基于DS-InSAR的复杂山区铁路沿线形变监测研究

李冠楠，谭衢霖，谢酬，蔡小培

（1. 北京交通大学 土木建筑工程学院，北京 100044；2. 北京交通大学 线路工程空间信息技术研究所，北京 100044；3.中国科学院 遥感与数字地球研究所，北京 100094）

1 研究背景

随着我国经济社会的快速发展，铁路已成为沟通城市和居住地的重要经济命脉，与人们的出行和经济的正常运行息息相关。由于铁路地理跨度大，尤其在西南复杂山区，地形地势条件复杂，鉴于自然和人类活动的共同影响，自然灾害多发，运营铁路沿线发生自然地质灾害的可能性大大增加，给铁路的安全运营带来潜在危害，不仅会导致运输物流暂时瘫痪[1]，而且直接威胁人们的生命财产安全。故此，如何快速准确地对西部山区铁路沿线形变及灾害监测显得尤为重要。应用卫星遥感空间信息技术监测西部复杂山区铁路沿线自然灾害状况，具有重要的研究意义和工程价值[2]。

采用定期常规的地面人工测量，如GPS和水准测量，能提供高精度形变数据，但由于其成本高、重复观测周期长、复杂地形人力无法到达等特性制约了其实时监测能力[3]。另外，基于点观测的特性使得该技术容易遗漏部分观测区域。星载合成孔径雷达干涉测量（InSAR）技术是一种全新的形变监测方法[4]，可以全天候、全天时的获取大范围、高精度的微小形变信息[5]。然而在对长时间缓慢形变及其规律进行分析时，传统DInSAR受到时间去相干、几何去相干及大气效应的影响。因此，一系列的MT-InSAR方法，包括永久散射体（PS-InSAR）[4]、小基线集法（SBAS）[6-8]、相干目标法（CT）[9]被相继提出。实践证明，它们在大范围地表形变反演应用中是有效的。

MT-InSAR方法在提取时间序列形变信息时具有独特的优势。但PS-InSAR只能获取永久散射体点，在没有典型地物及人工建筑的地区、荒原、山区、丘陵等自然区域，PS点的分布较为稀疏，无法获得地表形变信息。为了提高点的分布密度，获得更丰富可靠的形变信息，研究运用基于分布式散射体的DS-InSAR技术，采用KS检验同质点选取及自适应滤波算法，选取与目标像素具有相同统计特性的均质像素点，并精确筛选出DS点，联合现有的PS-InSAR处理方法，使用基于SqueeSAR算法的DS-InSAR技术对铁路沿线区域进行时序形变监测。

2 研究方法与原理

SqueeSAR技术最早由Ferretti等研究提出，该技术通过分析加入分布式散射体DS点，增加非人工地表的散射体数量，通过对山区SAR数据处理，对比分析SqueeSAR实验结果与PS-InSAR结果，证明SqueeSAR方法有效性[10]。现阶段，基于DS的长时间序列InSAR技术研究较少，在我国，大部分学者对DS-InSAR技术还处于研究阶段。李涛[11]通过利用点目标分层分析算法，提取了更多的散射体点，并将DS点和PS点联合解算，获取了城市区域形变场信息；蒋弥等[12]运用基于快速分布式目标探测的时序InSAR方法，快速提取DS点并实现了地表形变监测；王明州等[13]运用改进的相干目标法，结合KS检验与空间非局部滤波方法完成香港填海区形变监测研究。

本次研究采用SqueeSAR算法，联合处理PS和DS，考虑到它们不同的统计行为，使用基于KS检验的空间自适应滤波算法提取后向散射特性相近的同质点，对每个DS关联的相干矩阵，利用相位三角算法估计最优相位值，然后利用传统的PS-InSAR算法对选定的DS和PS进行联合处理，获取每个测点的位移时间序列。SqueeSAR数据处理流程见图1。

图1 SqueeSAR数据处理流程

2.1 基于KS算法的空间自适应滤波

窗口中像素的散射特性发生变化会影响干涉相位的平稳性，影响干涉图滤波的效果。因此，在干涉图滤波之前对窗口内像元点的散射特性进行判断，并选取后向散射特性一致的样本点是非常关键的步骤。KS检验能够识别属于干涉数据堆栈的2个图像像素是否在统计上是均匀的，从而提取同质点。该方法易于实现、非参数化，不针对特定的分布函数，且易于实现。

