基于LSTM模型的時序InSAR地表形變預測

收稿日期：2023-05-12；接受日期：2023-10-18

基金項目：江蘇省水利科技項目（2019001）；江蘇省自然資源科技計劃項目（2022011）;江蘇省自然科學基金項目（BK20180779）;南京林業大學青年科技創新基金項目（CX2018015）

作者簡介：陳媛媛，女，講師，博士，研究方向為微波遙感圖像處理。E-mail：cheny@njfu.edu.cn

Editorial Office of Yangtze River. This is an open access article under the CC BY-NC-ND 4.0 license.

文章編號：1001-4179（2024） 03-0146-07

引用本文：陳媛媛，趙秉琨，王慧，等.基于LSTM模型的時序InSAR地表形變預測［J］.人民長江，2024，55（3）：146-152.

摘要：

為了解長江沿江區域的地表形變狀況及發展趨勢，維護長江防洪安全和河勢穩定，利用2017年3月至2022年3月期間覆蓋長江南京段沿江區域的61景Sentinel-1A影像，基于SBAS-InSAR技術獲取了地面沉降監測結果，并基于LSTM長短期記憶神經網絡模型對特征點未來變化趨勢進行了預測。結果表明：① 與水準監測結果相比，長江南京段沿江區域SBAS-InSAR監測結果具有一定的準確性；研究區域地面年均形變速率在-31～19 mm/a，并形成4個沉降漏斗。② LSTM模型對研究區域的形變預測值與SBAS-InSAR監測的期望值具有較高的一致性，兩者最大絕對誤差為3.28 mm；采用該方法對研究區域特征點的沉降趨勢進行預測發現，未來2 a特征點總體表現為緩慢下沉并趨于穩定的趨勢。研究成果可為相關部門制定沿江地區保護及規劃方案提供技術參考。

關鍵詞：地面沉降； 地表形變預測； SBAS-InSAR； LSTM； 南京市； 長江流域

中圖法分類號： P237；P642.26

文獻標志碼： A" " " " " " " " " "DOI：10.16232j.cnki.1001-4179.2024.03.020

0引 言

隨著城市化進程的不斷加快，地面沉降已逐漸成為城市地區普遍存在的環境地質問題，對城市的發展、交通、建設和居民生活等多方面都產生了較大的影響［1-2］。南京市長江沿江區域在自然因素與人為因素的共同作用下，部分地區地質條件遭到破壞，地面沉降現象明顯，嚴重時會造成土層崩塌、道路設施損壞、建筑墻體開裂等危害［3］。因此，采用先進技術加強對長江沿江地區一定范圍內的地表形變監測及分析工作是非常重要的。

目前，城區地面沉降監測主要基于精密水準測量、三角高程測量和全球定位系統（GPS）技術等傳統測量方法。這些傳統監測手段存在作業強度大、效率低、監測周期長、易受天氣影響等缺點，難以實現大范圍區域地面沉降監測的需求。而近年來出現的合成孔徑衛星雷達差分干涉測量技術（D-InSAR），能夠全天時、全天候、大范圍地獲取高精度、低成本的地表形變信息［2，4］。小基線集技術（SBAS）則是基于此提出的一種長時間序列分析方法，能有效抑制時間失相關、空間失相關和大氣延遲的影響［5-7］。目前，該方法在地面沉降方面的應用取得了一系列成果。張亞鳳等采用65景菏澤市的Sentinel-1A影像，基于SBAS-InSAR技術獲取了該區域2017年5月至2021年5月的沉降結果，研究表明，SBAS-InSAR監測到的沉降位置和沉降變化趨勢與水準測量結果相符［8］。陳媛媛等對SBAS-InSAR和PS-InSAR技術在長江沿線地面沉降中的監測進行過比較分析，發現這兩種形變監測技術所得特征點的形變曲線變化趨勢一致，兩種方法所得沉降區域分布及沉降結果具有一致性，從側面驗證了SBAS-InSAR的可靠性［3］。

地表形變準確預測對災害防治和預警具有重要價值［9］。目前，各種機器學習算法被用于InSAR地面沉降結果預測中。肖波等利用SBAS-InSAR技術在獲取滇西北賓川斷陷盆地整體地表形變結果的基礎上，結合BP神經網絡技術進行地面沉降的預測，實驗發現BP神經網絡模型的預測結果與SBAS-InSAR結果最大誤差為2.451 mm，該方法能夠很好地對縣級城市的地表形變進行預測［10］。相較于BP神經網絡模型，長短期記憶網絡模型LSTM能夠有效捕捉長期依賴性和處理序列中的時間相關信息，特別適合處理序列數據。因此，也逐漸被用于時序地表形變預測中。陳毅等利用LSTM網絡模型對香港國際機場地面的TS-InSAR形變監測結果進行預測，并將預測結果與InSAR真實結果進行對比分析，結果表明，該方法預測值與真實值的擬合均方根誤差和平均絕對誤差均較低，在點級尺度上具有良好的性能［11］。

