基于SBAS-InSAR技术与LSTM模型的徐州市地铁3号线地表沉降分析

郦嘉辉, 胡晋山*, 岳佳乐, 康建荣, 黄 郦

(1.江苏师范大学 地理测绘与城乡规划学院,江苏 徐州 221116; 2.南京航天宏图信息技术有限公司,江苏 南京210000)

地表沉降是地下土层运动在地表上的反映,虽致灾缓慢,但一经发现便难以恢复[1].随着城市化进程的不断发展,城市建设体系逐渐成熟,地下铁路工程逐渐兴起,然而,地铁在方便居民出行的同时也会导致地面沉降的产生[2-3].目前,用于地铁沉降监测的技术主要有水准测量、GNSS(global navigation satellite system)测量等.虽然这些监测技术的精度高,但它们只适用于小范围内的沉降监测,在进行大范围的沉降监测时,由于地质条件、地物特征和地貌环境的差异,则不具普适性,无法满足各种环境下的测量[4].合成孔径雷达干涉测量(differential interferometric synthetic aperture radar,D-InSAR)技术是近些年发展起来的一种遥感技术,相比已有的监测技术,具有测量范围广、精度高、全天时、人力物力损耗低等优势,已经成为城市地表沉降监测和灾害隐患点识别的主要手段之一[5-6].

短基线集干涉测量(small baseline subset interferometric synthetic aperture radar,SBAS-InSAR)技术是在D-InSAR技术基础上发展起来的,它克服了时空失相干和大气延迟的影响,同时,很好地避免了D-InSAR对于影像数量要求高的限制[7].应用SBAS-InSAR技术对城市地铁沿线地表沉降监测的研究结果表明,该技术能够获得大范围、高精度的长时间序列地表沉降监测结果[8-11].

为了获知地表沉降趋势,越来越多的神经网络模型被应用于地表沉降预测与模拟研究中.传统的前馈式(back-propagation,BP)神经网络模型具有很好的容错能力、泛化能力、非线性映射能力及自学习和自适应能力,但随着样本数据量及复杂程度的增加,BP神经网络产生了收敛速度慢、局部极小化、预测能力与训练能力相矛盾以及对于样本数据具有依赖性等问题[12].长短期记忆(long short-term memory,LSTM)神经网络模型可以更好地预测长时间序列的样本数据,同时,克服了BP神经网络模型在编译过程中产生的长距离依赖等问题[13].因此,本文在采用SBAS-InSAR技术反演徐州市地铁3号线沿线地表沉降信息的基础上,应用LSTM神经网络模型对该地铁沿线地表沉降进行预测分析.

1 研究方法

1.1 SBAS-InSAR技术

SBAS-InSAR技术是时序InSAR技术的一种,其基本原理是根据研究区内的SAR影像数据,以实际情况设定相应的时间基线阈值和空间基线阈值,将影像数据分割成若干个小集合,且保证每个小集合内的基线小而集合间的基线大[14],然后,以最小二乘法获取研究区内每个点的沉降信息,再使用奇异值分解法联合各个点的信息以获得监测区域内整体的微小沉降[15].算法及技术流程见文献[16].

本文通过SARscape软件中的SBAS-InSAR模块进行InSAR干涉处理,具体流程为:1)生成连接图.由于徐州市温度和湿度较为适宜,植被茂盛,考虑到影像时间跨度较大,因此,将空间基线与时间基线阈值分别设置为45 m和520 d,生成干涉像对,并进行解缠.2)生成干涉流.通过软件自动选取主副影像并进行配准,利用Goldstein法和Minimum Cost Flow法进行滤波处理及相位解缠,得到差分干涉相位,应用大气校正数据——GACOS[17]进行大气改正.3)轨道精炼及重去平.该步骤是为了估算和移除残余的恒定相位以及在解缠后产生的相位坡道.由于在SBAS-InSAR处理中手动选择的GCP(ground control point)精度较低,因此,将通过PS-InSAR自动生成的稳定控制点作为SBAS-InSAR的GCP进行处理.4)SBAS反演.对研究区内的沉降速率及残余地形进行第1次反演,估算残余地形相位以及沉降速率,并做解缠处理;在第1次反演的基础上进行第2次反演,获得时间序列上的位移,通过大气滤波去除大气相位,得到相应的沉降速率,通过空间高通滤波和时间低通滤波对残余相位进行处理,选择1 200 m和365 d作为默认窗口参数,相关系数阈值设置为0.35,选取polynomial refinement法进行轨道精炼,将滤波后得到的大气延迟相位与差分干涉相位之间的差值作为最终的干涉相位进行时序分析,获得沉降结果.5)地理编码.将沉降结果通过投影转换成WGS84坐标系下的结果,获得整个研究区内最终的沉降速率.

