面沉降量进行了预测.     

华北平原鲁北地区地下水超采导致地面沉降区域特征及演化趋势预测

鲁北地区作为华北平原地面沉降的重要组成部分,其地面沉降问题日趋严重。以滨州博兴县为工程背景,基于研究区详细水文地质与工程地质资料以及历年地面沉降监测数据,系统分析该地区地下水动态分布及地面沉降分布演化特征。以Biot多孔介质固结理论为基础,建立博兴县地面沉降三维流 固耦合数值模型,还原地面沉降发展过程并预测分析不同地下水开采方案下的沉降演化规律。研究结果表明：博兴县浅层地下水位降幅呈现南大北小特点,深层地下水形成了以县城区为中心的椭圆形地下水区域降落漏斗;地面逐渐形成了分别以博兴县城区、湖滨镇和店子镇为沉降中心的三个小型沉降区,且有相互关联扩展的趋势;地面沉降三维流固耦合模型较为理想还原了研究区地面沉降发展过程,预测在现状地下水开采方案下未来10年内地面沉降仍以较大速率继续发展,累计沉降量超500mm的区域面积不断扩大,当减小20%现状地下水开采量时是较为合理有效的开采方案。     

京沪高速铁路沿线地面沉降与地下水位变化关系探讨

文章选择京沪高速铁路沿线的北京、廊坊、天津、沧州、德州等几个沉降中心的监测数据及研究资料,对比分析发现地面沉降发展与地下水位变化密切相关,依此建立了地面沉降与地下水位变化的经验关系,进一步分析预测了华北平原各主要沉降区地面沉降发展趋势。结果表明:北京地区地面沉降变化与水位变化线性相关明显,地面沉降对地下水位变化反应较灵敏,无明显临界水位;廊坊、天津及沧州地区显示指数相关,有较明显的临界水位,沉降过程存在初期缓慢沉降和快速沉降两个阶段;德州市在监测时段内显示二次函数相关,可能存在临界水位,但不如天津至沧州地区明显。各主要沉降区除天津市区地面沉降已经得到有效控制外,随着地下水资源的不断超采,过量消耗深层地下水储量,其它沉降区的地面沉降将持续发展,地面沉降灾害问题也必将日趋严重。     

基于SBAS-InSAR技术的盘锦地区地面沉降监测

近几年,盘锦地区的地面沉降问题开始受到人们的关注。为了掌握盘锦地区地面沉降现状,包括沉降中心位置、沉降区面积、沉降量、沉降速率等,选取2013-2016年覆盖研究区的19景C波段Radarsat-2 SAR数据,采用SBAS-InSAR技术提取了盘锦地区地面沉降速率和累积沉降量。结果表明,研究区内存在两个沉降区:曙四联沉降区,面积约为43.6 km2,最大沉降速率为-151.49 mm·a-1;龙王村沉降区,面积约为33.28 km2,最大沉降速率为-119.55 mm·a-1。通过地表形变量时序分析,发现两个沉降区的范围随着时间不断扩大,累积沉降量不断增大。与水准监测数据进行对比后发现,两种监测方法得到的沉降区范围和沉降量大体一致,但两者间仍有差别。对研究区内油田井场分布和地下水水位降落漏斗特征与沉降区分布进行了对比分析,研究表明地面沉降与地下水开采、油气资源开采、新构造运动等多种因素具有密切关系。研究结果将为地质环境的管理、地面沉降灾害的防治及资源开发利用规划提供基础依据。     

天津市地面沉降防治历史的调查研究及启示

自20世纪60年代以来,地面沉降逐渐发展成为天津市最为主要的环境地质问题之一.在市政府和相关部门的高度关注和正确领导下,先后于1986～1997年及2003年以来的两个时间阶段内实施了地面沉降防治计划.防治手段主要是在技术上对沉降区实施水源转换、减采地下水,以及保证技术手段能够顺利实施的管理和经济调控.第一阶段沉降防治效果明显.中心市区和塘沽城区地面沉降速率控制在10～15mm/a;第二阶段天津市大部分区域沉降趋势得到缓和.论文调查、总结了各阶段地面沉降防治工作经验及其对未来控沉工作的启示.并结合天津市预定2010年南水北调工程通水这一水源转换历史契机,提出了对"引江通水"后天津地面沉降防治工作的建议.     

