Avaliação Baseada em GIS Da Suscetibilidade Induzida Por Mineração Considerando Deriva de Múltiplas Minas em 3D e Painéis Minerados Estimados

04/04/2018 Avaliação baseada em GIS da suscetibilidade induzida por mineração considerando deriva de múltiplas minas em 3D e painéis est…
Avaliação baseada em GIS da suscetibilidade induzida por

mineração considerando deriva de múltiplas minas em 3D
e painéis minerados estimados
Ciências da Terra Ambientais
Maio de 2016, 75: 890 | Citar como
Jangwon Suh (1)

Yosoon Choi (2) Autor de email (yspower7@gmail.com)
Parque Hyeong-Dong (3)
1. Departamento de Energia e Engenharia Mineral , da Universidade do Estado da Pensilvânia , State College , EUA
2. Departamento de Engenharia de Recursos Energéticos , Pukyong National University , Busan , Coréia do Sul
3. Departamento de Engenharia de Recursos Energéticos , Seoul National University , Seul , Coréia do Sul
Artigo original
Primeiramente Online: 13 May 2016
Received: 05 October 2015
Accepted: 02 May 2016
347 Transferências
3 Citações
Abstrato
Este artigo apresenta um estudo de caso do mapeamento de risco de subsidência na vizinhança de uma mina de carvão
abandonada dentro do ambiente do sistema de informação geográfica (GIS). Um banco de dados geoespacial foi construído
usando mapas de deriva de minas, mapas topográficos, mapas de uso da terra, mapas de estradas, mapas de construção,
dados de furos e mapas de inventário de subsidência mostrando ocorrências de eventos de subsidência passados. Seis
camadas fatoriais do tipo raster (isto é, uma instabilidade de área influente (IAI) calculada usando múltiplos desníveis e
painéis estimados, uso da terra, distância da ferrovia mais próxima, distância da estrada mais próxima e gradiente de
encosta) foram geradas e extraídas do banco de dados para identificar relações entre ocorrências de subsidência passadas e
os fatores. Dois fatores IAI incorporam os efeitos complexos do IAI terrestre e são calculados usando as profundidades de
cada cavidade subterrânea e seu ângulo de empate. Um modelo de peso de evidência foi usado para estabelecer correlações
ótimas, expressas como valores de contraste (CVs) para dados de inventário de subsidência e entradas de todos os fatores.
Seis camadas CV (uma para cada fator) foram linearmente combinadas para gerar um mapa de risco de subsidência
representando a relativa vulnerabilidade à subsidência na área de estudo. A área sob a técnica de diagrama de frequência
acumulativa foi então usada para verificar os perigos de subsidência previstos, comparando as classificações de
suscetibilidade estimadas em todo o intervalo de células da grade com ocorrências reais de subsidência; o modelo de análise
GIS proposto apresentou uma precisão de 91,09% na predição de ocorrências de subsidência. Além disso, levantamentos de
campo mostraram prédios com danos severos relacionados à subsidência (nível de dano 4 ou 5, de acordo com o Conselho
Nacional de Carvão) em regiões com índices de risco de afundamento muito altos. Finalmente, um fator correlacionado
negativamente com a predição de subsidência (ângulo de inclinação) foi determinado a partir da análise de sensibilidade.
Palavras-chave
Subsidência de mineração Sistema de informação geográfica (GIS) Peso da evidência Desvio de minas Painel
minado Previsão de subsidência
Download do artigo PDF
Introdução
A subsidência de mineração, um perigo comum induzido pela mineração, pode resultar em graves danos aos edifícios, infra-
estrutura e ao meio ambiente (Kratzsch, 1983 ). Conforme resumido na Tabela 1 , mais de 5000 minas na Coréia do Sul
foram abandonadas sem a implementação de medidas adequadas de recuperação de minas, e centenas de eventos de
subsidência ocorreram em mais de 600 locais de mineração. Nos últimos anos, o interesse em medidas de prevenção de
subsídios à mineração tem aumentado constantemente, por várias razões: (1) promoção do crescimento econômico em
áreas de minas abandonadas; (2) advento de projetos de desenvolvimento de recursos minerais e projetos de recuperação
de minas; e (3) políticas governamentais nacionais que assegurem a segurança e o bem-estar públicos em relação aos riscos
geológicos (Song et al. 2015 ; Song e Choi2016 ). Consequentemente, avaliações e observações contínuas são necessárias em
áreas vulneráveis à subsidência, para mitigar o risco de danos à propriedade.
tabela 1
Visão geral do status de minas e problemas de subsidência de mineração na Coreia do Sul (após MIRECO 2012 )
https://link.springer.com/article/10.1007%2Fs12665-016-5695-1 1/25
Mina de carvão Mina de metal Mina não metálica Total
Operando o meu 6 56 531 593
Pausado (ocioso) meu 0 21 101 122
Mina abandonada 394 2089 2198 4861
Total de minas 400 2166 2830 5396
Subsidência 96 444 73 613
Devido ao crescente interesse na prevenção de danos causados pela subsidência de mineração, a Corporação de
Recuperação de Minas (MIRECO) da Coréia do Sul construiu um banco de dados do sistema de informações geográficas
(GIS) que inclui a distribuição de drifts de minas (sem dados de painéis de carvão) mapas geológicos, mapas topográficos,
mapas de inventário de perigos e dados de poços para áreas com minas de carvão abandonadas (MIRECO 2010 ).
Consequentemente, uma variedade de estudos é agora possível usando os dados geoespaciais e a tecnologia GIS combinada
com outros métodos de análise estatística ou probabilística; estes incluem avaliações de áreas propensas a subsidência
dentro e ao redor das áreas de minas e mapeamento de risco de subsidência que leva em conta vários fatores
desencadeadores.
Numerosos estudos tentaram avaliar a suscetibilidade e os riscos de subsidência usando SIG, já que este método fornece
uma abordagem eficaz para a avaliação quantitativa em escalas regionais (Çanakci e Güllü 2009 ). Estes estudos baseados
em GIS investigaram os riscos de subsidência de mineração em áreas em que subsidência é provável, com base na
probabilidade relativa de ocorrência de subsidência, usando conjuntos de dados SIG em combinação com métodos
probabilísticos / estatísticos como razões de frequência, peso da evidência, regressão logística (Kim et al. 2006 ; Mancini et
al. 2009 ; Malinowska e Hejmanowski 2010 ; Oh e Lee 2010 ; Oh et al. 2011 ; Suh et al. 2013), modelos de teoria fuzzy (Choi
et al. 2010 ; Park et al. 2012 ), técnica de aprendizado de máquina como modelos de árvore de decisão (Lee e Park 2013 ) e
redes neurais artificiais (Ambrožic e Turk 2003 ; Kim et al. 2009 ; Ah e Lee 2011 ).
A maioria dos estudos anteriores focalizou análises 2D de fatores relevantes para os desvios de minas (por exemplo,
profundidade de deriva e distância da deriva mais próxima; veja a Tabela 2 ), sem considerar características de perfis de
exposição ou subsidência causados por cavidades mineradas (que, neste trabalho, incluem mina e painéis de carvão
extraídos), como descrito na Fig. 1 a. A abordagem bidimensional tem algumas limitações na predição de subsidência.
Primeiro, a área afetada pela subsidência geralmente se expande em direção à superfície do solo, e a área afetada na
superfície é um pouco maior do que a área real das cavidades mineradas (Fig. 1uma). Análises 2D anteriores (ver acima)
mostraram que a subsidência do solo pode ocorrer mesmo em áreas que não estão diretamente acima dos drifts da mina,
mas estão em áreas próximas. Assim, o conceito de 'área influente (ou área de influência)' das cavidades mineradas deve ser
levado em consideração na predição de subsidência, incluindo em áreas onde painéis minerados não são registrados. Em
segundo lugar, em minas de carvão com diferentes níveis de deriva de minas, as drifts de minas subterrâneas são
complexamente distribuídas em 3D e podem, portanto, ser verticalmente sobrepostas e horizontalmente densas; isto indica
que a área influente de cada cavidade pode ser vertical (Fig. 1 b) e horizontalmente sobreposta (Fig. 1c), aumentando assim
a susceptibilidade à subsidência. No entanto, a abordagem 2D usada em pesquisas anteriores não pode representar ou
resolver problemas 3D complexos, já que o fator de profundidade de desvio tem apenas um valor baixo singular, mesmo que
existam vários valores de profundidade para uma grade específica no conjunto de dados raster. Com relação à distância do
desvio mais próximo, as análises 2D podem refletir a distância horizontal, mas não a distância vertical, apesar do fato de
que vários desvios de mina podem estar localizados abaixo da superfície do solo. Para resolver este problema, as
distribuições 3D de cavidades mineradas (incluindo aquelas com sobreposição vertical e horizontal) e a influência sintética
da distribuição precisam ser consideradas. Outra limitação dos estudos anteriores é que, na prática, os painéis de carvão
minerados são um dos parâmetros mais críticos na subsidência de mineração de carvão (Kratzsch1983 ; Querido 2011 ;
Djamaluddin et al. 2011 ); no entanto, poucas análises consideraram painéis minados como um fator de entrada no
mapeamento de risco de subsidência devido a dificuldades na aquisição de dados. Além disso, tem havido pouca discussão
sobre as cargas dinâmicas e o efeito vibracional que induzem a instabilidade do solo (Gullu et al. 2008 ; Güllü e İyisan 2015
).
mesa 2
Resumo dos principais fatores considerados em pesquisas anteriores sobre mapeamento de risco de subsidência de
mineração usando SIG
Kim et al. ( Choi et al. ( Ah e Lee ( Park et al. ( Lee e Park (

Fator Este estudo
2006 ) 2010 ) 2010 ) 2012 ) 2013 )
O
Profundidade de deriva X X X X X
(indiretamente)
Distância à minha O
X X X X X
deriva (indiretamente)
Geologia X X X X X
Classificação de massa
X X X
rochosa
Permeabilidade X X X X X
Nível subterrâneo X X X X X
Gradiente de
X X X X X X
inclinação
Uso da terra X X X X X X
Área influente por

X
deriva
Painéis minados
X
(cavidade)
Distância para estrada X
Distância para a
X
ferrovia
Figura 1
Esquema mostrando a necessidade de se considerar os efeitos sintéticos, baseados na distribuição espacial 3D

de múltiplas drifts de minas e painéis minados, em avaliações de perigos de subsidência. a Extensão da
influência do solo (bacia de subsidência) definida por um painel de carvão minado subterrâneo. b Caso de
deriva de minas sobrepostas verticalmente. c Caso de deriva de minas horizontalmente sobrepostas
Os objetivos deste trabalho são: (1) compilar novos parâmetros que considerem a distribuição 3D de múltiplas derivas de
minas e painéis estimados de carvão extraído e sua influência no risco de subsidência; (2) produzir um mapa de risco de
subsidência baseado em 3D baseado em tecnologia GIS e metodologias estatísticas; e (3) verificar as previsões do mapa de
risco com referência a ocorrências de subsidência reais e danos relacionados a afundamentos em edifícios.
Área de estudo
A área de estudo, localizada a 37 ° 11′03 ″ N – 37 ° 11 ′ 22 ″ N e 129 ° 1 ′ 46 ″ E ‐ 129 ′ 2 ′ 13 ″ E, cobrindo uma área de ~