1.2 LSTM神经网络模型

LSTM神经网络模型是循环网络模型的一种,训练速度快、数据处理能力强,对于长时间序列的数据处理能够获得较为精确的预测结果[18].遗忘门限、输入门限、输出门限以及神经单元状态组成了LSTM神经网络整体模型,计算公式见文献[19].

2 研究区概况及数据源

2.1 区域概况

徐州市地处江苏省的西北部,是淮海经济区的中心城市,位于116°22′—118°40′E,33°43′—34°58′N,包含5个市辖区、3个县及2个县级市.徐州市地铁3号线于2016年8月开工建设,2021年6月正式通行;呈南北走向,全长18.13 km,设16个站,途经云龙区、泉山区、铜山区和鼓楼区,是徐州市建成的第3条地铁线.

2.2 数据源

选取2016年8月至2022年5月期间覆盖徐州市的77景Sentinel-1A影像数据.影像数据采用IW成像模式,入射角为36.6°,VV单极化方式.实测数据为徐州市地铁3号线正上方的地表水准观测值(采用天宝DINI035型电子水准仪观测),于2018年9月26日至2019年12月22日期间进行观测, 7 d观测1次,沿路共布设87个水准观测点,点间隔为15 m左右.由于观测点数据量和篇幅的限制,本文只考虑徐州市地铁3号线下淀站至白云站间的12个观测点,观测点位置及其水准观测沉降曲线如图1所示.

3 徐州市地铁3号线地表沉降监测分析

3.1 地铁3号线沿线地表沉降分析

采用SBAS-InSAR技术反演徐州市地铁3号线沿线从开挖到运营期间的地表沉降信息.

3.1.1 地铁3号线沿线地表的沉降速率图2为2016年8月至2022年5月期间徐州市地铁3号线沿线地表的沉降速率(研究范围为该地铁线路半径500 m的缓冲区),其中:2016年8月至2021年6月为徐州市地铁3号线的开挖建设阶段;2021年7月至2022年5月为徐州市地铁3号线的运营阶段.由图2可知,5年多来,徐州市地铁3号线沿线地表的沉降速率为-7.6～4.1 mm/a(图2a),开挖建设阶段地表的沉降速率为-13.9～11.7 mm/a(图2b),运营阶段地表的沉降速率为-5.9～5.1 mm/a(图2c),开挖建设阶段的沉降速率明显大于运营阶段.

图1 徐州市地铁3号线下淀站至白云站间部分观测点及其沉降曲线Fig.1 Observation points and their subsidence curves between Xiadian station and Baiyun station along metro line 3 in Xuzhou

图2 徐州市地铁3号线沿线地表的沉降速率Fig.2 Subsidence rate of ground surface along metro line 3 in Xuzhou

3.1.2 地铁3号线沿线地表沉降量图3为徐州市地铁3号线沿线地表时序累计沉降量的反演结果,A、B区域为地表沉降较大的区域,其中A区域位于鼓楼区下淀路段,此处有地表水准观测数据.从图3a—3e可知,在2016年8月29日至2018年6月8日期间,地铁3号线沿线地表出现了抬升现象,这是由于此阶段处于地铁建设初期,为了防止雨水回灌,地铁沿线的路面进行了垫高;从2018年11月起,随着地下工程建设的不断进展,地铁3号线地表整体呈现下沉趋势(图3f—3m).由图3f—3h可知,在2018年11月至2019年10月期间,A区域有明显的下沉,且沉降量在20.0 mm左右,这与图1中水准观测数据的时间与数值相吻合.2019年12月以后,A区域地表一直处于下沉状态.经过实地考察,发现该处路面存在坑洼及裂缝,且裂缝不断扩大,与InSAR监测结果相符.地铁3号线沿线地表的最大沉降位置位于B区域(徐州市铜山区湘江路段),最大沉降量为34.3 mm(图3m),此地面路段自2019年开始施工,于2022年5月收尾,在此期间,玉泉河站附近有明显的沉降.除A、B两个区域外,地铁3号线从建设到运营期间沿线地表其他区域沉降区虽有起伏,但相对稳定,未有太大的地表变化.

