曹妃甸沿海區地表沉降監測與預測分析

蔡 文 劉向銅 曹秋香

(1.東華理工大學 測繪與空間信息工程學院,江西 南昌 330013;2.東華理工大學 自然資源部環鄱陽湖區域礦山環境監測與治理重點實驗室,江西 南昌 330013;3.東華理工大學 地球科學學院,江西 南昌 330013)

0 引言

城市地表沉降是近年來比較嚴重的地質災害,是自然和人為因素共同作用的結果,沉降帶來危害主要表現在建筑物出現破損、道路、地下工程等設施的破壞,對人民的生命及財產安全造成嚴重威脅[1],曹妃甸區處于唐山市南部的沿海地區,是該市沉降較為嚴重的地區之一,近年來由于過度抽取地下水和城市建設等因素,曹妃甸沿海區已發生了不同程度的沉降現象,因此,對于該區地面沉降的時空變化進行監測、分析及預測是很有必要的。目前,傳統的進行地面沉降監測的手段主要有水準測量、全球定位系統(global positioning system,GPS)等局部單點測量方式,具有成本高、監測范圍小等特點,而時序合成孔徑雷達干涉(time-series interferometric synthetic aperture radar,TS-InSAR)技術,具有高精度、監測范圍大、成本低等特點而被廣泛運用,時序InSAR技術應用較廣泛的主要是永久散射體雷達干涉(permanent scatterer-InSAR,PS-InSAR)測量技術[2]和短基線集雷達干涉(small baseline subset-InSAR,SBAS-InSAR)測量技術[3],使用這兩種技術能較好地減小時空去相關、大氣延遲效應的影響,得到的監測結果能達到毫米級的精度。2016—2020年以來部分學者利用PS-InSAR技術對曹妃甸區地表沉降情況進行監測,并分析了導致地面沉降的因素[4-6]。由于某些地區存在持續沉降的風險,對于沉降嚴重的區域如何利用 InSAR時序數據對地面沉降進行預測的相關工作是有必要的。

時間序列預測模型種類較多,而長短期記憶(longshort-term memory,LSTM)網絡模型作為一類專門處理序列數據的神經網絡,其對時間序列數據特征學習有著獨特的優勢,多位學者[7-9]利用LSTM網絡模型結合其他預測模型進行對比分析,并對模型進行了優化和改良,為地面沉降預警工作提供新思路。綜上分析,以往研究中僅是使用PS-InSAR一種技術對研究區短時間段內進行沉降監測分析,隨著曹妃甸區近年來經濟高速發展,近幾年對該研究區結合PS-InSAR和SBAS-InSAR兩種技術進行長時間序列地面沉降監測及預測分析的研究相對較少,因此,本文以2017—2022年的63景Sentinel-1A數據為數據源,利用兩種時序InSAR技術反演得到曹妃甸沿海區近五年的地面形變速率和時序累計形變量,交叉驗證兩種技術得到的形變結果,對沉降嚴重區域的形變原因進行分析,并基于特征點的時序沉降量,使用反向傳播(back propagation,BP)神經網絡和LSTM網絡預測模型分別進行預測分析,將預測結果與真實沉降量進行精度對比驗證,比較兩種模型的預測效果,預測效果更符合實際情況的模型能為相關決策部門災害治理和早期防治提供一定的參考依據。

1 研究區與數據源

1.1 研究區概況

曹妃甸沿海區位于唐山市沿海南部,靠近渤海,位于38°53′N—39°20′N和118°12′E—39°41′E。從北向南地勢逐漸變緩,地形較平坦,該地區積累了大量的第四紀松散沉積物,土壤質地種類主要是粉土、粉細砂及粉質黏土,土質較疏松,地表承載力較弱[10],地質構造方面,該區處于冀渤塊和東西向、南北向和西北向斷裂控制地帶,具有隆升和凹陷分布構造格局[4];該區為第四系松散巖類孔隙含水層,淺層咸水水位埋藏較淺,而深水層是該地的主要用水水源,因此導致地下水被大量開采,因此出現了多個水位下降漏斗;城市建設發展方面,該地近年來響應“一港雙城”政策,進行了大量的工程建設,而大量的工程建設勢必會對地表進行擾動[5]。

