收稿日期：2023-05-12；接受日期：2023-10-18

基金項(xiàng)目：江蘇省水利科技項(xiàng)目（2019001）；江蘇省自然資源科技計(jì)劃項(xiàng)目（2022011）;江蘇省自然科學(xué)基金項(xiàng)目（BK20180779）;南京林業(yè)大學(xué)青年科技創(chuàng)新基金項(xiàng)目（CX2018015）

作者簡(jiǎn)介：陳媛媛，女，講師，博士，研究方向?yàn)槲⒉ㄟb感圖像處理。E-mail：cheny@njfu.edu.cn

Editorial Office of Yangtze River. This is an open access article under the CC BY-NC-ND 4.0 license.

文章編號(hào)：1001-4179（2024） 03-0146-07

引用本文：陳媛媛，趙秉琨，王慧，等.基于LSTM模型的時(shí)序InSAR地表形變預(yù)測(cè)［J］.人民長(zhǎng)江，2024，55（3）：146-152.

摘要：

為了解長(zhǎng)江沿江區(qū)域的地表形變狀況及發(fā)展趨勢(shì)，維護(hù)長(zhǎng)江防洪安全和河勢(shì)穩(wěn)定，利用2017年3月至2022年3月期間覆蓋長(zhǎng)江南京段沿江區(qū)域的61景Sentinel-1A影像，基于SBAS-InSAR技術(shù)獲取了地面沉降監(jiān)測(cè)結(jié)果，并基于LSTM長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型對(duì)特征點(diǎn)未來變化趨勢(shì)進(jìn)行了預(yù)測(cè)。結(jié)果表明：① 與水準(zhǔn)監(jiān)測(cè)結(jié)果相比，長(zhǎng)江南京段沿江區(qū)域SBAS-InSAR監(jiān)測(cè)結(jié)果具有一定的準(zhǔn)確性；研究區(qū)域地面年均形變速率在-31～19 mm/a，并形成4個(gè)沉降漏斗。② LSTM模型對(duì)研究區(qū)域的形變預(yù)測(cè)值與SBAS-InSAR監(jiān)測(cè)的期望值具有較高的一致性，兩者最大絕對(duì)誤差為3.28 mm；采用該方法對(duì)研究區(qū)域特征點(diǎn)的沉降趨勢(shì)進(jìn)行預(yù)測(cè)發(fā)現(xiàn)，未來2 a特征點(diǎn)總體表現(xiàn)為緩慢下沉并趨于穩(wěn)定的趨勢(shì)。研究成果可為相關(guān)部門制定沿江地區(qū)保護(hù)及規(guī)劃方案提供技術(shù)參考。

關(guān)鍵詞：地面沉降； 地表形變預(yù)測(cè)； SBAS-InSAR； LSTM； 南京市； 長(zhǎng)江流域

中圖法分類號(hào)： P237；P642.26

文獻(xiàn)標(biāo)志碼： A" " " " " " " " " "DOI：10.16232j.cnki.1001-4179.2024.03.020

0引 言

隨著城市化進(jìn)程的不斷加快，地面沉降已逐漸成為城市地區(qū)普遍存在的環(huán)境地質(zhì)問題，對(duì)城市的發(fā)展、交通、建設(shè)和居民生活等多方面都產(chǎn)生了較大的影響［1-2］。南京市長(zhǎng)江沿江區(qū)域在自然因素與人為因素的共同作用下，部分地區(qū)地質(zhì)條件遭到破壞，地面沉降現(xiàn)象明顯，嚴(yán)重時(shí)會(huì)造成土層崩塌、道路設(shè)施損壞、建筑墻體開裂等危害［3］。因此，采用先進(jìn)技術(shù)加強(qiáng)對(duì)長(zhǎng)江沿江地區(qū)一定范圍內(nèi)的地表形變監(jiān)測(cè)及分析工作是非常重要的。

