肖波，趙振峰，喜文飛，周定義，姜乃齊

(1.云南交通職業(yè)技術學院，云南 昆明 650500； 2.昆明理工大學國土資源工程學院，云南 昆明 650093；3.云南師范大學地理學部，云南 昆明 650500； 4.云南省核工業(yè)地質(zhì)調(diào)查院，云南 昆明 650106)

1 引 言

近年來，為主動融入國家提出的“一帶一路”和“長江經(jīng)濟帶”發(fā)展戰(zhàn)略，落實習近平總書記視察云南的重要指示，云南省調(diào)整《云南省道網(wǎng)規(guī)劃(2014-2030年)》中的高速公路網(wǎng)布局方案，提出了“五縱五橫一邊兩環(huán)二十聯(lián)”的高速公路布網(wǎng)方案，為“做強滇中、搞活沿邊、聯(lián)動廊帶、多點支撐、雙向開放”的戰(zhàn)略做好交通運輸服務。截至2020年底年，云南高速公路通車里程已經(jīng)超過 9 000 km。高速公路工程建設完成投入運營后，不可避免地會引發(fā)區(qū)域性的路面沉降，產(chǎn)生裂縫、裂隙、橋梁橋頭跳車等病害問題，破壞路基路面的穩(wěn)定性，影響行車安全，危及人們的生命和財產(chǎn)安全[1]。滇中城市區(qū)，包括昆明、曲靖、楚雄和玉溪4個州市，位于云南的發(fā)展核心區(qū)，密集的路網(wǎng)規(guī)劃和建設，更是高速公路路面沉降的高發(fā)區(qū)。因此，迫切需要監(jiān)測滇中城市區(qū)高速公路的形變發(fā)展趨勢，掌握其路基路面結構的穩(wěn)定性，保障高速公路的正常運營。

目前，高速公路的變形監(jiān)測已經(jīng)明顯地滯后于建設，如果繼續(xù)再利用傳統(tǒng)監(jiān)測方法，如水準儀、經(jīng)緯儀、全站儀、GNSS、填埋降標等，對大范圍的高速公路網(wǎng)進行安全排查，不僅耗時、耗力，養(yǎng)護人員的人身安全也得不到保障，且容易出現(xiàn)排查不到位、遺漏等問題。隨著空間衛(wèi)星的不斷升空，越來越多遙感數(shù)據(jù)的免費使用，新興的InSAR技術以無須大量的外業(yè)工作，就能獲得大范圍內(nèi)毫米級的形變監(jiān)測精度而備受人們的青睞。從2010年開始，陸續(xù)有國內(nèi)外學者將InSAR技術用于城市道路[2～4]、高速公路[5～8]、地鐵[9～12]等線性工程的形變監(jiān)測，驗證了InSAR技術對線性工程形變探測的可靠性及應用潛力。筆者檢索文獻發(fā)現(xiàn)，現(xiàn)有的研究中，眾多的學者選取的研究對象相對單一，僅對一條高速公路或是一個標段進行形變監(jiān)測與成因分析，針對大規(guī)模城市群高速公路網(wǎng)沿線地面沉降探測的研究不多，利用獲取的監(jiān)測成果進行預測的更是少見。為此，本文采用SBAS-InSAR技術和BP神經(jīng)網(wǎng)絡模型相結合的方法，對滇中地區(qū)(包括昆明、楚雄、玉溪、曲靖)的6條高速公路、昆明主城區(qū)的一、二、三環(huán)3條環(huán)線和繞城高速沿線災害進行識別與預測。首先利用69景2018年7月20日～2020年11月18日的Sentinel-1A SAR影像，借助SBAS-InSAR技術獲取高速公路沿線地表沉降范圍和沉降值，探測沿線的災害隱患點，再將其沉降值作為BP算法的訓練樣本，建立已訓練樣本和未來沉降值之間的函數(shù)模型；然后探討高速公路沿線識別出的21個潛在災害點的沉降特征；最后從沉降速率場中，隨機提取 1 000個沉降點值，作為BP神經(jīng)網(wǎng)絡的學習樣本，建立InSAR監(jiān)測值和沉降預測值之間的函數(shù)模型，預測未來賓川斷陷盆地的地面沉降趨勢。在輸入學習樣本的訓練刺激下，BP神經(jīng)網(wǎng)絡不斷改變網(wǎng)絡權值，逐漸使沉降預測值接近期望值[13]。該算法的學習能力較強，能夠處理復雜條件下的非線性形變問題，被廣泛地應用于沉降預測中，可為今后大范圍的道路管養(yǎng)和維護提供技術支持。

