基于 ＳＢＡＳ-ＩｎＳＡＲ 的成都平原地面形變監測及影響因素分析

摘要：為研究成都平原區域地面形變現狀并分析影響因素，利用差分干涉測量短基線集時序分析技術（ＳＢＡＳ-ＩｎＳＡＲ）監測成都平原地面形變情況，研究結果表明：成都平原區域地面形變量較小，多為點狀形變， 個別地區存在塊狀形變或線狀分布；形變速率較快的地塊多為建設工程擾動引起的，德陽市相對比成都市更易受到工程建設的影響；大部分人工建筑區域累計形變小于 １４ ｍｍ，地表形變速率大于 １０ ｍｍ／ ａ 圖斑面積為 １１５． ８３ ｋｍ２，主要分布在成都市邛崍市、崇州市以及德陽市旌陽區、廣漢市等地． 從地下水開采和土地利用方面分析成都平原地面形變影響因素得出成都平原地下水開采與地面形變現狀存在一定關系，不同土地利用類型中耕地與地表形變的契合度最高，而形變面積較大的地塊主要位于建筑區域． 根據現場核查， ＳＢＡＳ-ＩｎＳＡＲ 結果與現場情況較為一致，證明了 ＳＢＡＳ-ＩｎＳＡＲ 技術在地面形變監測中具有較好適用性． 本研究成果可為成都平原城市建設以及國土空間規劃提供依據．

關鍵詞：成都平原；地面形變；地面沉降；地質災害；ＳＢＡＳ-ＩｎＳＡＲ；土地利用

中圖分類號：Ｐ２３７ 文獻標志碼：Ａ 文章編號：１００１-８３９５（２０２４）０３-０３７７-０７

ｄｏｉ：１０． ３９６９ ／ ｊ． ｉｓｓｎ． １００１-８３９５． ２０２４． ０３． ００９

成都平原是四川省內人口最多、經濟最發達的地區，其中成都市已成為全國八大超大城市之一．區域內由于資源要素高度集聚，城市規模的不斷擴大，城市治理中的各種風險不斷累積，地下空間開發、城市基礎建設及建筑開發等不斷拓展，地下水的開發利用程度不斷加深，隨著時間的推移，誘發地面沉降的可能性漸漸增大．

早期地質災害識別主要通過人工排查、無人機航攝和光學遙感等技術，投入高、頻率低、區域監控不足．隨著遙感對地觀測技術的發展，許多學者基于遙感技術開展了地質災害隱患綜合遙感識別工作， 其中合成孔徑雷達干涉測量技術（ｉｎｔｅｒｆｅｒｏｍｅｔｒｉｃｓｙｎｔｈｅｔｉｃ ａｐｅｒｔｕｒｅ ｒａｄａｒ，ＩｎＳＡＲ）觀測范圍廣、精度高、分辨率高、成本低，在地面沉降、地震和滑坡等形變監測方面展現出極好的應用效果［１-３］．

本文基于哨兵數據，獲取了 ２０１８—２０２２ 年成都平原地表形變信息，并對相鄰軌道結果進行一致性檢驗． 同時通過地質條件、地下水開采強度、工程建筑、土地利用類型等因素分析引起成都平原地表形變，旨在采用 ＩｎＳＡＲ 技術掌握成都平原形變現狀，分析影響成都平原地面形變的影響因素，為城市建設和國土空間規劃提供依據．

１ 研究區概況及 ＳＡＲ 數據源

成都平原位于四川盆地西部，地形上形成南北對峙、東西夾持的封閉菱形盆地景觀．東側為龍泉山，西側為龍門山山脈，為侵蝕構造中、高山區，其南側為名山—總崗山低山丘陵，北部為安州—秀水構造剝蝕淺丘地帶．成都平原地質構造處于龍門山隆起褶帶與龍泉山褶皺帶之間，位于四川沉降帶西側，系川西新華夏構造體系之一部，被稱為成都斷陷，是一繼承性的新生代沉降盆地［４-５］． 成都平原地下水以松散巖類孔隙水為主，松散堆積層厚數米至數十米，最深可達 ５００ ｍ．平原區分為上下 ２ 個含水層，上部含水層為第四系沖積砂卵石層孔隙潛水，下部含水層組為早中更新統礫石層和中更新統泥礫卵石層孔隙潛水．下部含水層在龍門山山前帶中夾砂礫石透鏡體時弱含水；在平原區中部多含泥砂礫石和砂質泥卵石，弱含水；在東部逐漸相變為含泥粉細砂卵礫石層，弱含水-中等含水． 成都平原春夏秋冬氣候變化分明，溫度適中，日照少，雨水充足，屬于亞熱帶東南季風氣候類型．

