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)

摘要：針對(duì)傳統(tǒng)差分合成孔徑雷達(dá)干涉測(cè)量（differential interferometric synthetic aperture radar，D-InSAR）存在時(shí)空失相干、大氣延遲的問(wèn)題，選擇小基線集合成孔徑雷達(dá)干涉（small baseline subset interferometric synthetic aperture radar，SBAS-InSAR）技術(shù)獲取高精度地表沉降信息。為了更快了解未來(lái)城市地表沉降趨勢(shì)，提出一種基于SBAS-InSAR和BP神經(jīng)網(wǎng)絡(luò)算法的城市地表沉降監(jiān)測(cè)及預(yù)測(cè)模型。利用SBAS-InSAR技術(shù)獲取大理市2020年5月1日至2021年12月22日時(shí)間序列累計(jì)最大沉降速率，其沉降速率范圍為-52.627～47.543 mm/a；選取研究區(qū)5個(gè)沉降較為嚴(yán)重的區(qū)域分析沉降原因；最后隨機(jī)選取B沉降區(qū)內(nèi)1 000個(gè)沉降點(diǎn)，其中300個(gè)作為學(xué)習(xí)訓(xùn)練樣本，700個(gè)進(jìn)行測(cè)試和預(yù)測(cè)分析，預(yù)測(cè)結(jié)果與監(jiān)測(cè)結(jié)果相吻合，其平均絕對(duì)誤差為0.255 mm，均方誤差為0.129 mm。實(shí)驗(yàn)結(jié)果表明，提出的結(jié)合SBAS-InSAR和BP算法模型，能夠有效對(duì)城市地表沉降進(jìn)行監(jiān)測(cè)與預(yù)測(cè)。

關(guān)鍵詞：地表沉降監(jiān)測(cè)；SBAS-InSAR；BP神經(jīng)網(wǎng)絡(luò)模型；預(yù)測(cè)

中圖分類號(hào)：P237文獻(xiàn)標(biāo)志碼：A中國(guó)是城市地表沉降現(xiàn)象時(shí)常發(fā)生的國(guó)家之一。城市地表沉降具有累積性，常表現(xiàn)為發(fā)生垂直方向的形變［1］。可能導(dǎo)致城市地表沉降的一系列變量包括人為和自然原因，如建筑負(fù)荷、巖性、地下水消耗、地質(zhì)構(gòu)造活動(dòng)、季節(jié)影響、采礦活動(dòng)等。城市沉降累積量一旦超出某一限度，將嚴(yán)重危及到人類的生存和財(cái)產(chǎn)安全。研究表明我國(guó)已經(jīng)有近百個(gè)大中城市受到城市地表沉降的影響［2］，對(duì)城市建筑等造成了破壞，為了防止地表沉降對(duì)城市造成極大的威脅，城市地表沉降的監(jiān)測(cè)就極為重要。目前較為傳統(tǒng)的地表沉降監(jiān)測(cè)的方法有基巖標(biāo)、分層標(biāo)測(cè)量， 精密水準(zhǔn)測(cè)量及全球定位系統(tǒng)（GPS）測(cè)量等［3-4］。雖然這些方法精度高，但也存在監(jiān)測(cè)效率低、時(shí)間長(zhǎng)等缺點(diǎn)，無(wú)法滿足長(zhǎng)時(shí)間、大區(qū)域的監(jiān)測(cè)要求。與傳統(tǒng)的地表沉降監(jiān)測(cè)方法相比，近年來(lái)發(fā)展起來(lái)的合成孔徑雷達(dá)干涉測(cè)量（interferometric synthetic aperture radar，InSAR）技術(shù)能夠滿足長(zhǎng)時(shí)間、大區(qū)域的持續(xù)監(jiān)測(cè)。差分合成孔徑雷達(dá)干涉測(cè)量（differential interferometric synthetic aperture radar，D-InSAR）雖具備以上特點(diǎn)，但D-InSAR存在時(shí)空失相干和大氣延遲的限制［5］。小基線集合成孔徑雷達(dá)干涉（small baseline subset interferometric synthetic aperture radar，SBAS-InSAR）的提出，能夠充分有效地利用多景雷達(dá)影像，有效解決傳統(tǒng)D-InSAR技術(shù)存在的問(wèn)題［6-7］。目前，基于SBAS-InSAR技術(shù)對(duì)城市地表沉降的監(jiān)測(cè)已經(jīng)取得了成功的范例：姚鑫［8］利用PS-InSAR和SBAS-InSAR技術(shù)分析得出場(chǎng)地平整可能是造成大理海東新城地表沉降的主要原因；肖波等［9］利用SBAS-InSAR技術(shù)對(duì)滇西北賓川斷陷盆地進(jìn)行沉降監(jiān)測(cè)，并利用BP神經(jīng)網(wǎng)絡(luò)模型成功預(yù)測(cè)縣級(jí)城市的地表沉降。

