蔡 文 劉向銅 曹秋香

(1.東華理工大學(xué) 測(cè)繪與空間信息工程學(xué)院,江西 南昌 330013;2.東華理工大學(xué) 自然資源部環(huán)鄱陽(yáng)湖區(qū)域礦山環(huán)境監(jiān)測(cè)與治理重點(diǎn)實(shí)驗(yàn)室,江西 南昌 330013;3.東華理工大學(xué) 地球科學(xué)學(xué)院,江西 南昌 330013)

0 引言

城市地表沉降是近年來(lái)比較嚴(yán)重的地質(zhì)災(zāi)害,是自然和人為因素共同作用的結(jié)果,沉降帶來(lái)危害主要表現(xiàn)在建筑物出現(xiàn)破損、道路、地下工程等設(shè)施的破壞,對(duì)人民的生命及財(cái)產(chǎn)安全造成嚴(yán)重威脅[1],曹妃甸區(qū)處于唐山市南部的沿海地區(qū),是該市沉降較為嚴(yán)重的地區(qū)之一,近年來(lái)由于過(guò)度抽取地下水和城市建設(shè)等因素,曹妃甸沿海區(qū)已發(fā)生了不同程度的沉降現(xiàn)象,因此,對(duì)于該區(qū)地面沉降的時(shí)空變化進(jìn)行監(jiān)測(cè)、分析及預(yù)測(cè)是很有必要的。目前,傳統(tǒng)的進(jìn)行地面沉降監(jiān)測(cè)的手段主要有水準(zhǔn)測(cè)量、全球定位系統(tǒng)(global positioning system,GPS)等局部單點(diǎn)測(cè)量方式,具有成本高、監(jiān)測(cè)范圍小等特點(diǎn),而時(shí)序合成孔徑雷達(dá)干涉(time-series interferometric synthetic aperture radar,TS-InSAR)技術(shù),具有高精度、監(jiān)測(cè)范圍大、成本低等特點(diǎn)而被廣泛運(yùn)用,時(shí)序InSAR技術(shù)應(yīng)用較廣泛的主要是永久散射體雷達(dá)干涉(permanent scatterer-InSAR,PS-InSAR)測(cè)量技術(shù)[2]和短基線集雷達(dá)干涉(small baseline subset-InSAR,SBAS-InSAR)測(cè)量技術(shù)[3],使用這兩種技術(shù)能較好地減小時(shí)空去相關(guān)、大氣延遲效應(yīng)的影響,得到的監(jiān)測(cè)結(jié)果能達(dá)到毫米級(jí)的精度。2016—2020年以來(lái)部分學(xué)者利用PS-InSAR技術(shù)對(duì)曹妃甸區(qū)地表沉降情況進(jìn)行監(jiān)測(cè),并分析了導(dǎo)致地面沉降的因素[4-6]。由于某些地區(qū)存在持續(xù)沉降的風(fēng)險(xiǎn),對(duì)于沉降嚴(yán)重的區(qū)域如何利用 InSAR時(shí)序數(shù)據(jù)對(duì)地面沉降進(jìn)行預(yù)測(cè)的相關(guān)工作是有必要的。

時(shí)間序列預(yù)測(cè)模型種類較多,而長(zhǎng)短期記憶(longshort-term memory,LSTM)網(wǎng)絡(luò)模型作為一類專門處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò),其對(duì)時(shí)間序列數(shù)據(jù)特征學(xué)習(xí)有著獨(dú)特的優(yōu)勢(shì),多位學(xué)者[7-9]利用LSTM網(wǎng)絡(luò)模型結(jié)合其他預(yù)測(cè)模型進(jìn)行對(duì)比分析,并對(duì)模型進(jìn)行了優(yōu)化和改良,為地面沉降預(yù)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(shù)對(duì)研究區(qū)短時(shí)間段內(nèi)進(jìn)行沉降監(jiān)測(cè)分析,隨著曹妃甸區(qū)近年來(lái)經(jīng)濟(jì)高速發(fā)展,近幾年對(duì)該研究區(qū)結(jié)合PS-InSAR和SBAS-InSAR兩種技術(shù)進(jìn)行長(zhǎng)時(shí)間序列地面沉降監(jiān)測(cè)及預(yù)測(cè)分析的研究相對(duì)較少,因此,本文以2017—2022年的63景Sentinel-1A數(shù)據(jù)為數(shù)據(jù)源,利用兩種時(shí)序InSAR技術(shù)反演得到曹妃甸沿海區(qū)近五年的地面形變速率和時(shí)序累計(jì)形變量,交叉驗(yàn)證兩種技術(shù)得到的形變結(jié)果,對(duì)沉降嚴(yán)重區(qū)域的形變?cè)蜻M(jìn)行分析,并基于特征點(diǎn)的時(shí)序沉降量,使用反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)和LSTM網(wǎng)絡(luò)預(yù)測(cè)模型分別進(jìn)行預(yù)測(cè)分析,將預(yù)測(cè)結(jié)果與真實(shí)沉降量進(jìn)行精度對(duì)比驗(yàn)證,比較兩種模型的預(yù)測(cè)效果,預(yù)測(cè)效果更符合實(shí)際情況的模型能為相關(guān)決策部門災(zāi)害治理和早期防治提供一定的參考依據(jù)。