本研究數據來源于歐洲航天局 Ｓｅｎｔｉｎｅｌ-１ 衛星， 通過升降軌對比，Ｐａｔｈ６２ Ｆｒａｍｅ４８９ 數據能夠完全覆蓋成都平原地區． 本次工作收集了 ２０１８ 年 ３ 月 ２２ 日— ２０２２ 年 ２ 月 １７ 日覆蓋成都平原范圍 Ｓｅｎｔｉｎｅｌ-１ Ａ 單視復數（ＳＬＣ）ＳＡＲ 影像，共 １２３ 期，分辨率為 ５ ｍ ×２０ ｍ．

２ 研究方法

本次研究利用小基線集干涉測量技術［６-８］（ｓｍａｌｌｂａｓｅｌｉｎｅ ｓｕｂｓｅｔ ｉｎＳＡＲ，ＳＢＡＳ-ＩｎＳＡＲ）對成都市域成都平原遙感數據進行干涉處理，獲取成都市地面形變范圍和速率，分析地表形變的量級和隨時間的發展規律等，研究地表形變場時空分布特征． 共保留 １１５個像對、選取了 ２０２０ 年 ４ 月 ４ 日獲取的影像作為主影像． 采用 ＥＮＶＩ Ｓａｒｓｃａｐｅ 和 ＧＡＭＭＡ 軟件平臺， 利用小基線集干涉測量技術（ＳＢＡＳ-ＩｎＳＡＲ）對成都平原遙感數據進行干涉處理（見圖 １），經連接圖生成與主影像選取、影像配準、差分干涉處理、兩次形變速率反演和對形變圖進行地理編碼后，得到成都平原累計形變圖和形變速率圖．

３ 結果分析

根據成都平原累計形變量圖可知，２０１８ 年 ３ 月２２ 日—２０２２ 年 ５ 月 ２４ 日期間，成都平原整體形變量較小，形變速率大于 １０ ｍｍ／ ａ 的圖斑面積為 １１５． ８３ｋｍ２，主要分布在成都市邛崍市、崇州市以及德陽市旌陽區、廣漢市等地，變形面積均超過了 １０ ｋｍ２，成都市二環以內形變量小且相對穩定． 其中，成都市崇州市城區無明顯形變，大部分區域累計形變量小于２０ ｍｍ，形變量較大區域主要位于崇州市以西，形變量相對較大的 ２ 個典型點形變量分別為 ２０ ｃｍ 和５． ３ ｃｍ；邛崍市形變量較大區域主要位于邛崍市南河兩岸，形變量相對較大的 ２ 個典型點形變量分別為 １３ ｃｍ 和 １７． ５ ｃｍ；廣漢市城區無明顯形變，大部分區域累計形變量小于 ２４ ｍｍ，形變量區域分布在城區周邊地區，形變量相對較大的 ２ 個典型點分別為 ５． ５ ｃｍ 和 １７． ５ ｃｍ；旌陽區城區無明顯形變，大部分區域累計形變量小于 ２２ ｍｍ，形變量較大區域分布在旌陽區西北片區，其中形變量相對較大的 ２個典型點變形量為 １３ ｃｍ 和 １１ ｃｍ．

４ 主要影響因素分析

成都平原夾持于華夏系構造的龍門山隆起褶帶和新華夏系構造的龍泉山、霧中山褶斷帶之間， 處于圈閉的構造背景之中，剛性塊體被周緣構造帶所圍限． 同時喜山運動以來，四川盆地（成都平原）處于擠壓構造背景下的非拉張環境，基底正斷裂不發育或不活動，不存在區域性沉降的誘因 ［４-５］． ２００８ 年“５·１２”汶川 ８． ０ 級特大型地震為近年來成都平原附近發生的最大地震，但對下盤的成都平原影響較小，同時汶川地震后成都平原整體呈隆起趨勢 ［９-１２］． 因此，本文主要從地下水開采和人類活動等原因分析影響成都平原地面形變的主要因素．