目前，城區(qū)地面沉降監(jiān)測(cè)主要基于精密水準(zhǔn)測(cè)量、三角高程測(cè)量和全球定位系統(tǒng)（GPS）技術(shù)等傳統(tǒng)測(cè)量方法。這些傳統(tǒng)監(jiān)測(cè)手段存在作業(yè)強(qiáng)度大、效率低、監(jiān)測(cè)周期長(zhǎng)、易受天氣影響等缺點(diǎn)，難以實(shí)現(xiàn)大范圍區(qū)域地面沉降監(jiān)測(cè)的需求。而近年來出現(xiàn)的合成孔徑衛(wèi)星雷達(dá)差分干涉測(cè)量技術(shù)（D-InSAR），能夠全天時(shí)、全天候、大范圍地獲取高精度、低成本的地表形變信息［2，4］。小基線集技術(shù)（SBAS）則是基于此提出的一種長(zhǎng)時(shí)間序列分析方法，能有效抑制時(shí)間失相關(guān)、空間失相關(guān)和大氣延遲的影響［5-7］。目前，該方法在地面沉降方面的應(yīng)用取得了一系列成果。張亞鳳等采用65景菏澤市的Sentinel-1A影像，基于SBAS-InSAR技術(shù)獲取了該區(qū)域2017年5月至2021年5月的沉降結(jié)果，研究表明，SBAS-InSAR監(jiān)測(cè)到的沉降位置和沉降變化趨勢(shì)與水準(zhǔn)測(cè)量結(jié)果相符［8］。陳媛媛等對(duì)SBAS-InSAR和PS-InSAR技術(shù)在長(zhǎng)江沿線地面沉降中的監(jiān)測(cè)進(jìn)行過比較分析，發(fā)現(xiàn)這兩種形變監(jiān)測(cè)技術(shù)所得特征點(diǎn)的形變曲線變化趨勢(shì)一致，兩種方法所得沉降區(qū)域分布及沉降結(jié)果具有一致性，從側(cè)面驗(yàn)證了SBAS-InSAR的可靠性［3］。

地表形變準(zhǔn)確預(yù)測(cè)對(duì)災(zāi)害防治和預(yù)警具有重要價(jià)值［9］。目前，各種機(jī)器學(xué)習(xí)算法被用于InSAR地面沉降結(jié)果預(yù)測(cè)中。肖波等利用SBAS-InSAR技術(shù)在獲取滇西北賓川斷陷盆地整體地表形變結(jié)果的基礎(chǔ)上，結(jié)合BP神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行地面沉降的預(yù)測(cè)，實(shí)驗(yàn)發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果與SBAS-InSAR結(jié)果最大誤差為2.451 mm，該方法能夠很好地對(duì)縣級(jí)城市的地表形變進(jìn)行預(yù)測(cè)［10］。相較于BP神經(jīng)網(wǎng)絡(luò)模型，長(zhǎng)短期記憶網(wǎng)絡(luò)模型LSTM能夠有效捕捉長(zhǎng)期依賴性和處理序列中的時(shí)間相關(guān)信息，特別適合處理序列數(shù)據(jù)。因此，也逐漸被用于時(shí)序地表形變預(yù)測(cè)中。陳毅等利用LSTM網(wǎng)絡(luò)模型對(duì)香港國(guó)際機(jī)場(chǎng)地面的TS-InSAR形變監(jiān)測(cè)結(jié)果進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)結(jié)果與InSAR真實(shí)結(jié)果進(jìn)行對(duì)比分析，結(jié)果表明，該方法預(yù)測(cè)值與真實(shí)值的擬合均方根誤差和平均絕對(duì)誤差均較低，在點(diǎn)級(jí)尺度上具有良好的性能［11］。

考慮到SBAS-InSAR技術(shù)在時(shí)間序列形變監(jiān)測(cè)方面取得的成功，以及LSTM網(wǎng)絡(luò)模型在時(shí)間序列學(xué)習(xí)方面所具有的優(yōu)勢(shì)，本文將兩者結(jié)合用于復(fù)雜地質(zhì)狀況下的沿江區(qū)域地表形變監(jiān)測(cè)與預(yù)測(cè)中，以提高該區(qū)域形變監(jiān)測(cè)的精度和對(duì)結(jié)果預(yù)測(cè)的可靠性。本文選取61景Sentinel-1A影像數(shù)據(jù)，利用SBAS-InSAR技術(shù)對(duì)長(zhǎng)江南京段沿江區(qū)域的地表形變情況進(jìn)行監(jiān)測(cè)，選擇特征點(diǎn)重點(diǎn)分析沉降時(shí)空變化特征，并利用實(shí)測(cè)水準(zhǔn)數(shù)據(jù)與其結(jié)果進(jìn)行對(duì)比分析，驗(yàn)證SABS-InSAR 技術(shù)在城市地表形變監(jiān)測(cè)方面的有效性和可靠性，最后采用LSTM長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型對(duì)沉降特征點(diǎn)在時(shí)間序列上進(jìn)行預(yù)測(cè)與分析。

