基于SBAS-InSAR和BP算法的大理市地面沉降监测及预测

李洋洋　左小清　肖波　周定义

摘要：针对传统差分合成孔径雷达干涉测量（differential interferometric synthetic aperture radar，D-InSAR）存在时空失相干、大气延迟的问题，选择小基线集合成孔径雷达干涉（small baseline subset interferometric synthetic aperture radar，SBAS-InSAR）技术获取高精度地表沉降信息。为了更快了解未来城市地表沉降趋势，提出一种基于SBAS-InSAR和BP神经网络算法的城市地表沉降监测及预测模型。利用SBAS-InSAR技术获取大理市2020年5月1日至2021年12月22日时间序列累计最大沉降速率，其沉降速率范围为-52.627～47.543 mm/a；选取研究区5个沉降较为严重的区域分析沉降原因；最后随机选取B沉降区内1 000个沉降点，其中300個作为学习训练样本，700个进行测试和预测分析，预测结果与监测结果相吻合，其平均绝对误差为0.255 mm，均方误差为0.129 mm。实验结果表明，提出的结合SBAS-InSAR和BP算法模型，能够有效对城市地表沉降进行监测与预测。

关键词：地表沉降监测；SBAS-InSAR；BP神经网络模型；预测

中图分类号：P237文献标志码：A中国是城市地表沉降现象时常发生的国家之一。城市地表沉降具有累积性，常表现为发生垂直方向的形变［1］。可能导致城市地表沉降的一系列变量包括人为和自然原因，如建筑负荷、岩性、地下水消耗、地质构造活动、季节影响、采矿活动等。城市沉降累积量一旦超出某一限度，将严重危及到人类的生存和财产安全。研究表明我国已经有近百个大中城市受到城市地表沉降的影响［2］，对城市建筑等造成了破坏，为了防止地表沉降对城市造成极大的威胁，城市地表沉降的监测就极为重要。目前较为传统的地表沉降监测的方法有基岩标、分层标测量， 精密水准测量及全球定位系统（GPS）测量等［3-4］。虽然这些方法精度高，但也存在监测效率低、时间长等缺点，无法满足长时间、大区域的监测要求。与传统的地表沉降监测方法相比，近年来发展起来的合成孔径雷达干涉测量（interferometric synthetic aperture radar，InSAR）技术能够满足长时间、大区域的持续监测。差分合成孔径雷达干涉测量（differential interferometric synthetic aperture radar，D-InSAR）虽具备以上特点，但D-InSAR存在时空失相干和大气延迟的限制［5］。小基线集合成孔径雷达干涉（small baseline subset interferometric synthetic aperture radar，SBAS-InSAR）的提出，能够充分有效地利用多景雷达影像，有效解决传统D-InSAR技术存在的问题［6-7］。目前，基于SBAS-InSAR技术对城市地表沉降的监测已经取得了成功的范例：姚鑫［8］利用PS-InSAR和SBAS-InSAR技术分析得出场地平整可能是造成大理海东新城地表沉降的主要原因；肖波等［9］利用SBAS-InSAR技术对滇西北宾川断陷盆地进行沉降监测，并利用BP神经网络模型成功预测县级城市的地表沉降。

而今对云贵川等地的城市地表沉降的监测及预测很少，为了解决该问题，本文基于SARscape软件，利用SBAS- InSAR技术，分析23景Sentinel-1A升轨数据，获取大理市时间序列累计沉降值和年平均沉降速率图，采用外部精密轨道数据去除轨道误差，采用外部AW3D 30 DEM数据取平地相位；选取研究区内5个沉降较为严重的区域进行研究，分析其沉降区域的成因；最后随机选取沉降区B中的沉降值，作为BP神经网络的学习样本，利用BP神经网络模型预测大理市城市地表沉降趋势。

