中圖分類號(hào)：TP391;TQ013.2 文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1001-5922（2025）05-0135-04

Abstract：Land subsidence isa global geological and environmental problem，which seriouslythreatens the safety of surface and underground infrastructure construction.Inorder to find out the influencing factorsof land subsidence， the eastern section of the Tianshan Mountains was taken as the research object，and based on the sedimentation data of Persistent Scatterer Interferometric Synthetic Aperture Radar （PS -InSAR）and seven other influencing factors， the extreme random tree was used to analyze the influencing factors of land subsidence.Theresults showed that the overall subsidence in the studyarea in 2O22 was small，and there were sporadic subsidence areas in the area，with a maximum subsidence of 75mm . Elevation，topographic relief，slope，fault and precipitation had a great impact on subsidence，accounting for 93.3% of the importance，and construction and mining had no significant impact.

Key words ：ground subsidence ；PS -InSAR ；extreme random tree ；influence factors地面沉降是一種受多種復(fù)雜因素作用的地質(zhì)環(huán) 境現(xiàn)象，地面沉降的發(fā)生、發(fā)展及演化，嚴(yán)重威脅了社會(huì)經(jīng)濟(jì)的可持續(xù)發(fā)展。地面沉降成因總體可歸納為兩類：自然因素和人類活動(dòng)影響[1]。自然因素包括土體自然固結(jié)和構(gòu)造活動(dòng)；人類活動(dòng)包括地下流體開(kāi)采（如石油、地下水）和建筑載荷作用。天山山脈東段分布有大量的輸電線路桿塔，長(zhǎng)期緩變性地面沉降容易引發(fā)山體滑坡，造成輸電線路桿塔出現(xiàn)傾斜、沉降，進(jìn)而引發(fā)安全事故。因此，必須對(duì)輸電線路周邊地面沉降進(jìn)行監(jiān)測(cè)，分析其沉降成因，確保輸電線路運(yùn)營(yíng)安全性。

目前對(duì)地面沉降影響因子的評(píng)估方法主要集中在線性回歸模型、灰色理論等方法[2]。然而，地面沉降具有很強(qiáng)的非線性特征，同時(shí)受復(fù)雜的多源場(chǎng)相互作用，這些方法難以準(zhǔn)確揭示沉降規(guī)律。鑒于此，以PS-InSAR獲取的地面沉降信息為因變量，以高程、坡度、地形起伏度、斷裂、礦區(qū)分布、降水、建筑物7個(gè)影響因子數(shù)據(jù)為自變量，通過(guò)極端隨機(jī)樹(shù)算法評(píng)估各因子的重要性。

1研究區(qū)與數(shù)據(jù)集

1.1 研究區(qū)概況

天山山脈位于中亞，跨越中國(guó)、哈薩克斯坦、吉爾吉斯斯坦和烏茲別克斯坦4國(guó)，綿延近 。中國(guó)境內(nèi)天山山脈以 線為界分為東天山和西天山。以天山山脈東段為研究區(qū)（見(jiàn)圖1），位于東經(jīng)88.6°～91.0°，北緯43.0°～43.9[4]區(qū)域內(nèi)地形起伏較大，最低點(diǎn)高程 128m ，最高點(diǎn)高程 5046m ，高差達(dá) 4918m 。研究區(qū)東北和西南側(cè)分布有大量的輸電塔，電網(wǎng)線路對(duì)坡度、平順性等有較為嚴(yán)格的要求，探究沉降現(xiàn)狀，分析沉降成因，對(duì)保障輸電網(wǎng)絡(luò)安全運(yùn)營(yíng)意義重大。

1.2 數(shù)據(jù)來(lái)源

采用Sentinel-1A數(shù)據(jù)進(jìn)行地面沉降信息獲取，C波段成像， VV+VH 極化方式，衛(wèi)星以12d的重訪周期進(jìn)行全球干涉SAR影像采集，具有極高的軌道精度和穩(wěn)定的干涉性能[5-6]。研究選用 24 景IW成像模式影像，距離、方位向分辨率 5m×20m ！重采樣后分辨率為 15m ，成像日期2022/01/06～2023/01/01。具體成像日期如表1所示。