1研究區(qū)概況及數(shù)據(jù)簡(jiǎn)介

1.1研究區(qū)域概況

南京市（北緯31°14′～32°37′，東經(jīng)118°22′～119°14′）是江蘇省的省會(huì)，地處長(zhǎng)江下游，是“一帶一路”和“長(zhǎng)江經(jīng)濟(jì)帶”的重要交匯地區(qū)。長(zhǎng)江由西南向東流經(jīng)南京，市區(qū)分布有秦淮河、秦淮新河、玄武湖等主要水域。南京段沿江兩岸受長(zhǎng)江沖擊、淤積作用形成寬廣漫灘區(qū)域，其地質(zhì)結(jié)構(gòu)松軟，易崩易淤、承載力差。近年來隨著南京市城市化進(jìn)程加快，大規(guī)模建設(shè)地鐵、高強(qiáng)度實(shí)施建筑工程項(xiàng)目、過度開采地下水等人為活動(dòng)致使南京市部分沿江區(qū)域出現(xiàn)大面積地面沉降問題，在威脅城市居民生活安全的同時(shí)也阻礙了長(zhǎng)江地區(qū)的經(jīng)濟(jì)建設(shè)與發(fā)展。本文以長(zhǎng)江南京段兩岸10 km緩沖區(qū)（見圖1）為典型研究區(qū)域開展相關(guān)研究。

1.2實(shí)驗(yàn)數(shù)據(jù)簡(jiǎn)介

Sentinel-1A衛(wèi)星是歐空局哥白尼計(jì)劃發(fā)射的首顆環(huán)境監(jiān)測(cè)衛(wèi)星，具有重訪頻率高、覆蓋范圍廣、極化方式和工作模式多樣、可靠性高等特點(diǎn)，能夠滿足長(zhǎng)時(shí)間序列InSAR處理和分析。本文獲取2017年3月至2022年3月每月一景共61景覆蓋南京段長(zhǎng)江流域的Level-1級(jí)SLC格式Sentinel-1A影像數(shù)據(jù)，成像模式為干涉寬幅（IW），極化方式為VV，入射角為 33.9°，空間分辨率為5 m×20 m（方位向×距離向）。

此外，實(shí)驗(yàn)還使用歐空局提供的Sentinel-1A衛(wèi)星精密軌道數(shù)據(jù)對(duì)軌道信息進(jìn)行糾正，外部參考DEM數(shù)據(jù)為30 m分辨率的SRTM數(shù)字高程模型。

2數(shù)據(jù)處理與方法

2.1SBAS-InSAR處理

SBAS-InSAR技術(shù)是于2002年由Berardino等提出的一種長(zhǎng)時(shí)間序列InSAR分析方法［12］，該技術(shù)將多景時(shí)間序列SAR影像數(shù)據(jù)進(jìn)行高效組合，經(jīng)過組合后的若干個(gè)短基線差分干涉像對(duì)的空間基線短，能夠很大程度上解決空間失相關(guān)問題，再基于形變速率的最小范數(shù)準(zhǔn)則，利用奇異值分解法（SVD）得到相干目標(biāo)的形變時(shí)間序列和平均形變速率圖。