而今對(duì)云貴川等地的城市地表沉降的監(jiān)測(cè)及預(yù)測(cè)很少，為了解決該問(wèn)題，本文基于SARscape軟件，利用SBAS- InSAR技術(shù)，分析23景Sentinel-1A升軌數(shù)據(jù)，獲取大理市時(shí)間序列累計(jì)沉降值和年平均沉降速率圖，采用外部精密軌道數(shù)據(jù)去除軌道誤差，采用外部AW3D 30 DEM數(shù)據(jù)取平地相位；選取研究區(qū)內(nèi)5個(gè)沉降較為嚴(yán)重的區(qū)域進(jìn)行研究，分析其沉降區(qū)域的成因；最后隨機(jī)選取沉降區(qū)B中的沉降值，作為BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本，利用BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)大理市城市地表沉降趨勢(shì)。

1研究區(qū)概況及試驗(yàn)數(shù)據(jù)

1.1研究區(qū)概況

大理市位于云南省西部，橫斷山脈南端，總面積1 815 km2，是古時(shí)南詔都城。大理市有洱海等流域，地下水資源十分豐富。大理市的地質(zhì)結(jié)構(gòu)變化劇烈，錯(cuò)綜復(fù)雜，山區(qū)溝壑縱橫，人為活動(dòng)十分活躍，地質(zhì)災(zāi)害頻發(fā)，已嚴(yán)重制約了大理市國(guó)民經(jīng)濟(jì)的發(fā)展和社會(huì)的繁榮穩(wěn)定。研究區(qū)域位置示意和DEM如圖1所示。

1.2研究數(shù)據(jù)

本文研究基于SARscape軟件進(jìn)行SBAS-InSAR分析，數(shù)據(jù)選取歐空局網(wǎng)站（https：//scihub.copernicus.eu/dhus/#/home）2020年5月1日至2021年12月22日的23景Sentinel-1A，影像重訪周期為12 d，極化方式采用單極化（VV）升軌數(shù)據(jù)，基本參數(shù)信息如表1所示。

2城市地表沉降監(jiān)測(cè)及預(yù)測(cè)相關(guān)技術(shù)原理

2.1SBAS基本原理

SBAS-InSAR是在D-InSAR的基礎(chǔ)上發(fā)展而成的一種新的時(shí)序分析方法［10］。SBAS-InSAR利用滿足時(shí)間基線閾值和空間基線閾值的圖像形成差分干擾集。然后，根據(jù)干涉圖的相干性篩選高質(zhì)量的干涉對(duì)，利用最小二乘法對(duì)每個(gè)小集合的表面變形序列進(jìn)行相位提取。最后，采用奇異值分解（singular value decomposition，SVD）聯(lián)合求解多個(gè)小基線集，獲得地表變形時(shí)間序列［11］。

2.2BP算法原理

BP算法最早由WERBOS等于1974年提出。BP算法由輸入層、隱含層、輸出層3部分組成。BP算法的主要思想是外部的信息從輸入層流入隱含層，在此基礎(chǔ)上，引入一個(gè)或多個(gè)隱藏層對(duì)接收到的外部信息進(jìn)行加工和轉(zhuǎn)換，最后傳遞給輸出層。這是一次正向?qū)W習(xí)的過(guò)程。后續(xù)的學(xué)習(xí)將此次信息學(xué)習(xí)處理的結(jié)果通過(guò)輸出層進(jìn)行輸出，當(dāng)輸出的結(jié)果不滿足要求時(shí)，就會(huì)進(jìn)行一次反向傳播過(guò)程。在數(shù)據(jù)從輸出層流入隱含層和輸入層的過(guò)程中，BP算法會(huì)進(jìn)行權(quán)重調(diào)節(jié)。不斷重復(fù)上述過(guò)程，直到完成預(yù)先期望效果時(shí)才停止［13］。