2 研究區(qū)與研究數(shù)據(jù)

2.1 研究區(qū)概況

滇中地區(qū)屬于滇東高原盆地，以山地和山間盆地地形為主，地勢起伏和緩。滇中地區(qū)包括：昆明、曲靖、楚雄和玉溪4個城市。滇中地區(qū)多盆地，集中了云南全省近一半的山間平地。區(qū)域位于長江、珠江和紅河上游，屬亞熱帶氣候，日照充足，四季如春，氣候宜人，干濕季分明。土壤類型以紅壤為主。植被類型多樣，多為次生植被和人工植被。范圍總面積 94 558 km2，占全省土地面積的24%。滇中地區(qū)是云南省經(jīng)濟社會最發(fā)達、資源稟賦和基礎條件最優(yōu)越、區(qū)位優(yōu)勢最顯著的區(qū)域，是聯(lián)系東南亞和南亞各個國家的重要物資集散通道，是銜接印度洋、太平洋的陸上樞紐。本文選取昆明市主城區(qū)一環(huán)、二環(huán)、三環(huán)3條典型的城市道路，及機場高速、內(nèi)外繞城高速、汕昆高速(昆明-陸良段)、晉紅高速(昆明-晉寧-紅塔區(qū))、昆玉高速(昆明-玉溪)、昆曲高速(昆明-曲靖)、杭瑞高速(昆明-祿豐恐龍山段)8條滇中地區(qū)的高速公路作為研究對象。研究區(qū)地理位置及高速公路分布如圖1所示。

圖1 研究區(qū)地理位置及高速公路分布圖

2.2 研究數(shù)據(jù)

本文從歐空局官網(wǎng)下載了69景覆蓋研究區(qū)范圍的sentinel-1A SAR，對應的精密軌道數(shù)據(jù)由ESA網(wǎng)站平臺獲取(https：//qc.sentinel1.eo.esa.int/)。SAR影像的具體參數(shù)如表1所示。為了去除地形效應的影響，本文獲取了日本宇宙航空研究開發(fā)機構(JAXA)2015年5月免費提供的全球數(shù)字地表模型數(shù)據(jù)，水平分辨率為 30 m(1弧秒)，高程精度 5 m。

表1 SAR影像的具體參數(shù)

3 研究方法

3.1 時序SBAS-InSAR技術原理

SBAS-InSAR技術是繼D-InSAR和PS-InSAR技術后，由Berardino和Lanari等人[14，15]提出的一種時間序列InSAR技術。該方法首先在獲取的多景SAR影像中挑選出一景作為超級主影像，在此基礎上，通過多主影像組合成一系列短基線干涉圖，有效地克服時間和空間失相干影響；然后根據(jù)干涉圖結果，選取沒有殘余地形條紋、形變條紋和相位躍變的GCP(Ground Control Points)點，對所有數(shù)據(jù)對進行重去平和軌道精煉；最后，聯(lián)合最小二乘法和奇異分解法(Singular Value Decomposition，SVD)求解時序地表形變。

時序SBAS-InSAR技術獲取的地表形變?yōu)榈乇砣S形變投影到雷達視線方向(Line of Sight，LOS)的形變速率，而高速公路沿線地表沉降主要考慮的是垂直形變，因此，需要將LOS向的形變速率投影到垂向上。

LOS向的形變量[16]為：

DLOS=(UNsinφ-UEcosφ)sinθ+UVcosθ

(1)