本次研究設(shè)置的時(shí)間基線閾值為100 d，空間基線閾值為臨界基線的2%，在最大限度提高干涉像對(duì)相干性的前提下，將裁剪后的SAR影像連接組成155對(duì)干涉像對(duì)，并選出2017年6月8日的SAR影像作為超級(jí)主影像，其余60景SAR影像為從影像進(jìn)行迭代配準(zhǔn)［13］。通過引入30 m精度的DEM數(shù)據(jù)去除平地效應(yīng)，選擇Goldstein方法進(jìn)行濾波，采用最小費(fèi)用流MCF（Minimum Cost Flow）方法進(jìn)行相位解纏，并依據(jù)解纏結(jié)果圖中噪聲區(qū)域大小確定相干性閾值為0.2［6］。在沒有形變條紋和相位躍變的地形平坦區(qū)域選取了21個(gè)地面控制點(diǎn)GCP（Groud Control Point），利用三次多項(xiàng)式法估算并去除殘余的恒定相位和斜坡相位。通過建立相干點(diǎn)的形變速率和高程系數(shù)的線性模型構(gòu)成方程組，并采用矩陣奇異值分解法（SVD）來初步估算形變速率與地形誤差。在第一次反演得到形變速率之后，利用大氣時(shí)間域高通與空間域低通濾波估算和去除大氣相位，獲取更為純凈的時(shí)序形變量［13-14］。為便于后續(xù)在ArcGIS中對(duì)形變信息進(jìn)行特征分析和空間分析，利用DEM對(duì)SBAS反演結(jié)果進(jìn)行地理編碼，并將其柵格結(jié)果轉(zhuǎn)換為矢量數(shù)據(jù)。

由于通過歐空局獲取的Sentinel-1A影像覆蓋面積過大，使得處理過程耗時(shí)較長(zhǎng)，故使用經(jīng)地理編碼后的矢量數(shù)據(jù)對(duì)61景影像進(jìn)行裁剪，并基于裁剪影像進(jìn)行后續(xù)SBAS-InSAR實(shí)驗(yàn)處理。圖2為SBAS處理得到的研究區(qū)域的形變速率圖，能夠清晰直觀地看到研究區(qū)域內(nèi)的地面沉降情況。

2.2LSTM長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)LSTM（Long Short-Term Memory）是一種循環(huán)神經(jīng)網(wǎng)絡(luò)的特殊變形，由Hochreiter等于1997年提出［15］。傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)存在梯度消散及梯度爆炸等問題，因而不適合做長(zhǎng)序列建模，而LSTM網(wǎng)絡(luò)中有時(shí)間記憶單元，可以學(xué)習(xí)時(shí)間序列中不同長(zhǎng)短時(shí)期的依賴信息［16］。因此，在處理和預(yù)測(cè)時(shí)間序列中的間隔和延遲事件時(shí)有較好的效果。LSTM隱藏層中單個(gè)神經(jīng)元的計(jì)算包含細(xì)胞狀態(tài)更新和輸出值計(jì)算兩部分，神經(jīng)元內(nèi)有3個(gè)門函數(shù)：遺忘門、輸入門和輸出門，通過門函數(shù)控制輸入值、記憶值和輸出值。神經(jīng)元結(jié)構(gòu)如圖3所示，遺忘門、輸入門、輸出門計(jì)算公式分別為.

式中：ht-1為上一時(shí)刻的隱藏狀態(tài)；σ為sigmoid函數(shù)；ft，it，ot分別為遺忘門、輸入門、輸出門狀態(tài)計(jì)算結(jié)果；Wf，Wi，Wo分別為遺忘門、輸入門、輸出門的權(quán)重矩陣；bf，bi，bo分別為遺忘門、輸入門、輸出門偏置項(xiàng)，LSTM的最終輸出由輸出門和單元狀態(tài)共同確定。

Ct為候選值向量，輸入值和候選值向量的乘積用來更新細(xì)胞狀態(tài)，計(jì)算過程如下［15］：.

式中：Wc為輸入單元狀態(tài)權(quán)重矩陣，bc為輸入單元狀態(tài)偏置項(xiàng)，tanh為激活函數(shù)。遺忘門控制當(dāng)前時(shí)刻細(xì)胞狀態(tài)丟棄信息的多少，ot為神經(jīng)元輸出值，ht為當(dāng)前時(shí)刻隱藏狀態(tài)。

LSTM預(yù)測(cè)模型的實(shí)現(xiàn)大體上分為3部分，首先建立地面沉降模型的總體框架及相應(yīng)的模型配置參數(shù)，然后采用誤差反向傳播算法對(duì)模型進(jìn)行訓(xùn)練，最終利用訓(xùn)練好的數(shù)據(jù)對(duì)各特征點(diǎn)預(yù)測(cè)［11］。

