基于SBAS-InSAR和CNN的地面沉降监测与预测分析

郝建伟，于 沭，周国清，苏安双，尹鹏海

(1.桂林理工大学 地球科学学院，广西 桂林 541004；2.桂林理工大学 广西空间信息与地理信息重点实验室，广西 桂林 541004；3.黑龙江省水利科学研究院，黑龙江 哈尔滨 150080；4.中国水利水电科学研究院 流域水循环模拟与调控国家重点实验室，北京 100048)

城市地面沉降作为目前世界各国普遍存在一种地质灾害，通常会造成地表基础设施损坏、交通安全和威胁人民生命财产安全，并造成巨额经济损失[1]。因此，精确快速地获取地面形变信息和对城市地面形变的准确预测，对城市地质灾害预警预报工作具有重要意义。

本文以天津市津南区为研究对象，运用SBAS-InSAR技术和48景Sentienl-1A SAR数据，对天津市津南区2021年1月—2023年5月地面沉降进行监测，获取了该地区的年平均形变速率和累积形变量。分析了该区域的地面形变特点，并对发生于2023年5月31日天津市津南区八里台沉降事件发生前的地表形变规律进行研究。同时，构建适用于城市地面时间序列沉降预测模型，并对预测模型的精度进行分析。

1 研究方法

1.1 SABS-InSAR方法原理

SBAS-InSAR技术最早于2002年由Berardino和Lanari等学者提出，实现了对地表进行大范围、长时间序列、高精度形变监测。该技术以短空间基线为原则，对获取到的数据进行合适组合生成差分干涉图，估算每一幅影像的形变信息，并将其作为观测值；随后，基于形变速率的最小范围准则，运用矩阵奇异值分解(SVD)方法求解；最终，得到目标研究区在观测时间内的累积形变量和形变速率。其主要数据处理步骤如下[2-3]：

(1)获取研究区域SAR影像按照时间顺序为t0，…tN的N+1副影像，基于短空间基线干涉组合生成M幅干涉图，且M满足式(1)：

(1)

式中：N为影像景数；M为干涉图数。

(2)假设第j幅差分干涉图由从影像tA和主影像tB(tA>tB)时刻获取的SAR影像生成，其干涩图j距离向坐标r和方位向坐标x的像素的干涉相位可写为式(2)

δΦj(x，r)=ΦB(x，r)-ΦA(x，r)≈

(2)

(3)为了获得具有物理意义的沉降序列，将上式中相位表示为两个获取时间之间的平均相位速度vj和时间的乘积，如式(3)：

(3)

故第j幅干涉图的相位值可写为式(4)：

(4)

式中：tk-tk-1为第j幅干涉图的时间；vk为第j幅干涉图的相位速度；δΦj为第j景的干涉相位值。即各时段速度在主、从影像时间间隔上的积分，可写成矩阵行为式(5)：

Bv=δΦj

(5)

式中：B为一个M×N的系数矩阵；v为形变速率。

最后基于各时段的形变速率计算相应时间段内的形变量。

1.2 CNN时间序列预测模型

目前CNN模型被广泛应用于图像处理、目标检测等研究领域中，其主要由输入层、隐含层和输出层组成。其中隐含层又分为卷积层、池化层和全连接层，即通过多次卷积迭代求解不断优化调整池化层、权重及偏置参数，以寻求最优的沉降预测值[4-6]。

本文将城市地面沉降时间序列数据假设为一维数组，即在每个月监测到的沉降值作为一个特征点，通过学习卷积权重自动提取数据中的时间序列上的沉降特征，进而实现对城市地面沉降的预测。CNN卷积过程如图1所示。在时间序列沉降预测的背景下，CNN分析过程概括如下：

图1 CNN 一维预测模型

(1)卷积层。卷积操作过程中，采用局部连接方式，即使用同一个卷积核对目标进行卷积操作，降低模型过拟合的风险，具体过程如式(6)[7]：

(6)

式中：F(x)为卷积后新序列；h(x)为重构后时间序列；f(x)为卷积核；n为序列f(x)长度；τ为序列长度；h(x-τ)为减去τ长度序列后的重构时间序列；f(τ)为τ长度时的卷积核。

