基于SBAS-InSAR和BP算法的大理市地面沉降監測及預測

李洋洋　左小清　肖波　周定義

摘要：針對傳統差分合成孔徑雷達干涉測量（differential interferometric synthetic aperture radar，D-InSAR）存在時空失相干、大氣延遲的問題，選擇小基線集合成孔徑雷達干涉（small baseline subset interferometric synthetic aperture radar，SBAS-InSAR）技術獲取高精度地表沉降信息。為了更快了解未來城市地表沉降趨勢，提出一種基于SBAS-InSAR和BP神經網絡算法的城市地表沉降監測及預測模型。利用SBAS-InSAR技術獲取大理市2020年5月1日至2021年12月22日時間序列累計最大沉降速率，其沉降速率范圍為-52.627～47.543 mm/a；選取研究區5個沉降較為嚴重的區域分析沉降原因；最后隨機選取B沉降區內1 000個沉降點，其中300個作為學習訓練樣本，700個進行測試和預測分析，預測結果與監測結果相吻合，其平均絕對誤差為0.255 mm，均方誤差為0.129 mm。實驗結果表明，提出的結合SBAS-InSAR和BP算法模型，能夠有效對城市地表沉降進行監測與預測。

關鍵詞：地表沉降監測；SBAS-InSAR；BP神經網絡模型；預測

中圖分類號：P237文獻標志碼：A中國是城市地表沉降現象時常發生的國家之一。城市地表沉降具有累積性，常表現為發生垂直方向的形變［1］?？赡軐е鲁鞘械乇沓两档囊幌盗凶兞堪ㄈ藶楹妥匀辉?，如建筑負荷、巖性、地下水消耗、地質構造活動、季節影響、采礦活動等。城市沉降累積量一旦超出某一限度，將嚴重危及到人類的生存和財產安全。研究表明我國已經有近百個大中城市受到城市地表沉降的影響［2］，對城市建筑等造成了破壞，為了防止地表沉降對城市造成極大的威脅，城市地表沉降的監測就極為重要。目前較為傳統的地表沉降監測的方法有基巖標、分層標測量， 精密水準測量及全球定位系統（GPS）測量等［3-4］。雖然這些方法精度高，但也存在監測效率低、時間長等缺點，無法滿足長時間、大區域的監測要求。與傳統的地表沉降監測方法相比，近年來發展起來的合成孔徑雷達干涉測量（interferometric synthetic aperture radar，InSAR）技術能夠滿足長時間、大區域的持續監測。差分合成孔徑雷達干涉測量（differential interferometric synthetic aperture radar，D-InSAR）雖具備以上特點，但D-InSAR存在時空失相干和大氣延遲的限制［5］。小基線集合成孔徑雷達干涉（small baseline subset interferometric synthetic aperture radar，SBAS-InSAR）的提出，能夠充分有效地利用多景雷達影像，有效解決傳統D-InSAR技術存在的問題［6-7］。目前，基于SBAS-InSAR技術對城市地表沉降的監測已經取得了成功的范例：姚鑫［8］利用PS-InSAR和SBAS-InSAR技術分析得出場地平整可能是造成大理海東新城地表沉降的主要原因；肖波等［9］利用SBAS-InSAR技術對滇西北賓川斷陷盆地進行沉降監測，并利用BP神經網絡模型成功預測縣級城市的地表沉降。

而今對云貴川等地的城市地表沉降的監測及預測很少，為了解決該問題，本文基于SARscape軟件，利用SBAS- InSAR技術，分析23景Sentinel-1A升軌數據，獲取大理市時間序列累計沉降值和年平均沉降速率圖，采用外部精密軌道數據去除軌道誤差，采用外部AW3D 30 DEM數據取平地相位；選取研究區內5個沉降較為嚴重的區域進行研究，分析其沉降區域的成因；最后隨機選取沉降區B中的沉降值，作為BP神經網絡的學習樣本，利用BP神經網絡模型預測大理市城市地表沉降趨勢。