考慮到SBAS-InSAR技術在時間序列形變監測方面取得的成功，以及LSTM網絡模型在時間序列學習方面所具有的優勢，本文將兩者結合用于復雜地質狀況下的沿江區域地表形變監測與預測中，以提高該區域形變監測的精度和對結果預測的可靠性。本文選取61景Sentinel-1A影像數據，利用SBAS-InSAR技術對長江南京段沿江區域的地表形變情況進行監測，選擇特征點重點分析沉降時空變化特征，并利用實測水準數據與其結果進行對比分析，驗證SABS-InSAR 技術在城市地表形變監測方面的有效性和可靠性，最后采用LSTM長短期記憶神經網絡模型對沉降特征點在時間序列上進行預測與分析。

1研究區概況及數據簡介

1.1研究區域概況

南京市（北緯31°14′～32°37′，東經118°22′～119°14′）是江蘇省的省會，地處長江下游，是“一帶一路”和“長江經濟帶”的重要交匯地區。長江由西南向東流經南京，市區分布有秦淮河、秦淮新河、玄武湖等主要水域。南京段沿江兩岸受長江沖擊、淤積作用形成寬廣漫灘區域，其地質結構松軟，易崩易淤、承載力差。近年來隨著南京市城市化進程加快，大規模建設地鐵、高強度實施建筑工程項目、過度開采地下水等人為活動致使南京市部分沿江區域出現大面積地面沉降問題，在威脅城市居民生活安全的同時也阻礙了長江地區的經濟建設與發展。本文以長江南京段兩岸10 km緩沖區（見圖1）為典型研究區域開展相關研究。

1.2實驗數據簡介

Sentinel-1A衛星是歐空局哥白尼計劃發射的首顆環境監測衛星，具有重訪頻率高、覆蓋范圍廣、極化方式和工作模式多樣、可靠性高等特點，能夠滿足長時間序列InSAR處理和分析。本文獲取2017年3月至2022年3月每月一景共61景覆蓋南京段長江流域的Level-1級SLC格式Sentinel-1A影像數據，成像模式為干涉寬幅（IW），極化方式為VV，入射角為 33.9°，空間分辨率為5 m×20 m（方位向×距離向）。

此外，實驗還使用歐空局提供的Sentinel-1A衛星精密軌道數據對軌道信息進行糾正，外部參考DEM數據為30 m分辨率的SRTM數字高程模型。

2數據處理與方法

2.1SBAS-InSAR處理

SBAS-InSAR技術是于2002年由Berardino等提出的一種長時間序列InSAR分析方法［12］，該技術將多景時間序列SAR影像數據進行高效組合，經過組合后的若干個短基線差分干涉像對的空間基線短，能夠很大程度上解決空間失相關問題，再基于形變速率的最小范數準則，利用奇異值分解法（SVD）得到相干目標的形變時間序列和平均形變速率圖。

本次研究設置的時間基線閾值為100 d，空間基線閾值為臨界基線的2%，在最大限度提高干涉像對相干性的前提下，將裁剪后的SAR影像連接組成155對干涉像對，并選出2017年6月8日的SAR影像作為超級主影像，其余60景SAR影像為從影像進行迭代配準［13］。通過引入30 m精度的DEM數據去除平地效應，選擇Goldstein方法進行濾波，采用最小費用流MCF（Minimum Cost Flow）方法進行相位解纏，并依據解纏結果圖中噪聲區域大小確定相干性閾值為0.2［6］。在沒有形變條紋和相位躍變的地形平坦區域選取了21個地面控制點GCP（Groud Control Point），利用三次多項式法估算并去除殘余的恒定相位和斜坡相位。通過建立相干點的形變速率和高程系數的線性模型構成方程組，并采用矩陣奇異值分解法（SVD）來初步估算形變速率與地形誤差。在第一次反演得到形變速率之后，利用大氣時間域高通與空間域低通濾波估算和去除大氣相位，獲取更為純凈的時序形變量［13-14］。為便于后續在ArcGIS中對形變信息進行特征分析和空間分析，利用DEM對SBAS反演結果進行地理編碼，并將其柵格結果轉換為矢量數據。

