基于多时相InSAR技术的大渡河瀑布沟水电站形变监测与预测

黄会宝,江德军,刘恒,罗忠平

(1.四川大学水利水电学院,成都 610065; 2.国能大渡河流域水电开发有限公司,成都 610095)

作为江河蓄水防旱、抗洪减涝的重要枢纽工程,水电站通过调控水资源时空分布来实现水资源合理调控与配置优化[1-2],给中国社会经济带来了极大便利。但是水电站的建设与运营会引起周边环境与地质构造变化,影响大坝、库区及坝下整个水利枢纽系统的正常运维[3],特别是持续的地面变形可能造成坝体损坏、水系基础设施破坏等危害,严重威胁人类生命安全和公私财产,造成经济损失[4]。因此,对大坝及其周边地区地表形变的时空变化进行监测、分析和预测是十分必要的。

传统的大地测量技术如全球导航卫星系统(global positioning system,GPS)[5]、水准测量[6]、三维激光扫描[3]由于受局部单点测量、空间分辨率低、成本高的限制,在水电站大坝区域变形监测存在分辨率低、成本高等劣势。近10年来,干涉合成孔径雷达(interferometric synthetic aperture radar,InSAR)技术已被广泛应用于城市地面沉降[7]、地铁及高速公路沿线[8-9]和滑坡灾害[10]等。多时间干涉合成孔径雷达(multi-temporal interferometric synthetic aperture radar,MT-InSAR)技术[11-12]可实现大规模、高精度、高密度和低成本的地表形变监测,并在水电站及周边地区形变监测方面得到了广泛应用[13-17]。典型的MT-InSAR技术之一是永久散射体技术(persistent scatterer interferometric synthetic aperture radar,PS-InSAR)[18],该技术选择时序稳定的点目标并基于SAR(synthetic aperture radar)图像中的相位信息进行时间序列建模和分析,从而大大降低了大气延迟引起的误差,使变形监测精度达到毫米级,这些稳定的点一般为建筑物、桥梁、大坝和暴露的岩石等。另一种有效的监测方法是小基线子集干涉合成孔径雷达(small BAseline subset InSAR,SBAS-InSAR)技术[19],该技术是选择时空基线短的干涉图并形成干涉网络并进行形变解算,可有效减少大气延迟和相关噪声误差。这两种方法在大坝形变监测中取得了很大的成功。然而,时间序列InSAR测量的形变结果很少用于地面沉降的预测。

现有的大多数形变预测方法主要有基于数学统计模型[20]、经验模型[21]和传统的人工神经网络模型[22]。其中数学模型包括回归分析模型和时间序列方法。但是回归分析方法的准确性受样本数量的影响较大[23],时间序列的方法容易受到历史数据的质量可能会导致预测性能下降[24]。而经验模型方法输入参数较多且计算复杂[25]。人工神经网络模型虽然具有较高的自学习能力,但是其输出结果受初始权值和阈值的影响较大。此外,该方法无法准确捕捉时间序列形变的波动,往往无法获得令人满意的预测结果。近10年来,深度学习在遥感图像处理与分析领域的快速发展显示出广阔的应用潜力。Anantrasirichai等[26]和Valade等[27]卷积神经网络(convolutional neural network,CNN)被用于探测火山的缓慢变形和预测短期InSAR变形图。Nukala等[28]提出了一种基于Sentinel-1图像递推神经网络(recurrent neural network,RNN)预测时间序列形变图的新方法,并取得了良好的预测性能。长短时记忆网络(long short-term memory,LSTM)网络解决了循环神经网络(RNN)变体在学习数据的长期依赖性时可能遭受的梯度爆炸和消失的限制,Chen等[29]利用LSTM网络建立了时间序列InSAR变形预测模型,并指出该网络具有较好的预测性能。陈毅等[30]基于时序 InSAR数据采用堆叠式LSTM模型来预测香港国际机场的地面沉降的短期预测。然而,这些深度学习模型在水电站大坝地区的地表形变预测没有得到应用,且在提取大坝地区InSAR时间序列的形变特征能力较差。此外,InSAR时间序列形变数据集的获取也非常困难。