0,32 km 2 (660 m × 480 m), é na parte nordeste do campo de carvão Samcheok abandonado, Samcheok-si, Gangwon-do,
Coreia do Sul. Figura 2mostra a topografia e distribuição de drifts de minas subterrâneas, ferrovias, estradas, rios, furos e
zonas de subsidência na área. A topografia é geralmente mais alta no oeste e mais baixa no leste. A maioria das ferrovias e
estradas está cobrindo as cavidades subterrâneas e, assim, os veículos de carga periódica levam ao efeito vibracional.
Embora não haja registros oficiais do número original de camadas de carvão na área, parece que três camadas de carvão
estavam originalmente presentes na Formação Jangseong. A mineração de carvão subterrânea foi realizada em uma ampla
área do campo de carvão Samcheok por quase 30 anos. Como a maioria das camadas de carvão era de imersão variável, a
mineração foi realizada usando o método de escavação de blocos de calha inclinada, em que o carvão é extraído de camadas
de carvão em larguras de 1,5 a 2 m. Como resultado da mineração,1999 ). Estima-se que os eventos de subsidência tenham
ocorrido dentro de 10 anos do fechamento das minas, durante o período de 1991-2001.
Figura 2
Topografia na área de estudo, mostrando a distribuição dos desvios de minas e a localização das zonas de
subsidência
Peso da evidência
O modelo de peso da evidência (WoE) é um método baseado em probabilidade condicional que é usado aqui para avaliar
quantitativamente e prever a relação entre ocorrências de subsidência e fatores relacionados pela combinação de vários
conjuntos de dados geoespaciais. O método assume que as ocorrências de subsidência são determinadas por fatores
específicos relacionados à subsidência, e futuros eventos de subsidência ocorrerão sob condições similares àquelas de
eventos de subsidência passados (Dahal et al. 2008 ).
O método calcula uma ponderação para cada fator contribuinte de subsidência baseado na presença ou ausência de
subsidência dentro da área de estudo e gera um valor de contraste (CV) para uma relação espacial positiva entre o fator e
ocorrência de subsidência, determinada pela diferença entre W + e W - , onde um peso positivo (W + ) indica que uma
variável causal está presente no local da subsidência, e onde a magnitude do peso é uma indicação da força da relação
positiva entre a variável causal e a ocorrência de subsidência (Eq. 1a ). Um peso negativo (W - ) indica a ausência de uma
variável causadora e mostra a força da relação negativa (Eq. 1b ). Os pesos positivos e negativos que contribuem para o CV
(Eq. 2 ) são definidos da seguinte forma:
P { B | D }
+
W = ln
Eu
¯ ¯
P { B | D}
(1a)
¯ ¯
P { B| D}
-
W = ln
Eu
¯ ¯¯ ¯
P { B| D }
(1b)
+ -
CV = W - W
Eu Eu
(2)
onde B é a presença de um fator preditivo potencial de subsidência, é a ausência de um fator preditivo potencial de
subsidência, D é a presença de uma ocorrência de subsidência e é a ausência de ocorrência de subsidência. O valor de CV
representa a relação espacial entre uma ocorrência de subsidência e fatores relevantes. Para CV> 0, existe uma correlação
positiva entre uma ocorrência de subsidência e o fator, indicando uma alta probabilidade de ocorrência de subsidência. Para
CV <0, existe uma correlação negativa entre uma ocorrência de subsidência e o fator.B ¯ ¯ ¯
D
As variâncias de W + e W - são expressas como S 2 (W + ) e S 2 (W - ), respectivamente, e S (C) expressa o desvio padrão do

contraste. A razão de C para seu desvio padrão [C / S (C)] serve como um guia para a significância da associação espacial e
atua como uma medida da certeza relativa da probabilidade posterior (Bonham-Carter, 1994 ). O desvio padrão de C é
calculado como
- - - - - - - - - - - - - - --
2 + 2 -
S ( C ) = √S ( W ) + S ( W )
(3)
Para aplicar o modelo WoE em conjuntos de dados raster, grades de domínio de dados rasterizados para um determinado
fator são classificados em várias ou mais classes (ou intervalos), como apresentado na Figura 3 . Depois de calcular o CV de
cada classe de cada fator, o valor da camada de fator sobre as grades inteiras pode ser convertido em um CV. Finalmente,
um índice de risco de subsidência (SHI) é calculado pela combinação linear do CV de cada fator em cada célula da grade na
área de estudo. Maiores detalhes da teoria e aplicação do modelo de WoE para problemas espaciais podem ser encontrados
em Lee e Choi ( 2004 ).
Fig. 3
Exemplo que mostra o cálculo do valor de contraste em grades de varredura usando o modelo de peso da
evidência (WoE) (modificado de Oh et al. 2011 )
Projeto de um modelo de análise baseado em GIS
A Figura 4 mostra o processo geral de mapeamento de risco de subsidência baseado em GIS e o fluxograma detalhado de
processamento de dados usado neste estudo. Para prever e avaliar as ocorrências de subsidência usando o GIS, uma
variedade de dados geoespaciais foi incorporada ao banco de dados do GIS. Seis fatores primários que influenciam os
eventos de subsidência foram processados e extraídos do banco de dados do SIG: a distribuição da camada de instabilidade
de área influente (IAI) calculada usando os múltiplos desvios de mina e localização estimada dos painéis minerados, uso da
terra, distância da ferrovia mais próxima inclinação da estrada e inclinação.
Fig. 4
Procedimentos para mapeamento de risco de subsidência em um ambiente GIS
A Figura 5 demonstra partes de áreas de estudo que mostram a distribuição da zona de treinamento e a zona de validação
sobrepostas na camada DEM. Para realizar uma análise não-tendenciosa, a área de estudo foi dividida em uma zona de
treinamento (70%, células da grade não negras: a maioria delas é vista na cor azul-verde da Fig. 5 ) e uma zona de validação
(30% , células de grade de cor preta espalhadas na Fig. 5) usando uma função de extração aleatória para criar duas zonas
similares em termos de distribuição de áreas de subsidência, drifts de minas, topografia, ferrovias e estradas. A seleção da
configuração foi realizada para obter uma condição de paridade nas duas zonas, analisando a estatística zonal de uma
variedade de características na área de estudo; ou seja, todos os valores de grade para cada fator na zona de treinamento
cobrem todo o intervalo de valores na zona de validação. Os dados na zona de treinamento foram então usados para derivar
uma correlação entre ocorrências de subsidência anteriores e fatores desencadeadores usando o modelo de WoE. O CV
derivado para cada fator da zona de treinamento foi aplicado a toda a área de estudo (que incluiu a zona de treinamento e a
zona de validação na Fig. 5) . ) produzir um mapa de risco de subsidência e validar o modelo de análise GIS.
Fig. 5
Zonas de treinamento e validação na área de estudo
Após a compilação do mapa de risco de subsidência de seis fatores, uma análise de sensibilidade para cada fator foi
conduzida para identificar e excluir fatores negativos que podem reduzir a precisão da previsão do mapa de risco gerado na
área de estudo. Sete diagramas de frequência cumulativa (CFDs) foram construídos para os sete mapas de previsão gerados,
comparando espacialmente cada mapa produzido com o mapa de inventário de subsidência mostrando as localizações das
ocorrências reais de subsidência. Em seguida, a técnica da área sob a curva (AUC) foi aplicada aos CFDs para avaliar
quantitativamente e comparar as precisões de previsão dos sete mapas de risco de subsidência. Todo o processo de
processamento, análise e visualização de dados foi implementado usando o software ArcMap 10.1 desenvolvido pelo
Environmental Systems Research Institute (ESRI).
Implementação do mapeamento de risco de subsidência
Processamento e extração do fator contribuinte de subsidência do banco de dados