由于通過歐空局獲取的Sentinel-1A影像覆蓋面積過大，使得處理過程耗時較長，故使用經地理編碼后的矢量數據對61景影像進行裁剪，并基于裁剪影像進行后續SBAS-InSAR實驗處理。圖2為SBAS處理得到的研究區域的形變速率圖，能夠清晰直觀地看到研究區域內的地面沉降情況。

2.2LSTM長短期記憶神經網絡預測模型

長短期記憶神經網絡LSTM（Long Short-Term Memory）是一種循環神經網絡的特殊變形，由Hochreiter等于1997年提出［15］。傳統循環神經網絡存在梯度消散及梯度爆炸等問題，因而不適合做長序列建模，而LSTM網絡中有時間記憶單元，可以學習時間序列中不同長短時期的依賴信息［16］。因此，在處理和預測時間序列中的間隔和延遲事件時有較好的效果。LSTM隱藏層中單個神經元的計算包含細胞狀態更新和輸出值計算兩部分，神經元內有3個門函數：遺忘門、輸入門和輸出門，通過門函數控制輸入值、記憶值和輸出值。神經元結構如圖3所示，遺忘門、輸入門、輸出門計算公式分別為.

式中：ht-1為上一時刻的隱藏狀態；σ為sigmoid函數；ft，it，ot分別為遺忘門、輸入門、輸出門狀態計算結果；Wf，Wi，Wo分別為遺忘門、輸入門、輸出門的權重矩陣；bf，bi，bo分別為遺忘門、輸入門、輸出門偏置項，LSTM的最終輸出由輸出門和單元狀態共同確定。

Ct為候選值向量，輸入值和候選值向量的乘積用來更新細胞狀態，計算過程如下［15］：.

式中：Wc為輸入單元狀態權重矩陣，bc為輸入單元狀態偏置項，tanh為激活函數。遺忘門控制當前時刻細胞狀態丟棄信息的多少，ot為神經元輸出值，ht為當前時刻隱藏狀態。

LSTM預測模型的實現大體上分為3部分，首先建立地面沉降模型的總體框架及相應的模型配置參數，然后采用誤差反向傳播算法對模型進行訓練，最終利用訓練好的數據對各特征點預測［11］。

3結果分析

3.1基于水準數據的監測結果精度驗證

為驗證SBAS-InSAR監測結果的準確性，本次實驗通過相關部門提供的常規水準測量數據對SBAS-InSAR方法提取的特征點地表形變結果進行精度驗證。根據研究區大小，共選取8個水準監測點作為檢驗SBAS-InSAR監測結果的地表形變參考點，具體位置如圖4所示。

將水準點數據與最鄰近的SBAS-InSAR的結果進行匹配，并選取2017年3～12月以及2018～2020年期間每年（1～12月）的SBAS-InSAR地表形變結果分別與對應時間范圍內的水準數據進行對比。計算水準數據與SBAS-InSAR沉降量之間的誤差，結果顯示：SBAS-InSAR監測結果與水準測量數據的最大誤差為2.56 mm，最小誤差為0.01 mm，均方根誤差為 0.57 mm，具體對比結果如圖5所示。為進一步驗證SBAS-InSAR監測結果與水準測量結果的高相關性，將兩者進行線性擬合。如圖6所示，擬合結果顯示以SBAS-InSAR監測結果為橫坐標與以水準測量結果為縱坐標的點均勻分布在擬合直線兩側，決定系數R2高達0.92，表明利用SBAS-InSAR技術進行地面沉降監測的結果與水準監測結果在同時間內具有較高的一致性，同時也證明了基于SBAS-InSAR技術的地面沉降監測結果具有一定的可靠性。

3.2地面沉降時空變化特征

通過SBAS-InSAR處理獲得研究區域2017年3月至2022年3月的年平均形變速率，以長江為對象構建10 km的緩沖區對監測結果進行裁剪，得到南京長江沿線區域的地面沉降監測結果。如圖7所示，南京市長江流域地面沉降整體上基本保持穩定，年平均形變速率分布范圍為-31～19 mm/a，典型的沉降區域分布在兩岸沿江區域，這與近些年南京市長江兩岸的經濟發展狀況密切相關。