应用图3中A区域部分水准观测数据验证SBAS-InSAR技术监测地表沉降的准确性,由于实测水准点较为密集,且水准观测时间与卫星拍摄时间不同,为了保持时间的一致性,将SBAS-InSAR沉降监测结果按水准观测数据的日期进行插值.选取图1中12个水准点在2019年1月21日至2019年10月25日期间的时序沉降量,验证SBAS-InSAR反演结果的精度,具体结果见表1、表2.

表1是以2019年1月21日的观测值为基准,分别计算该区域后期9期时序累计沉降量.表2为12个水准点2019年1月21日至2019年10月25日期间累计沉降量的对比结果,从表1和表2中可以得到,该期间沉降量的水准观测值与SBAS值的最大差值为8.8 mm,12个点的均方根误差为3.8 mm,平均绝对误差为2.9 mm,SBAS-InSAR技术和水准观测处理的总体沉降趋势基本相同,虽然存在一定的误差,但总体误差在1 cm以内.

图3 徐州市地铁 3 号线沿线地表时序累计沉降量Fig.3 Cumulative surface subsidence in time series along metro line 3 in Xuzhou

表1 SBAS与水准观测的沉降结果Tab.1 Subsidence results of SBAS and leveing observations

3.2 LSTM神经网络模型预测

通过SBAS-InSAR技术获取的地面沉降信息是一组杂乱无序的分散数据,这些分散数据由非线性的时间序列构成,表示为X=(X1,X2,…,Xn),其中n表示沉降量的观测次数.利用LSTM神经网络模型进行地表沉降预测,建立已有样本数据与预测数据之间的映射关系,即设置窗口参数来进行滚动预测.LSTM神经网络预测模型整体分为样本数据预处理、重要参数的选定及预测结果输出3个部分.

表2 累计沉降结果对比Tab.2 Comparison of accumulated subsidence results

1)样本数据预处理.应用SBAS-InSAR技术反演出徐州市地铁3号线沿线地表区域内2016—2022年期间的沉降结果,由于在进行InSAR技术处理时,影像数据获取的时间间隔并不是等间距的,所以对得到的沉降结果进行插值处理,共得到51期数据,通过整理得到一组向量数据.采用归一化处理,将复杂的数据转换至一定区间内,目的是更方便对相同量级的数据进行评估,提高算法的处理速度.

本文采用的归一化公式为

2)参数选择.在进行时间序列数据预测的同时,将全部数据划分为训练数据与测试数据.将SBAS-InSAR反演得到的前42期沉降数据(2016-08-29—2021-05-11)作为样本数据进行学习训练,最后9期数据(2021-06-04—2022-05-06)作为测试数据进行对比验证.对模型中的参数,如迭代次数、学习效率、隐藏层数及隐藏单元数等进行初始化;然后将训练集输入,以损失函数的优劣及损失值的大小来选取最佳初始参数.

3)结果输出.基于1)、2)两个步骤进行地表沉降预测,输出最后的结果.预测结果见图4.

为了验证LSTM神经网络预测模型对于地表沉降预测的精确性,将图4的结果计算误差,采用决定系数R2、均方根误差(RMSE)、平均绝对误差(MAE)对模型进行精度评定,结果见表3.

图4 SBAS反演结果与LSTM模型预测结果Fig.4 The results of SBAS inversion and LSTM model prediction

表3 LSTM模型预测误差Tab.3 The errors of LSTM model prediction

由表3和图4可知,应用LSTM模型预测的结果与SBAS反演值较为接近,且两者的沉降趋势保持一致.有11个点的平均绝对误差为1.0 mm左右,其中最大均方根误差为1.6 mm,最小决定系数为0.5,预测结果较为满意;P4点的平均绝对误差较大,达到1.9 mm,说明该点的预测效果相较于其他点较差.但总体来看,LSTM模型预测结果的满意度达92%,预测结果较为稳定,精度较高,这说明LSTM神经网络预测模型可以辅助InSAR技术对城市地表沉降进行预测.

4 结语

本文基于Sentinel-1A影像对徐州市地铁3号线沿线地表从开挖到运营阶段进行了沉降监测,并结合水准观测数据对SBAS反演结果进行了验证,最后,应用LSTM神经网络模型对地表沉降进行了预测模拟,结论如下:1)水准观测数据与SBAS-InSAR监测结果的平均绝对误差为2.9 mm,总体来看SBAS-InSAR技术的监测结果误差在1 cm以内;2)徐州市地铁3号线及其沿线周边区域未出现比较严重的地面沉降,但整体呈现下沉趋势;3)LSTM神经网络预测模型对于城市地铁沿线地表沉降预测精度较高,将LSTM模型与InSAR技术相结合,可以实现对城市地表沉降的监测与预测.