2.3結(jié)合SBAS-InSAR技術(shù)和BP算法

本文利用SBAS-InSAR技術(shù)進(jìn)行長(zhǎng)時(shí)序城市地表沉降監(jiān)測(cè)，但地表沉降是一個(gè)非線性的動(dòng)態(tài)過(guò)程，受到很多因素的影響；而BP神經(jīng)網(wǎng)絡(luò)是一種非線性擬合和預(yù)測(cè)的方法，可以用來(lái)處理非線性或受多種因素影響的問(wèn)題［14］。因此，利用BP神經(jīng)網(wǎng)絡(luò)對(duì)大理市沉降趨勢(shì)進(jìn)行預(yù)測(cè)，以SBAS-InSAR獲得的區(qū)域內(nèi)地表沉降監(jiān)測(cè)值作為學(xué)習(xí)訓(xùn)練的樣本數(shù)據(jù)，其他沉降監(jiān)測(cè)值作為期望輸出值，然后通過(guò)BP神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)和自適應(yīng)能力，在訓(xùn)練時(shí)自適應(yīng)地學(xué)習(xí)內(nèi)容，并記憶在網(wǎng)絡(luò)的權(quán)值中，使構(gòu)建的預(yù)測(cè)網(wǎng)絡(luò)獲取最優(yōu)的參數(shù)，最終達(dá)到對(duì)其區(qū)域地表沉降趨勢(shì)的預(yù)測(cè)。SBAS-InSAR和BP算法處理流程如圖2所示。在對(duì)研究區(qū)地表沉降的預(yù)測(cè)中，僅需輸入沉降值，然后調(diào)用構(gòu)建的預(yù)測(cè)網(wǎng)絡(luò)，就可以實(shí)現(xiàn)對(duì)地表沉降趨勢(shì)的預(yù)測(cè)。

3數(shù)據(jù)處理及結(jié)果分析

3.1試驗(yàn)數(shù)據(jù)處理

本試驗(yàn)區(qū)選取大理市2020年5月1日至2021年12月22日共23景Sentinel-1A影像，基于SARscape軟件進(jìn)行數(shù)據(jù)處理。選擇2020年5月1日為超級(jí)主影像，設(shè)置空間基線為1 600 m，時(shí)間基線為360 d，多視視數(shù)為1∶4，生成時(shí)空基線圖，如圖3所示。圖3顯示共生成117個(gè)干涉對(duì)。采用最小費(fèi)用流解纏方法和Goldstein濾波方法，干涉工作流［15］，生成干涉圖，刪除干涉效果不好的干涉圖，留下部分干涉效果較好的干涉圖。部分干涉效果圖如圖4所示。

通過(guò)軌道精煉和重去平，估算和去除殘余的恒定相位和解纏后仍存在的相位趨勢(shì)［10］。然后進(jìn)行SBAS-InSAR的兩次反演，估算形變速率和優(yōu)化輸入的干涉圖，獲得2020年5月1日至2021年12月 22日LOS向的形變速率值。最后進(jìn)行地理編碼。 3.2城市地表沉降監(jiān)測(cè)

3.2.1精度驗(yàn)證

由于CORS、GPS、水準(zhǔn)數(shù)據(jù)具有保密性，只獲取了研究區(qū)周圍7個(gè)CORS及GPS站點(diǎn)的監(jiān)測(cè)數(shù)據(jù)用來(lái)驗(yàn)證SBAS-InSAR處理結(jié)果的可靠性。CORS及GPS站點(diǎn)分布的具體位置如圖5所示。以CORS及GPS站點(diǎn)做半徑為20 m的緩沖區(qū)，進(jìn)行SBAS-InSAR沉降結(jié)果對(duì)比分析，其結(jié)果如表2所示。表2顯示：誤差范圍為-2.71 ～1.63 mm/a，說(shuō)明利用SBAS-InSAR進(jìn)行城市地表沉降監(jiān)測(cè)的效果較好。

3.2.2沉降分析

根據(jù)研究區(qū)的形變速率值選取5個(gè)沉降較為嚴(yán)重的區(qū)域，標(biāo)記為A、B、C、D、E，如圖6所示。從圖6可以看出，研究區(qū)沉降速率呈現(xiàn)不均勻分布，沉降速率為-52.627～47.543 mm/a。