(2)池化层。该层位于卷积层与全连接层之间，用于减少数据的维度并保留最重要特征信息。

(3)全连接层。将卷积层和池化层学到的地面时间序列沉降特征综合，得到输入时间序列地面沉降数据的全部特征，并将全部特征映射最终的输出，图1为CNN 一维预测模型。

2 研究区概况及数据源

津南区位于天津市东南部，海河中下游南岸，介于东经117°14′～117°33′，北纬38°50′～39°04′之间。全域被深厚的松散沉积物覆盖，地表坦荡低平，地下含水层结构和岩石基底断裂构造复杂，地下水开发历史悠久[8-9]。据央视新闻消息，津南区八里台镇于2023年5月31日出现破坏性突发地面沉降事件，并造成周边建筑设施损坏和巨额经济损失。另据天津市水准监测数据，自20世纪80年代以来天津市最大累积沉降量已超1m[10]。

因此，本文为进一步分析城市地面沉降特点，选取由欧洲航天局提供2021年1月—2023年5月天津市升轨模式下的48景Sentinel-1A SAR数据，具体参数见表1。同时，借助欧洲航天局提供的该卫星精密轨道数据POD(POD)，为数据处理提供配准和基线估算精度。运用分辨率为12.5m的DEM数据消除地形误差。此外，在数据后期结果分析过程中，借助了由国家遥感数据与应用服平台提供的同期GF-1/2卫星的高分辨率卫星数据做进一步的研究分析。

表1 Sentinel-1A卫星基本参数

为减少因数据量大引起的数据处理速度慢和后期工作量大等问题，本文基于天津市津南区辖区范围及数据处理范围需求，对原始SAR数据做了进一步镶嵌与裁减，最终得到覆盖津南区全域的SAR数据。

3 结果分析

3.1 研究区沉降速率分析

图2为采用SBAS-InSAR技术获得的天津市津南区2021年1月—2023年5月城市地面年平均形变速率。由图2可知，津南区全域90%以上的区域年平均形变速率保持在-9.67～9.04 mm/a之间(负值表示沉降，正值表示抬升)，由此可知津南区全域地面沉降基本处于稳定状态。在八里台镇和北闸口镇存在两个地面沉降漏斗，其中在八里台镇的澜海庄园存在地面沉降区域较大，存在一定的安全隐患，该沉降区的中心部位年平均最大沉降速率达到了56.46 mm/a，近两年半的累积沉降量达到了129.71 mm。

图2 地面年平均速率

图3为澜海庄园历史遥感影像(白色圈为新建基础设施)，由图3可知，该地区地面沉降主要由城市新建基础设施引起，故待该区域城建完成后，其地面沉降将逐步趋于稳定。

图3 澜海庄园历史影像

3.2 研究区时序形变分析

为进一步分布津南区澜海庄园沉降区域及全区的地面沉降随时间的演化规律及特点。本文在全辖区范围内的不同位置随机选取了16个沉降特征点(特征点的具体位置和分布情况如图4所示)。其中特征点1～8主要分布在八里台镇和北闸口镇两个沉降漏斗附近，9～16特征点则随机分布在全区各部位。同时，提取了上述16个特征点累积沉降量与时间变化的关系，具体如图6所示。

图4 各沉降去特征点位置及分布情况

由图5(a)可知，特征点1～8在2021年1月—2023年5月累积沉降随时间的变化呈现出逐年递增的趋势，特别是在2023年3月后，地面沉降速率出现明显增加的趋势。由此可知，津南区八里台镇澜海庄园受城市基础建设影响，其地面沉降处于发展期，且未达到稳定状态，建议相关部门加强对该地区地面沉降的监测。由图5(b)可知，特征点9～16在2021年1月—2023年5月未出现地面沉降，地面形变整体呈抬升趋势，该现象出现与近些年政府对地面沉降的治理和地下水位回升存在着密切联系。由此可知，津南区全区地面沉降出现回暖趋势，且随着地下水位的不断恢复，地面沉降趋势基本得到遏制。同时，由图5可知，全区在2023年3月开始，地面沉降均出现快速增加的趋势，该现象可能与季节性冻土消融有关，同时也存在进一步发展的风险，建议相关部门加强对该区域的地表形变监测与管理。