3結(jié)果分析

3.1基于水準(zhǔn)數(shù)據(jù)的監(jiān)測(cè)結(jié)果精度驗(yàn)證

為驗(yàn)證SBAS-InSAR監(jiān)測(cè)結(jié)果的準(zhǔn)確性，本次實(shí)驗(yàn)通過相關(guān)部門提供的常規(guī)水準(zhǔn)測(cè)量數(shù)據(jù)對(duì)SBAS-InSAR方法提取的特征點(diǎn)地表形變結(jié)果進(jìn)行精度驗(yàn)證。根據(jù)研究區(qū)大小，共選取8個(gè)水準(zhǔn)監(jiān)測(cè)點(diǎn)作為檢驗(yàn)SBAS-InSAR監(jiān)測(cè)結(jié)果的地表形變參考點(diǎn)，具體位置如圖4所示。

將水準(zhǔn)點(diǎn)數(shù)據(jù)與最鄰近的SBAS-InSAR的結(jié)果進(jìn)行匹配，并選取2017年3～12月以及2018～2020年期間每年（1～12月）的SBAS-InSAR地表形變結(jié)果分別與對(duì)應(yīng)時(shí)間范圍內(nèi)的水準(zhǔn)數(shù)據(jù)進(jìn)行對(duì)比。計(jì)算水準(zhǔn)數(shù)據(jù)與SBAS-InSAR沉降量之間的誤差，結(jié)果顯示：SBAS-InSAR監(jiān)測(cè)結(jié)果與水準(zhǔn)測(cè)量數(shù)據(jù)的最大誤差為2.56 mm，最小誤差為0.01 mm，均方根誤差為 0.57 mm，具體對(duì)比結(jié)果如圖5所示。為進(jìn)一步驗(yàn)證SBAS-InSAR監(jiān)測(cè)結(jié)果與水準(zhǔn)測(cè)量結(jié)果的高相關(guān)性，將兩者進(jìn)行線性擬合。如圖6所示，擬合結(jié)果顯示以SBAS-InSAR監(jiān)測(cè)結(jié)果為橫坐標(biāo)與以水準(zhǔn)測(cè)量結(jié)果為縱坐標(biāo)的點(diǎn)均勻分布在擬合直線兩側(cè)，決定系數(shù)R2高達(dá)0.92，表明利用SBAS-InSAR技術(shù)進(jìn)行地面沉降監(jiān)測(cè)的結(jié)果與水準(zhǔn)監(jiān)測(cè)結(jié)果在同時(shí)間內(nèi)具有較高的一致性，同時(shí)也證明了基于SBAS-InSAR技術(shù)的地面沉降監(jiān)測(cè)結(jié)果具有一定的可靠性。

3.2地面沉降時(shí)空變化特征

通過SBAS-InSAR處理獲得研究區(qū)域2017年3月至2022年3月的年平均形變速率，以長(zhǎng)江為對(duì)象構(gòu)建10 km的緩沖區(qū)對(duì)監(jiān)測(cè)結(jié)果進(jìn)行裁剪，得到南京長(zhǎng)江沿線區(qū)域的地面沉降監(jiān)測(cè)結(jié)果。如圖7所示，南京市長(zhǎng)江流域地面沉降整體上基本保持穩(wěn)定，年平均形變速率分布范圍為-31～19 mm/a，典型的沉降區(qū)域分布在兩岸沿江區(qū)域，這與近些年南京市長(zhǎng)江兩岸的經(jīng)濟(jì)發(fā)展?fàn)顩r密切相關(guān)。

A區(qū)域位于江浦街道與頂山街道的連接地區(qū)，屬于江北核心區(qū)，在2017年3月至2022年3月期間平均形變速率整體超過-30 mm/a，也是4個(gè)沉降漏斗中范圍最廣的區(qū)域。該區(qū)域的沉降速率與發(fā)展規(guī)劃有直接關(guān)系。2015年6月，國(guó)務(wù)院印發(fā)《關(guān)于同意設(shè)立南京江北新區(qū)的批復(fù)》，2017年正式啟動(dòng)核心區(qū)建設(shè)，2017～2022年是江北核心區(qū)高速發(fā)展的5 a，高強(qiáng)度的地下工程活動(dòng)和地表荷載變化是該區(qū)域沉降顯著的主要原因，沉降最嚴(yán)重的區(qū)域內(nèi)有地鐵十號(hào)線通過且設(shè)有3個(gè)站點(diǎn)。

