基于SBAS-InSAR技術與LSTM模型的徐州市地鐵3號線地表沉降分析

酈嘉輝, 胡晉山*, 岳佳樂, 康建榮, 黃 酈

(1.江蘇師范大學 地理測繪與城鄉規劃學院,江蘇 徐州 221116; 2.南京航天宏圖信息技術有限公司,江蘇 南京210000)

地表沉降是地下土層運動在地表上的反映,雖致災緩慢,但一經發現便難以恢復[1].隨著城市化進程的不斷發展,城市建設體系逐漸成熟,地下鐵路工程逐漸興起,然而,地鐵在方便居民出行的同時也會導致地面沉降的產生[2-3].目前,用于地鐵沉降監測的技術主要有水準測量、GNSS(global navigation satellite system)測量等.雖然這些監測技術的精度高,但它們只適用于小范圍內的沉降監測,在進行大范圍的沉降監測時,由于地質條件、地物特征和地貌環境的差異,則不具普適性,無法滿足各種環境下的測量[4].合成孔徑雷達干涉測量(differential interferometric synthetic aperture radar,D-InSAR)技術是近些年發展起來的一種遙感技術,相比已有的監測技術,具有測量范圍廣、精度高、全天時、人力物力損耗低等優勢,已經成為城市地表沉降監測和災害隱患點識別的主要手段之一[5-6].

短基線集干涉測量(small baseline subset interferometric synthetic aperture radar,SBAS-InSAR)技術是在D-InSAR技術基礎上發展起來的,它克服了時空失相干和大氣延遲的影響,同時,很好地避免了D-InSAR對于影像數量要求高的限制[7].應用SBAS-InSAR技術對城市地鐵沿線地表沉降監測的研究結果表明,該技術能夠獲得大范圍、高精度的長時間序列地表沉降監測結果[8-11].

為了獲知地表沉降趨勢,越來越多的神經網絡模型被應用于地表沉降預測與模擬研究中.傳統的前饋式(back-propagation,BP)神經網絡模型具有很好的容錯能力、泛化能力、非線性映射能力及自學習和自適應能力,但隨著樣本數據量及復雜程度的增加,BP神經網絡產生了收斂速度慢、局部極小化、預測能力與訓練能力相矛盾以及對于樣本數據具有依賴性等問題[12].長短期記憶(long short-term memory,LSTM)神經網絡模型可以更好地預測長時間序列的樣本數據,同時,克服了BP神經網絡模型在編譯過程中產生的長距離依賴等問題[13].因此,本文在采用SBAS-InSAR技術反演徐州市地鐵3號線沿線地表沉降信息的基礎上,應用LSTM神經網絡模型對該地鐵沿線地表沉降進行預測分析.

1 研究方法

1.1 SBAS-InSAR技術

SBAS-InSAR技術是時序InSAR技術的一種,其基本原理是根據研究區內的SAR影像數據,以實際情況設定相應的時間基線閾值和空間基線閾值,將影像數據分割成若干個小集合,且保證每個小集合內的基線小而集合間的基線大[14],然后,以最小二乘法獲取研究區內每個點的沉降信息,再使用奇異值分解法聯合各個點的信息以獲得監測區域內整體的微小沉降[15].算法及技術流程見文獻[16].

本文通過SARscape軟件中的SBAS-InSAR模塊進行InSAR干涉處理,具體流程為:1)生成連接圖.由于徐州市溫度和濕度較為適宜,植被茂盛,考慮到影像時間跨度較大,因此,將空間基線與時間基線閾值分別設置為45 m和520 d,生成干涉像對,并進行解纏.2)生成干涉流.通過軟件自動選取主副影像并進行配準,利用Goldstein法和Minimum Cost Flow法進行濾波處理及相位解纏,得到差分干涉相位,應用大氣校正數據——GACOS[17]進行大氣改正.3)軌道精煉及重去平.該步驟是為了估算和移除殘余的恒定相位以及在解纏后產生的相位坡道.由于在SBAS-InSAR處理中手動選擇的GCP(ground control point)精度較低,因此,將通過PS-InSAR自動生成的穩定控制點作為SBAS-InSAR的GCP進行處理.4)SBAS反演.對研究區內的沉降速率及殘余地形進行第1次反演,估算殘余地形相位以及沉降速率,并做解纏處理;在第1次反演的基礎上進行第2次反演,獲得時間序列上的位移,通過大氣濾波去除大氣相位,得到相應的沉降速率,通過空間高通濾波和時間低通濾波對殘余相位進行處理,選擇1 200 m和365 d作為默認窗口參數,相關系數閾值設置為0.35,選取polynomial refinement法進行軌道精煉,將濾波后得到的大氣延遲相位與差分干涉相位之間的差值作為最終的干涉相位進行時序分析,獲得沉降結果.5)地理編碼.將沉降結果通過投影轉換成WGS84坐標系下的結果,獲得整個研究區內最終的沉降速率.