４． １ 地下水開采對地表形變的影響 地下水開采是城市區域發生地面沉降災害的重要原因． 成都平原（成都市和德陽市）是全省地下水資源開采量最大的地區，過量開采可能導致出現較大的地下水降落漏斗，從而造成一定的地表形變． 但根據 ２００５—２０２０ 年成都平原地下水水位等值線圖（見圖 ２）得知，目前成都平原水位較為穩定，無明顯的水位下降．

根據《四川省水資源公報 ２０２０》《２０２０ 成都市水資源公報》《２０２０ 德陽市水資源公報》，作為全省地下水資源量開采量最大的地區，成都市和德陽市兩市開采量占全省開采量的 ４３． ８％ ． 通過成都平原地下水開采狀況與地表形變占比柱狀圖（圖 ３）可知，除成都市溫江區以外，總體上隨著地下水單位面積開采量增加，地表形變面積也在逐漸增加． 尤其是德陽市廣漢市，作為成都平原地下水開采程度最高的地區，地表形變面積占比也是最大，超過了３％ ． 新津區、旌陽區、大邑縣、雙流區地表形變面積占比超過了 １． ５％ （見圖 ３）．

地表形變面積占比與單位面積地下水開采量、 開采比（地下水開采量／地下水資源量）的皮爾遜相關系數分別為 ０． ４９５、０． ５４３（見圖 ４），相關性中等．考慮到地表形變是多種因素綜合作用下的結果，產生機制復雜，作用過程緩慢，而本次相關性系數達到 ０． ５ 左右，因此認為地下水開采強度與地表形變存在一定相關性．

４． ２ 土地利用對地表形變的影響 除地下水開采和地質構造外，已有研究發現地面形變可能與土地利用有著緩慢且相關的響應 ［１３-１６］． 利用基于Ｌａｎｄｓａｔ數據 ［１７］生成的成都平原 ３０ ｍ 土地覆蓋狀況，可以明顯發現：耕地和建筑用地區域存在的地表形變點面積最大，分別達到 １１５． １６ 和 ２０． ２０ｋｍ２，水體和林地次之． 而在這 ５ 種類型中，耕地與地表形變的契合度最高，尤其是成都市崇州市、邛崍市和德陽市旌陽區、廣漢市，形變地區幾乎都分布于耕地區域，而建筑用地中的地表形變點則數量較少，但存在部分形變面積較大的地塊．

成都平原地面形變與建筑分布吻合度較低，城區除個別地塊外幾乎沒有地面形變現象，考慮是由于成都平原卵石層分布面廣且穩定，主要以洪積及沖積作用形成的中砂和卵礫石層為主，厚度為 １０ ～５０ ｍ 以上不等，富水性好，呈現西厚東薄的特點，西部地區最厚地段超過 １００ ｍ，而由于卵石承載力高且壓縮變形小，往往作為高層建筑天然地基的基礎持力層，卵石層越厚越不易發生地面沉降，因此，在厚卵石層的支撐下，現有的城市建設不是產生區域性地表形變的主要因素．

選擇各個土地利用類型形變量較大的點位，利用 ＥＮＶＩ 軟件獲取時間序列不同土地利用類型的平均沉降量，可以看出在研究時段，各土地利用類型均呈現出了不同幅度的形變走向． 形變最大的點位主要為建筑用地，如圖 ５（ａ）所示，該地塊從 ２０１８ 年３ 月—２０２２ 年 ２ 月其沉降量最大值達到 １２ ｍｍ，變形趨勢穩定，變形量持續增加，與施工現場的人類活動較為一致． 而耕地的變形曲線圖則明顯不同（見圖 ５（ｂ）），并且最大的變形值在 ６ ｍｍ 左右，形變區呈現“較穩定-下降-較穩定”的現象，導致此種現象的原因可能是由季節性的人工勞作和灌溉用水造成的，因此形變點為點狀分布而非面狀和塊狀分布． 根據全國土壤類型數據庫，崇州、邛崍、旌陽和廣漢等地潴育水稻土分布較為廣泛，與地面形變分布較為吻合，與潴育水稻土適合長期種植水稻， 灌溉條件良好條件下，土層分異明顯的特點有關．林地地表形變呈波動起伏狀態（見圖 ５（ｃ）），受臨近土地類型的影響大，再加上人類活動的影響，導致它們的沉降曲線圖在監測期間起伏大． 但在中間階段出現了顯著的沉降趨勢，其平均值均在 ４ ｍｍ左右．