A區域位于江浦街道與頂山街道的連接地區，屬于江北核心區，在2017年3月至2022年3月期間平均形變速率整體超過-30 mm/a，也是4個沉降漏斗中范圍最廣的區域。該區域的沉降速率與發展規劃有直接關系。2015年6月，國務院印發《關于同意設立南京江北新區的批復》，2017年正式啟動核心區建設，2017～2022年是江北核心區高速發展的5 a，高強度的地下工程活動和地表荷載變化是該區域沉降顯著的主要原因，沉降最嚴重的區域內有地鐵十號線通過且設有3個站點。

B區域為泰山街道和沿江街道交界處，位于長江沖積作用形成的八卦洲附近，該區域人口密度大，地下水開采嚴重，另一方面該區域屬于河漫灘軟土質，受這些因素影響，近些年該區域形變速率為-15 mm/a左右。

C區域和D區域兩個沉降漏斗距離較近，在空間上有相連成片的趨勢，其中C區域是建鄴區東北部和鼓樓區西南部交界處，位于南京市河西新區，最大形變速率達到-20 mm/a，該區域近些年高樓林立，發展迅速，區域內有地鐵二號線與地鐵十號線經過，大規模的地上地下施工建設是該區域形成沉降漏斗的原因之一。

D區域位于建鄴區魚嘴濕地公園附近，沉降面積是研究區域4個沉降漏斗中面積最小的，但是最大形變速率達到-31 mm/a，該區域地質條件較為復雜，上部為淤泥和粉質黏土的湖沼和淺灘相互交替層，下部為中至細砂構成的河床相層，容易發生沉降。

E區域位于六合國家地質公園附近，土地利用類型主要為林地和耕地，受人為因素影響較小，同時其位于揚子裂陷區蘇北盆地與蘇南隆起的交接地帶，地質活動頻繁，近年來主要表現為抬升現象，年最大形變速率為19 mm/a。

F區域位于南京市老山國家森林公園西南側的星甸街道附近，處在寧鎮反射弧西段、長江擠壓破碎帶的北側，地表平均形變速率為5 mm/a，區域內褶皺為老山復背斜，沿老山傾斜方向發育，局部地區出現直立現象，擠壓明顯，易發生地表形變。

為獲取長江南京段沿江主要沉降區域的地面沉降時序特征，選取上述四大沉降漏斗中形變速率最大的沉降點作為沉降特征點繪制其在整個時間跨度中的累計沉降量變化圖。如圖8所示，4個沉降點的形變曲線在2017年3月至2022年3月期間隨時間出現不同程度的不均勻沉降趨勢。特征點Aa（在沉降區域A范圍內）、Cc（在沉降區域C范圍內）分別位于浦口區的定山大街（在建）附近以及建鄴區東北部和鼓樓區西南部交界處，2019年前下沉緩慢并伴隨短期地表抬升，2019年后皆為快速下沉的形變趨勢，其中Aa點的累計總沉降量為-82.96 mm，Cc點的累計總沉降量為-78.73 mm，這也與前面分析的這兩個區域高速的經濟發展有關。特征點Bb（在沉降區域B范圍內）位于北外灘水城街區附近，其形變趨勢存在波動，2018年上半年至2020年下半年呈現緩慢下沉趨勢，其后1 a間加速下沉，2022年又趨于穩定，其累計總沉降量為 -70.55 mm，這可能與11號地鐵線路的施工建設有關，11號線在北外灘水城附近的浦洲路設站，于2021年開建。位于建鄴區魚嘴濕地公園的特征點Dd（在沉降區域D范圍內）在2017年上半年出現小幅度地表抬升，之后呈現平穩下沉趨勢，累計總沉降量為-79.12 mm，這種變化趨勢與上述分析的該區域不穩定的地質條件不無關系。

3.3LSTM長短期記憶神經網絡預測

本次實驗利用Matlab軟件平臺，基于深度學習工具箱構建LSTM長短期神經網絡預測模型，完成了對長江南京段沿江區域四大沉降漏斗中特征點的預測分析。LSTM神經網絡設置輸入層含有200個神經元，損失函數為RMSE，激活函數為tanh，網絡訓練采用Adam優化算法，迭代次數為300次，為防止梯度爆炸，將梯度閾值設置為1，指定初始訓練速率為0.003，當150輪訓練過后通過乘以神經元失活因子0.2來降低學習率。

將2017年3月至2021年9月共55期數據作為樣本訓練集，2021年10月至2022年3月6期數據作為測試集，并將預測值與SBAS-InSAR監測結果進行對比分析，選取絕對誤差、均方根誤差作為預測精確度的評價指標。預測數據評價結果如表1所列，可見LSTM預測值與SBAS監測的期望值具有較高的一致性，最大絕對誤差為3.28 mm，最小絕對誤差為0.13 mm，證明LSTM長短期記憶神經網絡在研究區域內預測地面沉降量的有效性。