现采用LSTM神经网络对瀑布沟水电站的地表时间序列InSAR形变进行预测。首先利用MT-InSAR技术对2018年1月至 2020年4月大渡河瀑布沟水电站的上行轨道哨兵一号(Sentinel-1)图像进行时间序列形变监测;然后基于时序InSAR形变数据建立LSTM神经网络并对利用LSTM神经网络对研究区的时序形变进行预测,最后预测出研究区在2020年5—9月累积沉降量。为瀑布沟水电站的长时序形变监测提供定量评估的数据,也为该地区的地面沉降灾害预警和辅助决策提供理论依据。

1 研究区和数据集

1.1 研究区介绍

瀑布沟水电站位于四川省雅安市汉源县和凉山彝族自治州甘洛县交界处(图1),是大渡河中游控制性水电工程[31]。电站为发电、防洪、拦沙等多项利用结合的大型工程,同时它是国家“十五”重点建设项目,也是西部大开发的标志性工程。瀑布沟水电站总装机容量360万kW,年均发电量147.9亿kW·h,总库容53.9亿m3。它的大坝是深厚覆盖层上建成的砾石土心墙堆石坝,最大坝高186 m。

图2(a)所示为大渡河位于青藏高原与四川盆地的过渡地带,地势陡峭,高程范围为564～5 947 m,如图2(b)所示。研究区由于地处扬子地台西部古老的康滇地轴北段东侧,且水库周围分布了多条大型活动断裂带,如水库以北的龙门山断裂带和,水库西北的鲜水河断裂带以及水库以南的安宁河-则木河断裂和大凉山断裂带,这些断裂带自有记录以来均发生过中等以上地震[31-33],因此研究区地质构造活动频繁。

图2 研究区Sentinel-1数据覆盖范围与SRTM DEM图

1.2 数据集

为加强对大渡河流域瀑布沟水电站的形变监测与预测,获取2018年1月2日至2020年4月21日VV极化的31景Sentinel-1 SAR数据以反演研究区的历史形变信息。研究区Sentinel-1数据覆盖范围图如图2(a)所示。Sentinel-1卫星的重复周期为12 d(2014年4月3日发射),波长约为5.6 cm[34],这些图像是通过渐进扫描地形观测(terrain observation by progressive scans,TOPS)的干涉宽幅(interferometric wide swath,IW)模式在4年内沿上行轨道T26采集的。Sentinel-1图像的幅宽为250 km,视线(line of sight,LOS)的入射角在30°～47°变化。同时获取地面分辨率为30 m的1弧秒分辨率的航天飞机雷达地形测量数字高程模型(shuttle radar topography mission digital elevation model,SRTM DEM) 用来模拟InSAR技术形变解算中的地形相位,并利用它来进行形变结果的地理编码。

2 研究方法

采用基于LSTM的模型[35]对MT-InSAR技术反演的InSAR时序形变信息来预测瀑布沟水电站未来时期SAR图像采集所对应的时序位移。图3显示了本文提出方法的概述和详细步骤。

图3 基于多时相InSAR与LSTM方法瀑布沟水电站形变监测与预测流程图

2.1 Sentinel-1 TOPS模式预处理

将Sentinel-1 TOPS模式数据导入生成SLC格式作为输入数据,并由欧空局提供精密轨道数据用于精炼轨道参数信息;接着进行Burst分割,将条带的单视复数据(single-look complex,SLC)分割成9个Burst进行后续处理。

采用30 m分辨率的SRTM数据进行Sentinel-1数据的DEM配准。由于TOPS模式SAR图像存在着多普勒质心的变化,图像配准精度需要在方位向上优于千分之一像素,因此采用增强谱分集(ESD,enhanced spectral diversity)方法进一步细化方位向的偏移量。在从图像重采样到主图像的坐标系框架之前,对从图像进行去斜和解调。同时,在每个Burst级别上执行去斜、插值和反去斜等流程。然后采用ESD方法对整体方位向偏移量进行改正,方位向的配准精度可小于千分之一个像素。最后,将每个条带的所有Burst拼接成有一个子条带,并对该条带进行感兴趣区(region of interest,ROI)的提取,获取配准后时间序列SAR数据集。