1.2 數據源

本文從阿拉斯加開放數據中心獲取時間跨度為2017年3月16日—2022年5月1日覆蓋本研究區的63景C波段Sentinel-1A寬幅模式的垂直發射垂直接收(vertical transmit,vertical receive,VV)極化數據,每月一景,基本參數如表1所示。輔助數據為定位精度優于5 cm的精密定軌星歷(precise orbit ephemerides,POD)數據,外部數字高程模型(digital elevation model,DEM)是日本宇宙航空研究所(Japan Aerospace Exploration Agency,JAXA)的高級陸地觀測衛星(advanced land observing satellite,ALOS)提供的12.5 m空間分辨率的高程數據。

2 研究方法與數據處理

2.1 PS-InSAR技術

PS-InSAR技術是利用多景覆蓋研究區范圍的SAR數據,生成多個干涉對,使用振幅離差指數或者相干系數等方法找出高相干性的點目標,分離出目標點的地形、噪聲等相位來監測研究區地面形變的過程,具體原理及公式見文獻[2]。本次數據處理軟件平臺為SARscape,該技術的關鍵數據處理情況如下:數據預處理后進行基線估計,選取了2019年9月2日影像為主影像;再進行配準、干涉、去平、濾波等操作得到差分干涉圖;然后進行兩次反演,設定相干性閾值0.75,選擇高相干點和分離大氣等相位,最后進行地理編碼得到形變結果。

2.2 SBAS-InSAR技術

SBAS-InSAR技術是將多景SAR數據進行兩兩組合得到較短基線的多個干涉對,分離大氣、地形、噪聲等相位信息,再使用奇異值分解法聯合求解得到相干點地表形變信息,具體原理及公式見文獻[3]。本次數據處理軟件平臺為SARscape,關鍵數據處理情況如下:首先進行基線估計和影像連接,自動選擇的超級主影像為2019年10月8日,設置最大空間基線閾值為臨界基線45%,最大時間基線閾值為200 d,估算得到的最長和最短空間基線分別為1.68 m和206.46 m,最長和最短時間基線分別為12 d和192 d,共得到328個干涉對,再進行干涉工作流,解纏閾值和相干性閾值設置為0.3,解纏方法為最小費用流(minimum cost flow,MCF)法,剔除質量不佳像對;再利用改進后選擇控制點的方法[11]按照以形變速率大于-0.001 mm/a、小于0.001 mm/a、相干性閾值為0.85在PS-InSAR反演結果中進行篩選,得到28個控制點進行坐標轉換,再進行重去平和軌道精煉及反演;最后進行地理編碼得到形變結果。

2.3 BP神經網絡預測模型

BP神經網絡能用來模擬神經系統的功能和相關的行為特征,利用神經元之間的相互連接來解決數學中的非線性問題,具體原理可見文獻[7]。本文預測模型處理的數據是特征點的時間序列地面沉降數據,共63期的沉降數據,只考慮時間的影響,因此是基于歷史值影響的神經網絡預測模型,經過反復測試,該模型主要建模過程如下:讀取數據,設定自回歸階數為2,即當前t時刻的預測值由t-1和t-2時刻的實際值作為輸入指標的數據集進行預測;劃分前56個數據為訓練集,后7個數據為測試集,再進行數據歸一化;經反復測試,設定輸入輸出節點數為2和1、單隱含層節點數為2、訓練次數為1 000等參數;確定訓練算法為trainlm和傳遞函數為tansig、purelin,學習率為0.01等參數,進行網絡訓練和測試;最后進行誤差分析得到預測結果。