沉降區(qū)A位于洱海邊的沙村、深江和河矣城片區(qū)。該區(qū)域年平均沉降速率為-15.695 mm/a，沉降面積約為6.254 km²。沉降區(qū)域最大沉降的位置位于洱海邊的沙村及金圭寺周邊，最大沉降速率達(dá)到-20.219 mm/a。調(diào)查研究表明：該片區(qū)土地以軟土為主，地表沉降的原因可能是周圍村民修建建筑擾動(dòng)軟土層，使土層被壓實(shí)［16］。該區(qū)域位于洱海附近，地表沉降受土層中的孔隙水影響較大。該區(qū)域的地表沉降會(huì)受到季節(jié)變化的影響。

沉降區(qū)B位于蒼山下的慶洞村和鳳鳴村。該區(qū)域年平均沉降速率為-36.752 mm/a，沉降面積約為8.952 km²。沉降區(qū)域最大沉降的位置位于慶洞村和鳳鳴村內(nèi)，最大沉降速率達(dá)到-42.576 mm/a。引起沉降區(qū)B沉降的原因可能是該區(qū)域周圍農(nóng)田較多，田地灌溉過(guò)度抽取地下水。土壤中孔隙水和其中所含的氣體孔隙壓力降低，使轉(zhuǎn)移到土壤顆粒上的壓力減少，導(dǎo)致了土壤被壓實(shí)，引起了地表沉降［17］。

沉降區(qū)C位于大理古城區(qū)域。該區(qū)域年平均沉降速率為-9.805 mm/a，沉降面積約為11.864 km²。沉降區(qū)域最大沉降的位置位于大理佛圣寺和農(nóng)林職業(yè)技術(shù)學(xué)院附近，最大沉降速率達(dá)到-16.257 mm/a。引起沉降區(qū)C沉降的原因可能是該區(qū)域周邊正在建設(shè)公路和房地產(chǎn)開發(fā)。公路和房地產(chǎn)的開挖，大中型運(yùn)載車輛經(jīng)常流動(dòng)等造成周邊土壤被壓緊實(shí)，從而導(dǎo)致地表的不均勻沉降。

沉降區(qū)D位于洱海邊的青山村。該區(qū)域年平均沉降速率為-17.405 mm/a，沉降面積約為5.253 km²。沉降區(qū)域最大沉降的位置位于環(huán)海路及江尾—賓川公路周圍，最大沉降速率為-28.254 mm/a。引起沉降區(qū)D沉降的原因可能是青山村位于洱海邊，村中大力發(fā)展旅游業(yè)。村民對(duì)房屋建筑進(jìn)行整修或者重建導(dǎo)致土質(zhì)被壓實(shí)，引起了青山村地表的不均勻沉降。

沉降區(qū)E位于海東新區(qū)大理技師學(xué)院內(nèi)。該區(qū)域年平均沉降速率為-38.525 mm/a，沉降面積為4.581 km²。沉降區(qū)域最大沉降位置位于大理技師學(xué)院內(nèi)，最大沉降速率為-47.254 mm/a。引起沉降區(qū)E沉降的原因可能是該區(qū)域人口較為密集，對(duì)地下水進(jìn)行超采等因素［18］。

對(duì)選取的5個(gè)沉降區(qū)中沉降速率最大的沉降點(diǎn)繪制降雨量及時(shí)間序列累積沉降圖，如圖7所示。2020年5月1日至2021年12月22日，5個(gè)沉降點(diǎn)的形變序列值總體趨勢(shì)均向下。6月至8月，隨著降雨量增大，沉降區(qū)域均有不同程度的抬升。其間，沉降區(qū)A和沉降區(qū)D抬升較為明顯，原因可能是土壤中孔隙水和其中所含的氣體孔隙壓力增加，使轉(zhuǎn)移到土壤顆粒上的壓力增多，土壤松實(shí)引起地表抬升。

3.3城市地表沉降預(yù)測(cè)

從5個(gè)最嚴(yán)重的沉降區(qū)域中隨機(jī)選擇沉降區(qū)B進(jìn)行預(yù)測(cè)分析，隨機(jī)選取1 000個(gè)沉降點(diǎn)，其中300個(gè)作為學(xué)習(xí)訓(xùn)練的樣本，700個(gè)進(jìn)行訓(xùn)練。利用Matlab軟件構(gòu)建BP神經(jīng)網(wǎng)絡(luò)算法，訓(xùn)練參數(shù)如表3所示。圖8是BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果。從圖8可以看出，訓(xùn)練、驗(yàn)證、測(cè)驗(yàn)以及全部數(shù)據(jù)的相關(guān)性均超過(guò)0.99，最佳迭代次數(shù)為4次。將選擇好的樣本數(shù)據(jù)輸入BP網(wǎng)絡(luò)中，得到預(yù)測(cè)和期望的輸出結(jié)果，平均絕對(duì)誤差為0.255 mm，均方誤差為0.129 mm。將預(yù)測(cè)結(jié)果與監(jiān)測(cè)結(jié)果進(jìn)行對(duì)比，如圖9所示。從圖9可以看出，整體預(yù)測(cè)輸出和期望輸出均保持很高的一致性。