1研究区概况及试验数据

1.1研究区概况

大理市位于云南省西部，横断山脉南端，总面积1 815 km2，是古时南诏都城。大理市有洱海等流域，地下水资源十分丰富。大理市的地质结构变化剧烈，错综复杂，山区沟壑纵横，人为活动十分活跃，地质灾害频发，已严重制约了大理市国民经济的发展和社会的繁荣稳定。研究区域位置示意和DEM如图1所示。

1.2研究数据

本文研究基于SARscape软件进行SBAS-InSAR分析，数据选取欧空局网站（https：//scihub.copernicus.eu/dhus/#/home）2020年5月1日至2021年12月22日的23景Sentinel-1A，影像重访周期为12 d，极化方式采用单极化（VV）升轨数据，基本参数信息如表1所示。

2城市地表沉降监测及预测相关技术原理

2.1SBAS基本原理

SBAS-InSAR是在D-InSAR的基础上发展而成的一种新的时序分析方法［10］。SBAS-InSAR利用满足时间基线阈值和空间基线阈值的图像形成差分干扰集。然后，根据干涉图的相干性筛选高质量的干涉对，利用最小二乘法对每个小集合的表面变形序列进行相位提取。最后，采用奇异值分解（singular value decomposition，SVD）联合求解多个小基线集，获得地表变形时间序列［11］。

2.2BP算法原理

BP算法最早由WERBOS等于1974年提出。BP算法由输入层、隐含层、输出层3部分组成。BP算法的主要思想是外部的信息从输入层流入隐含层，在此基础上，引入一个或多个隐藏层对接收到的外部信息进行加工和转换，最后传递给输出层。这是一次正向学习的过程。后续的学习将此次信息学习处理的结果通过输出层进行输出，当输出的结果不满足要求时，就会进行一次反向传播过程。在数据从输出层流入隐含层和输入层的过程中，BP算法会进行权重调节。不断重复上述过程，直到完成预先期望效果时才停止［13］。

2.3结合SBAS-InSAR技术和BP算法

本文利用SBAS-InSAR技术进行长时序城市地表沉降监测，但地表沉降是一个非线性的动态过程，受到很多因素的影响；而BP神经网络是一种非线性拟合和预测的方法，可以用来处理非线性或受多种因素影响的问题［14］。因此，利用BP神经网络对大理市沉降趋势进行预测，以SBAS-InSAR获得的区域内地表沉降监测值作为学习训练的样本数据，其他沉降监测值作为期望输出值，然后通过BP神经网络的自学习和自适应能力，在训练时自适应地学习内容，并记忆在网络的权值中，使构建的预测网络获取最优的参数，最终达到对其区域地表沉降趋势的预测。SBAS-InSAR和BP算法处理流程如图2所示。在对研究区地表沉降的预测中，仅需输入沉降值，然后调用构建的预测网络，就可以实现对地表沉降趋势的预测。

3数据处理及结果分析

3.1试验数据处理

本试验区选取大理市2020年5月1日至2021年12月22日共23景Sentinel-1A影像，基于SARscape软件进行数据处理。选择2020年5月1日为超级主影像，设置空间基线为1 600 m，时间基线为360 d，多视视数为1∶4，生成时空基线图，如图3所示。图3显示共生成117个干涉对。采用最小费用流解缠方法和Goldstein滤波方法，干涉工作流［15］，生成干涉图，删除干涉效果不好的干涉图，留下部分干涉效果较好的干涉图。部分干涉效果图如图4所示。

通过轨道精炼和重去平，估算和去除残余的恒定相位和解缠后仍存在的相位趋势［10］。然后进行SBAS-InSAR的两次反演，估算形变速率和优化输入的干涉图，获得2020年5月1日至2021年12月 22日LOS向的形变速率值。最后进行地理编码。 3.2城市地表沉降监测

3.2.1精度验证

由于CORS、GPS、水准数据具有保密性，只获取了研究区周围7个CORS及GPS站点的监测数据用来验证SBAS-InSAR处理结果的可靠性。CORS及GPS站点分布的具体位置如图5所示。以CORS及GPS站点做半径为20 m的缓冲区，进行SBAS-InSAR沉降结果对比分析，其结果如表2所示。表2显示：误差范围为-2.71 ～1.63 mm/a，说明利用SBAS-InSAR进行城市地表沉降监测的效果较好。

