联合SBAS-InSAR和BP算法的滇中高速公路沿线沉降监测与预测

肖波，赵振峰，喜文飞，周定义，姜乃齐

(1.云南交通职业技术学院，云南 昆明 650500； 2.昆明理工大学国土资源工程学院，云南 昆明 650093；3.云南师范大学地理学部，云南 昆明 650500； 4.云南省核工业地质调查院，云南 昆明 650106)

1 引 言

近年来，为主动融入国家提出的“一带一路”和“长江经济带”发展战略，落实习近平总书记视察云南的重要指示，云南省调整《云南省道网规划(2014-2030年)》中的高速公路网布局方案，提出了“五纵五横一边两环二十联”的高速公路布网方案，为“做强滇中、搞活沿边、联动廊带、多点支撑、双向开放”的战略做好交通运输服务。截至2020年底年，云南高速公路通车里程已经超过 9 000 km。高速公路工程建设完成投入运营后，不可避免地会引发区域性的路面沉降，产生裂缝、裂隙、桥梁桥头跳车等病害问题，破坏路基路面的稳定性，影响行车安全，危及人们的生命和财产安全[1]。滇中城市区，包括昆明、曲靖、楚雄和玉溪4个州市，位于云南的发展核心区，密集的路网规划和建设，更是高速公路路面沉降的高发区。因此，迫切需要监测滇中城市区高速公路的形变发展趋势，掌握其路基路面结构的稳定性，保障高速公路的正常运营。

目前，高速公路的变形监测已经明显地滞后于建设，如果继续再利用传统监测方法，如水准仪、经纬仪、全站仪、GNSS、填埋降标等，对大范围的高速公路网进行安全排查，不仅耗时、耗力，养护人员的人身安全也得不到保障，且容易出现排查不到位、遗漏等问题。随着空间卫星的不断升空，越来越多遥感数据的免费使用，新兴的InSAR技术以无须大量的外业工作，就能获得大范围内毫米级的形变监测精度而备受人们的青睐。从2010年开始，陆续有国内外学者将InSAR技术用于城市道路[2～4]、高速公路[5～8]、地铁[9～12]等线性工程的形变监测，验证了InSAR技术对线性工程形变探测的可靠性及应用潜力。笔者检索文献发现，现有的研究中，众多的学者选取的研究对象相对单一，仅对一条高速公路或是一个标段进行形变监测与成因分析，针对大规模城市群高速公路网沿线地面沉降探测的研究不多，利用获取的监测成果进行预测的更是少见。为此，本文采用SBAS-InSAR技术和BP神经网络模型相结合的方法，对滇中地区(包括昆明、楚雄、玉溪、曲靖)的6条高速公路、昆明主城区的一、二、三环3条环线和绕城高速沿线灾害进行识别与预测。首先利用69景2018年7月20日～2020年11月18日的Sentinel-1A SAR影像，借助SBAS-InSAR技术获取高速公路沿线地表沉降范围和沉降值，探测沿线的灾害隐患点，再将其沉降值作为BP算法的训练样本，建立已训练样本和未来沉降值之间的函数模型；然后探讨高速公路沿线识别出的21个潜在灾害点的沉降特征；最后从沉降速率场中，随机提取 1 000个沉降点值，作为BP神经网络的学习样本，建立InSAR监测值和沉降预测值之间的函数模型，预测未来宾川断陷盆地的地面沉降趋势。在输入学习样本的训练刺激下，BP神经网络不断改变网络权值，逐渐使沉降预测值接近期望值[13]。该算法的学习能力较强，能够处理复杂条件下的非线性形变问题，被广泛地应用于沉降预测中，可为今后大范围的道路管养和维护提供技术支持。