1 研究區(qū)與數(shù)據(jù)源

1.1 研究區(qū)概況

曹妃甸沿海區(qū)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(shì)逐漸變緩,地形較平坦,該地區(qū)積累了大量的第四紀(jì)松散沉積物,土壤質(zhì)地種類主要是粉土、粉細(xì)砂及粉質(zhì)黏土,土質(zhì)較疏松,地表承載力較弱[10],地質(zhì)構(gòu)造方面,該區(qū)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(gòu)造格局[4];該區(qū)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(dǎo)致地下水被大量開(kāi)采,因此出現(xiàn)了多個(gè)水位下降漏斗;城市建設(shè)發(fā)展方面,該地近年來(lái)響應(yīng)“一港雙城”政策,進(jìn)行了大量的工程建設(shè),而大量的工程建設(shè)勢(shì)必會(huì)對(duì)地表進(jìn)行擾動(dòng)[5]。

1.2 數(shù)據(jù)源

本文從阿拉斯加開(kāi)放數(shù)據(jù)中心獲取時(shí)間跨度為2017年3月16日—2022年5月1日覆蓋本研究區(qū)的63景C波段Sentinel-1A寬幅模式的垂直發(fā)射垂直接收(vertical transmit,vertical receive,VV)極化數(shù)據(jù),每月一景,基本參數(shù)如表1所示。輔助數(shù)據(jù)為定位精度優(yōu)于5 cm的精密定軌星歷(precise orbit ephemerides,POD)數(shù)據(jù),外部數(shù)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(jí)陸地觀測(cè)衛(wèi)星(advanced land observing satellite,ALOS)提供的12.5 m空間分辨率的高程數(shù)據(jù)。

2 研究方法與數(shù)據(jù)處理

2.1 PS-InSAR技術(shù)

PS-InSAR技術(shù)是利用多景覆蓋研究區(qū)范圍的SAR數(shù)據(jù),生成多個(gè)干涉對(duì),使用振幅離差指數(shù)或者相干系數(shù)等方法找出高相干性的點(diǎn)目標(biāo),分離出目標(biāo)點(diǎn)的地形、噪聲等相位來(lái)監(jiān)測(cè)研究區(qū)地面形變的過(guò)程,具體原理及公式見(jiàn)文獻(xiàn)[2]。本次數(shù)據(jù)處理軟件平臺(tái)為SARscape,該技術(shù)的關(guān)鍵數(shù)據(jù)處理情況如下:數(shù)據(jù)預(yù)處理后進(jìn)行基線估計(jì),選取了2019年9月2日影像為主影像;再進(jìn)行配準(zhǔn)、干涉、去平、濾波等操作得到差分干涉圖;然后進(jìn)行兩次反演,設(shè)定相干性閾值0.75,選擇高相干點(diǎn)和分離大氣等相位,最后進(jìn)行地理編碼得到形變結(jié)果。

2.2 SBAS-InSAR技術(shù)

SBAS-InSAR技術(shù)是將多景SAR數(shù)據(jù)進(jìn)行兩兩組合得到較短基線的多個(gè)干涉對(duì),分離大氣、地形、噪聲等相位信息,再使用奇異值分解法聯(lián)合求解得到相干點(diǎn)地表形變信息,具體原理及公式見(jiàn)文獻(xiàn)[3]。本次數(shù)據(jù)處理軟件平臺(tái)為SARscape,關(guān)鍵數(shù)據(jù)處理情況如下:首先進(jìn)行基線估計(jì)和影像連接,自動(dòng)選擇的超級(jí)主影像為2019年10月8日,設(shè)置最大空間基線閾值為臨界基線45%,最大時(shí)間基線閾值為200 d,估算得到的最長(zhǎng)和最短空間基線分別為1.68 m和206.46 m,最長(zhǎng)和最短時(shí)間基線分別為12 d和192 d,共得到328個(gè)干涉對(duì),再進(jìn)行干涉工作流,解纏閾值和相干性閾值設(shè)置為0.3,解纏方法為最小費(fèi)用流(minimum cost flow,MCF)法,剔除質(zhì)量不佳像對(duì);再利用改進(jìn)后選擇控制點(diǎn)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(jié)果中進(jìn)行篩選,得到28個(gè)控制點(diǎn)進(jìn)行坐標(biāo)轉(zhuǎn)換,再進(jìn)行重去平和軌道精煉及反演;最后進(jìn)行地理編碼得到形變結(jié)果。