預測模型訓練并測試完成后，對未來2 a的沉降量進行多步預測，并在每次預測時更新網絡狀態。由于缺少未來的監測值，通過把預測值作為真實值不斷地構造輸入新的預測序列中，進而實現對特征點Aa、Bb、Cc、Dd未來2 a地面沉降的預測，預測結果如圖9所示。從預測結果分析，特征點未來沉降量總體表現為緩慢下沉并趨于穩定的趨勢。

4結 論

本文采用SBAS-InSAR技術，基于Sentinel-1A影像數據獲取了長江南京段沿江區域2017～2022年的地面沉降特征，并利用同期水準測量數據對其進行精度驗證。在此基礎上分析了重點沉降區域的形變特征，對典型沉降漏斗中形變速率最大的沉降點進行時序累計形變分析，最后采用LSTM預測模型對選取的沉降點進行預測分析，得出以下結論：

（1） SBAS-InSAR監測結果與同期水準測量結果具有較高一致性，證明該技術在地面沉降監測的可靠性和精確性。

（2） 長江南京段沿江區域地面沉降整體上保持穩定，年平均形變速率分布范圍為-31～19 mm/a，典型的沉降區分布在兩岸沿江區域，并形成4個沉降漏斗。

（3） 本實驗采用單變量LSTM模型對特征點未來變化趨勢進行多步預測。預測結果與SBAS-InSAR監測結果的最大絕對誤差為3.28 mm，最小絕對誤差為0.13 mm，表明其可有效預測城市區域的地面沉降。

參考文獻：

［1］李振洪，朱武，余琛，等.雷達影像地表形變干涉測量的機遇、挑戰與展望［J］.測繪學報，2022，51（7）：1485-1519.

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

［3］陳媛媛，朱晨瑋，鄭加柱，等.基于PS-InSAR和SBAS-InSAR的地面沉降監測：以長江南京段為例［J］.人民長江，2023，54（8）：160-165.

［4］裴媛媛，廖明生，王寒梅.利用時序DInSAR監測填海造陸地區地表沉降［J］.武漢大學學報（信息科學版），2012，37（9）：1092-1095.

［5］劉朋俊，張璐，陳元申，等.南水北調中線濕陷性黃土區InSAR時序分析［J］.人民長江，2020，51（6）：125-128，205.

［6］付波霖，解淑毓，李濤，等.基于SBAS/PS-InSAR技術的滑坡遙感監測對比研究［J］.大地測量與地球動力學，2021，41（4）：392-397.

［7］趙蓓蓓，黃海峰，鄧永煌，等.基于Sentinel-1A的三峽庫區范家坪滑坡InSAR監測分析［J］.人民長江，2022，53（10）：103-107.

［8］張亞鳳，劉國林，牛沖，等.利用SBAS-InSAR技術監測菏澤市地面沉降［J］.大地測量與地球動力學，2022，42（11）：1184-1190.

［9］高瞇瞇，張永彬.基于深度學習的地表形變預測［J］.華北理工大學學報（自然科學版），2022，44（4）：110-116.

［10］肖波，趙俊三，周定義，等.SBAS-InSAR技術支持下的滇西北賓川斷陷盆地沉降監測與預測［J］.昆明理工大學學報（自然科學版），2022，47（3）：30-39.

［11］陳毅，何毅，張立峰，等.長短時記憶網絡TS-InSAR地表形變預測［J］.遙感學報，2022，26（7）：1326-1341

［12］BERARDINO P，FORNARO G，LANARI R，et al.A new algorithm for surface deformation monitoring based on small baseline differential sar interferograms［J］.IEEE Transactions on Geoscience and Remote Sensing，2002，40（11）：2375-2383.

［13］張艷梅，王萍，羅想，等.利用Sentinel-1數據和SBAS-InSAR技術監測西安地表沉降［J］.測繪通報，2017（4）：93-97.

［14］莫瑩，朱煜峰，江利明，等.基于Sentinel-1A的南昌市時間序列InSAR地面沉降監測［J］.大地測量與地球動力學，2020，40（3）：270-275.

［15］HOCHREITER S，SCHMIDHUBER J.Long short-term memory［J］Neural Computation，1997，9（8）：1735-1780.

［16］葉勇超.基于時序InSAR的鄭州市地鐵沿線地面沉降時空特征分析與預測［D］.鄭州：鄭州大學，2021.

（編輯：劉 媛）