SIG
A presente análise avaliou os efeitos de fatores internos e externos na subsidência de mineração, pois a subsidência em
áreas de minas pode ser causada por interações entre vários fatores, incluindo atividade de mineração, geomorfologia local
e cargas dinâmicas. Um banco de dados SIG foi compilado para extrair e analisar os fatores que afetam os eventos de
subsidência na área de estudo, com base em dados obtidos de um mapa de contorno topográfico, um mapa de uso da terra,
um roteiro (1: 5000), um mapa de drift da mina , um mapa de painel estimado minado e um mapa de inventário de
subsidência (1: 1200) mostrando áreas de subsidência (Tabela 3). Em geral, o formato de arquivo GIS pode ser dividido em
dois tipos, como dados vetoriais e rasterizados. O tipo original de mapas do banco de dados GIS acima mostra a camada
vetorial que representa o objeto discreto e o caminho como é formado (por exemplo, ponto, polilinha e polígono). Como
mencionado acima, a presença de painéis minados é um dos fatores mais importantes para prever subsidência em áreas de
mina de carvão. No entanto, poucos registros digitais oficiais em painéis minados estavam disponíveis no banco de dados
do GIS. Portanto, um mapa de painel minado foi recentemente criado estimando as localizações dos painéis minados,
analisando tanto os dados de registro de furo de sondagem quanto a distribuição e as características dos dados de
levantamento do mapa de deriva de mina 3D. Seis camadas fatoriais relevantes para o início da subsidência (ou seja, a
camada IAI calculada usando os múltiplos desvios de mina, 4 .
Tabela 3
As seis camadas de fatores no banco de dados do GIS
Classificação Dados Tipo de dados Escala
Inventário de risco Ocorrência de subsidência Polígono 1: 1200
Meu mapa de deriva Mine drift, Raise Polilinha 1: 1200
Mapa de Furo Costura de carvão, Painel minado Ponto 1: 1200
Mapa topográfico Contorno Polilinha 1: 5000
Roteiro Estrada Polilinha 1: 5000
Ferrovia Polilinha 1: 5000
Mapa da terra Uso da terra Polígono 1: 5000
Building (para validação) Polígono 1: 5000
Todos os dados vetoriais de entrada foram processados e convertidos em camadas rasterizadas de matrizes de células de
grade para análise espacial e análises algébricas dos múltiplos mapas. Linhas de contorno topográficas obtidas a partir do
mapa topográfico foram convertidas para um modelo de rede irregular triangular (TIN) e depois para um modelo de
elevação digital (DEM) mostrando a elevação do terreno. A resolução do DEM foi de 660 × 480, totalizando 316.800 células
da grade. O tamanho da grade para os mapas de subsidência e fator foi escolhido como 1 m × 1 m. O tamanho da grade e o
número total de células da grade nos seis mapas de fatores foram os mesmos que os do DEM. Do mapa de inventário de
subsidência do tipo raster obtido a partir de pesquisas de eventos de subsidência reais, foram identificadas ocorrências de
subsidência em células de grade 3201 (representando 1,01% do número total da grade) das 316.800 grades na área de
estudo.
As seis camadas fatoriais do tipo raster consideradas neste estudo são apresentadas na Fig. 6 . O fator de uso da terra
representa dados discretos (categorizados), enquanto os outros cinco fatores representam dados contínuos. O termo 'drift
de minas' refere-se a passagens subterrâneas horizontais escavadas ao longo das camadas de carvão; o termo 'painéis de
carvão minerado' refere-se a blocos de carvão que estão sendo minerados. Abaixo apresentamos uma descrição conceitual
de cada fator, explicamos porque ele foi considerado e delineamos o processo de compilação de um mapa temático para
cada fator.
Fig. 6
Introduzir mapas fatoriais temáticos. Uma instabilidade de área influente baseada na distribuição 3D de
drifts de minas. b Instabilidade de área influente baseada em painéis minados estimados. c Uso da terra. d
Distância da ferrovia mais próxima. e Distância da estrada mais próxima. f gradiente Declive
Instabilidade de área influente com base nos desvios de várias minas 3D
A camada IAI calculada a partir da distribuição 3D das variações de minas indica o índice de instabilidade somado dentro
de cada área de influência definida por cada desvio de mina em cada nível de deriva. Em outras palavras, o fator considera
os efeitos complexos da instabilidade do solo em cada área influente, calculada usando a profundidade de cada desvio da
mina e seu ângulo de empate. Assim, o fator inclui simultaneamente os efeitos da profundidade de deriva e da distância da
deriva mais próxima na subsidência de mineração. Este fator é sugerido recentemente no estudo atual pelo seguinte motivo.
Conforme mencionado na Introdução, o tamanho da área horizontal afetada pela subsidência se expande em direção à
superfície do solo, e a área influente na superfície é maior do que a área da cavidade minerada (deriva ou painel). A maioria
das minas de carvão possui diferentes níveis de drifts, e as derivas têm uma distribuição complexa. Consequentemente, a
área do solo vulnerável à subsidência é maior do que qualquer deriva individual, devido à sobreposição vertical ou
horizontal de instabilidades dentro da área influente definida por cada cavidade minerada (veja a Fig. 1 ). Portanto, a área
influente e sua instabilidade foram derivadas, respectivamente, para cada grupo de drift de minas e, em seguida, todos os
IAIs foram combinados para calcular um valor de IAI somado.
Para computar o IAI para vários desvios de minas, os dados múltiplos de deriva de mina 3D foram primeiro divididos em
seis grupos de deriva de mina, de acordo com o nível e a largura de cada desvio de mina. Três cabeças de poço diferentes
estavam presentes (HY-G1, HY-G3 e HY-Simpo), com cabeça de poço HY-G3 consistindo de um grupo de deriva de mina
com quatro níveis diferentes (HY-G3L0, HY-G3L1, HY-G3L2, e HY-G3L3), como mostrado na Fig. 7um demonstrado
usando o software ArcScene. Como o nível e a profundidade de cada desvio de mina variam de acordo com o grupo, é
possível que a área influente de cada grupo possa se sobrepor. Assim, uma camada IAI foi derivada para cada grupo. Em
segundo lugar, a instabilidade da área influente do solo para cada grupo foi examinada usando a profundidade da cavidade
minerada e seu ângulo de empate. Cada área influente para cada segmento de desvio de mina (o número do segmento é
identificado na Fig. 7 b) foi definido usando a Eq. 4 . O ângulo de inclinação foi definido para 35 °, o que é típico para o
campo de carvão Samcheok (Coal Industry Promotion Board 1999); no entanto, o ângulo pode ser alterado de acordo com a
estrutura e a topografia do subsolo local. Então, a instabilidade no centro de cada área influente foi calculada usando Eq. ( 5
), que foi derivado de uma análise estatística de mais de 30 estudos de caso sobre subsidência de mineração de carvão na
Coréia do Sul (Jung et al. 2008 ). A instabilidade aumenta à medida que a profundidade do desvio da mina diminui. O
índice de instabilidade de outras grades dentro da área influente foi calculado usando a Eq. ( 6 ), com base no pressuposto
de que o índice IAI do centro apresenta o valor mais alto, que o índice IAI no limite é 0 e que o IAI diminui linearmente do
centro para a periferia (Fig. 7c). Como as áreas localizadas diretamente acima dos drifts da mina são mais suscetíveis ao
colapso da terra, o nível de risco associado à subsidência diminui com o aumento da distância horizontal da deriva, como
segue:
R = D × tan θ + 0,5 W
(4)
H c ( IAI ) = Exp ( D ÷ 144,3 m )
(5)
H Eu
( IAI ) = H c × ( REu
- xEu
) ÷ REu
(6)
onde R é o raio da área influente, D é a profundidade da cavidade minerada (positiva para baixo), θ é o ângulo de empate, w
é a metade da largura da cavidade da mina (a largura da maioria das derivações é de 2 a 3 m ), H c é o índice IAI do ponto
central dentro da área influente, H i é o índice IAI na célula da grade específica dentro da área influente, e x i é a distância do
ponto central até a grade. Este cálculo foi aplicado a todos os segmentos de desvio de mina. No caso em que duas ou mais
áreas influentes coexistem sobre redes específicas, que surge da presença de vários segmentos de deriva de mina no mesmo
grupo de deriva, o valor máximo de IAI entre os grupos foi atribuído (ver Fig. 7 b), como sobreposição vertical não existe no
mesmo grupo. Em terceiro lugar, depois de computar o IAIS para os seis grupos de deriva de minas, as seis IAIS foram
somados para produzir um IAI final para a totalidade das grelhas (Fig. 7 c), gerando, assim, o parâmetro de entrada para a
susceptibilidade subsidência. O mapa fatorial compilado de acordo com o método acima é mostrado na Fig. 6 a.
Fig. 7
Geração da camada IAI usando dados de desvio de mina 3D. a Seis grupos de deriva de minas
correspondendo a seis níveis na área de estudo. b Um caso de sobreposição de duas ou mais áreas influentes
do solo representando cada segmento de desvio (em níveis semelhantes, mas em diferentes profundidades
abaixo do solo) no mesmo grupo de drift. c Ilustração conceitual do método de cálculo da instabilidade de área
influente, considerando a distribuição 3D de múltiplas derivas de minas e seus efeitos sobre a subsidência do
solo
Instabilidade de área influente baseada em painéis minados estimados
O IAI calculado a partir de painéis minados estimados indica o índice de instabilidade somado dentro de cada área influente
do solo, conforme definido pela distribuição de painéis minados, que é derivado de uma análise das distribuições de dados
de levantamentos e registro de furo. O IAI assim calculado leva em consideração os efeitos complexos de instabilidades de
cada área influente do solo devido à presença de painéis minerados e seus ângulos de empate. Portanto, esse fator considera
simultaneamente os efeitos da profundidade e a proximidade dos painéis minerados na suscetibilidade da subsidência de
mineração. Uma vez que os painéis de carvão extraídos são um fator primordial para eventos de subsidência de mineração
de carvão (Kratzsch 1983 ; Darling 2011), devem ser considerados como um fator na predição de subsidência de mineração,
mesmo que os dados contenham incertezas. Assim, as localizações e as profundidades dos painéis minados foram estimadas
usando dados de levantamento e furo, e a área influente e sua instabilidade foram derivadas para cada painel. Então, todos
os valores do IAI foram somados para calcular um IAI integrado dos painéis minados, usando o mesmo método que o
descrito na seção anterior.
Vários tipos de drifts de minas podem ser construídos durante a mineração subterrânea de carvão, tais como desvios
horizontais, eixos inclinados, poços verticais e aumentos, conforme listado na Tabela 4.. Destes, os aumentos são cavidades
minadas localizadas ao longo de uma camada ou camada de carvão e, portanto, estão intimamente relacionadas com a
localização do painel de carvão minerado. Consequentemente, a localização aproximada e a profundidade de um painel de
carvão minerado podem ser estimadas a partir da distribuição e utilização de aumentos, conforme compilado em um mapa
de deriva de mina 3D, embora não haja dados observacionais do painel real disponíveis. Portanto, a distribuição e as
características dos dados de levantamento foram interpretadas usando mapas de deriva de mina 3D para estimar as
localizações e profundidades dos painéis minerados. De fato, a existência de aumentos ou desvios complexos de minas não
indica necessariamente a presença de um painel de carvão minerado. Assim, os quatro critérios seguintes foram aplicados a
287 pontos finais de subida (pontos pretos na Fig. 8a) identificar locais que mostram uma alta probabilidade de que um
painel minado estivesse presente e agrupar ou agrupar os pontos finais do aumento.
Tabela 4
Tipos representativos e características de drifts de minas subterrâneas de carvão (revisado de Hartman e Mutmansky 2002
; MIRECO 2010 )
Tipo Características ou finalidade de uso
Deriva Geralmente escavado paralelo ao ataque do leito de carvão

Horizontal
Usado principalmente como uma estrada de transporte ou caminho de passagem de material ou equipamento
Escavação inclinada (ângulo <25 °). Conecte o solo com o stope subterrâneo
Eixo
inclinado Usado principalmente como uma forma de transporte para tubos de minas, caminhões de carvão, material e
equipamento
Um eixo verticalmente escavado para acesso a um stope a partir do solo