2.2 多时相InSAR处理

首先根据配准后的SAR数据集生成相干系数图和差分干涉图,并采用平均相干系数法和振幅离差法进行高相干点提取,其次根据空间和时间阈值选择符合条件的小基线干涉图,将这些高相干点进行Delaunay三角网的构建,建立相邻相干点之间的差分相位模型,然后利用最小二乘法求解线性形变率差和DEM改正值差。接着选取参考相干点计算各相干点的DEM改正值和线性形变率。最后根据残余相位的时空特性,采用时空滤波的方法提取大气相位。该步骤可分为残余相位最小费用流(minimum cost flow,MCF)相位解缠、残余相位分离和大气相位估计等子步骤。线性速率和高程改正能有效地反映形变场的分布,还需要对原始相位进行修正,主要考虑到线性速率和高程误差初始值对迭代的影响。在获得这两项以后,对残余相位进行滤波,滤波完成后利用残余相位与滤波后相位之差,可以认为其为大气和噪声的影响,剩余的则为非线性形变量。将此加入线性形变量中,就可以得到真实的形变量。在选取的相干目标上,建立观测方程。采用奇异值分解(singular value decomposition,SVD)的方法进行求解,即可得到各时间区间的沉降速率。各时段沉降速率在时间域上进行积分即可得到各个时间点的累积时序形变量。

2.3 多时相InSAR时序形变预测

对上述获取的瀑布沟水电站InSAR时序形变数据来构建LSTM网络,然后对LSTM构建训练集、测试集、验证集来进行模型训练和测试,最终根据LSTM模型输出结果获取预测的InSAR时序形变。

LSTM神经网络是传统RNN的变体,并被广泛应用于时间序列建模任务。LSTM神经网络的两个主要模块帮助它从数据中学习时间序列特征。门模块,包括输入门、输出门和遗忘门,可有效地训练全连接层控制单元的状态,以响应来自数据的新输入和建模过去的输出[36]。相比于RNN网络,LSTM的门模块有效地克服了传统RNN的梯度消失或爆炸、无法学习长期依赖的问题。

InSAR监测结果可表示为x={x1,x2,…,xn}。该预测模型可以有效地学习时间序列变形数据的变化特征,通过LSTM预测模型可以得到地表变形的预测结果y,即y={y1,y2,…,yn}。图3显示了构建的LSTM模型,模型由2层LSTM层、2层Dense层和3层Dropout层组成。图3显示了LSTM神经网络的基本结构。LSTM神经网络的第一阶段决定细胞状态下的信息是遗忘还是记忆,如果当前数据重要,则遗忘门的sigmoid层允许遗忘之前的数据。如果当前数据不需要,它可记住以前的数据,这解决了RNN算法存在长期依赖问题的缺点。遗忘门的计算公式为

ft=σ[Wf(ht-1,xt)+bf]

(1)

式(1)中:ft为遗忘门;σ为一个sigmoid激活函数;ht-1为t-1时刻的隐藏状态;xt为t时刻的输入向量;Wf和bf分别为遗忘门的权值向量和偏差向量。如果ft的输出值接近于0,则表示之前的数据已经被遗忘,但是如果它接近1,并不意味着之前的数据已被记住。

it=σ[Wi(ht-1,xt)+bi]

(2)

(3)

式中:it为当前时间步t的输入门的输出;σ为一个sigmoid激活函数,它是输入门;Wi和bi分别为输入门的权值向量和偏差向量;Wc为更新的权重;bc为偏差。

(4)

LSTM神经网络的最后阶段决定输出什么。第一步是通过sigmoid层输出Ot,该层用于确定将输出单元格状态的哪一部分。然后,细胞状态经过tanh函数;该操作完成后单元格状态值在-1～1伸缩。最后,将结果乘以sigmoid门的输出来确定输出,计算公式为

Ot=σ[Wo(ht-1,xt)+bo]

(5)

ht=Ottanh(Ct)

(6)

式中:Ot为sigmoid层的输出;ht-1为旧的输入值;ht为新的输出值;Ot为输出门;Wo和bo分别为输出门的权值向量和偏移向量。

3 结果与分析

基于31景Sentinel-1升轨图像利用MT-InSAR技术获得2018年1月2日—2020年4月21日年InSAR LOS方向年平均形变速率结果如图4所示。

红色负值表示地表沉降

采用MT-InSAR方法提取的Sentinel-1数据集中约有4 319个高相干点,平均密度为626个相干点/km2。如图4所示,可看到瀑布沟水电站大坝处的形变模式,年平均形变速率范围为-34～10 mm/a。如图5所示,动态地显示了瀑布沟水电站形变规律变化,从2018年1月2日—2020年4月21日瀑布沟水电站大坝附近累积沉降量呈现逐年增大现象。