B區(qū)域?yàn)樘┥浇值篮脱亟值澜唤缣?，位于長(zhǎng)江沖積作用形成的八卦洲附近，該區(qū)域人口密度大，地下水開采嚴(yán)重，另一方面該區(qū)域?qū)儆诤勇┸浲临|(zhì)，受這些因素影響，近些年該區(qū)域形變速率為-15 mm/a左右。

C區(qū)域和D區(qū)域兩個(gè)沉降漏斗距離較近，在空間上有相連成片的趨勢(shì)，其中C區(qū)域是建鄴區(qū)東北部和鼓樓區(qū)西南部交界處，位于南京市河西新區(qū)，最大形變速率達(dá)到-20 mm/a，該區(qū)域近些年高樓林立，發(fā)展迅速，區(qū)域內(nèi)有地鐵二號(hào)線與地鐵十號(hào)線經(jīng)過，大規(guī)模的地上地下施工建設(shè)是該區(qū)域形成沉降漏斗的原因之一。

D區(qū)域位于建鄴區(qū)魚嘴濕地公園附近，沉降面積是研究區(qū)域4個(gè)沉降漏斗中面積最小的，但是最大形變速率達(dá)到-31 mm/a，該區(qū)域地質(zhì)條件較為復(fù)雜，上部為淤泥和粉質(zhì)黏土的湖沼和淺灘相互交替層，下部為中至細(xì)砂構(gòu)成的河床相層，容易發(fā)生沉降。

E區(qū)域位于六合國(guó)家地質(zhì)公園附近，土地利用類型主要為林地和耕地，受人為因素影響較小，同時(shí)其位于揚(yáng)子裂陷區(qū)蘇北盆地與蘇南隆起的交接地帶，地質(zhì)活動(dòng)頻繁，近年來主要表現(xiàn)為抬升現(xiàn)象，年最大形變速率為19 mm/a。

F區(qū)域位于南京市老山國(guó)家森林公園西南側(cè)的星甸街道附近，處在寧鎮(zhèn)反射弧西段、長(zhǎng)江擠壓破碎帶的北側(cè)，地表平均形變速率為5 mm/a，區(qū)域內(nèi)褶皺為老山復(fù)背斜，沿老山傾斜方向發(fā)育，局部地區(qū)出現(xiàn)直立現(xiàn)象，擠壓明顯，易發(fā)生地表形變。

為獲取長(zhǎng)江南京段沿江主要沉降區(qū)域的地面沉降時(shí)序特征，選取上述四大沉降漏斗中形變速率最大的沉降點(diǎn)作為沉降特征點(diǎn)繪制其在整個(gè)時(shí)間跨度中的累計(jì)沉降量變化圖。如圖8所示，4個(gè)沉降點(diǎn)的形變曲線在2017年3月至2022年3月期間隨時(shí)間出現(xiàn)不同程度的不均勻沉降趨勢(shì)。特征點(diǎn)Aa（在沉降區(qū)域A范圍內(nèi)）、Cc（在沉降區(qū)域C范圍內(nèi)）分別位于浦口區(qū)的定山大街（在建）附近以及建鄴區(qū)東北部和鼓樓區(qū)西南部交界處，2019年前下沉緩慢并伴隨短期地表抬升，2019年后皆為快速下沉的形變趨勢(shì)，其中Aa點(diǎn)的累計(jì)總沉降量為-82.96 mm，Cc點(diǎn)的累計(jì)總沉降量為-78.73 mm，這也與前面分析的這兩個(gè)區(qū)域高速的經(jīng)濟(jì)發(fā)展有關(guān)。特征點(diǎn)Bb（在沉降區(qū)域B范圍內(nèi)）位于北外灘水城街區(qū)附近，其形變趨勢(shì)存在波動(dòng)，2018年上半年至2020年下半年呈現(xiàn)緩慢下沉趨勢(shì)，其后1 a間加速下沉，2022年又趨于穩(wěn)定，其累計(jì)總沉降量為 -70.55 mm，這可能與11號(hào)地鐵線路的施工建設(shè)有關(guān)，11號(hào)線在北外灘水城附近的浦洲路設(shè)站，于2021年開建。位于建鄴區(qū)魚嘴濕地公園的特征點(diǎn)Dd（在沉降區(qū)域D范圍內(nèi)）在2017年上半年出現(xiàn)小幅度地表抬升，之后呈現(xiàn)平穩(wěn)下沉趨勢(shì)，累計(jì)總沉降量為-79.12 mm，這種變化趨勢(shì)與上述分析的該區(qū)域不穩(wěn)定的地質(zhì)條件不無關(guān)系。