此外，還搜集了研究區(qū)2022年GoogleEarth影像、DEM、斷裂、礦區(qū)分布、降水等數(shù)據(jù)。DEM選用SRTM（Shuttle Radar Topography Mission） 30m 分辨率數(shù)據(jù)，并利用GIS工具提取了坡度、地形起伏度影響因子[7]；斷裂和礦區(qū)分布數(shù)據(jù)主要反映了天山山脈東段斷裂帶及礦區(qū)開(kāi)發(fā)分布情況，從全國(guó)地質(zhì)資料館獲取；降水?dāng)?shù)據(jù)主要反映了研究區(qū)2022年降水量分布情況，從國(guó)家青藏高原科學(xué)數(shù)據(jù)中心獲取[8]

2 研究方法

2.1 合成孔徑雷達(dá)干涉測(cè)量

InSAR算法的基本原理是對(duì)同一地區(qū)多次過(guò)境的SAR影像配準(zhǔn)后做共軛相乘，生成包含多種相位信息的干涉圖[9]。去除平地效應(yīng)（即由于高程不變導(dǎo)致的距離向和方位向周期變化的干涉條紋）后，濾波處理差分干涉圖以增加其信噪比。由于此時(shí)的相位在 呈周期變化，需要進(jìn)行相位解纏以反演地面目標(biāo)的真實(shí)相位差。具體處理流程是從24景單視復(fù)數(shù)（SingleLookComplex，SLC）影像中選取一景作為主影像，其余影像作為輔影像，進(jìn)行主輔影像配準(zhǔn)和干涉處理。利用SRTM數(shù)據(jù)去除平地相位和地形相位后，獲得差分干涉相位 φ ，即：

利用相位差分模型估算殘余地形相位 和線性形變相位 ，基于信號(hào)濾波的方法分解大氣延遲相位 、噪聲相位 和非線性形變相位 。疊加線性和非線性形變相位即可獲取LOS（LineofSight）方向地表形變值。最后通過(guò)三角函數(shù)變換求取垂向地表形變。

2.2 全卷積網(wǎng)絡(luò)

全卷積網(wǎng)絡(luò)（FCN）是一個(gè)從端到端的語(yǔ)義分割模型[10]。與經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)（CNN）最大的不同是，F(xiàn)CN不受輸入影像大小的限制。其將全連接層替換成反卷積層，通過(guò)反卷積層上采樣最后一個(gè)卷積層的特征圖，使其恢復(fù)到原始輸人影像的大小[1-12]。能夠?qū)τ跋裆厦總€(gè)像素進(jìn)行預(yù)測(cè)，還可保留原始數(shù)據(jù)的空間信息。影像輸入和輸出尺寸關(guān)系為：

式中： 和 分別為輸出、輸入結(jié)果的大小。

2.3 極端隨機(jī)樹(shù)

極端隨機(jī)樹(shù)與隨機(jī)森林算法相似，基學(xué)習(xí)器均為決策樹(shù)[13]。二者具有不易過(guò)擬合、抗噪聲能力強(qiáng)以及擅長(zhǎng)處理高維度數(shù)據(jù)等特點(diǎn)。此外，極端隨機(jī)樹(shù)算法還具有獨(dú)特的優(yōu)點(diǎn)，其在選擇訓(xùn)練樣本時(shí)沒(méi)有進(jìn)行采樣處理，使用全部訓(xùn)練集構(gòu)造每一棵決策樹(shù)，可降低模型的偏差[14]。極端隨機(jī)樹(shù)與隨機(jī)森林算法相比，獲取的決策樹(shù)規(guī)模更大，可有效增強(qiáng)模型的泛化能力[15-16]。因此，在地面沉降影響因子重要性評(píng)估方面也更為適用。