3.2.2沉降分析

根据研究区的形变速率值选取5个沉降较为严重的区域，标记为A、B、C、D、E，如图6所示。从图6可以看出，研究区沉降速率呈现不均匀分布，沉降速率为-52.627～47.543 mm/a。

沉降区A位于洱海边的沙村、深江和河矣城片区。该区域年平均沉降速率为-15.695 mm/a，沉降面积约为6.254 km²。沉降区域最大沉降的位置位于洱海边的沙村及金圭寺周边，最大沉降速率达到-20.219 mm/a。调查研究表明：该片区土地以软土为主，地表沉降的原因可能是周围村民修建建筑扰动软土层，使土层被压实［16］。该区域位于洱海附近，地表沉降受土层中的孔隙水影響较大。该区域的地表沉降会受到季节变化的影响。

沉降区B位于苍山下的庆洞村和凤鸣村。该区域年平均沉降速率为-36.752 mm/a，沉降面积约为8.952 km²。沉降区域最大沉降的位置位于庆洞村和凤鸣村内，最大沉降速率达到-42.576 mm/a。引起沉降区B沉降的原因可能是该区域周围农田较多，田地灌溉过度抽取地下水。土壤中孔隙水和其中所含的气体孔隙压力降低，使转移到土壤颗粒上的压力减少，导致了土壤被压实，引起了地表沉降［17］。

沉降区C位于大理古城区域。该区域年平均沉降速率为-9.805 mm/a，沉降面积约为11.864 km²。沉降区域最大沉降的位置位于大理佛圣寺和农林职业技术学院附近，最大沉降速率达到-16.257 mm/a。引起沉降区C沉降的原因可能是该区域周边正在建设公路和房地产开发。公路和房地产的开挖，大中型运载车辆经常流动等造成周边土壤被压紧实，从而导致地表的不均匀沉降。

沉降区D位于洱海边的青山村。该区域年平均沉降速率为-17.405 mm/a，沉降面积约为5.253 km²。沉降区域最大沉降的位置位于环海路及江尾—宾川公路周围，最大沉降速率为-28.254 mm/a。引起沉降区D沉降的原因可能是青山村位于洱海边，村中大力发展旅游业。村民对房屋建筑进行整修或者重建导致土质被压实，引起了青山村地表的不均匀沉降。

沉降区E位于海东新区大理技师学院内。该区域年平均沉降速率为-38.525 mm/a，沉降面积为4.581 km²。沉降区域最大沉降位置位于大理技师学院内，最大沉降速率为-47.254 mm/a。引起沉降区E沉降的原因可能是该区域人口较为密集，对地下水进行超采等因素［18］。

对选取的5个沉降区中沉降速率最大的沉降点绘制降雨量及时间序列累积沉降图，如图7所示。2020年5月1日至2021年12月22日，5个沉降点的形变序列值总体趋势均向下。6月至8月，随着降雨量增大，沉降区域均有不同程度的抬升。其间，沉降区A和沉降区D抬升较为明显，原因可能是土壤中孔隙水和其中所含的气体孔隙压力增加，使转移到土壤颗粒上的压力增多，土壤松实引起地表抬升。

3.3城市地表沉降预测

从5个最严重的沉降区域中随机选择沉降区B进行预测分析，随机选取1 000个沉降点，其中300个作为学习训练的样本，700个进行训练。利用Matlab软件构建BP神经网络算法，训练参数如表3所示。图8是BP神经网络预测结果。从图8可以看出，训练、验证、测验以及全部数据的相关性均超过0.99，最佳迭代次数为4次。将选择好的样本数据输入BP网络中，得到预测和期望的输出结果，平均绝对误差为0.255 mm，均方误差为0.129 mm。将预测结果与监测结果进行对比，如图9所示。从图9可以看出，整体预测输出和期望输出均保持很高的一致性。