3.3LSTM長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

本次實(shí)驗(yàn)利用Matlab軟件平臺(tái)，基于深度學(xué)習(xí)工具箱構(gòu)建LSTM長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，完成了對(duì)長(zhǎng)江南京段沿江區(qū)域四大沉降漏斗中特征點(diǎn)的預(yù)測(cè)分析。LSTM神經(jīng)網(wǎng)絡(luò)設(shè)置輸入層含有200個(gè)神經(jīng)元，損失函數(shù)為RMSE，激活函數(shù)為tanh，網(wǎng)絡(luò)訓(xùn)練采用Adam優(yōu)化算法，迭代次數(shù)為300次，為防止梯度爆炸，將梯度閾值設(shè)置為1，指定初始訓(xùn)練速率為0.003，當(dāng)150輪訓(xùn)練過后通過乘以神經(jīng)元失活因子0.2來降低學(xué)習(xí)率。

將2017年3月至2021年9月共55期數(shù)據(jù)作為樣本訓(xùn)練集，2021年10月至2022年3月6期數(shù)據(jù)作為測(cè)試集，并將預(yù)測(cè)值與SBAS-InSAR監(jiān)測(cè)結(jié)果進(jìn)行對(duì)比分析，選取絕對(duì)誤差、均方根誤差作為預(yù)測(cè)精確度的評(píng)價(jià)指標(biāo)。預(yù)測(cè)數(shù)據(jù)評(píng)價(jià)結(jié)果如表1所列，可見LSTM預(yù)測(cè)值與SBAS監(jiān)測(cè)的期望值具有較高的一致性，最大絕對(duì)誤差為3.28 mm，最小絕對(duì)誤差為0.13 mm，證明LSTM長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)在研究區(qū)域內(nèi)預(yù)測(cè)地面沉降量的有效性。

預(yù)測(cè)模型訓(xùn)練并測(cè)試完成后，對(duì)未來2 a的沉降量進(jìn)行多步預(yù)測(cè)，并在每次預(yù)測(cè)時(shí)更新網(wǎng)絡(luò)狀態(tài)。由于缺少未來的監(jiān)測(cè)值，通過把預(yù)測(cè)值作為真實(shí)值不斷地構(gòu)造輸入新的預(yù)測(cè)序列中，進(jìn)而實(shí)現(xiàn)對(duì)特征點(diǎn)Aa、Bb、Cc、Dd未來2 a地面沉降的預(yù)測(cè)，預(yù)測(cè)結(jié)果如圖9所示。從預(yù)測(cè)結(jié)果分析，特征點(diǎn)未來沉降量總體表現(xiàn)為緩慢下沉并趨于穩(wěn)定的趨勢(shì)。

4結(jié) 論

本文采用SBAS-InSAR技術(shù)，基于Sentinel-1A影像數(shù)據(jù)獲取了長(zhǎng)江南京段沿江區(qū)域2017～2022年的地面沉降特征，并利用同期水準(zhǔn)測(cè)量數(shù)據(jù)對(duì)其進(jìn)行精度驗(yàn)證。在此基礎(chǔ)上分析了重點(diǎn)沉降區(qū)域的形變特征，對(duì)典型沉降漏斗中形變速率最大的沉降點(diǎn)進(jìn)行時(shí)序累計(jì)形變分析，最后采用LSTM預(yù)測(cè)模型對(duì)選取的沉降點(diǎn)進(jìn)行預(yù)測(cè)分析，得出以下結(jié)論：

（1） SBAS-InSAR監(jiān)測(cè)結(jié)果與同期水準(zhǔn)測(cè)量結(jié)果具有較高一致性，證明該技術(shù)在地面沉降監(jiān)測(cè)的可靠性和精確性。

（2） 長(zhǎng)江南京段沿江區(qū)域地面沉降整體上保持穩(wěn)定，年平均形變速率分布范圍為-31～19 mm/a，典型的沉降區(qū)分布在兩岸沿江區(qū)域，并形成4個(gè)沉降漏斗。