图5 瀑布沟水电站4个时期的累积形变量图

根据研究区的形变速率图,将瀑布沟水电站的沉降区域划分为加速沉降区、线性沉降区和稳定区。同时,从图6中提取了3个区域3个点A、B、C的时间序列InSAR形变量进一步分析。

图6 瀑布沟水电站形变区域放大图

首先,获得3个区域3个高相干点的历史形变结果,利用TensorFlow深度学习框架建立研究区测点地面形变的LSTM预测模型;利用LSTM预测模型对InSAR数据集进行划分,实现训练和测试过程。70%的时间序列形变数据用于训练,20%的时间序列形变数据用于测试,10%的时间序列形变数据用于验证;其次,采用最小值和最大值归一化方法对这些形变点的InSAR时间序列变形数据进行归一化处理;然后,对LSTM模型进行网络初始化步骤,即设置初始化权值和偏移向量,并利用Dropout层抑制网络训练过程中的过拟合。初始学习率为0.000 1,最大训练时间为1 000,优化器采用Adam方法。采用网格搜索算法对预测模型中的超参数进行选择。

最终利用LSTM模型对2018年1月2日—2019年7月20日22景累积形变量进行模型训练,利用2019年8月1日—2020年4月21日进行模型测试,利用2020年5月3日—2020年9月12日进行模型验证,即预测出后续12个时刻的InSAR形变量,形变监测和预测结果图如图7所示。

图7 点A、B、C的时序形变监测与预测对比图

图7(a)显示了截至2020年4月21日瀑布沟水电站位于沉降加速区的点A最大沉降量为64.62 mm。2020年5月3日—9月12日的预测结果显示了点A有继续沉降的趋势,预测的最大沉降值为71.29 mm。

图7(b)显示了瀑布沟水电站位于线性沉降区域的点B沉降的最大值为11.70 mm,显示了该点呈现出线性变化规律。2020年5月3日—9月12日的预测结果显示点B继续出现沉降趋势,但是沉降幅度较小。图7(c)显示了瀑布沟水电站位于稳定区域的点C形变变化稳定,累积形变范围为-8.29～6.67 mm。

为了评价所构建的LSTM神经网络模型的预测精度,使用均方根误差(root mean squared error,RMSE)和平均绝对误差(mean absolute error,MAE)来评价预测模型的预测精度。如表1所示点A、B、C的LSTM模型在训练过程中最小的RMSE和MAE值为2.343 mm和2.010 mm,A、B、C的LSTM模型在测试过程中最小的RMSE和MAE值为2.094 mm和1.654 mm,这说明LSTM模型专为处理序列数据而设计,在学习时间序列数据的特征方面具有独特的优势,且对大坝地区的形变预测具有一定的应用潜力。

4 结论

采用LSTM模型基于MT-InSAR技术对瀑布沟水电站的沉降区域进行形变监测与预测研究,得出以下结论。

(1)MT-InSAR技术可明显探测到瀑布沟水电站的沉降趋势。2018年1月2日—2020年4月21日年的形变结果显示LOS方向年平均形变速率范围为-34～10 mm/a。研究证明了MT-InSAR技术在地形复杂的大坝区域形变监测中的应用潜力。

(2)结合MT-InSAR 技术创新性地提出了LSTM神经网络时序形变预测模型,该模型在大坝形变监测与预测领域取得了良好的效果。LSTM模型在训练和测试过程中点尺度的RMSE和MAE最小值分别为2.343 mm和2.010 mm,2.094 mm和1.654 mm。LSTM神经网络能够较好地捕获时间序列InSAR数据的形变规律和波动,该方法适合于大坝地区的InSAR时间序列沉降数据的预测。

(3)基于2018—2020年InSAR时间序列沉降数据,采用LSTM神经网络对2020年5—9月InSAR时间序列形变值进行预测。截至2020年9月,本文提出的方法预测的最大沉降值将达到71.29 mm,需要引起相关部门的重视。LSTM神经网络是一种有前景的时间序列InSAR地面沉降预测方法,为大坝地区的周期性监测和预警提供了重要的数据支撑,可服务于地质灾害的早期预警和提供防灾决策信息。随着Sentinel-1 SAR数据指数级的增长,未来将在LSTM模型中加入更多的数据,准确量化大坝地面沉降与外部数据的关系,判断模型是否适合长期预测,以提高预测模型的鲁棒性。