聯合SBAS-InSAR和BP算法的滇中高速公路沿線沉降監測與預測

肖波，趙振峰，喜文飛，周定義，姜乃齊

(1.云南交通職業技術學院，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.云南省核工業地質調查院，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“長江經濟帶”發展戰略，落實習近平總書記視察云南的重要指示，云南省調整《云南省道網規劃(2014-2030年)》中的高速公路網布局方案，提出了“五縱五橫一邊兩環二十聯”的高速公路布網方案，為“做強滇中、搞活沿邊、聯動廊帶、多點支撐、雙向開放”的戰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，不可避免地會引發區域性的路面沉降，產生裂縫、裂隙、橋梁橋頭跳車等病害問題，破壞路基路面的穩定性，影響行車安全，危及人們的生命和財產安全[1]。滇中城市區，包括昆明、曲靖、楚雄和玉溪4個州市，位于云南的發展核心區，密集的路網規劃和建設，更是高速公路路面沉降的高發區。因此，迫切需要監測滇中城市區高速公路的形變發展趨勢，掌握其路基路面結構的穩定性，保障高速公路的正常運營。

目前，高速公路的變形監測已經明顯地滯后于建設，如果繼續再利用傳統監測方法，如水準儀、經緯儀、全站儀、GNSS、填埋降標等，對大范圍的高速公路網進行安全排查，不僅耗時、耗力，養護人員的人身安全也得不到保障，且容易出現排查不到位、遺漏等問題。隨著空間衛星的不斷升空，越來越多遙感數據的免費使用，新興的InSAR技術以無須大量的外業工作，就能獲得大范圍內毫米級的形變監測精度而備受人們的青睞。從2010年開始，陸續有國內外學者將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。筆者檢索文獻發現，現有的研究中，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測與成因分析，針對大規模城市群高速公路網沿線地面沉降探測的研究不多，利用獲取的監測成果進行預測的更是少見。為此，本文采用SBAS-InSAR技術和BP神經網絡模型相結合的方法，對滇中地區(包括昆明、楚雄、玉溪、曲靖)的6條高速公路、昆明主城區的一、二、三環3條環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神經網絡的學習樣本，建立InSAR監測值和沉降預測值之間的函數模型，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神經網絡不斷改變網絡權值，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和維護提供技術支持。

2 研究區與研究數據

2.1 研究區概況

滇中地區屬于滇東高原盆地，以山地和山間盆地地形為主，地勢起伏和緩。滇中地區包括：昆明、曲靖、楚雄和玉溪4個城市。滇中地區多盆地，集中了云南全省近一半的山間平地。區域位于長江、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%。滇中地區是云南省經濟社會最發達、資源稟賦和基礎條件最優越、區位優勢最顯著的區域，是聯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一環、二環、三環3條典型的城市道路，及機場高速、內外繞城高速、汕昆高速(昆明-陸良段)、晉紅高速(昆明-晉寧-紅塔區)、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條滇中地區的高速公路作為研究對象。研究區地理位置及高速公路分布如圖1所示。

圖1 研究區地理位置及高速公路分布圖

2.2 研究數據

本文從歐空局官網下載了69景覆蓋研究區范圍的sentinel-1A SAR，對應的精密軌道數據由ESA網站平臺獲取(https：//qc.sentinel1.eo.esa.int/)。SAR影像的具體參數如表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機構(JAXA)2015年5月免費提供的全球數字地表模型數據，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

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，對所有數據對進行重去平和軌道精煉；最后，聯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為地表三維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。考慮到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神經網絡預測模型建立

BP(Back Propagation)神經網絡是由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神經網絡示意圖

設時間序列X(i)，i=1，2，…，N，N為數據個數，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，p為模型的階數。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：

神經網絡建模的本質就是用神經網絡的隱式來表達輸入與輸出的函數關系，將所構造樣本集代入網絡進行訓練，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，作為函數計算器，能以任意精度逼近任何非線性函數[20]。

誤差后向傳播過程是通過使能量函數最小化來完成輸入輸出的映射。將能量函數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 滇中地區高速公路沿線沉降分布特征

本文使用SARscape軟件，對研究區內的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，本文在城區道路(一環、二環) 200 m范圍內，三環及其余各高速公路 1 000 m范圍內建立緩沖區，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的區域(紅色)，表示遠離衛星運動，實際地表表現為沉降；形變速率大于0的區域(綠色)，表示朝著衛星運動，實際地表表現為抬升。研究區內3條城市主干道及8條高速公路分布范圍內，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處明顯沉降區域，分別編號為1～22。

圖3 研究區形變速率

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計如表2所示。滇中地區的高速網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；研究區內較為穩定的高速公路為杭瑞高速昆明至楚雄段，除跨越昆明主城區的3號沉降點外，基本處于穩定狀態。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 滇中地區高速公路網沿線沉降情況

續表2

4.2 滇中地區高速公路網絡地表沉降預測

從上述的監測結果可以知道，滇中地區高速網絡不同路段均出現了不均勻的沉降現象，涉及的沉降區域，范圍大、零星分布。為了縮小監測范圍，準確、及時地進行管養，本文在沉降監測的基礎上，隨機選取研究區的高速公路網沿線緩沖區范圍內的沉降監測點，利用BP神經網絡模型對未來的沉降趨勢進行預測分析。試驗中，從研究區內隨機抽取 1 000組InSAR監測數據，選出980組數據作為計算樣本，在980組數據中，選取80%作為訓練樣本，20%作為測試樣本，得到滇中地區高速公路沉降趨勢預測的BP神經網絡模型，利用剩余的20組數據對該模型進行驗證。根據選取的數據，利用Matlab軟件構建BP神經網絡模型訓練時，設置的參數如下：學習速率0.03，訓練目標0.001、訓練次數 20 000。驗證比對結果和最佳迭代次數如圖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監測值)用紅色圓圈表示；圖4(b)中橫坐標表示BP神經網絡訓練時的迭代收斂次數，縱坐標表示均方誤差。實驗結果表明，BP神經網絡預測的均方誤差為 0.167 mm，平均絕對誤差為 0.379 mm。進一步統計BP神經網絡預測的精度，如表3所示，SBAS監測值與BP神經網絡預測值之間的最大誤差為 0.666 mm/a。說明BP神經網絡模型對滇中地區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神經網絡預測試驗結果

表3 BP神經網絡模型預測精度統計表

5 結 語

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

(1)研究區內3條城市主干道及8條高速公路分布范圍內，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神經網絡模型的學習能力和容錯能力較強，對滇中地區高速公路地表沉降值預測效果接近InSAR監測值，可為今后的滇中地區高速公路致災范圍圈定提供依據。