SBAS-InSAR技术支持下的滇西北宾川断陷盆地沉降监测与预测

肖 波，赵俊三，周定义，喜文飞，赵振峰

(1.昆明理工大学 国土资源工程学院，云南 昆明 650093；2.云南交通职业技术学院，云南 昆明 650500；3.云南师范大学 地理学部，云南 昆明 650500)

0 引 言

近年来，随着城市的快速发展，不仅大中型城市面临地面沉降引起的一系列生命和财产安全问题，不少县级城市也同样受到地面沉降的困扰.地面沉降是自然因素和人为因素综合作用下形成的地面标高损失[1-2].据不完全统计，目前我国已有近百个城市地面出现不同程度的沉降[3-4]，特别是长三角地区、华北平原和汾渭盆地已成重灾区[5-7].微小的地面沉降不会影响人们的生活和损失经济，但当地面沉降值随着时间的累积量达到一定的范围时，在空间上会以最大累积沉降量为中心形成沉降漏斗，给地铁、高铁、高速公路、道路桥梁、城市建筑等基础设施工程造成不同程度的破坏，危及人民的生命和财产安全[8].城市地面沉降已成为严重制约城市可持续发展的地质灾害之一，因此，对已经或正在发生地面沉降的城市进行监测与预测，研究城市地面沉降的时空演变规律和发展趋势，可为城市发展提供科学的决策依据.

水准测量、三角高程测量、GNSS监测、电子测距等传统的地面沉降监测方式，是通过一定周期的长时间观测，获取离散监测点的高程变化值，从而得到地表的沉降变化[9].但这些监测手段获取的是离散点的高程变化值，其沉降值受离散点的密度、覆盖范围的影响，很难在短时间内快速获取大范围且详细的地表形变.随着科学技术、通信技术及卫星技术的快速发展，通过处理星载雷达拍摄的地面影像，可以获取地表大范围的、毫米级的形变速率场[10].随后，提出的雷达差分干涉测量(D-InSAR)技术在地面沉降监测中取得了惊人的突破.但研究发现，D-InSAR技术容易受失相干和大气延迟的影响，监测精度很难达到预期的效果[11].为了提高监测精度，相继提出了PS-InSAR[12]、SBAS-InSAR[13]等时序InSAR技术.目前，国内外运用时序InSAR技术监测城市地面沉降已取得了不错的效果，但利用监测结果进行进一步预测的研究较少，代表性的研究有：Casu等[14]应用SBAS-InSAR技术反演意大利Naples湾和美国洛杉矶城区的地面沉降速率，并求得约1 mm/a的地面形变速率标准方差，成功验证了SBAS-InSAR技术的地面形变监测能力.李勇发等[15]采用PS-InSAR技术和GA-BP模型对宿州市矿区的地表进行监测和预计，结果表明，PS-InSAR技术监测矿区地表沉降具有较高的可靠性，GA-BP模型预测矿区的沉降值性能好.张天[16]选用SBAS-InSAR技术对25景北京地区的COSMO-SkyMed影像进行沉降监测，并采用灰色模型、神经网络模型和灰色神经网络模型预测地表沉降，结果表明灰色神经网络模型的预测效果优于其他两种.祝传广等[17]以塘沽区为研究对象，对19景SAR影像，采用三次多项式模拟实际沉降值，精确获取SAR成像时间点的沉降值，与时序InSAR技术反演的历史累积沉降信息对比验证，结果表明，两者的平均沉降速率之差在5 mm/a以内.

以上研究表明，时序InSAR技术已经在城市地面沉降监测中展示了其惊人的优势，但目前的研究区多分布在大中型城市，利用InSAR技术获取城市的地面沉降速率场，分析地面沉降的诱因.为了探索云南省西北部、云岭横断山脉边缘的宾川断陷盆地地表形变对城市建设的影响，本文采用时序SBAS-InSAR技术和BP神经网络模型，进行地表形变的监测与预测.首先利用58景Sentinel-1A SAR影像通过SBAS-InSAR技术获取宾川断陷盆地的地面沉降速率场；然后选取研究区内沉降严重的5个沉降漏斗，重点分析沉降特征和探究沉降成因；最后从沉降速率场中，随机提取沉降最严重的A区域沉降点值，作为BP神经网络的学习样本，建立InSAR监测值和预测沉降值之间的函数模型，预测未来宾川断陷盆地的地面沉降趋势.