2 研究区与研究数据

2.1 研究区概况

滇中地区属于滇东高原盆地，以山地和山间盆地地形为主，地势起伏和缓。滇中地区包括：昆明、曲靖、楚雄和玉溪4个城市。滇中地区多盆地，集中了云南全省近一半的山间平地。区域位于长江、珠江和红河上游，属亚热带气候，日照充足，四季如春，气候宜人，干湿季分明。土壤类型以红壤为主。植被类型多样，多为次生植被和人工植被。范围总面积 94 558 km2，占全省土地面积的24%。滇中地区是云南省经济社会最发达、资源禀赋和基础条件最优越、区位优势最显著的区域，是联系东南亚和南亚各个国家的重要物资集散通道，是衔接印度洋、太平洋的陆上枢纽。本文选取昆明市主城区一环、二环、三环3条典型的城市道路，及机场高速、内外绕城高速、汕昆高速(昆明-陆良段)、晋红高速(昆明-晋宁-红塔区)、昆玉高速(昆明-玉溪)、昆曲高速(昆明-曲靖)、杭瑞高速(昆明-禄丰恐龙山段)8条滇中地区的高速公路作为研究对象。研究区地理位置及高速公路分布如图1所示。

图1 研究区地理位置及高速公路分布图

2.2 研究数据

本文从欧空局官网下载了69景覆盖研究区范围的sentinel-1A SAR，对应的精密轨道数据由ESA网站平台获取(https：//qc.sentinel1.eo.esa.int/)。SAR影像的具体参数如表1所示。为了去除地形效应的影响，本文获取了日本宇宙航空研究开发机构(JAXA)2015年5月免费提供的全球数字地表模型数据，水平分辨率为 30 m(1弧秒)，高程精度 5 m。

表1 SAR影像的具体参数

3 研究方法

3.1 时序SBAS-InSAR技术原理

SBAS-InSAR技术是继D-InSAR和PS-InSAR技术后，由Berardino和Lanari等人[14，15]提出的一种时间序列InSAR技术。该方法首先在获取的多景SAR影像中挑选出一景作为超级主影像，在此基础上，通过多主影像组合成一系列短基线干涉图，有效地克服时间和空间失相干影响；然后根据干涉图结果，选取没有残余地形条纹、形变条纹和相位跃变的GCP(Ground Control Points)点，对所有数据对进行重去平和轨道精炼；最后，联合最小二乘法和奇异分解法(Singular Value Decomposition，SVD)求解时序地表形变。

时序SBAS-InSAR技术获取的地表形变为地表三维形变投影到雷达视线方向(Line of Sight，LOS)的形变速率，而高速公路沿线地表沉降主要考虑的是垂直形变，因此，需要将LOS向的形变速率投影到垂向上。

LOS向的形变量[16]为：

DLOS=(UNsinφ-UEcosφ)sinθ+UVcosθ

(1)

式(1)中，UN、UE和UV表示南北、东西和垂直方向的地表形变分量，φ表示方位角，θ表示入射角。考虑到InSAR技术对南北、东西方向的形变不敏感，不管是降轨还是升轨，垂直形变对LOS向形变的贡献都在90%以上[17]，本文垂直方向上的形变计算公式为：

UV≈DLOS/cosθ

(2)

3.2 BP神经网络预测模型建立

BP(Back Propagation)神经网络是由Rumelhart和McCelland等研究人员1986年提出的一种误差后向传播算法[18]。如图2所示，BP模型由输入层、隐含层、输出层3层组成，其原理[19]为：

图2 BP神经网络示意图

设时间序列X(i)，i=1，2，…，N，N为数据个数，非线性的时间序列预测模型为：

X(t)=φ[X(t-1)，…，X(t-p)]

(3)

式中，φ[·]为非线性函数，p为模型的阶数。由时间序列可以构造(N-p)个样本，样本号输入层和输出层为：

神经网络建模的本质就是用神经网络的隐式来表达输入与输出的函数关系，将所构造样本集代入网络进行训练，建立从输入到输出之间的非线性的映射关系，并将“知识信息”储存在连接权上。因而，可用于非线性分类、预测等问题，作为函数计算器，能以任意精度逼近任何非线性函数[20]。

误差后向传播过程是通过使能量函数最小化来完成输入输出的映射。将能量函数E定义为输出层单元的均方误差，设有(N-p)个学习样本，则：

(4)