对于SAR图像中的任一像素P，其后向散射系数可表示为：

式中：di（P）为像素P对应的第i个图像的复反射率值，对于PS点d（P）为定向量，对于DS点d（P）为随机向量。

KS检验判别像素P1、P2是否为统计均匀像素，基于2个数据集分布函数作差绝对值的最大值，分析DS点的随机变量在重新参数化下是稳定的。KS检验判别算式可表示为：

式中：和分别为P1、P2的分布函数。DN的概率分布函数可用经验KS分布近似，可表示为：

KS检验通过判断DN是否大于设定阈值的概率来确定P1、P2是否符合同一分布。

2.2 相位三角法估计最优相位

使用相位三角法（PTA）“重建”的干涉相位比空间滤波的干涉相位噪声小，使空间相位展开过程更加稳健。相位三角法提供了PS和DS之间的桥梁,使它可以从N（N-1）/ 2个干涉对中选择DS的N个最优相位值（PS）,最优相位γPTA值的确定：

2.3 PS-InSAR技术形变相位提取

PS-InSAR技术作为D-InSAR技术的补充和延伸，重点解决传统D-InSAR时间失相干和大气延迟等问题。对于雷达影像预处理，需要经过主影像的选择、雷达影像配准、基线计算等步骤，并进一步生成差分干涉图，选取PS点，并经过一系列的处理从干涉相位中提取有用的形变相位。

式中：φfalt为平地相位，通过精确的基线估算去除；φtop为地形相位，通过利用外部DEM二轨法去除；φatm为大气相位，通过提高形变信息和大气干扰之间的信噪比来降低其相位分量，减小误差，具体可运用干涉图叠加的方法；φmov为2次观测期间地物目标沿LOS方向移动引起的相位变化；φnoise为噪声相位，可运用自适应滤波方法减弱干涉图中的噪声影响；k为整周模糊度，用基于最小二乘的相位解缠算法还原真实相位；ε为随机误差，ε～N（0，1）。

3 研究区段及卫星数据

3.1 研究区段

渝怀铁路是我国西部大开发的重点项目之一，全长624.523 km，途径重庆北、长寿、涪陵、武隆、彭水、黔江、酉阳、秀山、松桃、铜仁、怀化等。渝怀铁路沿线地质条件复杂，全线集中分布了滑坡、煤层、天然气、断层、岩溶、分水岭等地质现象，共跨越长江、乌江等7条大的江河，铁路运营路段大部分穿行在山地丘陵间，全线共计桥梁372座，隧道190座，桥隧总长占全线总长的一半，其中隧道长度达241 km，5 km以上隧道8座，最长隧道为圆梁山隧道，长达11.68 km。试验选择渝怀铁路地形地势条件复杂的彭水—黔江段作为研究对象，监测铁路沿线的地表变形情况，该路段包括2段隧道和1 044 m的桥梁。研究区域概况见图2。研究区域地形起伏较大，为典型的喀斯特地貌，经纬度为29.4325°N～29.4909°N，108.3040° E～108.3708° E，范围约 19.6 km2。

图2 研究区域概况

3.2 卫星数据

根据研究区域地质条件复杂地表植被覆盖茂密的特点，选用高分辨率L波段ALOS-2 PALSAR雷达数据，3 m分辨率升轨的数据，FBS模式，HH极化，入射角为32.4°，幅宽50 km。收集2016年9月28日、2017年10月25日，10景影像数据和30 m分辨率的SRTM1 DEM数据。

ALOS-2于2014年5月24日由JAXA宇宙航空研发开发机构成功发射。ALOS-2是唯一一个L波段的高分辨率星载合成孔径雷达，波长为150～300 mm，对植被云雾穿透性强，能够直接穿透植被冠层，所接收到的雷达回波主要来自植被茎干与地面，适用于多云多雨植被覆盖茂密区域的形变监测。选取2017年10月11日的影像为主影像，组成10幅序列差分干涉像对，其中一幅为自动对。其影像对序列的时空基线信息见表1，基线组成见图3。

表1 时空基线信息

图3 基线组成

4 数据处理与结果分析

4.1 数据处理

数据预处理，选择2017年10月11日影像为主影像，经过整景ALOS-2数据配准后，裁剪出符合区域。根据SLC数据集和参数文件，生成基线文件和记录干涉对信息的文本文件。利用10景SAR影像进行非相干叠加获取的平均强度影像见图4。

图4 研究区域平均强度

数据预处理后，根据第1节中的数据处理流程，选用KS检验选择DS点，并利用相位三角算法选择最优相位，获取在时间序列上保持高相干性的地面目标点，使得DS点和PS点具有相似的统计特性，并可联合处理。将DS点和PS点联合，利用外部DEM数据生成差分干涉图，对差分干涉图中的干涉点做回归分析。采用自适应干涉相位滤波，提高分布式散射体的干涉相位质量。分解各个永久散射体点上的相位组成，通过最小二乘算法估计形变参数的低通部分和残余地形误差，通过时间维高通和空间维低通滤波处理估计和移除大气延迟相位的影响，利用SVD算法求解高分辨率的非线性形变。经过上述步骤，生成时间序列形变图（见图5）。