Eixo
vertical Usado principalmente como um caminho de passagem para os trabalhadores de minas, materiais e carvão
extraído, para ventilação, ou como um túnel de água
Túnel de mineração localizado ao longo da camada de carvão (cama) usada para mineração de carvão
Levantar
Também serve como um caminho de passagem para o transporte de carvão extraído e para ventilação
Fig. 8
Locais e profundidades de painéis de carvão minerados estimados derivados dos dados de drift (elevação) e
perfuração de minas 3D. a Distribuição de aumentos. b Distribuição dos furos contendo informações do
painel minado. c Distribuição de painéis estimados extraídos derivados de dados de levantamento e furo
1. (uma)
Pertencem a um grupo de drift de mina: deriva de terceira ordem usada para transportar carvão (não para
ventilação)
2. b)
Distância horizontal entre dois pontos finais de aumento é <30 m
3. c)
A diferença entre as elevações de dois pontos finais de aumento adjacentes é <5 m
4. d)
Reconhecimento de padrões: três pontos finais de aumento devem estar em um relacionamento quase linear para
agrupamento
Cinco grupos de aumento, que indicam os locais dos painéis minados, foram identificados em 36 grupos de pontos finais de
aumento, derivados pela análise de agrupamento. Então, ao interpretar a topologia e as características espaciais dos pontos
finais de aumento e dos drifts vizinhos, uma análise de buffer de 10 m foi realizada em cada ponto final de elevação dos
cinco grupos, para compilar um mapa estimado do painel de carvão minerado (veja a Fig. 8uma). Ou seja, a largura de cada
painel de carvão minado foi ajustada para 10 m. Como resultado, três painéis minados foram estabelecidos na região
nordeste da área de estudo; as localizações desses painéis coincidem com as áreas reais de subsidência. Por outro lado,
apenas um painel minado foi estabelecido na região sudeste, onde foi realizado o gophering. A profundidade de cada painel
minado foi definida para a profundidade média dos pontos finais de aumento nas localizações dos painéis.
Como os dados dos poços contêm várias informações de registro, como os limites das camadas de carvão e painéis
minerados, tipo de rocha, tipo de solo e nível de água subterrânea, a localização exata do painel de carvão minerado pode
ser identificada pela análise de dados de registro de poços. Assim, as informações do painel minado do tipo ponto foram
obtidas diretamente dos dados de registro de furo. Descobrimos que seis dos nove furos (BH-06, 07, 08, 10, 11 e 13) contêm
informações do painel de carvão minerado. Para aplicar as mesmas condições usadas acima, uma análise de buffer foi
conduzida para cada furo com informações do painel minado, para definir o raio do painel minerado para 10 m, como
ilustrado na Fig. 8 b. Consequentemente, seis painéis minados foram identificados na área de estudo.
No total, 11 painéis de carvão minerados foram identificados na área de estudo. A área influente e a instabilidade de cada
painel minado foram derivadas usando o mesmo método usado na seção ' Instabilidade de área influente baseada em
painéis minados estimados '. No entanto, duas das áreas influentes (definidas pelos painéis minados derivados em G3L0C1
e BH-06 e em G3L0C3 e BH-07) foram duplicadas, como mostrado nas Figs. 8 a e 8c. Isto é, pode ser interpretado que os
dois painéis minados identificados em BH-06 e BH-07 são os mesmos (ou pertencem à parte de) os painéis minados em
G3L0C1 e G3L0C3, respectivamente. Portanto, as duas áreas influentes identificadas no BH-06 e BH-07 foram removidas
da análise. Após estimar a distribuição dos painéis de carvão minerados, a área influente e a instabilidade de cada painel de
carvão minerado foram derivadas e, em seguida, todos os IAIs foram somados para calcular um IAI integrado dos painéis
minerados usando o método demonstrado na Fig. 7 c. O mapa fatorial compilado desta forma é apresentado na Fig. 6 b.
Uso da terra
O uso da terra envolve a modificação de ambientes naturais ou regiões selvagens em usos como assentamentos ou habitats
seminaturais (incluindo campos aráveis, pastos e florestas manejadas). O fator de uso da terra pode refletir condições quase
superficiais (parte superior do solo) e é comumente usado como um fator desencadeante de subsidência de mineração
(Tabela 2 ). Uma camada de uso de terra tipo raster foi gerada pela conversão de dados de uso de terra do tipo vetorial.
Verificou-se que a área de estudo compreende sete distritos de uso da terra diferentes: campo seco, locais de construção,
estradas, terrenos diversos, ferrovia, córrego e floresta.
Distância da ferrovia mais próxima
A distância da via férrea mais próxima é a distância mínima euclidiana entre cada centro de célula de grade e a linha férrea
mais próxima, calculada em cada centro de célula de grade. Esse fator é considerado porque a instabilidade do solo pode ser
acelerada pela ocorrência periódica de grandes forças externas ou cargas dinâmicas (Ansal et al. 2001 ; Güllü 2012 , 2013 ),
como efeito vibracional ou perturbações causadas pelos trens, embora esse fator não acarrete tanto peso como fatores
internos (MIRECO, 2008 ). Esta camada foi derivada pela aplicação de uma função de distância euclidiana do software
ArcMap 10.1 na camada ferroviária. O valor do atributo do fator foi calculado para estar na faixa de aproximadamente 0-312
m.
Distância da estrada mais próxima
Distância a partir da estrada mais próxima é a distância mínima euclidiana entre cada centro de célula da grelha e a estrada
mais próxima, calculada em toda a rede. Este fator é considerado por razões similares àquelas da distância da ferrovia mais
próxima (Güllü e Erçelebi 2007 ; Güllü e Pala 2014 ). Essa camada foi derivada pela aplicação de uma função de distância
euclidiana do software ArcMap 10.1 na camada de estrada. O valor do atributo do fator foi calculado na faixa de
aproximadamente 0 a 253 m.
Gradiente de inclinação
O gradiente da inclinação é o grau da inclinação topográfica (isto é, o ângulo da inclinação). É a taxa máxima de mudança
entre um dado centro de grade e aquele de centros de célula de grade imediatamente vizinhos. Um valor de declive mais
baixo indica que o terreno é plano e vice-versa. Este fator é comumente usado como um fator desencadeante de subsidência
de mineração na Coréia do Sul (ver Tabela 2 ). A camada de gradiente de inclinação (em graus) foi derivada usando os
dados DEM e um algoritmo de análise de superfície proposto por Burrough e McDonell ( 1998 ). O valor do atributo do
valor do fator foi calculado para estar na faixa de aproximadamente entre 0 e 67 °.
Fatores adicionais
Como mencionado acima, o fator de profundidade de deriva da mina e a distância até o fator de deriva mais próximo não
foram considerados neste estudo, já que o IAI baseado no fator de deriva de múltiplas minas 3D já inclui esses conceitos. A
sensibilidade sísmica por efeito vibracional não é considerada devido ao viés de dados. Em vez disso, dois fatores
relacionados à proximidade da linha de transporte foram examinados para refletir indiretamente o efeito vibratório à
instabilidade do solo. Vários fatores, como classificação de massa de rocha (RMR), permeabilidade e geologia, que têm sido
comumente usados em pesquisas anteriores, também foram excluídos devido a dados insuficientes ou viés de dados.
Mapeamento de risco de subsidência de mineração usando o modelo WoE
O cálculo do CV requer um método que possa acomodar valores contínuos. Diversos métodos de classificação de dados têm
sido relatados na literatura, como manual, intervalo igual ou constante, área de igualdade (quantil), quebra natural
(otimização de Jenks) e classificação de desvio padrão (Chang 2006). Se os dados do fator forem distribuídos de forma
irregular, os métodos de intervalo igual ou de interrupção natural não classificarão adequadamente o número de domínios
em cada classe. Por outro lado, o método de classificação de área igual pode resolver uma distribuição desequilibrada,
concentrando-se na igualdade de grades de domínio (ou seja, leva em consideração valores amplamente variáveis na mesma
classe). Os fatores desencadeantes de subsidência de mineração foram classificados de forma a derivar correlações entre
ocorrências de subsidência e parâmetros relacionados. A zona de treinamento de cada mapa de fatores foi dividida em seis
áreas, cada uma com um número igual de grades, usando um método de classificação baseado em quantil (área) para
identificar e analisar objetivamente os efeitos de cada classe (usando uma faixa específica de valores). ) de fatores no cálculo
do SHI (Tabela 5). No entanto, como o fator de uso da terra consiste em dados discretos (categorizados), a área de estudo
foi dividida em sete áreas, cada uma com diferentes números de grades.
Tabela 5
O valor de contraste (CV) entre ocorrências de subsidência e as classes de cada fator, calculado usando o modelo WoE
S2 S2
Subsidência Subsidência Domínio Domínio S C/S
Fator Classe W+ W- C (W (W -
(nº) (%) (nº) (%) + (C) (C)
) )
IAI pela
minha 0 24 1,08 47,243 21,34 −2.98 0,23 −3,21 0,04 0,00 0,21 −15,63
deriva
0,01–0,17 8 0,36 26.687 12,05 −3,51 0,12 −3,63 0,13 0,00 0,35 −10,25
0,17-0,28 53 2,39 37,088 16,75 −1,95 0,16 −2.10 0,02 0,00 0,14 −15,12
0,28–0,35 427 19,29 37,175 16,79 0,14 −0,03 0,17 0,00 0,00 0,05 3,12
0,35 a 0,44 336 15,18 36.402 16,44 −0,08 0,02 −0,09 0,00 0,00 0,06 −1,60
0,44-0,92 1366 61,70 36.836 16,64 1,31 −0,78 2,09 0,00 0,00 0,04 47,35
IAI por
painel 0 431 19,47 134,311 60,66 −1,14 0,72 −1,85 0,00 0,00 0,05 −34,40
minado
0-0,07 47 2,12 17,263 7,80 −1,30 0,06 −1,36 0,02 0,00 0,15 −9.21
0,07–0,15 178 8,04 18.072 8,16 −0,02 0,00 −0,02 0,01 0,00 0,08 −0,21
0,15-0,21 49 2,21 16,586 7,49 −1.22 0,06 −1,27 0,02 0,00 0,14 −8,81
0,21-0,31 58 2,62 18.163 8,20 −1,14 0,06 −1,20 0,02 0,00 0,13 −9,01
0,31-1,06 1451 65,54 17,036 7,69 2,14 −0,99 3,13 0,00 0,00 0,05 68,76
Uso da
Campo seco 511 23,08 39,469 17,82 0,26 −0,07 0,32 0,00 0,00 0,05 6,39
terra
Construindo
0 0,00 1514 0,68 NaN 0,01 NaN NaN 0,00 NaN NaN
sites
Estrada 12 0,54 14.015 6,33 −2.46 0,06 −2,52 0,08 0,00 0,29 −8,69
Terra
81 3,66 4372 1,97 0,62 −0,02 0,63 0,01 0,00 0,11 5,55
diversa
Ferrovia 210 9,49 24,133 10,90 −0,14 0,02 −0,15 0,00 0,00 0,07 −2.12
Corrente 0 0,00 684 0,31 NaN 0,00 NaN NaN 0,00 NaN NaN
Floresta 1400 63,23 137,244 61,98 0,02 −0,03 0,05 0,00 0,00 0,04 1,21
Distância
da ferrovia
0–23,29 579 26.15 36,217 16,36 0,47 −0,12 0,59 0,00 0,00 0,05 12,19
mais
próxima
23,29-49,03 770 34,78 38,450 17,36 0,69 −0,24 0,93 0,00 0,00 0,04 20,70
49,03-74,77 689 31,12 37,540 16,95 0,61 −0,19 0,79 0,00 0,00 0,05 17,17
S2 S2
Subsidência Subsidência Domínio Domínio S C/S
Fator Classe W W C (W (W
(nº) (%) (nº) (%) (C) (C)
) )
74,77–
154 6,96 36.388 16,43 −0,86 0,11 −0,97 0,01 0,00 0,08 −11,55
100,51
100,51–
22 0,99 36.533 16,50 −2.81 0,17 −2.98 0,05 0,00 0,21 −13,90
134,83
134,83–
0 0,00 36.303 16,39 NaN 0,18 NaN NaN 0,00 NaN NaN
312,55
Distância
da estrada
0-16,88 1150 51,94 36,162 16,33 1,16 −0,55 1,71 0,00 0,00 0,04 39,86
mais
próxima
16,88-37,73 523 23,62 37,909 17,12 0,32 −0,08 0,40 0,00 0,00 0,05 8,02
37,73-58,59 342 15,45 37.684 17,02 −0,10 0,02 −0,12 0,00 0,00 0,06 −1,96
58,59-82,42 152 6,87 37,226 16,81 −0,90 0,11 −1,01 0,01 0,00 0,08 −11,97
82.42–
47 2,12 36,397 16,44 −2,05 0,16 −2,20 0,02 0,00 0,15 −14,94
123.13
123,13-
0 0,00 36,053 16,28 NaN 0,18 NaN NaN 0,00 NaN NaN
253,21
Gradiente
de 0 a 12,57 330 14,91 36.615 16,54 −0,10 0,02 −0,12 0,00 0,00 0,06 −2,05
inclinação
12,57-18,07 455 20,55 38,258 17,28 0,17 −0,04 0,21 0,00 0,00 0,05 4,04
18-07 a
498 22,49 37,213 16,81 0,29 −0,07 0,36 0,00 0,00 0,05 7,07
23/04
23,04–
415 18,74 36.382 16,43 0,13 −0,03 0,16 0,00 0,00 0,05 2,92
27,23
27,23-32,21 398 17,98 36.700 16,57 0,08 −0,02 0,10 0,00 0,00 0,06 1,76
32,21-66,78 118 5,33 36,263 16,38 −1,12 0,12 −1,25 0,01 0,00 0,09 −13,15
NaN erro no cálculo do logaritmo natural, quando subsidência não ocorreu
Para avaliar a correlação entre ocorrências de subsidência e fatores relacionados, o CV de cada classe de fatores foi
calculado com base nas equações. ( 1a , 1b ) e ( 2 ). Um CV maior que 0 indica que a variável causadora está presente no
ponto de subsidência, com a magnitude do CV indicando a força da relação entre a variável causativa e a ocorrência de
subsidência. Em contraste, um CV menor que 0 indica a ausência de uma variável causativa para o evento de subsidência.
Tabela 5lista os valores de CV para cada classe de cada fator. Em relação ao IAI por desvio de minas e IAI por fatores de
painel minados, os CVs geralmente aumentam com valores crescentes desses fatores, indicando que a probabilidade de
subsidência aumenta em áreas com cavidades subterrâneas rasas (drifts de minas ou painéis minados) ou múltiplas
cavidades verticalmente sobrepostas. A causa da maior probabilidade é o enfraquecimento das formações rochosas
subsuperficiais, o que aumenta a possibilidade de falhas no solo e deformação. Enquanto o IAI pelo fator do painel minado
foi baseado em dados estimados, a classe deste fator foi associada com o maior CV (3,13); um número de eventos de
subsidência ocorrem em áreas onde o IAI por painel minado excede 0,31. Em termos de distância da via férrea mais
próxima e distância da estrada mais próxima, os currículos geralmente aumentam com a diminuição da distância dessas
características, indicando que a probabilidade de subsidência aumenta em áreas próximas a estradas de ferro e estradas.
Dois fatores acima foram relacionados a efeitos de vibração que podem levar à subsidência do solo. Baseado no resultado do
CV para cada classe de dois fatores na Tabela 5, a faixa máxima de vibração influenciada pela operação do trem e veículo
seria de 75 me 38 m, respectivamente (onde CV de classe> 0). Deve-se notar que esses números podem ser alterados pelo
número de classes ou pelo método de classificação, uma vez que não há registro oficial sobre a faixa de efeitos de vibração
influenciada pelas cargas dinâmicas externas do serviço de transporte. Em termos de uso da terra, descobriu-se que terras
diversas, campos secos, florestas e superfícies que consistem em solo ou rocha muito fraca dão correlações positivas com a
subsidência. O parâmetro de inclinação mostra uma relação irregular com a ocorrência de subsidência, contrariando as
expectativas (uma vez que encostas íngremes parecem ser mais suscetíveis do que declives suaves para subsidência). O CV