4結(jié)論

本文基于SARscape軟件，利用SBAS-InSAR技術(shù)處理23景Sentinel-1A升軌數(shù)據(jù)，獲取大理市年平均沉降速率，并利用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)大理市城市地表沉降進(jìn)行預(yù)測(cè)，結(jié)果如下：

1）獲取了大理市年平均沉降速率，研究區(qū)的沉降速率范圍為-52.627～47.543 mm/a。重點(diǎn)分析5個(gè)明顯沉降區(qū)域，與7個(gè)CORS點(diǎn)和 GPS點(diǎn)進(jìn)行精度驗(yàn)證。結(jié)果表明，運(yùn)用SBAS-InSAR技術(shù)監(jiān)測(cè)云貴川等地的城市地表沉降是可行的。

2）引起研究區(qū)地表沉降的原因有地下水抽取、軟土層擾動(dòng)、季節(jié)影響等。沉降趨勢(shì)隨降雨量呈季節(jié)性變化。

3）隨機(jī)選取沉降區(qū)B內(nèi)1 000個(gè)沉降點(diǎn)進(jìn)行預(yù)測(cè)分析，其中300個(gè)作為訓(xùn)練樣本，700個(gè)作為測(cè)試樣本，得到平均絕對(duì)誤差為0.255 mm，均方誤差為0.129 mm。結(jié)果表明，預(yù)測(cè)輸出和期望輸出具有很高的相關(guān)性，可以利用構(gòu)建的預(yù)測(cè)網(wǎng)絡(luò)模型對(duì)云貴川等地的城市進(jìn)行地表沉降趨勢(shì)的預(yù)測(cè)。

本研究預(yù)測(cè)時(shí)選取訓(xùn)練樣本數(shù)量較少，分布相對(duì)集中，預(yù)測(cè)效果較好，但在模型訓(xùn)練過(guò)程中，未考慮土壤質(zhì)地、植被覆蓋、降雨量等因子對(duì)預(yù)測(cè)值的影響，今后的研究將從多視角、多因素出發(fā)，對(duì)城市地表沉降進(jìn)行預(yù)測(cè)。參考文獻(xiàn)：

[1]藍(lán)秦隆， 鄒進(jìn)貴. SBAS技術(shù)在地面沉降監(jiān)測(cè)中的應(yīng)用： 以武漢市為例［J］. 測(cè)繪通報(bào)， 2018（增刊1）： 278-282.

［2］ 何秀鳳， 仲海蓓， 何敏. 基于PS-InSAR和GIS空間分析的南通市區(qū)地面沉降監(jiān)測(cè)［J］. 同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2011， 39（1）： 129-134.

［3］ 范軍， 左小清， 李濤， 等. PS-InSAR和SBAS- InSAR技術(shù)對(duì)昆明主城區(qū)地面沉降監(jiān)測(cè)的對(duì)比分析［J］. 測(cè)繪工程， 2018， 27（6）： 50-58.

［4］ ZHANG Q Y， LI Y S， ZHANG J F， et al． InSAR technique applied to the monitoring of the Qinghai tibet railway［J］. Natural Hazards and Earth System Sciences， 2019， 19： 2229-2240.

［5］ 秦曉瓊， 楊夢(mèng)詩(shī)， 王寒梅， 等. 高分辨率PS-InSAR在軌道交通形變特征探測(cè)中的應(yīng)用［J］. 測(cè)繪學(xué)報(bào)， 2016， 45（6）： 713-721.

［6］ CASU F， ELEFANTE S， IMPERATORE P， et al. SBAS-DInSAR parallel processing for deformation time series computation［J］. IEEE Journal of Selected Topics in Applied Earth Observations ＆ Remote Sensing， 2014， 7（8）： 3285-3296.