2.4 LSTM網絡預測模型

LSTM模型是循環神經網絡(recurrent neural network,RNN)的改良模型,能解決RNN梯度消失和短時記憶的問題,該模型核心在于具有“門”的內部機制和細胞狀態,主要包括遺忘門、輸入門、輸出門來調節信息流,一系列的操作使得LSTM模型具有能選擇保存信息和遺忘信息的功能,具體原理見文獻[8]。該模型的建模過程和BP神經網絡模型類似,經過反復測試,設置LSTM輸入層、單隱含層、全連接層節點數分別為2、37、1,設定訓練迭代次數為1 000、初始學習率為0.005、優化算法為Adam等參數,再進行網絡訓練和權值不斷更新,達到設置的最小誤差線和訓練次數,利用模型測試后7期數據得到預測結果。

2.5 模型精度評價方法

據相關文獻研究[12],為了評估兩種模型的預測精度,本研究可通過計算均方根誤差(root mean aquare error,RMSE)、平均絕對誤差(mean absolute error,MAE)來評價預測模型的預測精度。

3 結果及分析

3.1 形變監測結果分析

3.1.1對比驗證分析

通過數據處理后得到PS-InSAR和SBAS-InSAR技術雷達視線向的形變監測結果如圖1和圖2所示。從圖中可以看出,PS-InSAR技術得到形變速率范圍為-46.91～40.84 mm/a,經分析,大部分形變速率位于-4～5 mm/a,SBAS-InSAR技術形變速率范圍為-49.47～37.59 mm/a,大部分形變速率位于-4～3 mm/a,兩種技術得到的形變速率范圍及量級大致吻合,沉降和抬升區域空間分布基本一致,曹妃甸沿海區地表形變在監測時段內大部分區域較相對穩定,部分區域表現出片狀形變分布特點。

圖1 PS-InSAR形變速率圖

圖2 SBAS-InSAR形變速率及重點沉降區圖

為了證明反演結果的可靠性及驗證兩種技術所得結果的相對一致性,各自在形變速率結果中均勻隨機選取相同地理坐標系下同一經緯度坐標的200多個同名點進行年平均形變速率的線性分析和相關性分析,分析結果如圖3所示,兩者線性關系較強,決定系數R2達0.987 9,擬合方程為y=0.988 6x-0.089 7,經計算,兩者的相關系數為0.993 9,可以看出兩者年均形變速率量級上具有較高一致性,因此可以證明本次監測結果是相對可靠的,同時也存在部分同名點的量級具有一定的偏差,主要原因是兩種技術的備選點算法不同[14-16]。

圖3 PS和SBAS形變速率線性關系

3.1.2重點沉降區域監測結果分析

經過上述分析,兩種監測結果在空間分布和量級上具有高度一致性,但是相比PS-InSAR結果,SBAS-InSAR技術得到的沉降速率結果在空間上更為連續,因此下文以SBAS形變結果進行相關分析,為提高分析的可靠性,選擇兩種技術形變速率結果空間分布相同的重點沉降區進行結果分析,區域如圖2方框A～C所示。

A區域位于曹妃甸沿海區的南部地區,如圖4(a),P1～P4為該區域所選取的四個沉降特征點。該區域沉降位置主要是位于明珠路-唐山鑫聯科技環保有限公司-西港碼頭-曹妃甸西站附近的區域,最大沉降速率為-49 mm/a,位于P1點明珠路附近。該區域臨近渤海,是新生代地層結構,分布著第四紀沖積細顆粒松散沉積物,主要是粉土、粉質黏土、粉砂為主,地表多為欠固結土壤,松軟且孔隙度高[4],是導致沉降的內在因素。結合歷史影像及相關文獻[5-6],該區域在監測時段內,為滿足建設開發及煉鋼廠等工廠用水需求,不斷抽取地下水,是造成地面沉降的主要原因之一,同時大量建筑施工造成了地表擾動,也是造成該區域地面沉降的重要因素。四個特征點的時序累積沉降量如圖5所示,P1點在2020年3月14日累計沉降量最大為231.4 mm,四個特征點的沉降量都呈現出非線性變化趨勢,預計未來可能會繼續發生沉降。