根據形變狀況，圈定了累計形變量最大的 ３２處形變區進行現場核查，其中 ２４ 處形變來自耕地翻耕，８ 處位于施工區域． 總體來看，施工區域形變較為明顯，而耕地難以肉眼直接判斷（見圖 ６）．

５ 結論與建議

１）利用 ＳＡＢＳ-ＩｎＳＡＲ 技術監測成都平原地面形變情況，大部分人工建筑區域累計形變小于１４ ｍｍ；地表形變速率大于 １０ ｍｍ ／ ａ 圖斑面積為１１５． ８３ ｋｍ２，主要分布在成都市邛崍市、崇州市以及德陽市旌陽區、廣漢市等地；成都市三環路以內形變很小，基本處于穩定狀態；與主城區相比，成都周邊區域形變稍大，但量級也較小，人工建筑區域最大形變量約 ４０ ｍｍ． 總體來看，成都平原地面形變量不大．

２）成都平原地表形變多為點狀形變，個別地區存在塊狀形變和線狀分布，其中，點狀形變主要分布在成都平原西南部和東北部，線狀形變和塊狀形變則分布較為零散． 形變速率較快的地區多為不同程度的建設工程擾動以及建成工程引起的． 德陽市相對比成都市更易受到工程建設的影響．

３）成都平原不同土地利用類型中存在于耕地和建筑用地的地表形變點面積最大，分別達到１１５． １６和 ２０． ２０ ｋｍ２，耕地與地表形變的契合度最高，而形變面積較大的地塊主要位于建筑區域，尤其是成都市崇州市、邛崍市和德陽市旌陽區、廣漢市，形變地區幾乎都分布于耕地．

４）受原始數據精度影響，本次評價未發現城區地鐵建設和地下空間施工等地區產生較為明顯的局部形變，未來將采用 ＡＬＯ 系列等更高精度的ＳＡＲ 數據針對局部地區開展針對性監測．

參考文獻

［１］朱建軍，李志偉，胡俊． ＩｎＳＡＲ 變形監測方法與研究進展［Ｊ］． 測繪學報，２０１７，４６（１０）：１７１７-１７３３．

［２］梁京濤，趙聰，馬志剛． 多源遙感技術在地質災害早期識別應用中的問題探討：以西南山區為例［Ｊ］． 中國地質調查， ２０２２，９（４）：９２-１０１

［３］王超，張紅，劉智，等． 蘇州地區地面沉降的星載合成孔徑雷達差分干涉測量監測［Ｊ］．自然科學進展，２００２，１２（６）：６２１-６２４．

［４］錢洪，唐榮昌． 成都平原的形成與演化［Ｊ］． 四川地震，１９９７，２１（３）：１-７．

［５］何銀武． 試論成都盆地（平原）的形成［Ｊ］． 中國區域地質，１９８７，６（２）：１６９-１７６．

［６］王穎，王志一，紀軼群． 北京地質災害風險評價研究［Ｊ］． 首都師范大學學報（自然科學版），２０２２，４３（３）：５４-６１．

［７］李達，鄧喀中，高曉雄，等． 基于 ＳＢＡＳ-ＩｎＳＡＲ 的礦區地表沉降監測與分析［Ｊ］． 武漢大學學報（信息科學版），２０１８， ４３（１０）：１５３１-１５３７．