2.3 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

BP神經(jīng)網(wǎng)絡(luò)能用來(lái)模擬神經(jīng)系統(tǒng)的功能和相關(guān)的行為特征,利用神經(jīng)元之間的相互連接來(lái)解決數(shù)學(xué)中的非線性問(wèn)題,具體原理可見(jiàn)文獻(xiàn)[7]。本文預(yù)測(cè)模型處理的數(shù)據(jù)是特征點(diǎn)的時(shí)間序列地面沉降數(shù)據(jù),共63期的沉降數(shù)據(jù),只考慮時(shí)間的影響,因此是基于歷史值影響的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,經(jīng)過(guò)反復(fù)測(cè)試,該模型主要建模過(guò)程如下:讀取數(shù)據(jù),設(shè)定自回歸階數(shù)為2,即當(dāng)前t時(shí)刻的預(yù)測(cè)值由t-1和t-2時(shí)刻的實(shí)際值作為輸入指標(biāo)的數(shù)據(jù)集進(jìn)行預(yù)測(cè);劃分前56個(gè)數(shù)據(jù)為訓(xùn)練集,后7個(gè)數(shù)據(jù)為測(cè)試集,再進(jìn)行數(shù)據(jù)歸一化;經(jīng)反復(fù)測(cè)試,設(shè)定輸入輸出節(jié)點(diǎn)數(shù)為2和1、單隱含層節(jié)點(diǎn)數(shù)為2、訓(xùn)練次數(shù)為1 000等參數(shù);確定訓(xùn)練算法為trainlm和傳遞函數(shù)為tansig、purelin,學(xué)習(xí)率為0.01等參數(shù),進(jìn)行網(wǎng)絡(luò)訓(xùn)練和測(cè)試;最后進(jìn)行誤差分析得到預(yù)測(cè)結(jié)果。

2.4 LSTM網(wǎng)絡(luò)預(yù)測(cè)模型

LSTM模型是循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)的改良模型,能解決RNN梯度消失和短時(shí)記憶的問(wèn)題,該模型核心在于具有“門”的內(nèi)部機(jī)制和細(xì)胞狀態(tài),主要包括遺忘門、輸入門、輸出門來(lái)調(diào)節(jié)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(jiàn)文獻(xiàn)[8]。該模型的建模過(guò)程和BP神經(jīng)網(wǎng)絡(luò)模型類似,經(jīng)過(guò)反復(fù)測(cè)試,設(shè)置LSTM輸入層、單隱含層、全連接層節(jié)點(diǎn)數(shù)分別為2、37、1,設(shè)定訓(xùn)練迭代次數(shù)為1 000、初始學(xué)習(xí)率為0.005、優(yōu)化算法為Adam等參數(shù),再進(jìn)行網(wǎng)絡(luò)訓(xùn)練和權(quán)值不斷更新,達(dá)到設(shè)置的最小誤差線和訓(xùn)練次數(shù),利用模型測(cè)試后7期數(shù)據(jù)得到預(yù)測(cè)結(jié)果。

2.5 模型精度評(píng)價(jià)方法

據(jù)相關(guān)文獻(xiàn)研究[12],為了評(píng)估兩種模型的預(yù)測(cè)精度,本研究可通過(guò)計(jì)算均方根誤差(root mean aquare error,RMSE)、平均絕對(duì)誤差(mean absolute error,MAE)來(lái)評(píng)價(jià)預(yù)測(cè)模型的預(yù)測(cè)精度。

3 結(jié)果及分析

3.1 形變監(jiān)測(cè)結(jié)果分析

3.1.1對(duì)比驗(yàn)證分析

通過(guò)數(shù)據(jù)處理后得到PS-InSAR和SBAS-InSAR技術(shù)雷達(dá)視線向的形變監(jiān)測(cè)結(jié)果如圖1和圖2所示。從圖中可以看出,PS-InSAR技術(shù)得到形變速率范圍為-46.91～40.84 mm/a,經(jīng)分析,大部分形變速率位于-4～5 mm/a,SBAS-InSAR技術(shù)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(shù)得到的形變速率范圍及量級(jí)大致吻合,沉降和抬升區(qū)域空間分布基本一致,曹妃甸沿海區(qū)地表形變?cè)诒O(jiān)測(cè)時(shí)段內(nèi)大部分區(qū)域較相對(duì)穩(wěn)定,部分區(qū)域表現(xiàn)出片狀形變分布特點(diǎn)。