(a)A區域

圖5 特征點時序累計沉降量

B區域沉降范圍主要在曹妃甸東站下方-曹妃甸新城-曹妃甸綜合保稅區委員會附近,呈片狀分布,如圖4(b)所示,可以看出該區域沉降較為嚴重,P5～P7特征點分別位于曹妃甸職業技術學院附近、冀東油田公司瑞豐化工公司附近和濱海道附近,沉降速率分別為-39、-35和-34 mm/a,該區域的地質條件和A區基本相似,土質松散,且靠近海岸,易導致沉降,同時該區域存在大量水產養殖場等較多類型的工廠,唐山灣生態城的建筑規劃區進行大量的開發建設等[5],都需要抽取大量的地下水,對地表造成了較大擾動,導致了該區域呈現片狀的沉降分布。如圖5所示,P5～P7累積沉降量最大分別為-197.6、-177.8和-173 mm,三個特征點范圍內預計在未來可能會出現持續沉降,因此有關部門需要加強監測和防治。

C區沉降范圍主要位于五場五隊-曹妃甸北站-曹妃甸中小企業園區管委會附近,如圖4(c)所示,被遷曹高速、渤海大道、赤曹線和唐曹高速所環繞,呈現片狀分布的沉降特征,P8～P10分別位于文豐集團附近、赤曹線附近、河北廣銳德工程有限公司附近,沉降速率分別為-21、-31、-24 mm/a,該區域的地質條件和前兩個區域類似,較為脆弱,粉土為主,土質松散;結合歷史影像,發現存在大量的養殖場和中小企業工廠,同時監測時段內高速道路的修建和工程建設開發施工等人為活動過度抽取地下水和開挖大型基坑,導致該區域出現較大范圍的沉降現象。見圖5,三個特征點最大時序累積沉降量分別為-107.4、-152、-122.2 mm,同樣可能存在持續沉降的趨勢,因此該區域也需加強監測和防治。

3.2 預測結果分析

本文選擇C區域特征點P8的63期沉降量數據進行分析建模,P8數據集如圖5所示,以前56期數據為訓練集,后7期數據為測試集進行預測,對比兩種預測模型的精度,選出預測效果較好的預測模型。預測結果如圖6所示,可見兩種預測模型都能得到較好的預測結果,但是通過比較,發現LSTM網絡模型比BP神經網絡模型更接近實際值,表現出更為理想的預測效果。

圖6 實際值與兩種模型預測值對比

經精度評價指標計算,BP神經網絡模型的MAE和RMSE分別為4.87、5.31 mm,LSTM網絡模型分別為1.96和2.38 mm,后者預測值的兩個指標值明顯較低,其中MAE減少了2.91 mm,RMSE減少了2.93 mm,因此,在本次研究中,LSTM整體的預測效果相對較優于BP神經網絡模型,預測結果也更符合研究區的實際情況,同時能增強對非線性數據的預測能力,具有較好的泛化性和魯棒性[7]。

4 結束語

(1)兩種時序InSAR技術反演結果具有較高一致性,保證了結果的相對可靠性。研究區內最大沉降速率為-49 mm/a,最大累計沉降量為231.4 mm,其沉降范圍主要位于明珠路-唐山鑫聯科技環保有限公司-西港碼頭-曹妃甸西站附近的區域。

(2)地質條件脆弱、長期過度開采地下水、大規模的開發建設和工程擾動是造成研究區產生沉降的主要原因。

(3)通過沉降區特征點的時序數據預測分析,發現LSTM網絡模型整體的預測效果較優于BP神經網絡模型,預測結果也較符合研究區域的實際情況,其預測結果能夠對該地有關部門輔助決策、災害預警和緩解地面沉降提供一定的參考依據。