式(1)中，UN、UE和UV表示南北、東西和垂直方向的地表形變分量，φ表示方位角，θ表示入射角?？紤]到InSAR技術對南北、東西方向的形變不敏感，不管是降軌還是升軌，垂直形變對LOS向形變的貢獻都在90%以上[17]，本文垂直方向上的形變計算公式為：

UV≈DLOS/cosθ

(2)

3.2 BP神經(jīng)網(wǎng)絡預測模型建立

BP(Back Propagation)神經(jīng)網(wǎng)絡是由Rumelhart和McCelland等研究人員1986年提出的一種誤差后向傳播算法[18]。如圖2所示，BP模型由輸入層、隱含層、輸出層3層組成，其原理[19]為：

圖2 BP神經(jīng)網(wǎng)絡示意圖

設時間序列X(i)，i=1，2，…，N，N為數(shù)據(jù)個數(shù)，非線性的時間序列預測模型為：

X(t)=φ[X(t-1)，…，X(t-p)]

(3)

式中，φ[·]為非線性函數(shù)，p為模型的階數(shù)。由時間序列可以構造(N-p)個樣本，樣本號輸入層和輸出層為：

神經(jīng)網(wǎng)絡建模的本質(zhì)就是用神經(jīng)網(wǎng)絡的隱式來表達輸入與輸出的函數(shù)關系，將所構造樣本集代入網(wǎng)絡進行訓練，建立從輸入到輸出之間的非線性的映射關系，并將“知識信息”儲存在連接權上。因而，可用于非線性分類、預測等問題，作為函數(shù)計算器，能以任意精度逼近任何非線性函數(shù)[20]。

誤差后向傳播過程是通過使能量函數(shù)最小化來完成輸入輸出的映射。將能量函數(shù)E定義為輸出層單元的均方誤差，設有(N-p)個學習樣本，則：

(4)

式中，x(t)，yi分別為樣本i的實際輸出和希望輸出。

4 實驗結果與分析

4.1 滇中地區(qū)高速公路沿線沉降分布特征

本文使用SARscape軟件，對研究區(qū)內(nèi)的69景Sentinel-1A SAR影像進行處理，為了更清晰、準確地探討道路沿線地表形變對行車安全的影響，本文在城區(qū)道路(一環(huán)、二環(huán)) 200 m范圍內(nèi)，三環(huán)及其余各高速公路 1 000 m范圍內(nèi)建立緩沖區(qū)，提取道路沿線的形變特征及時空分布，如圖3所示。圖3中，形變速率值小于0的區(qū)域(紅色)，表示遠離衛(wèi)星運動，實際地表表現(xiàn)為沉降；形變速率大于0的區(qū)域(綠色)，表示朝著衛(wèi)星運動，實際地表表現(xiàn)為抬升。研究區(qū)內(nèi)3條城市主干道及8條高速公路分布范圍內(nèi)，2018年7月～2020年11月期間，累積沉降速率為 -64.54 mm/a～+44.68 mm/a，地表形變廣泛分布，共探測出22處明顯沉降區(qū)域，分別編號為1～22。

圖3 研究區(qū)形變速率

為了更清晰、準確地描述SBAS-InSAR技術探測識別的明顯沉降點，將22個沉降漏斗的沉降特征及危險性統(tǒng)計如表2所示。滇中地區(qū)的高速網(wǎng)絡明顯沉降點最多的為昆明繞城高速公路，一共識別出6個沉降點，編號分別為6、7、11、12、15、16；沉降最嚴重的為三環(huán)線的4號沉降點，最大沉降速率為 -76.50 mm/a，位于靠近滇池附近的草海隧道一帶，涉及草海左岸的董家村、小圍村，右岸從西向東沿線的新河村、河尾村、楊家塘、小河尾、太河村等地，沉降面積約為 6.7 km2；研究區(qū)內(nèi)較為穩(wěn)定的高速公路為杭瑞高速昆明至楚雄段，除跨越昆明主城區(qū)的3號沉降點外，基本處于穩(wěn)定狀態(tài)。本文按照探測的22個沉降點的沉降速率，采用自然斷點法，將其對高速公路運營的可能影響程度分為輕微、一般、嚴重三個等級，由表2可知，可能致災的沉降點為12個，占識別總個數(shù)的54.5%；影響一般的為8個，占比為36.4%；輕微的僅為2個，占比為9.1%。