［7］ ARDIZZONE F， BONANO M， GIOCOLI A， et al. Analysis of ground deformation using SBAS-DInSAR technique applied to COSMO-SkyMed images， the test case of Roma urban area［C］//Conference on SAR image analysis， modeling， and techniques. Edinburgh： 2012： 85360D.1-85360D.11.

［8］ 姚鑫. 基于時(shí)序InSAR的地面沉降監(jiān)測(cè)研究［D］. 昆明： 昆明理工大學(xué)， 2018.

［9］ 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.

［10］周定義， 左小清. 基于SBAS-InSAR和PSO-BP神經(jīng)網(wǎng)絡(luò)算法的礦區(qū)地表沉降監(jiān)測(cè)及預(yù)測(cè)［J］. 云南大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2021， 43（5）： 895-905.

［11］YU H H， CAI G L， GAN Q， et al. Early identification of the Jiang ding ya landslide of Zhouqu based on SBAS-InSAR technology［J］. Earthquake Research in China， 2020， 34（4）： 510-522.

［12］李珊珊， 李志偉， 胡俊， 等. SBAS-InSAR技術(shù)監(jiān)測(cè)青藏高原季節(jié)性凍土形變［J］. 地球物理學(xué)報(bào)， 2013， 56（5）： 1476-1486.

［13］李勇發(fā)， 左小清， 麻源源， 等. 基于PS-InSAR技術(shù)和遺傳神經(jīng)網(wǎng)絡(luò)算法的礦區(qū)地表沉降監(jiān)測(cè)與預(yù)計(jì)［J］. 地球物理學(xué)進(jìn)展， 2020， 35（3）： 845-851.

［14］張建亮. 基于BP神經(jīng)網(wǎng)絡(luò)模型的地下采煤區(qū)地表沉降預(yù)測(cè)［J］. 能源科技， 2020， 18（7）： 69-71.

［15］華怡穎， 胡晉山， 康建榮， 等. 基于SBAS-DInSAR的大寧礦區(qū)多工作面開采地表沉陷規(guī)律研究［J］. 金屬礦山， 2020（3）： 177-183.

［16］XU B， FENG G C， LI Z W， et al. Coastal subsidence monitoring associated with land reclamation using the point target based SBAS-InSAR method： a case study of Shenzhen， China［J］. Remote Sensing， 2016， 8： 652.1-652.22.

［17］熊文秀， 馮光財(cái)， 李志偉， 等. 顧及時(shí)空特性的SBAS高質(zhì)量點(diǎn)選取算法［J］. 測(cè)繪學(xué)報(bào)， 2015， 44（11）： 1246-1254.

［18］楊宏山， 聶建亮. 利用InSAR分析陜西省垂直形變［J/OL］. 武漢大學(xué)學(xué)報(bào)（信息科學(xué)版）： 1-8（2021-10-29）［2022-05-06］. http：//kns.cnki.net/kcms/detail/42.1676.TN.20211028.1552.031.html.

（責(zé)任編輯：周曉南）

Monitoring and Prediction of Ground Subsidence in Dali City

Based on SBAS-InSAR and BP Algorithm

LI Yangyang ZUO Xiaoqing XIAO Bo ZHOU Dingyi

（1.Engineering Institute of Land and Resources， Kunming University of Science and Technology， Kunming 650093，China;

2.Yunnan Communications Vocational and Technical College， Kunming 650500， China）Abstract： In view of the problems of space-time decoherence and atmospheric delay in traditional D-InSAR， SBAS-InSAR technology is selected to obtain high-precision surface subsidence information. In order to understand the future trend of urban land subsidence more quickly， an urban land subsidence monitoring and prediction model based on SBAS-InSAR and BP neural network algorithm is proposed. Using SBAS-InSAR technology， we obtained the cumulative maximum subsidence rate in the time series of Dali City from May 1， 2020 to December 22， 2021， the subsidence rate rangeing from -52.627 mm/a to 47.543 mm/a; five areas were selected as the areas with severe subsidence from the study areas andthe causes of subsidence were analyzed. Finally， 1 000 subsidence points in subsidence area B were randomly selected， 300 of which were used as learning and training samples， and 700 were tested and analyzed for prediction. The prediction results were consistent with the monitoring results， and the average absolute error was 0.255 mm， the mean square error was 0.129 mm. The experimental results show that the SBAS-InSAR and BP combined algorithm model proposed in this paper can effectively monitor and predict urban surface subsidence.

Key words： surface settlement monitoring; SBAS-InSAR; BP neural network model; prediction