［８］范洪冬． ＩｎＳＡＲ 若干關鍵算法及其在地表沉降監測中的應用研究［Ｄ］． 徐州：中國礦業大學，２０１０．

［９］高俊杰． 天津市中心城區地面沉降機理及防治對策［Ｄ］． 北京：中國地質大學，２０１７．

［１０］薛禹群，張云，葉淑君，等． 中國地面沉降及其需要解決的幾個問題［Ｊ］． 第四紀研究，２００３，２３（６）：５８５-５９３．

［１１］張云，薛禹群，李勤奮． 上海現階段主要沉降層及其變形特征分析［Ｊ］． 水文地質工程地質，２００３，３０（５）：６-１１．

［１２］宋毛． 成都卵石土天然地基高層建筑沉降偏大原因分析［Ｊ］． 中國新技術新產品，２０１３，２１：６６-６８．

［１３］陳有東，張立峰，何毅，等． 蘭州新區地表形變與土地利用類型關系研究［Ｊ］． 測繪科學，２０２１，４６（１０）：８０-８９．

［１４］ＺＨＯＵ Ｃ Ｆ，ＧＯＮＧ Ｈ Ｌ，ＣＨＥＮ Ｂ Ｂ，ｅｔ ａｌ． ＩｎＳＡＲ ｔｉｍｅ-ｓｅｒｉｅｓ ａｎａｌｙｓｉｓ ｏｆ ｌａｎｄ ｓｕｂｓｉｄｅｎｃｅ ｕｎｄｅｒ ｄｉｆｆｅｒｅｎｔ ｌａｎｄ ｕｓｅ ｔｙｐｅｓ ｉｎ ｔｈｅｅａｓｔｅｒｎ Ｂｅｉｊｉｎｇ Ｐｌａｉｎ，Ｃｈｉｎａ［Ｊ］． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０１７，９（４）：３８０．

［１５］ＭＩＮＤＥＲＨＯＵＤ Ｐ Ｓ Ｊ，ＣＯＵＭＯＵ Ｌ，ＥＲＢＡＮ Ｌ Ｅ，ｅｔ ａｌ． Ｔｈｅ ｒｅｌａｔｉｏｎ ｂｅｔｗｅｅｎ ｌａｎｄ ｕｓｅ ａｎｄ ｓｕｂｓｉｄｅｎｃｅ ｉｎ ｔｈｅ ＶｉｅｔｎａｍｅｓｅＭｅｋｏｎｇ ｄｅｌｔａ［Ｊ］． Ｓｃｉｅｎｃｅ ｏｆ ｔｈｅ Ｔｏｔａｌ Ｅｎｖｉｒｏｎｍｅｎｔ，２０１８，６３４：７１５-７２６．

［１６］ＡＨＭＡＤ Ｗ，ＣＨＯＩ Ｍ，ＫＩＭ Ｓ，ｅｔ ａｌ． Ｄｅｔｅｃｔｉｏｎ ｏｆ ｌａｎｄ ｓｕｂｓｉｄｅｎｃｅ ａｎｄ ｉｔｓ ｒｅｌａｔｉｏｎｓｈｉｐ ｗｉｔｈ ｌａｎｄ ｃｏｖｅｒ ｔｙｐｅｓ ｕｓｉｎｇ ＥＳＡ Ｓｅｎｔｉｎｅｌｓａｔｅｌｌｉｔｅ ｄａｔａ：ａ ｃａｓｅ ｓｔｕｄｙ ｏｆ Ｑｕｅｔｔａ Ｖａｌｌｅｙ，Ｐａｋｉｓｔａｎ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０１９，４０（２４）：９５７２-９６０３．

［１７］ＹＡＮＧ Ｊ Ｅ，ＨＵＡＮＧ Ｘ． Ｔｈｅ ３０ ｍ ａｎｎｕａｌ ｌａｎｄ ｃｏｖｅｒ ｄａｔａｓｅｔ ａｎｄ ｉｔｓ ｄｙｎａｍｉｃｓ ｉｎ Ｃｈｉｎａ ｆｒｏｍ １９９０ ｔｏ ２０１９［Ｊ］． Ｅａｒｔｈ ＳｙｓｔｅｍＳｃｉｅｎｃｅ Ｄａｔａ，２０２１，１３（８）：３９０７-３９２５．

（編輯 劉 剛）