（3） 本實(shí)驗(yàn)采用單變量LSTM模型對(duì)特征點(diǎn)未來變化趨勢(shì)進(jìn)行多步預(yù)測(cè)。預(yù)測(cè)結(jié)果與SBAS-InSAR監(jiān)測(cè)結(jié)果的最大絕對(duì)誤差為3.28 mm，最小絕對(duì)誤差為0.13 mm，表明其可有效預(yù)測(cè)城市區(qū)域的地面沉降。

參考文獻(xiàn)：

［1］李振洪，朱武，余琛，等.雷達(dá)影像地表形變干涉測(cè)量的機(jī)遇、挑戰(zhàn)與展望［J］.測(cè)繪學(xué)報(bào)，2022，51（7）：1485-1519.

［2］朱建軍，李志偉，胡俊，等.InSAR變形監(jiān)測(cè)方法與研究進(jìn)展［J］.測(cè)繪學(xué)報(bào)，2017，46（10）：1717-1733.

［3］陳媛媛，朱晨瑋，鄭加柱，等.基于PS-InSAR和SBAS-InSAR的地面沉降監(jiān)測(cè)：以長(zhǎng)江南京段為例［J］.人民長(zhǎng)江，2023，54（8）：160-165.

［4］裴媛媛，廖明生，王寒梅.利用時(shí)序DInSAR監(jiān)測(cè)填海造陸地區(qū)地表沉降［J］.武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2012，37（9）：1092-1095.

［5］劉朋俊，張璐，陳元申，等.南水北調(diào)中線濕陷性黃土區(qū)InSAR時(shí)序分析［J］.人民長(zhǎng)江，2020，51（6）：125-128，205.

［6］付波霖，解淑毓，李濤，等.基于SBAS/PS-InSAR技術(shù)的滑坡遙感監(jiān)測(cè)對(duì)比研究［J］.大地測(cè)量與地球動(dòng)力學(xué)，2021，41（4）：392-397.

［7］趙蓓蓓，黃海峰，鄧永煌，等.基于Sentinel-1A的三峽庫區(qū)范家坪滑坡InSAR監(jiān)測(cè)分析［J］.人民長(zhǎng)江，2022，53（10）：103-107.

［8］張亞鳳，劉國(guó)林，牛沖，等.利用SBAS-InSAR技術(shù)監(jiān)測(cè)菏澤市地面沉降［J］.大地測(cè)量與地球動(dòng)力學(xué)，2022，42（11）：1184-1190.

［9］高瞇瞇，張永彬.基于深度學(xué)習(xí)的地表形變預(yù)測(cè)［J］.華北理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，44（4）：110-116.

［10］肖波，趙俊三，周定義，等.SBAS-InSAR技術(shù)支持下的滇西北賓川斷陷盆地沉降監(jiān)測(cè)與預(yù)測(cè)［J］.昆明理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，47（3）：30-39.

［11］陳毅，何毅，張立峰，等.長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)TS-InSAR地表形變預(yù)測(cè)［J］.遙感學(xué)報(bào)，2022，26（7）：1326-1341

［12］BERARDINO P，F(xiàn)ORNARO G，LANARI R，et al.A new algorithm for surface deformation monitoring based on small baseline differential sar interferograms［J］.IEEE Transactions on Geoscience and Remote Sensing，2002，40（11）：2375-2383.

［13］張艷梅，王萍，羅想，等.利用Sentinel-1數(shù)據(jù)和SBAS-InSAR技術(shù)監(jiān)測(cè)西安地表沉降［J］.測(cè)繪通報(bào)，2017（4）：93-97.

［14］莫瑩，朱煜峰，江利明，等.基于Sentinel-1A的南昌市時(shí)間序列InSAR地面沉降監(jiān)測(cè)［J］.大地測(cè)量與地球動(dòng)力學(xué)，2020，40（3）：270-275.

［15］HOCHREITER S，SCHMIDHUBER J.Long short-term memory［J］Neural Computation，1997，9（8）：1735-1780.

［16］葉勇超.基于時(shí)序InSAR的鄭州市地鐵沿線地面沉降時(shí)空特征分析與預(yù)測(cè)［D］.鄭州：鄭州大學(xué)，2021.

（編輯：劉 媛）