da classe com maior alcance de inclinação apresentou relativamente poucas ocorrências de subsidência; Contudo,
Com base nos resultados apresentados na Tabela 5 , um CV para cada um dos seis fatores foi atribuído a cada célula da
grade dos dados rasterizados; as seis camadas de CV para cada fator foram então somadas usando sobreposições digitais,
para calcular o SHI como segue:
n
SHI = ∑ C VEu
eu = 1
(7)
onde CV i é o valor de contraste para a classe de cada fator. Os valores calculados de SHI foram a base para o mapa de risco
de subsidência da área. Áreas com altos valores de SHI (sombreamento vermelho nas Figs. 9a , b) mostram alto potencial
de subsidência; portanto, o valor de SHI pode ser usado como um critério para classificar uma área em termos de seu risco
de subsidência.
Fig. 9
Mapas de aluimento de risco com base em um de seis elementos, e que mostra as localizações dos edifícios
danificados, e b cinco factores (todos excepto gradiente de inclinação), sobreposto a uma fotografia aérea
Como mostrado na Fig. 9 a, a parte superior direita da área de estudo mostra valores elevados de SHI. Esta área também
coincide com as áreas de maior IAI por desvio de mina e IAI por painel minado, como mostrado na Fig. 6 . Em outras
palavras, regiões vulneráveis à subsidência são fortemente afectados por combinações complexas de causas, não só por
cavidades subterrâneas rasos, tais como minas trações (por exemplo, o grupo deriva HY-G3L0, mostrado na Fig. 7 um) e
painéis minadas (Fig . 8c), mas também pela sobreposição de áreas influentes causadas por múltiplas cavidades. Também
descobrimos que áreas com altos índices de suscetibilidade estão localizadas próximas a linhas de transporte (ferrovias e
estradas). Além disso, a maioria das zonas de subsidência existentes se enquadra nas áreas de alto nível SHI
(sombreamento vermelho e laranja apresentado na Figura 9a ). Assim, o mapa SHI gerado neste estudo poderia apresentar
um resultado de avaliação mais razoável para a área de estudo do que os obtidos apenas de índices singulares. Zonas de alto
risco na área de estudo precisam ser monitoradas, de modo a minimizar danos a edifícios e propriedades em caso de
subsidência.
Edifícios e infra-estrutura nas proximidades de áreas de mineração podem ser danificados por eventos de subsidência ou
movimentos de terra causados por deslocamento vertical, deslocamento horizontal, encolhimento, inchaço e rachaduras no
solo. Neste estudo, extensas pesquisas de campo e observações foram realizadas para muitos edifícios localizados na área de
estudo, incluindo estruturas residenciais e escolares. Em seguida, os níveis de dano de cada prédio foram registrados para
incorporar os dados no banco de dados do GIS (ver Tabela 6 ). Os níveis de dano, determinados pela aplicação dos
esquemas amplamente utilizados sugeridos pelo National Coal Board ( 1975 ), baseiam-se em mudanças proporcionais no
comprimento de um edifício ou estrutura; os esquemas fornecem critérios úteis para registrar os danos na escala do mapa
(Cooper 2008).
Tabela 6
Classificação de categorias de danos para edifícios e estruturas (National Coal Board 1975 )
Classe de
Descrição do dano típico
dano
1 (muito
Rachaduras finas em gesso, talvez isoladas, fratura leve do prédio, não visível do lado de fora
leve)
Várias pequenas fraturas que aparecem no interior do edifício. Portas e janelas podem ficar um pouco.
2 (leve)
Reparos na decoração provavelmente necessários
3 Pequenas fraturas mostrando fora do prédio (ou uma fratura principal). Portas e janelas coladas. Tubos de
(apreciável) serviço podem fraturar
Tubos de serviço interrompidos. Fraturas expostas que permitem a entrada do tempo na estrutura e exigem
uma nova união. Molduras de janelas e portas distorcidas; pisos inclinados visivelmente; paredes inclinadas
4 (grave)
ou salientes visivelmente. Alguma perda de rolamento em vigas. Se os danos de compressão, sobreposição de
juntas no telhado e levantamento de alvenaria com fraturas horizontais abertas
Como acima, mas pior, e exigindo reconstrução parcial ou completa. As vigas do telhado e do piso perdem os
5 (muito
rolamentos e precisam ser escoradas. Windows quebrado e distorcido. Inclinações severas no chão. Se os
grave)
danos de compressão, flambagem severa e abaulamento do telhado e paredes
Figura 9a mostra os níveis de danos dos edifícios, juntamente com as zonas de subsidência e SHIs, para os seis fatores em
toda a área de estudo. Símbolos de edifícios brancos mostram edifícios não danificados, enquanto símbolos de edifícios
pretos indicam que o edifício foi severamente danificado. Dos 18 prédios, 10 foram danificados e 4 foram severamente
danificados (nível de dano ≥ 4) por eventos de subsidência. Quatro dos edifícios estavam dentro de áreas influentes
definidas por cavidades subterrâneas e ângulo de empate. Em particular, três dos edifícios mostrando níveis de danos de 4
foram localizados em regiões dos maiores valores de SHI. Por outro lado, a maioria dos edifícios localizados fora das áreas
influentes definidas por cavidades subterrâneas, ou em regiões de baixo nível de SHI, não foi danificada. Deste ponto de
vista, o mapa de risco de subsidência previsto pode ser usado como dados básicos para auxiliar na prevenção e mitigação de
riscos, bem como para priorizar efetivamente áreas vulneráveis a subsidência para esforços de prevenção e mitigação. Deve-
se notar que o nível de dano de um edifício é determinado pela vulnerabilidade do próprio edifício, bem como o grau de
risco de subsidência no local. Portanto, não podemos interpretar o nível de dano de um edifício inteiramente com base no
SHI. No entanto, diferenças distintas na vulnerabilidade entre os edifícios não foram encontradas na pesquisa de campo.
Portanto, não podemos interpretar o nível de dano de um edifício inteiramente com base no SHI. No entanto, diferenças
distintas na vulnerabilidade entre os edifícios não foram encontradas na pesquisa de campo. Portanto, não podemos
interpretar o nível de dano de um edifício inteiramente com base no SHI. No entanto, diferenças distintas na
vulnerabilidade entre os edifícios não foram encontradas na pesquisa de campo.
Verificação de mapas de previsão de subsidência
Para avaliar a capacidade preditiva do mapa de risco de subsidência, comparamos os perigos de subsidência previstos com
dados de validação. A abordagem mais comum para a verificação do mapa de previsão em contextos de risco geográfico (por
exemplo, mapeamento preditivo de subsidência, deslizamento de terra e inundação) é empregar um CFD e calcular a AUC
(Lee e Choi 2004 ; Kim et al. 2006 ; Dahal et al . 2008 ;. Choi et al 2010 ; Oh e Lee 2011 ). O SHI permite a classificação de
áreas em termos da probabilidade de ocorrência de subsidência. Para verificar a precisão das previsões de SHI, o mapa de
risco de subsidência gerado foi comparado com um mapa de inventário de subsidência mostrando as distribuições de
ocorrências de subsidência passadas reais.
Um CFD para o SHI gerado foi construído comparando o mapa gerado com o mapa de inventário de subsidência. A técnica
de AUC foi aplicada ao CFD (isto é, à proporção de áreas sob o CFD) para avaliar quantitativamente a precisão da predição
dos resultados. Geramos 100 subdivisões dos valores SHI (em intervalos de 1%) para todas as grades na área de estudo,
classificadas em ordem decrescente (eixo x), e determinamos a porcentagem cumulativa de ocorrências de subsidência em
cada classe (eixo y); as curvas de frequência cumulativa foram sorteadas e a AUC foi calculada (Yilmaz 2009 ). Finalmente,
a precisão na previsão das ocorrências de subsidência foi indicada pela relação entre a AUC e a área total (atribuída com um
valor máximo de 1). Figura 10ilustra CFDs para o um SHI com seis fatores e os seis SHIs com cinco fatores (com um fator
excluído em cada caso). O SHI com seis fatores gerou uma precisão de predição de 91,09% (razão de área de 0,9109),
mostrando que o mapa gerado é efetivo para predição de perigo de subsidência.
Fig. 10
Diagramas de frequência cumulativa (CFDs) para a verificação e comparação dos oito mapas de risco de
subsidência
Análise sensitiva
A análise de sensibilidade modela o comportamento determinando a taxa de mudança na saída do modelo à medida que os
parâmetros ou dados de entrada são variados, fornecendo uma compreensão de como as mudanças na entrada influenciam
a saída e, assim, quantificando as intensidades das entradas em relação às variações na saída. et al., 2011). Neste estudo,
seis fatores foram considerados como fatores desencadeantes da subsidência na avaliação dos riscos de subsidência. De
acordo com a abordagem de WoE, cada fator influencia o resultado final, independentemente de o fator estar
correlacionado com eventos de subsidência, e mesmo que cada fator tenha sido totalmente revisado como um parâmetro
importante no processo de seleção de dados. Além disso, a precisão de previsão de um mapa de risco de subsidência gerado
pode variar de acordo com os fatores considerados. Portanto, a análise de sensibilidade foi realizada para duas finalidades:
primeiro, examinar como as mudanças na precisão da previsão variam quando os fatores de entrada são alterados e,
segundo, gerar um mapa de previsão ideal excluindo fatores que diminuem a precisão da previsão.
As precisões de previsão dos mapas de risco de subsidência com base em diferentes combinações de fatores foram
calculadas usando as AUCs dos CFDs (Fig. 10 ). Os resultados, resumidos na Tabela 7, mostram que as precisões de
previsão em cada caso (casos 2 a 6) diminuíram quando comparado ao caso inicial (caso 1), no qual todos os seis fatores
foram considerados. Desse modo, determinamos que os cinco fatores (isto é, IAI por desvio de minas, IAI por painel
minado, uso da terra, distância da ferrovia mais próxima e distância da estrada mais próxima) têm uma influência positiva
na precisão da previsão do mapa gerado. Por outro lado, no caso 7, a precisão da previsão aumentou quando o fator
gradiente de inclinação foi excluído como um parâmetro de entrada. Conseqüentemente, determinamos que o mapa de
risco de subsidência com cinco fatores (com gradiente de inclinação removido; caso 7) era o modelo mais apropriado para a
área de estudo, embora a diferença na precisão do caso 7 fosse marginalmente melhor que a precisão do outro. casos. 9 b.
Foi fundado que áreas com alto potencial de subsidência estavam localizadas ao longo da linha férrea na parte superior
direita das áreas de estudo.
Tabela 7
Precisão de previsão de oito mapas de risco de subsidência gerados, representando combinações dos fatores considerados
Modelo SHI Precisão de previsão (%)
SHI com seis fatores 91,09
SHI com cinco fatores (excluindo o desvio da mina 3D) 88,80
SHI com cinco fatores (excluindo painel minado) 90,32
SHI com cinco fatores (excluindo o uso da terra) 90,53
SHI com cinco fatores (excluindo a distância da ferrovia mais próxima) 89,45
SHI com cinco fatores (excluindo a distância da estrada mais próxima) 91,03
SHI com cinco fatores (excluindo gradiente de inclinação) 91,11
SHI com sete fatores (com abordagem anterior a ) 85,58
umfator de profundidade e distância do fator de deriva mais próximo considerado em vez de IAI pelo fator de deriva de
mina 3D
Como mencionado anteriormente, uma das diferenças do estudo atual dos trabalhos anteriores é a consideração do IAI pelo
fator múltiplo de deriva de mina 3D, que incluiu o conceito de fator de profundidade de deriva baseado em 2D e a distância
do fator de deriva mais próximo. Para a comparação entre a abordagem atual e a abordagem anterior, um mapa SHI foi
gerado e sua precisão de predição foi derivada usando a abordagem anterior, substituindo dois fatores baseados em 2D para
IAI pelo fator múltiplo de deriva de mina 3D. Como resultado, o mapa SHI com abordagem anterior rendeu uma precisão
de previsão de 85,58% (Fig. 10 ). Nomeadamente, a metodologia proposta neste estudo mostrou uma melhor precisão de
previsão.
Conclusões
O mapeamento de risco de subsidência foi realizado com o objetivo de desenvolver um protocolo de prevenção de
subsidência e projetar um sistema eficaz de gerenciamento de alerta de subsidência. A localização dos painéis minados, que
é o parâmetro mais importante que influencia a subsidência da mineração de carvão, foi razoavelmente estimada por meio
da análise da distribuição e uso de aumentos dos dados de extração de minas e exploração de poços. Descobriu-se que dois
novos fatores sugeridos, incluindo IAI por desvio de minas múltiplas e IAI por painel estimado minado, que não foram
considerados em mapeamento baseado em GIS anterior, podem ser usados para examinar efetivamente áreas influentes no
solo definidas pela análise 3D de cavidades subterrâneas e estimar os efeitos complexos do IAI terrestre. Um mapa de risco
de subsidência compilado usando modelos GIS e WoE e mostrou 91,09% de precisão de previsão com base na AUC da
abordagem CFD. A metodologia proposta mostrou uma abordagem mais vantajosa em comparação com a abordagem do
trabalho anterior em termos de precisão de previsão. Além disso, os dados da pesquisa de campo mostraram que os
edifícios severamente danificados na área estavam todos localizados dentro das zonas de alto nível SHI. A partir desses
resultados, interpreta-se que o mapa de suscetibilidade da subsidência gerado forneceu um prognóstico confiável para as
áreas de estudo.
Embora a prevenção de subsidência de mineração seja difícil, práticas de engenharia cuidadosas e protocolos de evacuação
podem minimizar os danos associados a ocorrências de subsidência. Deste ponto de vista, os tipos de mapeamento
apresentados neste estudo podem identificar e mitigar os riscos associados aos perigos de subsidência de mineração em
áreas específicas. Ao identificar áreas com altas probabilidades de subsidência, os presentes resultados podem fornecer
dados úteis sobre os locais onde os sistemas de aviso de subsidência devem ser instalados ou onde as medidas de
engenharia são necessárias. Nesse sentido, os mapas de risco de subsidência são ferramentas importantes para engenheiros
e tomadores de decisão envolvidos no projeto e implementação de sistemas de gerenciamento de risco em áreas de minas
abandonadas. Do ponto de vista do gerenciamento de recuperação de mina, a abordagem sugerida neste estudo pode ser
usada como uma alternativa para estudos preliminares em regiões onde os dados de mina são insuficientes. Além disso, a