1.2 LSTM神經網絡模型

LSTM神經網絡模型是循環網絡模型的一種,訓練速度快、數據處理能力強,對于長時間序列的數據處理能夠獲得較為精確的預測結果[18].遺忘門限、輸入門限、輸出門限以及神經單元狀態組成了LSTM神經網絡整體模型,計算公式見文獻[19].

2 研究區概況及數據源

2.1 區域概況

徐州市地處江蘇省的西北部,是淮海經濟區的中心城市,位于116°22′—118°40′E,33°43′—34°58′N,包含5個市轄區、3個縣及2個縣級市.徐州市地鐵3號線于2016年8月開工建設,2021年6月正式通行;呈南北走向,全長18.13 km,設16個站,途經云龍區、泉山區、銅山區和鼓樓區,是徐州市建成的第3條地鐵線.

2.2 數據源

選取2016年8月至2022年5月期間覆蓋徐州市的77景Sentinel-1A影像數據.影像數據采用IW成像模式,入射角為36.6°,VV單極化方式.實測數據為徐州市地鐵3號線正上方的地表水準觀測值(采用天寶DINI035型電子水準儀觀測),于2018年9月26日至2019年12月22日期間進行觀測, 7 d觀測1次,沿路共布設87個水準觀測點,點間隔為15 m左右.由于觀測點數據量和篇幅的限制,本文只考慮徐州市地鐵3號線下淀站至白云站間的12個觀測點,觀測點位置及其水準觀測沉降曲線如圖1所示.

3 徐州市地鐵3號線地表沉降監測分析

3.1 地鐵3號線沿線地表沉降分析

采用SBAS-InSAR技術反演徐州市地鐵3號線沿線從開挖到運營期間的地表沉降信息.

3.1.1 地鐵3號線沿線地表的沉降速率圖2為2016年8月至2022年5月期間徐州市地鐵3號線沿線地表的沉降速率(研究范圍為該地鐵線路半徑500 m的緩沖區),其中:2016年8月至2021年6月為徐州市地鐵3號線的開挖建設階段;2021年7月至2022年5月為徐州市地鐵3號線的運營階段.由圖2可知,5年多來,徐州市地鐵3號線沿線地表的沉降速率為-7.6～4.1 mm/a(圖2a),開挖建設階段地表的沉降速率為-13.9～11.7 mm/a(圖2b),運營階段地表的沉降速率為-5.9～5.1 mm/a(圖2c),開挖建設階段的沉降速率明顯大于運營階段.

圖1 徐州市地鐵3號線下淀站至白云站間部分觀測點及其沉降曲線Fig.1 Observation points and their subsidence curves between Xiadian station and Baiyun station along metro line 3 in Xuzhou

圖2 徐州市地鐵3號線沿線地表的沉降速率Fig.2 Subsidence rate of ground surface along metro line 3 in Xuzhou

3.1.2 地鐵3號線沿線地表沉降量圖3為徐州市地鐵3號線沿線地表時序累計沉降量的反演結果,A、B區域為地表沉降較大的區域,其中A區域位于鼓樓區下淀路段,此處有地表水準觀測數據.從圖3a—3e可知,在2016年8月29日至2018年6月8日期間,地鐵3號線沿線地表出現了抬升現象,這是由于此階段處于地鐵建設初期,為了防止雨水回灌,地鐵沿線的路面進行了墊高;從2018年11月起,隨著地下工程建設的不斷進展,地鐵3號線地表整體呈現下沉趨勢(圖3f—3m).由圖3f—3h可知,在2018年11月至2019年10月期間,A區域有明顯的下沉,且沉降量在20.0 mm左右,這與圖1中水準觀測數據的時間與數值相吻合.2019年12月以后,A區域地表一直處于下沉狀態.經過實地考察,發現該處路面存在坑洼及裂縫,且裂縫不斷擴大,與InSAR監測結果相符.地鐵3號線沿線地表的最大沉降位置位于B區域(徐州市銅山區湘江路段),最大沉降量為34.3 mm(圖3m),此地面路段自2019年開始施工,于2022年5月收尾,在此期間,玉泉河站附近有明顯的沉降.除A、B兩個區域外,地鐵3號線從建設到運營期間沿線地表其他區域沉降區雖有起伏,但相對穩定,未有太大的地表變化.