天津市地下水开采对地面沉降影响的多元回归分析

地下水的过量开采是天津市引起地面沉降的主要原因。因此天津市提出了“压缩地下水开采量”、“地下水人工回灌”、“调整地下水开采层次”等控制地面沉降的3大技术措施。经过多年的努力,控制地面沉降效果明显。如何解决地下水开发与控制地面沉降的关系,更好的贯彻这3大技术措施,是该文编写的初衷。即在开采同样地下水量的情况下,如何使地面沉降量最小;或在地面沉降量容许的情况下,如何开采最大量的地下水。压缩地下水开采量是治理地面沉降的根本措施,亦即如何压缩采水量或调整开采层次会达到最好效果。论文对天津市某区各个地下水开采层的多年累计开采量、累计沉降量进行数据统计分析,建立了该地区累计沉降量及各个地下水开采层的多元相关方程。在此基础上,分析了各个地下水开采层对地面沉降影响的相关程度。以此为该区控制地面沉降的提供依据。     

采用神经网络模型对天津滨海新区地面沉降预测的研究

在分析天津市滨海新区地面沉降原因的基础上 ,建立了人工神经网络预测模型。模型的训练和检验结果说明 ,该模型的结构合理、精度高 ,可以用于对该区地面沉降趋势的分析预测。预测结果表明 ,在保持现状开采量的情况下 ,塘沽、汉沽和大港 3个区的地面沉降量均有减缓趋势。其中 ,地下水开采量塘沽区应控制在 0 .1 9亿 m3/a;汉沽区则应压缩至 0 .2 8亿 m3/a;大港区即使减少到 0 .2 2亿 m3/a也难以满足 2 0 1 0年规划值 ,因此还应采取综合治理措施     

Prediction of ground subsidence in Samcheok City,Korea using artificial neural networks and GIS

This study shows the construction of a hazard map for presumptive ground subsidence around abandoned underground coal mines (AUCMs) at Samcheok City in Korea using an artificial neural network, with a geographic information system (GIS). To evaluate the factors governing ground subsidence, an image database was constructed from a topographical map, geological map, mining tunnel map, global positioning system (GPS) data, land use map, digital elevation model (DEM) data, and borehole data. An attribute database was also constructed by employing field investigations and reinforcement working reports for the existing ground subsidence areas at the study site. Seven major factors controlling ground subsidence were determined from the probability analysis of the existing ground subsidence area. Depth of drift from the mining tunnel map, DEM and slope gradient obtained from the topographical map, groundwater level and permeability from borehole data, geology and land use. These factors were employed by with artificial neural networks to analyze ground subsidence hazard. Each factor’s weight was determined by the back-propagation training method. Then the ground subsidence hazard indices were calculated using the trained back-propagation weights, and the ground subsidence hazard map was created by GIS. Ground subsidence locations were used to verify results of the ground subsidence hazard map and the verification results showed 96.06% accuracy. The verification results exhibited sufficient agreement between the presumptive hazard map and the existing data on ground subsidence area. An erratum to this article can be found at     

天津中心城区基坑降水对地面沉降的影响范围研究

依托天津地区5个典型工程案例,对基坑降水引起的地面沉降规律进行了基本分析。由于基坑降水引起地面沉降的范围较远,往往能达到墙后5~10倍基坑开挖深度的距离,而实际基坑工程坑外沉降的测点往往布置在墙后1~4倍基坑开挖深度的距离,因此难以全面的获得不同类型基坑(如基坑深度不一)降水对地面沉降的影响范围。本文利用有限差分软件Modflow建立三维地下水渗流模型,并利用文化中心站的工程实测数据对该模型进行验证,最后利用该模型研究不同开挖深度的基坑(5~25m)降水对地面沉降的影响范围,并探讨5种不同止水帷幕截断方式的工况下坑内降水后坑外水位及地面沉降随时间发展关系。     

基于BP神经网络的孔隙充水矿井涌水量预测

文章分析了孔隙充水矿井的充水水源和通道,利用非线性的BP人工神经网络建立了徐州韩桥煤矿涌水量短期预测模型,选取每天的降水量作为影响因子,用已有的涌水量资料训练得到权值和阈值来表示充水通道,并对-200m水平、-270m水平、-330m水平和全矿井涌水量进行了预测。结果显示,涌水量的预测值与实测值吻合得较好,说明该模型具有一定实用性。     