4结论

本文基于SARscape软件，利用SBAS-InSAR技术处理23景Sentinel-1A升轨数据，获取大理市年平均沉降速率，并利用BP神经网络模型对大理市城市地表沉降进行预测，结果如下：

1）获取了大理市年平均沉降速率，研究区的沉降速率范围为-52.627～47.543 mm/a。重点分析5个明显沉降区域，与7个CORS点和 GPS点进行精度验证。结果表明，运用SBAS-InSAR技术监测云贵川等地的城市地表沉降是可行的。

2）引起研究区地表沉降的原因有地下水抽取、软土层扰动、季节影响等。沉降趋势随降雨量呈季节性变化。

3）随机选取沉降区B内1 000个沉降点进行预测分析，其中300个作为训练样本，700个作为测试样本，得到平均绝对误差为0.255 mm，均方误差为0.129 mm。结果表明，预测输出和期望输出具有很高的相关性，可以利用构建的预测网络模型对云贵川等地的城市进行地表沉降趋势的预测。

本研究预测时选取训练样本数量较少，分布相对集中，预测效果较好，但在模型训练过程中，未考虑土壤质地、植被覆盖、降雨量等因子对预测值的影响，今后的研究将从多视角、多因素出发，对城市地表沉降进行预测。参考文献：

[1]蓝秦隆， 邹进贵. SBAS技术在地面沉降监测中的应用： 以武汉市为例［J］. 测绘通报， 2018（增刊1）： 278-282.

［2］ 何秀凤， 仲海蓓， 何敏. 基于PS-InSAR和GIS空间分析的南通市区地面沉降监测［J］. 同济大学学报（自然科学版）， 2011， 39（1）： 129-134.

［3］ 范军， 左小清， 李涛， 等. PS-InSAR和SBAS- InSAR技术对昆明主城区地面沉降监测的对比分析［J］. 测绘工程， 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］ 秦晓琼， 杨梦诗， 王寒梅， 等. 高分辨率PS-InSAR在轨道交通形变特征探测中的应用［J］. 测绘学报， 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. 基于时序InSAR的地面沉降监测研究［D］. 昆明： 昆明理工大学， 2018.

［9］ 肖波， 赵俊三， 周定义， 等. SBAS-InSAR技术支持下的滇西北宾川断陷盆地沉降监测与预测［J］. 昆明理工大学学报（自然科学版）， 2022， 47（3）： 30-39.

［10］周定义， 左小清. 基于SBAS-InSAR和PSO-BP神经网络算法的矿区地表沉降监测及预测［J］. 云南大学学报（自然科学版）， 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， 李志伟， 胡俊， 等. SBAS-InSAR技术监测青藏高原季节性冻土形变［J］. 地球物理学报， 2013， 56（5）： 1476-1486.

［13］李勇发， 左小清， 麻源源， 等. 基于PS-InSAR技术和遗传神经网络算法的矿区地表沉降监测与预计［J］. 地球物理学进展， 2020， 35（3）： 845-851.

［14］张建亮. 基于BP神经网络模型的地下采煤区地表沉降预测［J］. 能源科技， 2020， 18（7）： 69-71.

［15］華怡颖， 胡晋山， 康建荣， 等. 基于SBAS-DInSAR的大宁矿区多工作面开采地表沉陷规律研究［J］. 金属矿山， 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， 馮光财， 李志伟， 等. 顾及时空特性的SBAS高质量点选取算法［J］. 测绘学报， 2015， 44（11）： 1246-1254.

［18］杨宏山， 聂建亮. 利用InSAR分析陕西省垂直形变［J/OL］. 武汉大学学报（信息科学版）： 1-8（2021-10-29）［2022-05-06］. http：//kns.cnki.net/kcms/detail/42.1676.TN.20211028.1552.031.html.

（责任编辑：周晓南）

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