應用圖3中A區域部分水準觀測數據驗證SBAS-InSAR技術監測地表沉降的準確性,由于實測水準點較為密集,且水準觀測時間與衛星拍攝時間不同,為了保持時間的一致性,將SBAS-InSAR沉降監測結果按水準觀測數據的日期進行插值.選取圖1中12個水準點在2019年1月21日至2019年10月25日期間的時序沉降量,驗證SBAS-InSAR反演結果的精度,具體結果見表1、表2.

表1是以2019年1月21日的觀測值為基準,分別計算該區域后期9期時序累計沉降量.表2為12個水準點2019年1月21日至2019年10月25日期間累計沉降量的對比結果,從表1和表2中可以得到,該期間沉降量的水準觀測值與SBAS值的最大差值為8.8 mm,12個點的均方根誤差為3.8 mm,平均絕對誤差為2.9 mm,SBAS-InSAR技術和水準觀測處理的總體沉降趨勢基本相同,雖然存在一定的誤差,但總體誤差在1 cm以內.

圖3 徐州市地鐵 3 號線沿線地表時序累計沉降量Fig.3 Cumulative surface subsidence in time series along metro line 3 in Xuzhou

表1 SBAS與水準觀測的沉降結果Tab.1 Subsidence results of SBAS and leveing observations

3.2 LSTM神經網絡模型預測

通過SBAS-InSAR技術獲取的地面沉降信息是一組雜亂無序的分散數據,這些分散數據由非線性的時間序列構成,表示為X=(X1,X2,…,Xn),其中n表示沉降量的觀測次數.利用LSTM神經網絡模型進行地表沉降預測,建立已有樣本數據與預測數據之間的映射關系,即設置窗口參數來進行滾動預測.LSTM神經網絡預測模型整體分為樣本數據預處理、重要參數的選定及預測結果輸出3個部分.

表2 累計沉降結果對比Tab.2 Comparison of accumulated subsidence results

1)樣本數據預處理.應用SBAS-InSAR技術反演出徐州市地鐵3號線沿線地表區域內2016—2022年期間的沉降結果,由于在進行InSAR技術處理時,影像數據獲取的時間間隔并不是等間距的,所以對得到的沉降結果進行插值處理,共得到51期數據,通過整理得到一組向量數據.采用歸一化處理,將復雜的數據轉換至一定區間內,目的是更方便對相同量級的數據進行評估,提高算法的處理速度.

本文采用的歸一化公式為

2)參數選擇.在進行時間序列數據預測的同時,將全部數據劃分為訓練數據與測試數據.將SBAS-InSAR反演得到的前42期沉降數據(2016-08-29—2021-05-11)作為樣本數據進行學習訓練,最后9期數據(2021-06-04—2022-05-06)作為測試數據進行對比驗證.對模型中的參數,如迭代次數、學習效率、隱藏層數及隱藏單元數等進行初始化;然后將訓練集輸入,以損失函數的優劣及損失值的大小來選取最佳初始參數.

3)結果輸出.基于1)、2)兩個步驟進行地表沉降預測,輸出最后的結果.預測結果見圖4.

為了驗證LSTM神經網絡預測模型對于地表沉降預測的精確性,將圖4的結果計算誤差,采用決定系數R2、均方根誤差(RMSE)、平均絕對誤差(MAE)對模型進行精度評定,結果見表3.

圖4 SBAS反演結果與LSTM模型預測結果Fig.4 The results of SBAS inversion and LSTM model prediction

表3 LSTM模型預測誤差Tab.3 The errors of LSTM model prediction

由表3和圖4可知,應用LSTM模型預測的結果與SBAS反演值較為接近,且兩者的沉降趨勢保持一致.有11個點的平均絕對誤差為1.0 mm左右,其中最大均方根誤差為1.6 mm,最小決定系數為0.5,預測結果較為滿意;P4點的平均絕對誤差較大,達到1.9 mm,說明該點的預測效果相較于其他點較差.但總體來看,LSTM模型預測結果的滿意度達92%,預測結果較為穩定,精度較高,這說明LSTM神經網絡預測模型可以輔助InSAR技術對城市地表沉降進行預測.

4 結語

本文基于Sentinel-1A影像對徐州市地鐵3號線沿線地表從開挖到運營階段進行了沉降監測,并結合水準觀測數據對SBAS反演結果進行了驗證,最后,應用LSTM神經網絡模型對地表沉降進行了預測模擬,結論如下:1)水準觀測數據與SBAS-InSAR監測結果的平均絕對誤差為2.9 mm,總體來看SBAS-InSAR技術的監測結果誤差在1 cm以內;2)徐州市地鐵3號線及其沿線周邊區域未出現比較嚴重的地面沉降,但整體呈現下沉趨勢;3)LSTM神經網絡預測模型對于城市地鐵沿線地表沉降預測精度較高,將LSTM模型與InSAR技術相結合,可以實現對城市地表沉降的監測與預測.