1研究區概況及試驗數據

1.1研究區概況

大理市位于云南省西部，橫斷山脈南端，總面積1 815 km2，是古時南詔都城。大理市有洱海等流域，地下水資源十分豐富。大理市的地質結構變化劇烈，錯綜復雜，山區溝壑縱橫，人為活動十分活躍，地質災害頻發，已嚴重制約了大理市國民經濟的發展和社會的繁榮穩定。研究區域位置示意和DEM如圖1所示。

1.2研究數據

本文研究基于SARscape軟件進行SBAS-InSAR分析，數據選取歐空局網站（https：//scihub.copernicus.eu/dhus/#/home）2020年5月1日至2021年12月22日的23景Sentinel-1A，影像重訪周期為12 d，極化方式采用單極化（VV）升軌數據，基本參數信息如表1所示。

2城市地表沉降監測及預測相關技術原理

2.1SBAS基本原理

SBAS-InSAR是在D-InSAR的基礎上發展而成的一種新的時序分析方法［10］。SBAS-InSAR利用滿足時間基線閾值和空間基線閾值的圖像形成差分干擾集。然后，根據干涉圖的相干性篩選高質量的干涉對，利用最小二乘法對每個小集合的表面變形序列進行相位提取。最后，采用奇異值分解（singular value decomposition，SVD）聯合求解多個小基線集，獲得地表變形時間序列［11］。

2.2BP算法原理

BP算法最早由WERBOS等于1974年提出。BP算法由輸入層、隱含層、輸出層3部分組成。BP算法的主要思想是外部的信息從輸入層流入隱含層，在此基礎上，引入一個或多個隱藏層對接收到的外部信息進行加工和轉換，最后傳遞給輸出層。這是一次正向學習的過程。后續的學習將此次信息學習處理的結果通過輸出層進行輸出，當輸出的結果不滿足要求時，就會進行一次反向傳播過程。在數據從輸出層流入隱含層和輸入層的過程中，BP算法會進行權重調節。不斷重復上述過程，直到完成預先期望效果時才停止［13］。

2.3結合SBAS-InSAR技術和BP算法

本文利用SBAS-InSAR技術進行長時序城市地表沉降監測，但地表沉降是一個非線性的動態過程，受到很多因素的影響；而BP神經網絡是一種非線性擬合和預測的方法，可以用來處理非線性或受多種因素影響的問題［14］。因此，利用BP神經網絡對大理市沉降趨勢進行預測，以SBAS-InSAR獲得的區域內地表沉降監測值作為學習訓練的樣本數據，其他沉降監測值作為期望輸出值，然后通過BP神經網絡的自學習和自適應能力，在訓練時自適應地學習內容，并記憶在網絡的權值中，使構建的預測網絡獲取最優的參數，最終達到對其區域地表沉降趨勢的預測。SBAS-InSAR和BP算法處理流程如圖2所示。在對研究區地表沉降的預測中，僅需輸入沉降值，然后調用構建的預測網絡，就可以實現對地表沉降趨勢的預測。

3數據處理及結果分析

3.1試驗數據處理

本試驗區選取大理市2020年5月1日至2021年12月22日共23景Sentinel-1A影像，基于SARscape軟件進行數據處理。選擇2020年5月1日為超級主影像，設置空間基線為1 600 m，時間基線為360 d，多視視數為1∶4，生成時空基線圖，如圖3所示。圖3顯示共生成117個干涉對。采用最小費用流解纏方法和Goldstein濾波方法，干涉工作流［15］，生成干涉圖，刪除干涉效果不好的干涉圖，留下部分干涉效果較好的干涉圖。部分干涉效果圖如圖4所示。