1 研究区与研究数据

1.1 研究区概况

宾川县(100°16′E～100°59′E；25°23′N～26°12′N)位于云南省西北部、金沙江南岸干热河谷地区，东与大姚县接壤，南与祥云县相连，西与大理市、洱源县交界，北与鹤庆县、永胜县毗邻.辖区内主要有山脉、坝子及南北走向分布的河流，东西两大山脉纵横交错，山与山之间的断陷盆地构成境内10个坝子，总面积达 2 627 km2，人口约65万，人口密度较大.该县位于滇西高原，云岭横断山脉边缘，地势东西高、中部低，南部又略高于北部，山区面积占83%以上，整体海拔较高.本文的研究区选为程海-宾川大断裂带呈南北纵贯的宾川断陷盆地区(坝区)，如图1所示.研究区展布的主要活动断裂带以程海-宾川大断裂带的中段为主，包括曾家营-永福哨、麻栗坡-曾家营、雨棚村三条，主要构造线为近南北走向.该断裂带晚第四纪活动明显，北段以垂直差异运动为主，最大垂直位移速率达6 mm/a，水平活动速率较小，为1～2 mm/a[18].宾川走滑断层，以左旋走滑运动为主，水平错动地质体现象较为常见，区内历史地震频度低但强度大；此外，整个县城展布于第四系残坡积或冲洪积层内的堆积土中，结构疏松，利于地下水的浸入渗透，致使抗剪强度偏低，易受施工开挖等人类活动及强降雨的影响，诱发滑坡、泥石流、崩塌、地面塌陷等地质灾害.

图1 研究区范围示意图 Fig.1 Schematic diagram of the research area

1.2 研究数据

本文从欧空局哨兵数据下载网址(https://scihub.copernicus.eu/dhus/#/home)下载了58景Sentinel-1A SAR影像和精密轨道数据，具体参数如表1所示.此外，从日本宇宙航空研究开发机构数据下载网址(https://www.eorc.jaxa.jp/ALOS/en/aw3d30/data/index.htm)下载了研究区范围内的 30 m 分辨率的DEM，用于去除地形相位对地表形变的影响.

表1 卫星数据基本参数Tab.1 Basic parameters of satellite data

2 研究方法与预测模型

2.1 时序SBAS-InSAR技术

SBAS-InSAR技术是建立在早期的D-InSAR原理上，由Berardino和Lanari等研究人员提出的一种与PS-InSAR技术采用不同策略的时间序列InSAR分析方法[13,19].该方法与PS-InSAR技术相比的优点在于：①PS-InSAR技术选择单一SAR影像作为固定主影像，而SBAS-InSAR，仅关注符合小基线要求的SAR影像任意组合干涉像对，降低对影像数量的要求[20].②SBAS-InSAR技术将多景时间序列雷达干涉数据进行简单、高效的组合，经过组合后的小基线差分干涉对，由于其空间基线短，可以较好克服空间去相关的影响；然后基于形变速率的最小范数准则，应用奇异分解(SVD)法获取相干目标的平均形变速率图和形变时间序列图[21-22].③PS-InSAR探测的稳定点目标，一般是人工建筑物、裸露岩石、人工布设的角反射器等，对城镇边缘的农田、森林等的探测不如SBAS-InSAR敏感.其数据处理流程如图2所示[22].

图2 SBAS处理流程图Fig.2 SBAS Processing Flow Chart

2.2 BP神经网络预测模型

BP(Back Propagation)神经网络是由Rumelhart和McCelland等研究人员[23-24]1986年提出的一种误差后向传播算法，BP模型由输入层、隐含层、输出层3层组成.

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[25]：

X(t)=φ[X(t-1),…,X(t-p)]

式中：φ[·]为非线性函数，p为模型的阶数.

BP神经网络的核心就是用神经网络的隐式来建立输入样本与期望值之间的函数关系.模型训练的过程中，在输入学习样本集的训练刺激下，不断改变网络权值，调整输入样本与输出结果之间的映射关系，逐渐使沉降预测值接近期望值.

2.3 联合SBAS-InSAR技术和BP算法的方法

城市地面沉降是一个长时间、缓慢变化的过程，具有影响范围大的特点.传统的大地测量已无法满足长时序的大范围监测，而D-InSAR技术虽然可以快速地获取大范围的地面监测值，同样也不合适长时序的地面沉降监测.为此，本文选择能够获取长时序地面沉降监测值的SBAS-InSAR技术作为研究区地表沉降监测手段，为监测分析与沉降预测提供有力的数据支持.

城市地面沉降同时又是一个综合多因素影响的非线性动态过程，应用简单的物理模型和线性方法进行预测具有一定的局限性.为了获得良好的预测效果，需要寻求一种具有强非线性拟合与预测能力的方法.BP神经网络具有强大的非线性拟合与预测映射能力，可用来处理多因素影响、信息连接不明确的非线性问题[26].因此，本文利用BP神经网络独到的优势对宾川断陷盆地的沉降趋势进行预测.在网络训练学习过程中，借助SBAS-InSAR技术获取的地面沉降监测值作为数据源，为模型训练提供丰富的训练样本，通过对构建的预测网络进行训练，获取最优的训练参数后保存网络.今后研究区的地面沉降趋势预测仅需进行输入，调用保存好的网络，获取预测结果，即可快速实现大范围的地表沉降预测.