图5 各特征点累积沉降量随时间演化关系

3.3 八里台沉降事件分析

2023年5月31日下午，天津市津南区八里台镇碧桂园凤锦庭院小区东侧发生大面积突发性地面沉降现象。地面沉降灾害发生的具体位置为图6中白色虚线方框区域。

图6 本次地面沉陷灾害发生区域

本次地质灾害造成八里台东路路基变形、开裂，具体见图7(a)和图7(b)；造成附近37号、38号和39号高层居民楼地基、部分地下停车场局部发生明显沉降、墙体开裂和局部渗水现象，其中39号楼因地面沉降影响发生倾斜，具体见图7(c)(图中线①为原地面垂线，线②为楼房发生倾倒后的位置)。此次地质灾害给当地居民的生产、生活造成严重影响，并造成巨额经济损失。

图7 地面沉降造成破坏现象

为进一步分析此次津南区八里台镇沉降事件，本文基于上述中SBAS-InSAR对天津市津南区2021年1月—2023年5月，即对本次地面沉降灾害发生前的地面形变进行监测，并开展相关研究。在本次地质灾害发生区域选取了5个特征点，并对5个特征点进行地面累积形变时序分析，具体如图8所示。

图8 津南区八里台镇沉降事件

由图8可知，该区域在2021年1—8月地面处于沉降期，累积沉降量达到了-10 mm，2021年8月—2022年12月地面处于抬升期，累积抬升量达到了20 mm。自2023年1月开始地面开始出现沉降，并在其后的几个月里沉降速率迅速增加，由此可见，本次突发性地面沉降灾害发生前，地面沉降速率已明显加快。综上所述，若在地面沉降灾害发生前，及时对本区域进行动态实时监测，掌握本地区地面形变信息，并基于监测数据和预测模型开展地面沉降预测，对地质灾害防治和防灾减灾具有重要意义。

3.4 城市地面沉降预测结果分析

由前文可知，城市地面沉降预测对地面沉降灾害预警预报具有重要意义。同时，可以有效保护人民生命财产安全，降低基础设施及经济损失。因此，本文在上述地面沉降监测结果的基础上，在津南区随机选取了200个特征点，并提取各点时间序列上的累积沉降数据，选择其中的90%作为训练样本，剩余的20%作为测试样本，分别建立了BP-神经网络预测模型、GA-BP神经网络预测模型、经向基神经网络预测模型和CNN预测模型。然后，再次随机选取分布于不同区域上的5个点的监测数据，对预测模型进行验证。如图9和图10所示，为上述4种预测模型的预测结果。由预测结果可知，CNN预测模型精度优于其他预测模型。

图9 训练集预测结果对比情况

图10 测试集预测结果对比情况

为进一步验证CNN预测模型对城市地面沉降的预测精度，本文使用各预测模型的均方根误差(RMSE)对模型的精度进行评价，计算结果见表2。由表2可知，CNN预测模型的均方根误差最小，仅为0.22左右，相较于其他预测模型减少了近5倍左右，故使用CNN预测模型对津南区地面沉降进行预测预警更具实际意义。

表2 各预测模型均方根误差

4 结 论

本文以天津市津南区为研究对象，运用SBAS-InSAR和48景Sentienl-1A SAR数据，获得了该地区2021年1月—2023年5月地面沉降数据，并对发生于2023年5月31日天津市津南区八里台镇碧桂园凤锦庭院小区附件的地面沉降事件的SBAS-InSAR监测数据进行分析。同时，基于该区域的地面沉降特点构建了CNN沉降预测模型。具体结论如下：

(1)津南区全区地面沉降整体趋于稳定，在政府的精确治理和地下水位回升的影响下，全区地面沉降得到遏制，并出现抬升现象。

(2)八里台镇澜海庄园的沉降漏斗与该区域的城市基础建设存在密切联系，待城建完成后，其地面沉降将逐步趋于稳定。

(3)本次津南区八里台镇沉降事件发生前夕，该区域的地面沉降数值出现快速增加。故及时掌握城市地面沉降数据，以及对地面沉降进行预测，对城市防灾减灾具有重要意义。

(4)CNN预测模型相较于其他预测模型，具有更优异的预测精度和拟合度，使用其对城市地面进行沉降预测更具有实际意义。