通過軌道精煉和重去平，估算和去除殘余的恒定相位和解纏后仍存在的相位趨勢［10］。然后進行SBAS-InSAR的兩次反演，估算形變速率和優化輸入的干涉圖，獲得2020年5月1日至2021年12月 22日LOS向的形變速率值。最后進行地理編碼。 3.2城市地表沉降監測

3.2.1精度驗證

由于CORS、GPS、水準數據具有保密性，只獲取了研究區周圍7個CORS及GPS站點的監測數據用來驗證SBAS-InSAR處理結果的可靠性。CORS及GPS站點分布的具體位置如圖5所示。以CORS及GPS站點做半徑為20 m的緩沖區，進行SBAS-InSAR沉降結果對比分析，其結果如表2所示。表2顯示：誤差范圍為-2.71 ～1.63 mm/a，說明利用SBAS-InSAR進行城市地表沉降監測的效果較好。

3.2.2沉降分析

根據研究區的形變速率值選取5個沉降較為嚴重的區域，標記為A、B、C、D、E，如圖6所示。從圖6可以看出，研究區沉降速率呈現不均勻分布，沉降速率為-52.627～47.543 mm/a。

沉降區A位于洱海邊的沙村、深江和河矣城片區。該區域年平均沉降速率為-15.695 mm/a，沉降面積約為6.254 km²。沉降區域最大沉降的位置位于洱海邊的沙村及金圭寺周邊，最大沉降速率達到-20.219 mm/a。調查研究表明：該片區土地以軟土為主，地表沉降的原因可能是周圍村民修建建筑擾動軟土層，使土層被壓實［16］。該區域位于洱海附近，地表沉降受土層中的孔隙水影響較大。該區域的地表沉降會受到季節變化的影響。

沉降區B位于蒼山下的慶洞村和鳳鳴村。該區域年平均沉降速率為-36.752 mm/a，沉降面積約為8.952 km²。沉降區域最大沉降的位置位于慶洞村和鳳鳴村內，最大沉降速率達到-42.576 mm/a。引起沉降區B沉降的原因可能是該區域周圍農田較多，田地灌溉過度抽取地下水。土壤中孔隙水和其中所含的氣體孔隙壓力降低，使轉移到土壤顆粒上的壓力減少，導致了土壤被壓實，引起了地表沉降［17］。

沉降區C位于大理古城區域。該區域年平均沉降速率為-9.805 mm/a，沉降面積約為11.864 km²。沉降區域最大沉降的位置位于大理佛圣寺和農林職業技術學院附近，最大沉降速率達到-16.257 mm/a。引起沉降區C沉降的原因可能是該區域周邊正在建設公路和房地產開發。公路和房地產的開挖，大中型運載車輛經常流動等造成周邊土壤被壓緊實，從而導致地表的不均勻沉降。

沉降區D位于洱海邊的青山村。該區域年平均沉降速率為-17.405 mm/a，沉降面積約為5.253 km²。沉降區域最大沉降的位置位于環海路及江尾—賓川公路周圍，最大沉降速率為-28.254 mm/a。引起沉降區D沉降的原因可能是青山村位于洱海邊，村中大力發展旅游業。村民對房屋建筑進行整修或者重建導致土質被壓實，引起了青山村地表的不均勻沉降。

沉降區E位于海東新區大理技師學院內。該區域年平均沉降速率為-38.525 mm/a，沉降面積為4.581 km²。沉降區域最大沉降位置位于大理技師學院內，最大沉降速率為-47.254 mm/a。引起沉降區E沉降的原因可能是該區域人口較為密集，對地下水進行超采等因素［18］。

對選取的5個沉降區中沉降速率最大的沉降點繪制降雨量及時間序列累積沉降圖，如圖7所示。2020年5月1日至2021年12月22日，5個沉降點的形變序列值總體趨勢均向下。6月至8月，隨著降雨量增大，沉降區域均有不同程度的抬升。其間，沉降區A和沉降區D抬升較為明顯，原因可能是土壤中孔隙水和其中所含的氣體孔隙壓力增加，使轉移到土壤顆粒上的壓力增多，土壤松實引起地表抬升。