圖1 PS-InSAR形變速率圖

圖2 SBAS-InSAR形變速率及重點(diǎn)沉降區(qū)圖

為了證明反演結(jié)果的可靠性及驗(yàn)證兩種技術(shù)所得結(jié)果的相對(duì)一致性,各自在形變速率結(jié)果中均勻隨機(jī)選取相同地理坐標(biāo)系下同一經(jīng)緯度坐標(biāo)的200多個(gè)同名點(diǎn)進(jìn)行年平均形變速率的線性分析和相關(guān)性分析,分析結(jié)果如圖3所示,兩者線性關(guān)系較強(qiáng),決定系數(shù)R2達(dá)0.987 9,擬合方程為y=0.988 6x-0.089 7,經(jīng)計(jì)算,兩者的相關(guān)系數(shù)為0.993 9,可以看出兩者年均形變速率量級(jí)上具有較高一致性,因此可以證明本次監(jiān)測(cè)結(jié)果是相對(duì)可靠的,同時(shí)也存在部分同名點(diǎn)的量級(jí)具有一定的偏差,主要原因是兩種技術(shù)的備選點(diǎn)算法不同[14-16]。

圖3 PS和SBAS形變速率線性關(guān)系

3.1.2重點(diǎn)沉降區(qū)域監(jiān)測(cè)結(jié)果分析

經(jīng)過(guò)上述分析,兩種監(jiān)測(cè)結(jié)果在空間分布和量級(jí)上具有高度一致性,但是相比PS-InSAR結(jié)果,SBAS-InSAR技術(shù)得到的沉降速率結(jié)果在空間上更為連續(xù),因此下文以SBAS形變結(jié)果進(jìn)行相關(guān)分析,為提高分析的可靠性,選擇兩種技術(shù)形變速率結(jié)果空間分布相同的重點(diǎn)沉降區(qū)進(jìn)行結(jié)果分析,區(qū)域如圖2方框A～C所示。

A區(qū)域位于曹妃甸沿海區(qū)的南部地區(qū),如圖4(a),P1～P4為該區(qū)域所選取的四個(gè)沉降特征點(diǎn)。該區(qū)域沉降位置主要是位于明珠路-唐山鑫聯(lián)科技環(huán)保有限公司-西港碼頭-曹妃甸西站附近的區(qū)域,最大沉降速率為-49 mm/a,位于P1點(diǎn)明珠路附近。該區(qū)域臨近渤海,是新生代地層結(jié)構(gòu),分布著第四紀(jì)沖積細(xì)顆粒松散沉積物,主要是粉土、粉質(zhì)黏土、粉砂為主,地表多為欠固結(jié)土壤,松軟且孔隙度高[4],是導(dǎo)致沉降的內(nèi)在因素。結(jié)合歷史影像及相關(guān)文獻(xiàn)[5-6],該區(qū)域在監(jiān)測(cè)時(shí)段內(nèi),為滿足建設(shè)開(kāi)發(fā)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(shí)大量建筑施工造成了地表擾動(dòng),也是造成該區(qū)域地面沉降的重要因素。四個(gè)特征點(diǎn)的時(shí)序累積沉降量如圖5所示,P1點(diǎn)在2020年3月14日累計(jì)沉降量最大為231.4 mm,四個(gè)特征點(diǎn)的沉降量都呈現(xiàn)出非線性變化趨勢(shì),預(yù)計(jì)未來(lái)可能會(huì)繼續(xù)發(fā)生沉降。

(a)A區(qū)域

圖5 特征點(diǎn)時(shí)序累計(jì)沉降量

B區(qū)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(qū)委員會(huì)附近,呈片狀分布,如圖4(b)所示,可以看出該區(qū)域沉降較為嚴(yán)重,P5～P7特征點(diǎn)分別位于曹妃甸職業(yè)技術(shù)學(xué)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(qū)域的地質(zhì)條件和A區(qū)基本相似,土質(zhì)松散,且靠近海岸,易導(dǎo)致沉降,同時(shí)該區(qū)域存在大量水產(chǎn)養(yǎng)殖場(chǎng)等較多類型的工廠,唐山灣生態(tài)城的建筑規(guī)劃區(qū)進(jìn)行大量的開(kāi)發(fā)建設(shè)等[5],都需要抽取大量的地下水,對(duì)地表造成了較大擾動(dòng),導(dǎo)致了該區(qū)域呈現(xiàn)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(gè)特征點(diǎn)范圍內(nèi)預(yù)計(jì)在未來(lái)可能會(huì)出現(xiàn)持續(xù)沉降,因此有關(guān)部門需要加強(qiáng)監(jiān)測(cè)和防治。