metodologia pode ser aplicável a outros locais de mineração com dados de desvio de mina locais e uma consideração da
situação apropriada do local, como ângulo de empate e distribuição dos desvios de minas.
Para definir áreas influentes no solo e avaliar a instabilidade dentro da zona influente, um único valor de 35 ° para o ângulo
de tração em minas com função de instabilidade monotonicamente decrescente foi usado em nossa modelagem. No entanto,
modelos adicionais também devem ser considerados (por exemplo, incorporando medidas de ângulo de empate com
diferentes valores, ou funções de instabilidade de formas variadas) ao compilar parâmetros de entrada para mapas de fator
IAI e para avaliar o colapso de terra em outras áreas de mina com diferentes características de solo in situ. , desde que
informações adicionais estejam disponíveis. Finalmente, devido às incertezas inerentes aos dados estimados do painel
minado, mais estudos de caso e modelos de distribuição de painéis minados são necessários para melhorar a confiabilidade
desse fator e, portanto, a confiabilidade da avaliação de subsidência usando SIG.
Notas
Agradecimentos
Este trabalho foi apoiado por um subsídio KETEP financiado pelo Ministério do Comércio, Indústria e Energia do Governo
da Coreia (Projecto No. 2013T100100021) e pelo Programa Básico de Investigação Científica através da Fundação Nacional
de Investigação da Coreia (NRF) financiada pelo Ministério da Educação ( 2015R1D1A1A01061290).
Referências
Ambrožič T, Turk G (2003) Previsão de subsidência devido à mineração subterrânea por redes neurais artificiais. Comput
Geosci 29: 627–637
CrossRef (https://doi.org/10.1016/S0098-3004(03)00044-X)
Google Acadêmico (http://scholar.google.com/scholar_lookup?
title=Prediction%20of%20subsidence%20due%20to%20underground%20mining%20by%20artificial%20neural%20netwo
rks&author=T.%20Ambro%C5%BEi%C4%8D&author=G.%20Turk&journal=Comput%20Geosci&volume=29&pages=627-
637&publication_year=2003)
Ansal AM, Iyisan R, Güllü H (2001) Medições microtremores para a microzonação de dinar. Pure Appl Geophys 158: 2525-
2541. doi: 10.1007 / PL00001184 (https://doi.org/10.1007/PL00001184)
CrossRef do (https://doi.org/10.1007/PL00001184)
title=Microtremor%20measurements%20for%20the%20microzonation%20of%20dinar&author=AM.%20Ansal&author=R
.%20Iyisan&author=H.%20G%C3%BCll%C3%BC&journal=Pure%20Appl%20Geophys&volume=158&pages=2525-
2541&publication_year=2001&doi=10.1007%2FPL00001184)
(https://doi.org/10.1007/PL00001184)
(https://doi.org/10.1007/PL00001184)
(http://scholar.google.com/scholar_lookup?
title=Microtremor%20measurements%20for%20the%20microzonation%20of%20dinar&author=AM.%20Ansal&author=R
.%20Iyisan&author=H.%20G%C3%BCll%C3%BC&journal=Pure%20Appl%20Geophys&volume=158&pages=2525-
2541&publication_year=2001&doi=10.1007%2FPL00001184)
Bonham-Carter GF (1994) Sistemas de Informação Geográfica para Geocientistas. Modelagem com SIG. Pergamon Press,
Oxford, pp 1–416
CrossRef (https://doi.org/10.1016/B978-0-08-041867-4.50006-0)
Google Scholar (http://scholar.google.com/scholar_lookup?
title=Geographic%20Information%20Systems%20for%20Geoscientists&author=GF.%20Bonham-
Carter&publication_year=1994)
Burrough PA, McDonell RA (1998) Princípios de sistemas de informação geográfica. Oxford University Press, Oxford, p. 190
title=Principles%20of%20geographical%20information%20systems&author=PA.%20Burrough&author=RA.%20McDonell
&publication_year=1998)
Çanakci H, Güllü H (2009) Desenvolvimento de um modelo de avaliação de risco para cavernas próximas da superfície em
calcário. Eng Geol 105: 102-107. doi: 10.1016 / j.enggeo.2008.12.004 (https://doi.org/10.1016/j.enggeo.2008.12.004)
CrossRef (https://doi.org/10.1016/j.enggeo.2008.12.004)
title=Development%20of%20a%20hazard%20assessment%20model%20for%20near%20surface%20caves%20in%20limes
tone&author=H.%20%C3%87anakci&author=H.%20G%C3%BCll%C3%BC&journal=Eng%20Geol&volume=105&pages=10
2-107&publication_year=2009&doi=10.1016%2Fj.enggeo.2008.12.004)
(https://doi.org/10.1016/j.enggeo.2008.12.004)
title=Development%20of%20a%20hazard%20assessment%20model%20for%20near%20surface%20caves%20in%20limes
tone&author=H.%20%C3%87anakci&author=H.%20G%C3%BCll%C3%BC&journal=Eng%20Geol&volume=105&pages=10
2-107&publication_year=2009&doi=10.1016%2Fj.enggeo.2008.12.004)
Chang KT (2006) Introdução aos sistemas de informação geográfica. Educação Superior McGraw-Hill, Boston, pp 117–122
title=Introduction%20to%20geographic%20information%20systems&author=KT.%20Chang&publication_year=2006)
Choi JK, Kim KD, Lee S, Ganhou JS (2010) Aplicação de um operador fuzzy a estimativas de suscetibilidade da subsidência
de mina de carvão na cidade de Taebaek, Coréia. Environ Earth Sci 59: 1009–1022
CrossRef do (https://doi.org/10.1007/s12665-009-0093-6)
title=Application%20of%20a%20fuzzy%20operator%20to%20susceptibility%20estimations%20of%20coal%20mine%20su
bsidence%20in%20Taebaek%20City%2C%20Korea&author=JK.%20Choi&author=KD.%20Kim&author=S.%20Lee&autho
r=JS.%20Won&journal=Environ%20Earth%20Sci&volume=59&pages=1009-1022&publication_year=2010)
Conselho de Promoção da Indústria do Carvão (1999) Relatório detalhado de investigação do teste de estabilidade do
Simpori. Conselho de Promoção da Indústria de Carvão, Seul, pp 21–208
title=Detailed%20investigation%20report%20of%20the%20stability%20test%20for%20Simpori&publication_year=1999)
Cooper AH (2008) A classificação, registro, banco de dados e uso de informações sobre danos causados por subsidência e
deslizamentos de terra. QJ Eng Geol Hidroge 41: 409–424
CrossRef (https://doi.org/10.1144/1470-9236/07-223)
title=The%20classification%2C%20recording%2C%20databasing%20and%20use%20of%20information%20about%20buil
ding%20damage%20caused%20by%20subsidence%20and%20landslides&author=AH.%20Cooper&journal=Q%20J%20E
ng%20Geol%20Hydroge&volume=41&pages=409-424&publication_year=2008)
Dahal RK, Hasegawa S, Nonomura A, M Yamanaka, Masuda T, Nishino K (2008) com base em SIG de modelagem de
pesos-de-evidência de deslizamentos de chuva induzida por chuvas em pequenas bacias para o mapeamento de
susceptibilidade de escorregamentos. Environ Geol 54: 311–324
CrossRef (https://doi.org/10.1007/s00254-007-0818-3)
Google Scholar (http://scholar.google.com/scholar_lookup?title=GIS-based%20weights-of-
evidence%20modelling%20of%20rainfall-
induced%20landslides%20in%20small%20catchments%20for%20landslide%20susceptibility%20mapping&author=RK.%2
0Dahal&author=S.%20Hasegawa&author=A.%20Nonomura&author=M.%20Yamanaka&author=T.%20Masuda&author=
K.%20Nishino&journal=Environ%20Geol&volume=54&pages=311-324&publication_year=2008)
Darling P (2011) Manual de Engenharia de Mineração da SME (3ª ed.). Sociedade de Mineração, Metalurgia e Exploração
(SME), pp 1–1984
Google Scholar (https://scholar.google.com/scholar?
q=Darling%20P%20%282011%29%20SME%20Mining%20Engineering%20Handbook%20%283rd%20edn%29.%20Societ
y%20for%20Mining%2C%20Metallurgy%2C%20and%20Exploration%20%28SME%29%2C%20pp%201%E2%80%931984
)
Djamaluddin I, Mitani Y, Esaki T (2011) Avaliação do movimento do solo e danos às estruturas da mineração de carvão
chinesa usando um novo modelo de acoplamento GIS. Int J Rocha Mech Min Sci 48: 380–393
CrossRef (https://doi.org/10.1016/j.ijrmms.2011.01.004)
title=Evaluation%20of%20ground%20movement%20and%20damage%20to%20structures%20from%20Chinese%20coal%
20mining%20using%20a%20new%20GIS%20coupling%20model&author=I.%20Djamaluddin&author=Y.%20Mitani&aut
hor=T.%20Esaki&journal=Int%20J%20Rock%20Mech%20Min%20Sci&volume=48&pages=380-
Güllü H (2012) Predição da aceleração máxima do solo por programação de expressão genética e regressão: uma
comparação usando medida baseada em verossimilhança. Eng Geol 141–142: 92–113. doi: 10.1016 / j.enggeo.2012.05.010
title=Prediction%20of%20peak%20ground%20acceleration%20by%20genetic%20expression%20programming%20and%2
0regression%3A%20a%20comparison%20using%20likelihood-
based%20measure&author=H.%20G%C3%BCll%C3%BC&journal=Eng%20Geol&volume=141%E2%80%93142&pages=92-
113&publication_year=2012&doi=10.1016%2Fj.enggeo.2012.05.010)
title=Prediction%20of%20peak%20ground%20acceleration%20by%20genetic%20expression%20programming%20and%2
0regression%3A%20a%20comparison%20using%20likelihood-
based%20measure&author=H.%20G%C3%BCll%C3%BC&journal=Eng%20Geol&volume=141%E2%80%93142&pages=92-
Güllü H (2013) Sobre a previsão da velocidade da onda de cisalhamento no local de estações de movimento de solo forte:
uma aplicação usando inteligência artificial. Bull Earthq Eng 11: 969-997. doi: 10.1007 / s10518-013-9425-8
(https://doi.org/10.1007/s10518-013-9425-8)
title=On%20the%20prediction%20of%20shear%20wave%20velocity%20at%20local%20site%20of%20strong%20ground%
20motion%20stations%3A%20an%20application%20using%20artificial%20intelligence&author=H.%20G%C3%BCll%C3
%BC&journal=Bull%20Earthq%20Eng&volume=11&pages=969-997&publication_year=2013&doi=10.1007%2Fs10518-
013-9425-8)
(https://doi.org/10.1007/s10518-013-9425-8)
(https://doi.org/10.1007/s10518-013-9425-8)
title=On%20the%20prediction%20of%20shear%20wave%20velocity%20at%20local%20site%20of%20strong%20ground%
20motion%20stations%3A%20an%20application%20using%20artificial%20intelligence&author=H.%20G%C3%BCll%C3
%BC&journal=Bull%20Earthq%20Eng&volume=11&pages=969-997&publication_year=2013&doi=10.1007%2Fs10518-
013-9425-8)
Güllü H, Erçelebi E (2007) Uma abordagem de redes neurais para relações de atenuação: uma aplicação que usa dados de
movimento de fundo da Turquia. Eng Geol 93: 65-81. doi: 10.1016 / j.enggeo.2007.05.004
title=A%20neural%20network%20approach%20for%20attenuation%20relationships%3A%20an%20application%20using
%20strong%20ground%20motion%20data%20from%20Turkey&author=H.%20G%C3%BCll%C3%BC&author=E.%20Er%
C3%A7elebi&journal=Eng%20Geol&volume=93&pages=65-
title=A%20neural%20network%20approach%20for%20attenuation%20relationships%3A%20an%20application%20using
%20strong%20ground%20motion%20data%20from%20Turkey&author=H.%20G%C3%BCll%C3%BC&author=E.%20Er%
C3%A7elebi&journal=Eng%20Geol&volume=93&pages=65-
Güllü H, İyisan R (2015) Um estudo de risco sísmico através da comparação de equações de predição do movimento do solo
usando o fator de ponderação da árvore lógica. J Earthq Eng. doi: 10.1080 / 13632469.2015.1104752
(https://doi.org/10.1080/13632469.2015.1104752)
title=A%20seismic%20hazard%20study%20through%20the%20comparison%20of%20ground%20motion%20prediction%
20equations%20using%20the%20weighting%20factor%20of%20logic%20tree&author=H.%20G%C3%BCll%C3%BC&auth
or=R.%20%C4%B0yisan&journal=J%20Earthq%20Eng&publication_year=2015&doi=10.1080%2F13632469.2015.110475
2)
(https://doi.org/10.1080/13632469.2015.1104752)
title=A%20seismic%20hazard%20study%20through%20the%20comparison%20of%20ground%20motion%20prediction%
20equations%20using%20the%20weighting%20factor%20of%20logic%20tree&author=H.%20G%C3%BCll%C3%BC&auth
or=R.%20%C4%B0yisan&journal=J%20Earthq%20Eng&publication_year=2015&doi=10.1080%2F13632469.2015.110475
2)
Güllü H, Pala M (2014) Sobre o efeito de ressonância pela interação dinâmica solo-estrutura: um estudo de revelação. Nat
Hazards 72: 827-847. doi: 10.1007 / s11069-014-1039-1 (https://doi.org/10.1007/s11069-014-1039-1)
title=On%20the%20resonance%20effect%20by%20dynamic%20soil%E2%80%93structure%20interaction%3A%20a%20re
velation%20study&author=H.%20G%C3%BCll%C3%BC&author=M.%20Pala&journal=Nat%20Hazards&volume=72&page
s=827-847&publication_year=2014&doi=10.1007%2Fs11069-014-1039-1)
(https://doi.org/10.1007/s11069-014-1039-1)
(https://doi.org/10.1007/s11069-014-1039-1)
title=On%20the%20resonance%20effect%20by%20dynamic%20soil%E2%80%93structure%20interaction%3A%20a%20re
velation%20study&author=H.%20G%C3%BCll%C3%BC&author=M.%20Pala&journal=Nat%20Hazards&volume=72&page
s=827-847&publication_year=2014&doi=10.1007%2Fs11069-014-1039-1)
Gullu H, Ansal AM, Ozbay A (2008) Estudos de risco sísmico para a cidade de Gaziantep, no sul da Anatólia da Turquia.
Nat Hazards 44: 19–50. doi: 10.1007 / s11069-007-9140-3 (https://doi.org/10.1007/s11069-007-9140-3)
title=Seismic%20hazard%20studies%20for%20Gaziantep%20city%20in%20South%20Anatolia%20of%20Turkey&author=
H.%20Gullu&author=AM.%20Ansal&author=A.%20Ozbay&journal=Nat%20Hazards&volume=44&pages=19-
50&publication_year=2008&doi=10.1007%2Fs11069-007-9140-3)
(https://doi.org/10.1007/s11069-007-9140-3)
(https://doi.org/10.1007/s11069-007-9140-3)
title=Seismic%20hazard%20studies%20for%20Gaziantep%20city%20in%20South%20Anatolia%20of%20Turkey&author=
H.%20Gullu&author=AM.%20Ansal&author=A.%20Ozbay&journal=Nat%20Hazards&volume=44&pages=19-
50&publication_year=2008&doi=10.1007%2Fs11069-007-9140-3)
Hartman HL, Mutmansky JM (2002) Engenharia de mineração introdutória (2 edn). Wiley, Nova York, pp 1–584
title=Introductory%20mining%20engineering%20%282nd%20edn%29&author=HL.%20Hartman&author=JM.%20Mutm
ansky&publication_year=2002)
Jung YB, Canção WK, Kang SS (2008) Desenvolvimento do método de estimativa do risco de subsidência baseado na
profundidade do corredor. Túnel Undergr Space 18: 272–279
title=Development%20of%20subsidence%20hazard%20estimation%20method%20based%20on%20the%20depth%20of%
20gangway&author=YB.%20Jung&author=WK.%20Song&author=SS.%20Kang&journal=Tunnel%20Undergr%20Space&v
olume=18&pages=272-279&publication_year=2008)
Kim KD, Lee S, Oh, JJ, Choi JK, Won JS (2006) Avaliação do risco de subsidência do solo perto de uma mina de carvão
subterrânea abandonada usando SIG. Environ Geol 50: 1183–1191
title=Assessment%20of%20ground%20subsidence%20hazard%20near%20an%20abandoned%20underground%20coal%2
0mine%20using%20GIS&author=KD.%20Kim&author=S.%20Lee&author=HJ.%20Oh&author=JK.%20Choi&author=JS.
%20Won&journal=Environ%20Geol&volume=50&pages=1183-1191&publication_year=2006)
Kim KD, Lee S, Oh HJ (2009) Previsão de subsidência do solo na cidade de Samcheok, Coréia usando redes neurais
artificiais e SIG. Environ Geol 58: 61–70
title=Prediction%20of%20ground%20subsidence%20in%20Samcheok%20City%2C%20Korea%20using%20artificial%20n
eural%20networks%20and%20GIS&author=KD.%20Kim&author=S.%20Lee&author=HJ.%20Oh&journal=Environ%20G
eol&volume=58&pages=61-70&publication_year=2009)
Kratzsch H (1983) Engenharia de subsidência de mineração. Springer, Berlim, pp 1–543
CrossRef (https://doi.org/10.1007/978-3-642-81923-0)
title=Mining%20subsidence%20engineering&author=H.%20Kratzsch&publication_year=1983)
Lee S, Choi J (2004) Mapeamento de suscetibilidade de deslizamentos usando SIG e o modelo de peso-evidência. Int J
Geogr Inf Sci 18: 789–814
CrossRef do (https://doi.org/10.1080/13658810410001702003)