表2 滇中地區(qū)高速公路網(wǎng)沿線沉降情況

續(xù)表2

4.2 滇中地區(qū)高速公路網(wǎng)絡地表沉降預測

從上述的監(jiān)測結果可以知道，滇中地區(qū)高速網(wǎng)絡不同路段均出現(xiàn)了不均勻的沉降現(xiàn)象，涉及的沉降區(qū)域，范圍大、零星分布。為了縮小監(jiān)測范圍，準確、及時地進行管養(yǎng)，本文在沉降監(jiān)測的基礎上，隨機選取研究區(qū)的高速公路網(wǎng)沿線緩沖區(qū)范圍內(nèi)的沉降監(jiān)測點，利用BP神經(jīng)網(wǎng)絡模型對未來的沉降趨勢進行預測分析。試驗中，從研究區(qū)內(nèi)隨機抽取 1 000組InSAR監(jiān)測數(shù)據(jù)，選出980組數(shù)據(jù)作為計算樣本，在980組數(shù)據(jù)中，選取80%作為訓練樣本，20%作為測試樣本，得到滇中地區(qū)高速公路沉降趨勢預測的BP神經(jīng)網(wǎng)絡模型，利用剩余的20組數(shù)據(jù)對該模型進行驗證。根據(jù)選取的數(shù)據(jù)，利用Matlab軟件構建BP神經(jīng)網(wǎng)絡模型訓練時，設置的參數(shù)如下：學習速率0.03，訓練目標0.001、訓練次數(shù) 20 000。驗證比對結果和最佳迭代次數(shù)如圖4所示。圖4(a)中預測輸出值用藍色星號表示，期望輸出值(SBAS監(jiān)測值)用紅色圓圈表示；圖4(b)中橫坐標表示BP神經(jīng)網(wǎng)絡訓練時的迭代收斂次數(shù)，縱坐標表示均方誤差。實驗結果表明，BP神經(jīng)網(wǎng)絡預測的均方誤差為 0.167 mm，平均絕對誤差為 0.379 mm。進一步統(tǒng)計BP神經(jīng)網(wǎng)絡預測的精度，如表3所示，SBAS監(jiān)測值與BP神經(jīng)網(wǎng)絡預測值之間的最大誤差為 0.666 mm/a。說明BP神經(jīng)網(wǎng)絡模型對滇中地區(qū)高速公路地表沉降值預測效果較好，可為今后的道路災害識別普查提供必要的技術手段支持。

圖4 BP神經(jīng)網(wǎng)絡預測試驗結果

表3 BP神經(jīng)網(wǎng)絡模型預測精度統(tǒng)計表

5 結 語

本文運用SBAS-InSAR技術和SARScape軟件處理68景滇中地區(qū)的Sentinel-1A影像，獲取昆明主城區(qū)道路(一環(huán)、二環(huán))200 m范圍內(nèi)，三環(huán)及滇中地區(qū)高速公路網(wǎng) 1 000 m范圍內(nèi)，道路沿線的地表形變特征及時空分布，對研究范圍內(nèi)的地表沉降特征進行分析；同時，利用BP神經(jīng)網(wǎng)絡模型，預測研究區(qū)內(nèi)的沉降趨勢，得出以下結論：

(1)研究區(qū)內(nèi)3條城市主干道及8條高速公路分布范圍內(nèi)，2018年7月～2020年11月期間，累積沉降速率為 -76.50 mm/a～+44.68 mm/a，地表形變廣泛分布，共探測出22個災害隱患點；

(2)BP神經(jīng)網(wǎng)絡模型的學習能力和容錯能力較強，對滇中地區(qū)高速公路地表沉降值預測效果接近InSAR監(jiān)測值，可為今后的滇中地區(qū)高速公路致災范圍圈定提供依據(jù)。