3 滇西北宾川断陷盆地沉降监测与预测

3.1 研究区整体形变场分布特征及精度验证

本文采用搭载在ENVI平台上的SARscape模块，对VV极化的58景升轨Sentinel-1A SAR数据进行处理，成功提取宾川县断陷盆地区2019年1月至2020年12月的平均形变速率图.沉降速率图3中，红色(负值)表示地面沉降(远离卫星)，绿色(正值)表示地面抬升(靠近卫星).可以看出，宾川断陷盆地区内多处呈现出不均匀的形变，累计沉降速率为-117.89～29.93 mm/a，且部分区域的沉降速率较大，容易引发地质灾害.因此，本文标注了5个典型沉降区(蓝色矩形区)，编号从南至北依次为A、B、C、D、E，对其形变特征在3.2节进行详细阐述.

图3 研究区形变速率 Fig.3 Deformation rate of the research area

由于水准数据具有保密性，仅获取了研究区范围内的6个水准监测数据验证SBAS-InSAR处理结果的可靠性.以水准点半径10 m缓冲区内的InSAR沉降点的沉降速率平均值与水准数据进行对比验证，统计结果如表2所示.最大误差为-2.9 mm，最小误差为+0.7 mm，均方根误差(RMSE)为±1.79 mm.SBAS-InSAR监测结果与水准测量数据具有较好的一致性，该方法可以用来监测县级城镇的地表沉降.

表2 SBAS-InSAR结果与水准测量对比验证Tab.2 The comparative validation results of SBAS-InSAR and leveling data mm

3.2 重点沉降区形变特征分析

沉降区A位于州城镇第二中学片区，最大年均沉降速率为-117.89 mm/a，该片区的平均沉降速率为-57.83 mm/a，沉降速率较大的位置分布在清河村委会、州城镇第二中学、田心、大埂子、前所村等地.多个区域沉降漏斗相连，形成了该片区最大的沉降漏斗，沉降面积约10.77 km2.调查显示，该片区地面沉降速率较大的可能原因一是沉降区A位于第四系残坡积或冲洪积层的堆积土中，且有倾向为NWW的曾家营-永福哨断层横跨，伴随近年来村民大面积兴建砖混结构的建筑，扰动和压缩软土层；二是当地属于典型的亚热带季风气候，干旱少雨，村民在周边农田广泛种植各类果树，抽取大量地下水，导致土颗粒、孔隙水和孔隙中所含气体的沉积层的孔隙压力降低，减少的压力转到土壤颗粒上，导致土体被压实，引起地面沉降.

沉降区B位于新建宾南高速附近，涉及州城镇、春雨农业科技、官统、新坪村、宾川糖厂、海稍新村等，沉降区内由多个沉降区域连片形成条带状的沉降漏斗.该区域的最大年均沉降速率达-49.04 mm/a，平均沉降速率为-19.67 mm/a，沉降面积达15 km2左右.引起沉降区B沉降的可能原因是区域周边不仅正在建设宾南高速公路，而且有国道G554贯穿，高速公路的施工、开挖及大中型荷载车辆的过往，都有可能扰动土体结构，压实软土层，引起地面不均匀沉降.

沉降区C位于金牛镇初级中学以北，连接和尚庄、马家庄、荒田、浪泥村、罗官村、蔡官营、水箐等村庄，形成以水箐和荒田两个自然村为中心的沉降漏斗.该片区最大年均沉降速率为-64.27 mm/a，平均沉降速率为-23.91 mm/a，沉降面积接近10 km2.麻栗坡-曾家营断裂带位于沉降区域的东部，为主要的活动断裂带，是控制宾川断陷盆地发育的深大断裂带，区内历史上发生地震的频率不高但强度大.该断裂带的分布可能是引起区域沉降的因素之一.

沉降区D位于力角镇，国道554沿线，涵盖了周边的村庄及农田，片区内最大沉降速率为 -58.64 mm/a，平均沉降速率为-24.34 mm/a，沉降面积约6 km2，形成一个大的沉降漏斗.近年来，片区内的村庄兴建了大量的砖混结构建筑，周边农田种有大面积的果树，且离麻栗坡-曾家营断裂带仅500 m左右，这些均可能是引起该区域地面持续沉降的因素.

沉降区E地处研究区的北部区域，区内沉降村庄有腊东、海良村、大箐、新房子、井东箐、水寨、三宝庄、功德庄、洪福庄、沙湾、大会村等，最大年均沉降速率为-46.10 mm/a，平均沉降速率为-21.89 mm/a，沉降面积约16.83 km2.该片区从北至南，贯穿有一条河流，且靠近宾川断陷盆地的边缘，地质结构复杂，不仅受断裂带的影响，且近年来研究区内干旱少雨，对地下水的抽取使用加大，导致土质结构板结，引发地面的不均匀沉降.