式中，x(t)，yi分别为样本i的实际输出和希望输出。

4 实验结果与分析

4.1 滇中地区高速公路沿线沉降分布特征

本文使用SARscape软件，对研究区内的69景Sentinel-1A SAR影像进行处理，为了更清晰、准确地探讨道路沿线地表形变对行车安全的影响，本文在城区道路(一环、二环) 200 m范围内，三环及其余各高速公路 1 000 m范围内建立缓冲区，提取道路沿线的形变特征及时空分布，如图3所示。图3中，形变速率值小于0的区域(红色)，表示远离卫星运动，实际地表表现为沉降；形变速率大于0的区域(绿色)，表示朝着卫星运动，实际地表表现为抬升。研究区内3条城市主干道及8条高速公路分布范围内，2018年7月～2020年11月期间，累积沉降速率为 -64.54 mm/a～+44.68 mm/a，地表形变广泛分布，共探测出22处明显沉降区域，分别编号为1～22。

图3 研究区形变速率

为了更清晰、准确地描述SBAS-InSAR技术探测识别的明显沉降点，将22个沉降漏斗的沉降特征及危险性统计如表2所示。滇中地区的高速网络明显沉降点最多的为昆明绕城高速公路，一共识别出6个沉降点，编号分别为6、7、11、12、15、16；沉降最严重的为三环线的4号沉降点，最大沉降速率为 -76.50 mm/a，位于靠近滇池附近的草海隧道一带，涉及草海左岸的董家村、小围村，右岸从西向东沿线的新河村、河尾村、杨家塘、小河尾、太河村等地，沉降面积约为 6.7 km2；研究区内较为稳定的高速公路为杭瑞高速昆明至楚雄段，除跨越昆明主城区的3号沉降点外，基本处于稳定状态。本文按照探测的22个沉降点的沉降速率，采用自然断点法，将其对高速公路运营的可能影响程度分为轻微、一般、严重三个等级，由表2可知，可能致灾的沉降点为12个，占识别总个数的54.5%；影响一般的为8个，占比为36.4%；轻微的仅为2个，占比为9.1%。

表2 滇中地区高速公路网沿线沉降情况

续表2

4.2 滇中地区高速公路网络地表沉降预测

从上述的监测结果可以知道，滇中地区高速网络不同路段均出现了不均匀的沉降现象，涉及的沉降区域，范围大、零星分布。为了缩小监测范围，准确、及时地进行管养，本文在沉降监测的基础上，随机选取研究区的高速公路网沿线缓冲区范围内的沉降监测点，利用BP神经网络模型对未来的沉降趋势进行预测分析。试验中，从研究区内随机抽取 1 000组InSAR监测数据，选出980组数据作为计算样本，在980组数据中，选取80%作为训练样本，20%作为测试样本，得到滇中地区高速公路沉降趋势预测的BP神经网络模型，利用剩余的20组数据对该模型进行验证。根据选取的数据，利用Matlab软件构建BP神经网络模型训练时，设置的参数如下：学习速率0.03，训练目标0.001、训练次数 20 000。验证比对结果和最佳迭代次数如图4所示。图4(a)中预测输出值用蓝色星号表示，期望输出值(SBAS监测值)用红色圆圈表示；图4(b)中横坐标表示BP神经网络训练时的迭代收敛次数，纵坐标表示均方误差。实验结果表明，BP神经网络预测的均方误差为 0.167 mm，平均绝对误差为 0.379 mm。进一步统计BP神经网络预测的精度，如表3所示，SBAS监测值与BP神经网络预测值之间的最大误差为 0.666 mm/a。说明BP神经网络模型对滇中地区高速公路地表沉降值预测效果较好，可为今后的道路灾害识别普查提供必要的技术手段支持。

图4 BP神经网络预测试验结果

表3 BP神经网络模型预测精度统计表

5 结 语

本文运用SBAS-InSAR技术和SARScape软件处理68景滇中地区的Sentinel-1A影像，获取昆明主城区道路(一环、二环)200 m范围内，三环及滇中地区高速公路网 1 000 m范围内，道路沿线的地表形变特征及时空分布，对研究范围内的地表沉降特征进行分析；同时，利用BP神经网络模型，预测研究区内的沉降趋势，得出以下结论：

(1)研究区内3条城市主干道及8条高速公路分布范围内，2018年7月～2020年11月期间，累积沉降速率为 -76.50 mm/a～+44.68 mm/a，地表形变广泛分布，共探测出22个灾害隐患点；

(2)BP神经网络模型的学习能力和容错能力较强，对滇中地区高速公路地表沉降值预测效果接近InSAR监测值，可为今后的滇中地区高速公路致灾范围圈定提供依据。