3.3城市地表沉降預測

從5個最嚴重的沉降區域中隨機選擇沉降區B進行預測分析，隨機選取1 000個沉降點，其中300個作為學習訓練的樣本，700個進行訓練。利用Matlab軟件構建BP神經網絡算法，訓練參數如表3所示。圖8是BP神經網絡預測結果。從圖8可以看出，訓練、驗證、測驗以及全部數據的相關性均超過0.99，最佳迭代次數為4次。將選擇好的樣本數據輸入BP網絡中，得到預測和期望的輸出結果，平均絕對誤差為0.255 mm，均方誤差為0.129 mm。將預測結果與監測結果進行對比，如圖9所示。從圖9可以看出，整體預測輸出和期望輸出均保持很高的一致性。

4結論

本文基于SARscape軟件，利用SBAS-InSAR技術處理23景Sentinel-1A升軌數據，獲取大理市年平均沉降速率，并利用BP神經網絡模型對大理市城市地表沉降進行預測，結果如下：

1）獲取了大理市年平均沉降速率，研究區的沉降速率范圍為-52.627～47.543 mm/a。重點分析5個明顯沉降區域，與7個CORS點和 GPS點進行精度驗證。結果表明，運用SBAS-InSAR技術監測云貴川等地的城市地表沉降是可行的。

2）引起研究區地表沉降的原因有地下水抽取、軟土層擾動、季節影響等。沉降趨勢隨降雨量呈季節性變化。

3）隨機選取沉降區B內1 000個沉降點進行預測分析，其中300個作為訓練樣本，700個作為測試樣本，得到平均絕對誤差為0.255 mm，均方誤差為0.129 mm。結果表明，預測輸出和期望輸出具有很高的相關性，可以利用構建的預測網絡模型對云貴川等地的城市進行地表沉降趨勢的預測。

本研究預測時選取訓練樣本數量較少，分布相對集中，預測效果較好，但在模型訓練過程中，未考慮土壤質地、植被覆蓋、降雨量等因子對預測值的影響，今后的研究將從多視角、多因素出發，對城市地表沉降進行預測。參考文獻：

[1]藍秦隆， 鄒進貴. SBAS技術在地面沉降監測中的應用： 以武漢市為例［J］. 測繪通報， 2018（增刊1）： 278-282.

［2］ 何秀鳳， 仲海蓓， 何敏. 基于PS-InSAR和GIS空間分析的南通市區地面沉降監測［J］. 同濟大學學報（自然科學版）， 2011， 39（1）： 129-134.

［3］ 范軍， 左小清， 李濤， 等. PS-InSAR和SBAS- InSAR技術對昆明主城區地面沉降監測的對比分析［J］. 測繪工程， 2018， 27（6）： 50-58.

［4］ ZHANG Q Y， LI Y S， ZHANG J F， et al． InSAR technique applied to the monitoring of the Qinghai tibet railway［J］. Natural Hazards and Earth System Sciences， 2019， 19： 2229-2240.

［5］ 秦曉瓊， 楊夢詩， 王寒梅， 等. 高分辨率PS-InSAR在軌道交通形變特征探測中的應用［J］. 測繪學報， 2016， 45（6）： 713-721.

［6］ CASU F， ELEFANTE S， IMPERATORE P， et al. SBAS-DInSAR parallel processing for deformation time series computation［J］. IEEE Journal of Selected Topics in Applied Earth Observations ＆ Remote Sensing， 2014， 7（8）： 3285-3296.

［7］ ARDIZZONE F， BONANO M， GIOCOLI A， et al. Analysis of ground deformation using SBAS-DInSAR technique applied to COSMO-SkyMed images， the test case of Roma urban area［C］//Conference on SAR image analysis， modeling， and techniques. Edinburgh： 2012： 85360D.1-85360D.11.