以500 m为缓冲区半径，对铁路沿线500 m范围内的区域进行形变分析，得到渝怀铁路郁山2016—2017年平均形变速率（见图6）。由图6可知，铁路沿线有3处区域存在变形，且距离铁路小于350 m。图中最大平均形变速率为92 mm/年（A点），有发生滑坡的可能，其他2处约为56 mm/年。

图5 时间序列形变图

图6 2016—2017年平均形变速率

4.2 结果分析

综合区域人类活动、自然地质、降水条件3个方面对渝怀铁路沿线3处形变点原因和诱发因素做详细分析。

发生形变的位置见图6，分别记为A点、B点、C点。A点位于重庆市彭水县保家镇长窑村西北方向约2.46 km，靠近G65包茂高速；B点位于保家镇长窑村西北方向约3.22 km，靠近319国道；C点位于保家镇东北方向约3.19 km。经过图上测量可以得到A点距离铁路251 m，B点距离铁路79 m，C点距离铁路37 m。为了更好地分析形变发生的原因，将图6中的A、B、C三点分别分析（见图7）。

图7 铁路沿线A、B、C三点形变时间序列

通过分析可知，铁路沿线发生大范围形变的时间主要集中在2016年的8—10月，在2016—2017年区域内出现沉降变化和抬升变化，随着时间推移，沉降和抬升状况均逐渐减弱。

渝怀铁路穿越了长江河谷区、乌江峡谷区和武陵山中山区，全长约540 km，是连接中西部的重要交通枢纽。沿线地形起伏大，构造发育，在我国滑坡灾害分区中，属滑坡灾害发育较严重的地区。

4.2.1 人类活动影响

在山区进行采矿及修建公路、铁路、水渠、房屋等人类工程活动，因开挖斜坡坡脚，降低了斜坡的支撑力，改变了斜坡体的应力分布，在坡脚处形成剪应力集中，造成山体失稳而引起的滑坡最多。其次，斜坡上水渠、水田、水库及池塘水的渗透作用，常造成表土层沿下伏基岩面的蠕滑和坍塌。

分析发现在B、C点发生形变的主要原因是：在形变点附近有农田，农田的耕作造成该点发生变形。

4.2.2 水文地质情况

滑坡作为一种灾害地质现象，其发育与分布首先取决于所处的地质环境，而地质环境是由诸如地层岩性组合、地质构造、地形地貌、水文地质及气候与气象等各种因素组成。渝怀铁路线路长，跨越了不同的地质、地貌、水文等单元，斜坡地质环境极其复杂，差别较大，由此出现了沿线滑坡发育在地域上的分区性[14-16]。

彭水—郁山段普遍为深切割的强侵蚀岩溶化中山峡谷地形，地质构造复杂，褶皱紧密，断层发育，褶皱构造各有10个向、背斜组成，形成平行交替排列状，断裂构造则由4条正断层和3条逆断层组成。沿线地下水可分为岩溶水、裂隙水和孔隙水3大类型。

4.2.3 降水情况

彭水县属中亚热带温润季风气候，雨量充沛，常年平均降雨量1 104.20 mm，初夏常有连阴雨；盛夏多伏旱，常有酷暑；秋季多绵雨。结合人类活动分析和图7中变形发生的时间，分析沿线温湿性气候和暴雨、久雨天气及人类活动是变形发生或滑坡发育的重要诱发因素。彭水县年平均降水量情况见图8，降水主要集中在6、7月份，在此期间和此后的几个月内为地灾多发阶段。

图8 重庆市彭水县年平均降水量

5 结论与展望

我国西部山区地质及自然环境条件复杂，自然灾害多发。在当前我国铁路线路逐渐加大西部区域工程建设规模的形势下，运营铁路沿线发生自然地质灾害的可能性大大增加，给铁路的安全运营带来潜在危害，严重时可能导致物流运输的短时瘫痪，并将直接威胁相关地区人们的生命与财产安全。应用卫星遥感空间信息技术监测西部复杂山区铁路沿线自然灾害状况，具有重要的研究意义和工程价值。

详细探讨SqueeSAR技术和PS-InSAR技术的基础算法和数据处理流程，并以渝怀铁路重庆市彭水县为研究试验区，利用分布式散射体雷达目标探测方法，获取了足够多的散射体点，并反演渝怀铁路沿线的形变信息，得到高分辨率、高质量的地面形变速率图，并发现3处铁路沿线近距离的形变位置。可为铁路勘察监测及铁路的安全运营提供预警和指导。

采用获取SqueeSAR的方法，可以较好地监测地形复杂且低相干区的地表形变时间序列，提取较高密度的监测点，表明时间序列InSAR形变监测技术，在一定程度上可为运营铁路线路的安全性评价提供部分直接、科学的依据。