基于InSAR技术地铁沿线地表形变监测与预测.pdf

信息通信基于InSAR 技术地铁沿线地表形变监测与预测（江西理工大学土木与测绘工程学院，江西赣州3410 0 0）摘要：地铁在修建和运行过程中，往往会沿线周边的区域发生沉降。这不仅会使地铁的运行发生危险，还会影响周围工程建筑的稳定性。文章用PS-InSAR技术对研究区37 景的Sentinel-1ASAR数据进行处理，提取了南昌地铁沿线40 0 m范围缓冲区内的形变速率场。研究表明地铁沿线大部分区域整体沉降速率大小在-8 mm/a8mm/a之间，个别区域的沉降速率较为严重，最大沉降速率可达-36.7 mm/a。最后采用BP神经网络模型和小波神经网络模型对累计形变时间序列数据进行预测实验，结果表明小波神经网络模型在形变数据上的预测精度优于传统的BP神经网络模型，在形变预测方面具有一定的优势和良好的应用前景。关键词：沉降;PS-InSAR;BP神经网络；小波神经网络中图分类号：TP311Monitoring and Prediction of Surface Deformation Alone the Metro Line Based on InSAR Technology(School of Civil and Surveying and Mapping Engineering,Jiangxi University of Science and technology,Ganzhou,341000,China)Abstract:During the construction and operation of a subway,settlement often occurs in areas along the immediate surroundingsof the line.It not only makes the movement of the metro dangerous but also affects the stability of the surrounding engineeringbuildings.In this paper,In this paper,we processed the Sentinel-1A SAR data of 37 views in the study area with PS-InSAR tech-nique to extract the deformation rate field within the buffer zone of 40Om along the Nanchang metro.The study shows that theoverall settlement rate in most areas along the subway line is between-8mm/a and 8mm/a,and the settlement rate in individualareas is more serious,with the maximum settlement rate reaching-36.7mm/a.Finally,using BP neural network model and wa-velet neural network model to predict the cumulative deformation time series data,the results show that the prediction accuracyof wavelet neural network model on the deformation data is better than the traditional BP neural network model,which has cer-tain advantages and good application prospects in deformation prediction.Keywords:Settlement;PS-InSAR;BP Neural Networks;wavelet neural network;settlement time sequence0引言由于城市的发展，建筑物的规模不断扩大，地下商场、地铁等地下工程设施被修建以及地下水的过度开采导致地面沉降在城市中广泛存在。地面沉降会随着时间的积累越来越严重，当沉降量达到一定值的时候会出现明显的沉降漏斗。累积沉降的危害会使城市建筑、道路等出现线性和非线性形变，这种危害不但会影响城市基础设施的正常使用、给国民经济造成损失，严重时还会给对城市居民的生命安全造成威胁。传统的沉降监测方法绝大部分都是在水准测量、GNSS测量的基础上进行的，这两种测量方法虽然能达到较高的精度，但是受天气影响较大，并且它们的观测周期长、成本高，尤其是在大范围观测时具有很强的局限性。随着技术的发展，In-SAR(Interferometric Synthetic Aperture Radar)技术应运而生,该技术具有精度高、回归快、范围广、成本低等优点。InSAR技术最早运用于月球表面的观测，并且成功对月球表面的高程进行了提取。198 9年Gabriel等人首次D-InSAR技术用在了沉降监测领域，研究表明差分干涉测量在沉降监测领域的精度可达亚厘米级别。