人工神经网络在徐州岩溶地面塌陷评价中的应用

岩溶地面塌陷的影响因素很多,发展过程也复杂。在众多的对岩溶地面塌陷的评价方法中,神经网络具有自学习、自适应与高度非线性映射的特点,是一种非常有效的评价手段。在徐州岩溶石地面塌陷的评价中,成功地运用了人工神经网络技术,它具有的强大非线性映射能力,能够建立评价因子和评价对象之间的关系,正确选取评价因子,避免主观判断取值,从而得出可靠的预测模型和岩溶塌陷危险性分区图。     

基于BP神经网络的太原市地面沉降预测及分析

通过对太原市地面沉降资料、气象水文和地质条件以及地下水等大量资料的分析与整理,考虑到太原市各个沉降中心的沉降趋势不尽相同,对太原市吴家堡、西张、万柏林和下元4个沉降中心分别建立BP神经网络模型,并基于训练好的BP神经网络模型,在太原市地下水开采量的规划方案下,预测了在不同降水保证率下2009-2015年地面沉降的趋势,...     

基于混沌神经网络理论的城市地面沉降量预测模型

通过分析城市地面沉降量时间序列的非线性动力学系统,认为该时间序列具有混沌特性。在此基础上,通过相空间重构的方法建立了用于城市地面沉降量预测的混沌神经网络模型;并利用此模型对高桥地面沉降量进行了预测,并和实际监测沉降量进行了比较,最大绝对预测误差为1. 7,预测的平均误差为0. 0833,研究结果表明,应用混沌神经网络模型进行城市沉降预测是可行、精确的。     

Spatial and temporal monthly precipitation forecasting using wavelet transform and neural networks,Qara-Qum catchment,Iran

This paper aims to provide a spatial and temporal analysis to prediction of monthly precipitation data which are measured at irregularly spaced synoptic stations at discrete time points. In the present study, the rainfall data were used which were observed at four stations over the Qara-Qum catchment, located in the northeast of Iran. Several models can be used to spatially and temporally predict the precipitation data. For temporal analysis, the wavelet transform with artificial neural network (WTANN) framework combines with the wavelet transform, and an artificial neural network (ANN) is used to analyze the nonstationary precipitation time-series. The time series of dew point, temperature, and wind speed are also considered as ancillary variables in temporal prediction. Furthermore, an artificial neural network model was used for comparing the results of the WTANN model. Therefore, four models were developed, including WTANN and ANN with and without ancillary data. Several statistical methods were used for comparing the results of the temporal analysis. It was evident that at three of the four stations, the WTANN models were more effective than the ANN models, and only at one station, the ANN model with ancillary data had better performance than the WTANN model without ancillary data. The values of correlation coefficient and RMSE for WTANN model with ancillary data for the validation period at Mashhad station which showed the best results were equal to 0.787 and 13.525 mm, respectively. Finally, an artificial neural network model was used as an alternative interpolating technique for spatial analysis.     

Ensemble of ground subsidence hazard maps using fuzzy logic

Hazard maps of ground subsidence around abandoned underground coal mines (AUCMs) in Samcheok, Korea, were constructed using fuzzy ensemble techniques and a geographical information system (GIS). To evaluate the factors related to ground subsidence, a spatial database was constructed from topographic, geologic, mine tunnel, land use, groundwater, and ground subsidence maps. Spatial data, topography, geology, and various ground-engineering data for the subsidence area were collected and compiled in a database for mapping ground-subsidence hazard (GSH). The subsidence area was randomly split 70/30 for training and validation of the models. The relationships between the detected ground-subsidence area and the factors were identified and quantified by frequency ratio (FR), logistic regression (LR) and artificial neural network (ANN) models. The relationships were used as factor ratings in the overlay analysis to create ground-subsidence hazard indexes and maps. The three GSH maps were then used as new input factors and integrated using fuzzy-ensemble methods to make better hazard maps. All of the hazard maps were validated by comparison with known subsidence areas that were not used directly in the analysis. As the result, the ensemble model was found to be more effective in terms of prediction accuracy than the individual model.