［8］ 姚鑫. 基于時序InSAR的地面沉降監測研究［D］. 昆明： 昆明理工大學， 2018.

［9］ 肖波， 趙俊三， 周定義， 等. SBAS-InSAR技術支持下的滇西北賓川斷陷盆地沉降監測與預測［J］. 昆明理工大學學報（自然科學版）， 2022， 47（3）： 30-39.

［10］周定義， 左小清. 基于SBAS-InSAR和PSO-BP神經網絡算法的礦區地表沉降監測及預測［J］. 云南大學學報（自然科學版）， 2021， 43（5）： 895-905.

［11］YU H H， CAI G L， GAN Q， et al. Early identification of the Jiang ding ya landslide of Zhouqu based on SBAS-InSAR technology［J］. Earthquake Research in China， 2020， 34（4）： 510-522.

［12］李珊珊， 李志偉， 胡俊， 等. SBAS-InSAR技術監測青藏高原季節性凍土形變［J］. 地球物理學報， 2013， 56（5）： 1476-1486.

［13］李勇發， 左小清， 麻源源， 等. 基于PS-InSAR技術和遺傳神經網絡算法的礦區地表沉降監測與預計［J］. 地球物理學進展， 2020， 35（3）： 845-851.

［14］張建亮. 基于BP神經網絡模型的地下采煤區地表沉降預測［J］. 能源科技， 2020， 18（7）： 69-71.

［15］華怡穎， 胡晉山， 康建榮， 等. 基于SBAS-DInSAR的大寧礦區多工作面開采地表沉陷規律研究［J］. 金屬礦山， 2020（3）： 177-183.

［16］XU B， FENG G C， LI Z W， et al. Coastal subsidence monitoring associated with land reclamation using the point target based SBAS-InSAR method： a case study of Shenzhen， China［J］. Remote Sensing， 2016， 8： 652.1-652.22.

［17］熊文秀， 馮光財， 李志偉， 等. 顧及時空特性的SBAS高質量點選取算法［J］. 測繪學報， 2015， 44（11）： 1246-1254.

［18］楊宏山， 聶建亮. 利用InSAR分析陜西省垂直形變［J/OL］. 武漢大學學報（信息科學版）： 1-8（2021-10-29）［2022-05-06］. http：//kns.cnki.net/kcms/detail/42.1676.TN.20211028.1552.031.html.

（責任編輯：周曉南）

Monitoring and Prediction of Ground Subsidence in Dali City

Based on SBAS-InSAR and BP Algorithm

LI Yangyang ZUO Xiaoqing XIAO Bo ZHOU Dingyi

（1.Engineering Institute of Land and Resources， Kunming University of Science and Technology， Kunming 650093，China;

2.Yunnan Communications Vocational and Technical College， Kunming 650500， China）Abstract： In view of the problems of space-time decoherence and atmospheric delay in traditional D-InSAR， SBAS-InSAR technology is selected to obtain high-precision surface subsidence information. In order to understand the future trend of urban land subsidence more quickly， an urban land subsidence monitoring and prediction model based on SBAS-InSAR and BP neural network algorithm is proposed. Using SBAS-InSAR technology， we obtained the cumulative maximum subsidence rate in the time series of Dali City from May 1， 2020 to December 22， 2021， the subsidence rate rangeing from -52.627 mm/a to 47.543 mm/a; five areas were selected as the areas with severe subsidence from the study areas andthe causes of subsidence were analyzed. Finally， 1 000 subsidence points in subsidence area B were randomly selected， 300 of which were used as learning and training samples， and 700 were tested and analyzed for prediction. The prediction results were consistent with the monitoring results， and the average absolute error was 0.255 mm， the mean square error was 0.129 mm. The experimental results show that the SBAS-InSAR and BP combined algorithm model proposed in this paper can effectively monitor and predict urban surface subsidence.

Key words： surface settlement monitoring; SBAS-InSAR; BP neural network model; prediction