title=Landslide%20susceptibility%20mapping%20using%20GIS%20and%20the%20weight-of-
evidence%20model&author=S.%20Lee&author=J.%20Choi&journal=Int%20J%20Geogr%20Inf%20Sci&volume=18&page
s=789-814&publication_year=2004)
Lee S, Park I (2013) Aplicação do modelo de árvore de decisão para o mapeamento de risco de subsidência do solo perto de
minas de carvão subterrâneas abandonadas. J Environ Manage 127: 166–176
CrossRef do (https://doi.org/10.1016/j.jenvman.2013.04.010)
title=Application%20of%20decision%20tree%20model%20for%20the%20ground%20subsidence%20hazard%20mapping
%20near%20abandoned%20underground%20coal%20mines&author=S.%20Lee&author=I.%20Park&journal=J%20Envir
on%20Manage&volume=127&pages=166-176&publication_year=2013)
Malinowska A, Hejmanowski R (2010) Construção de avaliação de risco de danos em terrenos de mineração na Polônia com
aplicação de GIS. Int J Rock Mech Min Sci 47: 238-245
CrossRef (https://doi.org/10.1016/j.ijrmms.2009.09.009)
title=Building%20damage%20risk%20assessment%20on%20mining%20terrains%20in%20Poland%20with%20GIS%20ap
plication&author=A.%20Malinowska&author=R.%20Hejmanowski&journal=Int%20J%20Rock%20Mech%20Min%20Sci&
volume=47&pages=238-245&publication_year=2010)
Mancini F, Stecchi F, G Gabbianelli (2009) avaliação do risco baseada em SIG devido às atividades de mineração de sal em
Tuzla (Bósnia e Herzegovina). Eng Geol 109: 170–182
CrossRef do (https://doi.org/10.1016/j.enggeo.2009.06.018)
Google Acadêmico (http://scholar.google.com/scholar_lookup?title=GIS-
based%20assessment%20of%20risk%20due%20to%20salt%20mining%20activities%20at%20Tuzla%20%28Bosnia%20an
d%20Herzegovina%29&author=F.%20Mancini&author=F.%20Stecchi&author=G.%20Gabbianelli&journal=Eng%20Geol&
volume=109&pages=170-182&publication_year=2009)
Mine Reclamation Corporation (2008) Relatório técnico do desenvolvimento do método de avaliação da estabilidade do
solo e software para a ocorrência de subsidência na área da mina na Coréia. Mine Reclamation Corporation, Seul, pp 123–
143
title=Technical%20report%20of%20the%20development%20of%20ground%20stability%20evaluation%20method%20and
%20software%20for%20subsidence%20occurrence%20in%20mine%20area%20in%20Korea&publication_year=2008)
Mine Reclamation Corporation (2010) Diretriz de banco de dados do sistema de informações geográficas da mina. Mine
Reclamation Corporation, Seul, pp 20–39
title=Database%20guideline%20of%20mine%20geographic%20information%20system&publication_year=2010)
Corporação de Recuperação de Minas (2012) Anuário das estatísticas do MIRECO 2011. Empresa de Recuperação de Minas,
Seul, pp 1–331
title=Yearbook%20of%20MIRECO%20statistics%202011&publication_year=2012)
National Coal Board (1975), Manual de Engenheiros de Subsidência. Departamento Nacional de Mineração de Carvão,
Reino Unido, pp 1–111
Google Scholar (https://scholar.google.com/scholar?
q=National%20Coal%20Board%20%281975%29%20Subsidence%20Engineers%E2%80%99%20Handbook.%20National%
20Coal%20Board%20Mining%20Department%2C%20UK%2C%20pp%201%E2%80%93111)
Oh HJ, Lee S (2010) Avaliação da subsidência do solo usando SIG e o modelo de pesos-de-evidência. Eng Geol 115: 36–48
title=Assessment%20of%20ground%20subsidence%20using%20GIS%20and%20the%20weights-of-
evidence%20model&author=HJ.%20Oh&author=S.%20Lee&journal=Eng%20Geol&volume=115&pages=36-
Oh HJ, Lee S (2011) Integração de mapas de risco de subsidência no solo de minas de carvão abandonadas em Samcheok,
Coréia. Int J Coal Geol 86: 58–72
CrossRef (https://doi.org/10.1016/j.coal.2010.11.009)
title=Integration%20of%20ground%20subsidence%20hazard%20maps%20of%20abandoned%20coal%20mines%20in%2
0Samcheok%2C%20Korea&author=HJ.%20Oh&author=S.%20Lee&journal=Int%20J%20Coal%20Geol&volume=86&page
s=58-72&publication_year=2011)
Oh HJ, Ahn SC, Choi JK, Lee S (2011) Análise de sensibilidade para o mapeamento do risco de subsidência do solo baseado
em SIG perto de minas de carvão subterrâneas abandonadas. Environ Earth Sci 64: 347–358
Google Acadêmico (http://scholar.google.com/scholar_lookup?title=Sensitivity%20analysis%20for%20the%20GIS-
based%20mapping%20of%20the%20ground%20subsidence%20hazard%20near%20abandoned%20underground%20coal
%20mines&author=HJ.%20Oh&author=SC.%20Ahn&author=JK.%20Choi&author=S.%20Lee&journal=Environ%20Earth
%20Sci&volume=64&pages=347-358&publication_year=2011)
Park I, Choi J, Lee MJ, Lee S (2012) Aplicação de um sistema de inferência neuro-fuzzy adaptativo ao mapeamento de risco
de subsidência no solo. Comput Geosci 48: 228–238
CrossRef (https://doi.org/10.1016/j.cageo.2012.01.005)
Google Scholar (http://scholar.google.com/scholar_lookup?title=Application%20of%20an%20adaptive%20neuro-
fuzzy%20inference%20system%20to%20ground%20subsidence%20hazard%20mapping&author=I.%20Park&author=J.%
20Choi&author=MJ.%20Lee&author=S.%20Lee&journal=Comput%20Geosci&volume=48&pages=228-
Song J, Choi Y (2016) Analysis of wind power potentials at abandoned mine promotion districts in Korea. Geosyst Eng
19:77–82
CrossRef (https://doi.org/10.1080/12269328.2015.1096842)
title=Analysis%20of%20wind%20power%20potentials%20at%20abandoned%20mine%20promotion%20districts%20in%
20Korea&author=J.%20Song&author=Y.%20Choi&journal=Geosyst%20Eng&volume=19&pages=77-
Song J, Choi Y, Yoon SH (2015) Analysis of photovoltaic potential at abandoned mine promotion districts in Korea. Geosyst
Eng 18:168–172
CrossRef (https://doi.org/10.1080/12269328.2015.1023469)
title=Analysis%20of%20photovoltaic%20potential%20at%20abandoned%20mine%20promotion%20districts%20in%20K
orea&author=J.%20Song&author=Y.%20Choi&author=SH.%20Yoon&journal=Geosyst%20Eng&volume=18&pages=168-
Suh J, Choi Y, Park HD, Yoon SH, Go WR (2013) Subsidence hazard assessment at the Samcheok coalfield, South Korea: a
case study using GIS. Environ Eng Geosci 19:69–83
CrossRef (https://doi.org/10.2113/gseegeosci.19.1.69)
title=Subsidence%20hazard%20assessment%20at%20the%20Samcheok%20coalfield%2C%20South%20Korea%3A%20a%
20case%20study%20using%20GIS&author=J.%20Suh&author=Y.%20Choi&author=HD.%20Park&author=SH.%20Yoon&
author=WR.%20Go&journal=Environ%20Eng%20Geosci&volume=19&pages=69-83&publication_year=2013)
Yilmaz I (2009) Mapeamento de suscetibilidade do deslizamento de terras usando a taxa de freqüência, regressão logística,
redes neurais artificiais e sua comparação: um estudo de caso de deslizamentos Kat (Tokat-Turkey). Comput Geosci 35:
1125–1138
CrossRef (https://doi.org/10.1016/j.cageo.2008.08.007)
title=Landslide%20susceptibility%20mapping%20using%20frequency%20ratio%2C%20logistic%20regression%2C%20arti
ficial%20neural%20networks%20and%20their%20comparison%3A%20a%20case%20study%20from%20Kat%20landslide
s%20%28Tokat-Turkey%29&author=I.%20Yilmaz&journal=Comput%20Geosci&volume=35&pages=1125-
Informações sobre direitos autorais