3 結(jié)果與分析

3.1 地面沉降監(jiān)測(cè)結(jié)果

利用13個(gè)水準(zhǔn)監(jiān)測(cè)點(diǎn)數(shù)據(jù)進(jìn)行PS-InSAR地面沉降監(jiān)測(cè)結(jié)果驗(yàn)證。對(duì)每個(gè)水準(zhǔn)點(diǎn)建立半徑為50m 的緩沖區(qū)，以各緩沖區(qū)內(nèi)PS點(diǎn)的平均值作為PS-InSAR反演結(jié)果。PS-InSAR地面沉降結(jié)果和水準(zhǔn)監(jiān)測(cè)點(diǎn)結(jié)果對(duì)比如圖2所示。

由圖2可知，二者的最大絕對(duì)誤差為 6.9mm ，最小絕對(duì)誤差為 0.4mm 。在 95% 置信區(qū)間條件下， PS-InSAR 與水準(zhǔn)測(cè)量值仍保持較好的一致性，相關(guān)系數(shù)達(dá)到了0.93。表明利用PS-InSAR獲取的地面沉降結(jié)果精度可靠，可滿足后續(xù)分析需要。天山山脈東段整體沉降量較小，區(qū)域內(nèi)零星分布有沉降區(qū)，其中東北側(cè)沉降區(qū)較大且較為集中，沉降面積約 ；其余沉降區(qū)面積較小，均不足1km2。在研究區(qū)共識(shí)別出564000個(gè)PS點(diǎn)，密度約47個(gè)/km2。2022年天山山脈東段最大沉降量可達(dá)75mm ，其中沉降量大于 30mm 的面積為56.5km2，占研究區(qū)總面積的 0.47% 。

在研究區(qū)西南部、東北部分布有大量的輸電塔，西南部輸電塔距離沉降區(qū)較遠(yuǎn)，暫未受到地面沉降的影響；而東北部輸電線路沉降較嚴(yán)重，從2022年1月6日至2023年1月1日，6個(gè)輸電塔（從A到F）變量在一定范圍內(nèi)波動(dòng)，總體呈下沉趨勢(shì)。6個(gè)輸電塔中，點(diǎn)F的沉降量最大，為 60mm ；點(diǎn)B的沉降量最小，為 7mm 。不均勻沉降可能會(huì)損壞輸電線路，威脅輸電網(wǎng)絡(luò)的安全運(yùn)營(yíng)。

3.2地面沉降影響因子信息獲取

根據(jù)地面沉降成因機(jī)理，選擇高程、坡度、地形起伏度、斷裂、礦區(qū)分布、降水、建筑物共7個(gè)影響因子，評(píng)估各因子對(duì)地面沉降的重要性[17-18]。其中建筑物信息利用全卷積網(wǎng)絡(luò)模型獲取，其他影響因子數(shù)據(jù)采用GIS空間分析方法處理后提取至PS點(diǎn)[19] 。

以GoogleEarth影像為數(shù)據(jù)源，基于阿里云內(nèi)置樣本數(shù)據(jù)來(lái)建模，初始學(xué)習(xí)率設(shè)置為0.01，訓(xùn)練迭代次數(shù)設(shè)置為20000。模型將影像裁切成1024像素 ×1024 像素大小的圖塊處理，最終輸出與原始影像同等大小的建筑提取結(jié)果。

基于全卷積網(wǎng)絡(luò)模型獲取的研究區(qū)建筑物分布結(jié)果如圖3所示。

由圖3可知，該模型識(shí)別的精度為90.6%，在樓房區(qū)域識(shí)別精度較高，在平房區(qū)域識(shí)別精度稍低。后期通過(guò)人工判讀的方法修正了部分錯(cuò)分和漏分影像，以保證建筑物提取結(jié)果滿足后續(xù)分析條件。共識(shí)別建筑圖斑12060個(gè)，獲取建成區(qū)建筑總面積約26.6km2。在研究區(qū)范圍內(nèi)選擇了A、B、C共3個(gè)區(qū)域進(jìn)行放大展示，從圖3中可以看出建筑輪廓基本上可精確勾勒。