3.3 时序累积形变分析

分别选取5个典型沉降漏斗中沉降速率最大的沉降点，绘制研究时段内的时间序列累积沉降图，如图4所示.5个沉降点的形变曲线在监测期内，均随时间呈现出不同程度的不均匀沉降.其中A沉降区的沉降速度最快，B、C、D、E沉降区在2019年期间相对缓慢，2020年3月起，四个沉降区开始快速沉降，2020年9月以后，又处于平缓.

图4 2019—2020年5个典型沉降区时间序列累积形变图Fig.4 Time Series of Displacements of five key settlement areas from 2019 to 2020

宾川断陷盆地的沉降变化特征很可能与所处的地质构造、气候条件和人类活动等有关.地质构造运动是诱发地面沉降的一个重要因素.宾川断陷盆地位于经向构造系和“歹”字形构造体系的复合部位[27].在晚第四纪地壳间歇性和差异性升降运动比较明显，近南北走向的主干断裂曾家营-永福哨、麻栗坡-曾家营、雨棚村三条，控制了盆地区域的新构造运动与地震，这与历史资料显示的境内曾发生过强度较大的地震相吻合.宾川县地处低纬度，属于高原季风气候区，降水的时空分布不均匀，干旱少雨.而宾川县又是一个农业大县，农业活动中不合理的开垦和种植，不仅破坏植被，且过度开发利用地下流体资源，是造成地面年均沉降速率加快的因素之一.近年来人类活动的加剧，也是地面沉降的因素.宾川县境内分布有大永高速、宾南高速两条及其他等级的公路，通车里程高达1552 km2，形成了东西南北纵横交错的公路网，人类不仅加快了公路的建设，加剧了房屋的修建，破坏地质环境，同时也加速了地面的沉降和地质灾害的发生.

3.4 典型地表沉降预测

上述分析可知，宾川断陷盆地的地表年均沉降速率均超过20 mm/a，若忽略研究区范围内的地表形变，可能会引发严重的地质灾害.因此，本文在详细探讨了典型沉降区的地面沉降特征和成因后，选取沉降较严重的区域A进行预测分析.随机提取A区域中的639个沉降点，其中609个点作为BP神经网络模型的学习样本，对剩余的30个沉降点进行预测.利用Matlab软件构建BP神经网络，各层网络函数及模型训练参数如表3所示.将设置好的样本输入构建好的BP模型中，预测结果与SBAS-InSAR监测值进行比对，结果如图5所示.图5(a)中蓝色星号表示预测值，红色圆圈表示SBAS-InSAR监测值；图5(b)中，横坐标表示收敛迭代的次数，纵坐标表示均方误差.预测结果显示，本文选用BP神经网络预测曲线和SBAS-InSAR监测曲线走向大致一致，均方误差为0.18 mm；表4为BP神经网络模拟精度，从表4中可以得到BP神经网络模型的预测结果与SBAS-InSAR监测值的最大误差为2.451 mm.因此，预测结果表明，选用BP神经网络模型对宾川断陷盆地区的地表沉降进行预测，其预测结果与SBAS-InSAR监测值整体结果较为一致.

表3 BP神经网络各层网络函数及训练参数Tab.3 The each layer network function and training parameters of BP neural network model

(a)BP神经网络预测结果 (b)均方误差及最佳迭代次数图5 BP神经网络预测结果Fig.5 Prediction results based on BP neural network model

表4 BP神经网络模拟精度Tab.4 BP neural network simulation accuracy mm

4 结 论

本文基于SBAS-InSAR技术，以2019年1月7日—2020年12月15日的58景Sentinel-1A SAR数据，获取了宾川县断陷盆地的地表形变速率图及沉降序列，结合BP神经网络技术，对研究区内的地面沉降进行预测，结果如下：

1)研究区内分布有大面积的地表沉降，且形成了5个明显的沉降漏斗，其最大沉降速率达 -117 mm/a.结果表明，SBAS-InSAR技术能够有效地监测地表沉降，其精度能够达到亚厘米级，可作为县级城市地表沉降监测的有效手段之一.

2)研究区内的地表沉降主要与地质结构、地下水的抽取及人类活动等有关；

3)随机选取典型沉降区A内的639个SBAS-InSAR技术获取的沉降监测点，随机抽取609个沉降点作为BP神经网络模型的学习样本，预测剩余30个沉降点的沉降值，得出BP神经网络模型的预测结果与SBAS-InSAR监测值的最大误差为2.451 mm，均方误差为0.18 mm，表明BP神经网络模型能够很好地预测县级城市的地表沉降.