© Springer-Verlag Berlim Heidelberg 2016
Sobre este artigo

Cite este artigo como:
Suh, J., Choi, Y. & Park, HD. Environ Earth Sci (2016) 75: 890. https://doi.org/10.1007/s12665-016-5695-1
DOI (Identificador de Objeto Digital) https://doi.org/10.1007/s12665-016-5695-1

Nome da editora Springer Berlin Heidelberg
Imprimir ISSN 1866-6280
ISSN online 1866-6299
Sobre esta revista

Reimpressões e permissões
Recomendações personalizadas
1. Delivery by drone: An evaluation of unmanned aerial vehicle technology in reducing CO 2 emissions in the delivery service
industry
Goodchild, Anne… Toy, Jordan
Transportation Research Part D: Transport and Environment (2017)
2. Prediction and control of nitrate concentrations in groundwater by implementing a model based on GIS and artificial
neural networks (ANN)
Darwishe, Hanan… Carlier, Erick
Environmental Earth Sciences (2017)
3. GIS-based groundwater potential mapping using artificial neural network and support vector machine models: The case
of Boryeong city in Korea
Lee, Saro… Jung, Hyung-Sup
Geocarto International (2017)
Want recommendations via email? Sign up now Powered by:
© 2017 Springer International Publishing AG. Parte da natureza de Springer .
Não registrado CAPES MEC (3000197460) - Universidade Federal de Pelotas UFPEL (3000204708) 200.17.160.117

Avaliação Baseada em GIS Da Suscetibilidade Induzida Por Mineração Considerando Deriva de Múltiplas Minas em 3D e Painéis Minerados Estimados

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Avaliação Baseada em GIS Da Suscetibilidade Induzida Por Mineração Considerando Deriva de Múltiplas Minas em 3D e Painéis Minerados Estimados

Enviado por

Direitos autorais:

Formatos disponíveis

04/04/2018 Avaliação baseada em GIS da suscetibilidade induzida por mineração considerando deriva de múltiplas minas em 3D e painéis est…

Avaliação baseada em GIS da suscetibilidade induzida por

Maio de 2016, 75: 890 | Citar como

Jangwon Suh (1)

Mina de carvão Mina de metal Mina não metálica Total

Operando o meu 6 56 531 593

Pausado (ocioso) meu 0 21 101 122

Mina abandonada 394 2089 2198 4861

Total de minas 400 2166 2830 5396

Subsidência 96 444 73 613

Kim et al. ( Choi et al. ( Ah e Lee ( Park et al. ( Lee e Park (

Área influente por

Distância para estrada X

Esquema mostrando a necessidade de se considerar os efeitos sintéticos, baseados na distribuição espacial 3D

A área de estudo, localizada a 37 ° 11′03 ″ N – 37 ° 11 ′ 22 ″ N e 129 ° 1 ′ 46 ″ E ‐ 129 ′ 2 ′ 13 ″ E, cobrindo uma área de ~

As variâncias de W + e W - são expressas como S 2 (W + ) e S 2 (W - ), respectivamente, e S (C) expressa o desvio padrão do

Projeto de um modelo de análise baseado em GIS

Procedimentos para mapeamento de risco de subsidência em um ambiente GIS

Zonas de treinamento e validação na área de estudo

Implementação do mapeamento de risco de subsidência

Processamento e extração do fator contribuinte de subsidência do banco de dados

As seis camadas de fatores no banco de dados do GIS

Classificação Dados Tipo de dados Escala

Inventário de risco Ocorrência de subsidência Polígono 1: 1200

Meu mapa de deriva Mine drift, Raise Polilinha 1: 1200

Mapa de Furo Costura de carvão, Painel minado Ponto 1: 1200

Mapa topográfico Contorno Polilinha 1: 5000

Roteiro Estrada Polilinha 1: 5000

Ferrovia Polilinha 1: 5000

Mapa da terra Uso da terra Polígono 1: 5000

Building (para validação) Polígono 1: 5000

Instabilidade de área influente com base nos desvios de várias minas 3D

Instabilidade de área influente baseada em painéis minados estimados

Tipo Características ou finalidade de uso

Deriva Geralmente escavado paralelo ao ataque do leito de carvão

Um eixo verticalmente escavado para acesso a um stope a partir do solo

Distância horizontal entre dois pontos finais de aumento é <30 m

A diferença entre as elevações de dois pontos finais de aumento adjacentes é <5 m

Distância da ferrovia mais próxima

Distância da estrada mais próxima

Mapeamento de risco de subsidência de mineração usando o modelo WoE

NaN erro no cálculo do logaritmo natural, quando subsidência não ocorreu

Verificação de mapas de previsão de subsidência

Modelo SHI Precisão de previsão (%)

SHI com seis fatores 91,09

SHI com cinco fatores (excluindo o desvio da mina 3D) 88,80

SHI com cinco fatores (excluindo painel minado) 90,32

SHI com cinco fatores (excluindo o uso da terra) 90,53

SHI com cinco fatores (excluindo gradiente de inclinação) 91,11

SHI com sete fatores (com abordagem anterior a ) 85,58

Google Acadêmico (http://scholar.google.com/scholar_lookup?

Informações sobre direitos autorais

Sobre este artigo

DOI (Identificador de Objeto Digital) https://doi.org/10.1007/s12665-016-5695-1

Sobre esta revista

Want recommendations via email? Sign up now Powered by:

© 2017 Springer International Publishing AG. Parte da natureza de Springer .

Você também pode gostar