處理獲取的其他地面沉降影響因子顯示，研究區(qū)高程變化較大，最低處高程為128m，最高處高程為5046m。礦區(qū)在整個(gè)研究區(qū)均有分布，其中西部礦區(qū)較為集中，東部較為分散。區(qū)域內(nèi)分布有東西走向的逆沖斷層和大量的走滑斷層，這些大型的走滑斷層在調(diào)節(jié)天山內(nèi)部構(gòu)造變形中起著重要的作用。而研究區(qū)坡度和地形起伏度結(jié)果顯示，區(qū)域內(nèi)地形變化劇烈，最大坡度為83°，最大地形起伏度為603m；基于CRUTS和WorldClim降水?dāng)?shù)據(jù)顯示2022年區(qū)域內(nèi)最大年降水量為 51mm 。

3.3地面沉降影響因子重要性評(píng)估

以高程、坡度、地形起伏度、斷裂、礦區(qū)分布、降水、建筑物為自變量，地面沉降信息為應(yīng)變量，利用極端隨機(jī)樹(shù)模型定量評(píng)估各影響因子對(duì)沉降的重要性[20]

通過(guò)Scikit-Learn內(nèi)置函數(shù)剔除了不合格數(shù)據(jù)，最終獲取556328組合格數(shù)據(jù)。選擇70%的數(shù)據(jù)作為極端隨機(jī)樹(shù)模型訓(xùn)練集， 30% 的數(shù)據(jù)為驗(yàn)證集，k-fold交叉驗(yàn)證模型精度為96.7%。各因子重要性評(píng)估結(jié)果如圖4所示。

由圖4可知，對(duì)研究區(qū)地面沉降影響較大的因子分別為地形條件、斷裂和降水。高程、地形起伏度、坡度3個(gè)影響因子占比高達(dá)44.8%，表明區(qū)域內(nèi)地面沉降主要受地形條件影響。斷裂的重要性占比為27.3%，表明地質(zhì)構(gòu)造為研究區(qū)沉降的發(fā)育提供了重要的地質(zhì)背景。降水對(duì)沉降的重要性為21.2%，地面沉降區(qū)主要分布在降水量小的區(qū)域，推測(cè)降水可以一定程度地補(bǔ)給地下水，或減少地下水開(kāi)采，從而減緩?fù)馏w的壓密固結(jié)。而研究區(qū)地面沉降受建筑和采礦影響較小，2項(xiàng)因子重要性占比僅6.7%。

4結(jié)語(yǔ)

研究基于 PS-InSAR 方法用24景Sentinel-1A影像，實(shí)現(xiàn)對(duì)天山山脈東段2022年1月6日到2023年1月1日的地面沉降監(jiān)測(cè)，獲取該區(qū)域地面沉降量圖。研究結(jié)果顯示研究區(qū)未發(fā)現(xiàn)有明顯的沉降漏斗，僅存在零散的沉降區(qū)，東北部輸電線路經(jīng)過(guò)沉降區(qū)，可能會(huì)對(duì)輸電線路造成一定的影響。極端隨機(jī)樹(shù)方法分析指出影響天山山脈東段地面沉降的主要因素是高程、地形起伏度、坡度、斷裂和降水，沉降的分布特征與地形條件高度關(guān)聯(lián)。

【參考文獻(xiàn)】

[1] 張吉寧，薄勇，劉洋洲，等.基于物聯(lián)網(wǎng)技術(shù)的地質(zhì)災(zāi)害監(jiān)測(cè)預(yù)警系統(tǒng)設(shè)計(jì)[J].粘接，2021，48（10）：86-89.

[2] 寧興園，郭勇，王繼明.測(cè)繪地理信息技術(shù)在地質(zhì)勘察中的應(yīng)用研究[J].粘接，2022，49（2）：164-168.