C區(qū)沉降范圍主要位于五場(chǎng)五隊(duì)-曹妃甸北站-曹妃甸中小企業(yè)園區(qū)管委會(huì)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(huán)繞,呈現(xiàn)片狀分布的沉降特征,P8～P10分別位于文豐集團(tuán)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(qū)域的地質(zhì)條件和前兩個(gè)區(qū)域類似,較為脆弱,粉土為主,土質(zhì)松散;結(jié)合歷史影像,發(fā)現(xiàn)存在大量的養(yǎng)殖場(chǎng)和中小企業(yè)工廠,同時(shí)監(jiān)測(cè)時(shí)段內(nèi)高速道路的修建和工程建設(shè)開(kāi)發(fā)施工等人為活動(dòng)過(guò)度抽取地下水和開(kāi)挖大型基坑,導(dǎo)致該區(qū)域出現(xiàn)較大范圍的沉降現(xiàn)象。見(jiàn)圖5,三個(gè)特征點(diǎn)最大時(shí)序累積沉降量分別為-107.4、-152、-122.2 mm,同樣可能存在持續(xù)沉降的趨勢(shì),因此該區(qū)域也需加強(qiáng)監(jiān)測(cè)和防治。

3.2 預(yù)測(cè)結(jié)果分析

本文選擇C區(qū)域特征點(diǎn)P8的63期沉降量數(shù)據(jù)進(jìn)行分析建模,P8數(shù)據(jù)集如圖5所示,以前56期數(shù)據(jù)為訓(xùn)練集,后7期數(shù)據(jù)為測(cè)試集進(jìn)行預(yù)測(cè),對(duì)比兩種預(yù)測(cè)模型的精度,選出預(yù)測(cè)效果較好的預(yù)測(cè)模型。預(yù)測(cè)結(jié)果如圖6所示,可見(jiàn)兩種預(yù)測(cè)模型都能得到較好的預(yù)測(cè)結(jié)果,但是通過(guò)比較,發(fā)現(xiàn)LSTM網(wǎng)絡(luò)模型比BP神經(jīng)網(wǎng)絡(luò)模型更接近實(shí)際值,表現(xiàn)出更為理想的預(yù)測(cè)效果。

圖6 實(shí)際值與兩種模型預(yù)測(cè)值對(duì)比

經(jīng)精度評(píng)價(jià)指標(biāo)計(jì)算,BP神經(jīng)網(wǎng)絡(luò)模型的MAE和RMSE分別為4.87、5.31 mm,LSTM網(wǎng)絡(luò)模型分別為1.96和2.38 mm,后者預(yù)測(cè)值的兩個(gè)指標(biāo)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(yù)測(cè)效果相對(duì)較優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型,預(yù)測(cè)結(jié)果也更符合研究區(qū)的實(shí)際情況,同時(shí)能增強(qiáng)對(duì)非線性數(shù)據(jù)的預(yù)測(cè)能力,具有較好的泛化性和魯棒性[7]。

4 結(jié)束語(yǔ)

(1)兩種時(shí)序InSAR技術(shù)反演結(jié)果具有較高一致性,保證了結(jié)果的相對(duì)可靠性。研究區(qū)內(nèi)最大沉降速率為-49 mm/a,最大累計(jì)沉降量為231.4 mm,其沉降范圍主要位于明珠路-唐山鑫聯(lián)科技環(huán)保有限公司-西港碼頭-曹妃甸西站附近的區(qū)域。

(2)地質(zhì)條件脆弱、長(zhǎng)期過(guò)度開(kāi)采地下水、大規(guī)模的開(kāi)發(fā)建設(shè)和工程擾動(dòng)是造成研究區(qū)產(chǎn)生沉降的主要原因。

(3)通過(guò)沉降區(qū)特征點(diǎn)的時(shí)序數(shù)據(jù)預(yù)測(cè)分析,發(fā)現(xiàn)LSTM網(wǎng)絡(luò)模型整體的預(yù)測(cè)效果較優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型,預(yù)測(cè)結(jié)果也較符合研究區(qū)域的實(shí)際情況,其預(yù)測(cè)結(jié)果能夠?qū)υ摰赜嘘P(guān)部門輔助決策、災(zāi)害預(yù)警和緩解地面沉降提供一定的參考依據(jù)。