1992 年Massonnet等学者将D-INSAR技术提取的兰迪斯地震的形变场与该地区的的水准测量数据以及GPS观测数据进行对比，发现它们的结果具有很高的一致性 2 ,D-InSAR技术虽然能快速对大范围地表进行监测，但是其精度会受到大气效应，时间以及空间去相干的影响，学者2023年第0 5 期(总第 2 45 期)段思桓文献标识码：A文章编号：2 0 9 6-9 7 5 9(2 0 2 3)0 5-0 10 9-0 5DUAN SihuanFerretti在D-InSAR基础上延伸出了永久散射体合成孔径雷达干涉测量(Persistent Scatterer Interferometric Synt-hetic Ap-erture Radar,PS-InSAR)技术,PS-InSAR技术原理是重点关注差分干涉图中那些受大气效应和空间去相干较小的稳定点，这些稳定的像素点大都都是由像建筑物、裸岩等这些高反射率的地物组成，它们能长时间稳定的存在，受噪声影响较小，具有很强的相干性并且该技术的监测精度可达毫米级45，任超等学者运用PS-InSAR技术提取了南宁地铁周边的形变速率场，为南宁地铁安全运营提供了重要的数据支撑 。雷坤超等运用PS-InSAR技术提取了北京市地面的形变速率场，并对其进行分析得出北京市存在两大沉降中心，并且沉降速率以每年3060mm的速度持续发展7。大量研究表明PS-InSAR技术在城市地面、城市交通和地铁沉降监测领域具有很强的可靠性。本文基于PS-InSAR技术和37 景Sentinel-1ASAR数据，以南昌市四条地铁线周边40 0 米的区域建立缓冲区，分析地铁沿线以及其周边的沉降情况，为南昌市地铁安全运行提供可靠的数据基础。最后，建立小波神经网络预测模型对地铁沿线周边地区的累计沉降时间序列进行预测，验证小波神经网络模型在累计沉降时间序列数据预测的精度与可靠性。1研究区概况与实验数据1.1研究区概况南昌市是江西省的省会城市，同时也是中国长江中游的收稿日期：2 0 2 3-0 2-17作者简介：段思桓（1998-），男，硕士研究生，研究方向：InSAR技术应用与遥感工程领域。109Changjiang Information&Communications重要中心城市，它位于东经115 2 7 至116 35 ，一年中阳光充足，夏季所占时间较长，春秋季所占时间较短，属于亚热带季风气候，其辖区包括6 个区3个县。南昌地铁是南昌轨道交通系统重要组成部分，首条地铁线路开通于2 0 15 年末，至今已开通四条线路，地铁线路横穿赣江，途径南昌青山湖区、东湖区、南昌县、新建区、青云谱区、西湖区6 大城区，2 0 2 1年的年乘客量达到2.6 亿人次，是南昌市城区内的重要交通枢纽。其中南昌市地铁路线以周边环境情况如图1所示。115*44E115-48BEN.8.8ZN.8ZN.O.8ZN.9C.8ZN.ZE.8Z器例N.9Z.8Z11544E图1研究区卫星影像以及地铁线路图1.2实验数据本文的实验数据采用的是2 0 19年6 月2 0 日至2 0 2 1年11月2 4日的37 景Sentinel-1ASAR数据以及每景影像所对应的精密轨道数据，数据的极化方式为VV,影像入射角为39.10 9，重访周期为12 天。表1是37 景Sentinel-1ASAR数据成像参数。表1Sentinel-1ASAR数据成像参数表序时间空间成像基线基线序成像号时间12019-06-2022019-08-0732019-08-3142019-09-2452019-10-1862019-11-1172019-12-0582019-12-2992020-01-22102020-02-15112020-03-10122020-04-03132020-04-27142020-05-21152020-06-14162020-07-08172020-08-01182020-08-25192020-09-18段思桓：基于InSAR技术地铁沿线地表形变监测与预测实验采用的数字高程模型（DigitalElevationModel，简称DEM）是由美国太空总署和德国意大利相关的机构共同测量完成的SRTM3数据。2研究方法2.1PS-InSAR地面沉降监测方法PS-InSAR技术原理是先从研究区的N幅SAR影像中选取一幅影像作为主影像并把主影像与研究区的另外的N-1幅SAR影像组成影像对，然后通过差分干涉处理这些影像对，得11552E115*56E115-48E11552E/d/m50444.718202020-10-12456-76.473212020-11-0543270.527222020-11-29408-86.286232020-12-2338422.878242021-01-1636022.850252021-02-0933624.847262021-03-0531218.711272021-03-2928850.961282021-04-22264-5.840292021-05-16240-26.332302021-06-09216-17.799312021-07-03192-50.736322021-07-27172-16.666332021-08-20144-11.040342021-09-1312080.271352021-10-0796-31.774362021-10-3172-95.539372021-11-244866.3371160E11556E1160E号时间1164E116*4E时间空间基线基线/d/m24-86.7360024129.3234841.4637216.9769636.00712045.15014440.306168-15.60419239.23021617.452240-18.59526478.77928824.894312-60.96533673.390360-9.0445384-26.8031168ENN.89-82N.O.82N.96.82N.92.82116*8E到N-1幅差分干涉图，在形成的差分干涉图中选取那些相干性较高且稳定的PS监测点，最后通过这些选取的稳定PS点进一步建模研究，提取这些选取的目标点的形变量，从而反演出整个研究区域的形变信息。PS-InSAR技术选取稳定的PS点的方法是振幅离差法，它的计算公式如下：(1)式中：D代表振幅离差指数，TH代表振幅离差指数的阈值，和分别代表时序振幅的标准差和均值，当振幅离差指数越小时，说明所选取的PS点越稳定。初次选取的PS点中还包含很多相位