[3] 申艷軍，王艷，魏欣，等.天山山脈山地坡積土風(fēng)化成生過(guò)程及垂直分帶特征初探[J].工程地質(zhì)學(xué)報(bào)，2023，31（4）：1235-1246.

[4] 王明玥.天山山脈冰雪覆蓋時(shí)空演變特征與情景模擬[D].阿拉爾：塔里木大學(xué)，2022.

[5]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.

[6]朱邦彥，唐超，任志忠，等.基于 PS-InSAR 技術(shù)的珠海市地表形變監(jiān)測(cè)與驅(qū)動(dòng)力分析[J」.測(cè)繪通報(bào)，2022（6） ：108-113.

[7]伊堯國(guó)，田秋媛，崔楠，等.基于確定性因子模型的區(qū)域地面沉降敏感性研究［J.天津城建大學(xué)學(xué)報(bào)，2023，29（5） ：319-327.

[8]高建東，王勇，安江雷，等.一種多源地面沉降監(jiān)測(cè)數(shù)據(jù)融合方法及其應(yīng)用[J].測(cè)繪通報(bào)，2023，（10）：158-162.

[9]李洋洋，左小清，肖波，等.基于SBAS-InSAR和BP算法的大理市地面沉降監(jiān)測(cè)及預(yù)測(cè)［J].貴州大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，40（4）：39-47.

[10]毛嘉騏，李素敏，成睿，等.基于時(shí)序InSAR的改進(jìn)型PIM礦山采空區(qū)沉降模型構(gòu)建與應(yīng)用J.化工礦物與加工，2023，52（9）：32-38.

[11]丁國(guó)君，范開(kāi)元，李一航，等.基于R-FCN區(qū)域全卷積網(wǎng)絡(luò)的絕緣子紅外圖像識(shí)別研究[J」.自動(dòng)化技術(shù)與應(yīng)用，2023，（11）：147-151.

[12］劉海軍，楊鴻海.基于非對(duì)稱卷積網(wǎng)絡(luò)的遙感影像地物檢測(cè)方法研究[J].地理空間信息，2023，21（9）：73-76

[13]劉翰霖，李根軍，林楠，等.基于極端隨機(jī)樹(shù)的高光譜蝕變信息提取研究[J].地理空間信息，2023，21（9）：57-60.

[14]饒驍馳，楊昊，喻輝，等.基于極端隨機(jī)樹(shù)算法的流體識(shí)別研究[J].物探化探計(jì)算技術(shù)，2023，45（5）：566-578.

[15]劉翰霖，李根軍，林楠，等.基于極端隨機(jī)樹(shù)的高光譜蝕變信息提取研究[J].地理空間信息，2023，21（9）：57-60.

[16]袁帥，余偉，余放，等.面向不平衡數(shù)據(jù)集分類的離散高維空間距離采樣和極端隨機(jī)樹(shù)算法[J].計(jì)算機(jī)應(yīng)用與軟件，2020，37（7）：194-199.

[17］馬家駒，楊瑜.融合GNSS及改進(jìn)核函數(shù)的地面沉降監(jiān)測(cè)精度分析[J].測(cè)繪標(biāo)準(zhǔn)化，2023，39（2）：34-39

[18]張雨龍.寒區(qū)隧道施工中地表沉降變形監(jiān)測(cè)與數(shù)值模擬研究[J].市政技術(shù)，2023，41（9）：113-119.

[19］楊寶榮.基于ArcGIS的不良地質(zhì)三維建模及選線研究[J].粘接，2020，41（4）：132-136.

[20］ 司新毅，謝新民，李盛.基于PS-InSAR和隨機(jī)森林的天津區(qū)域地表形變監(jiān)測(cè)[J.大地測(cè)量與地球動(dòng)力學(xué)，2023，43（7） ：692-695.

（責(zé)任編輯：平海）