曹妃甸沿海区地表沉降监测与预测分析

蔡 文 刘向铜 曹秋香

(1.东华理工大学 测绘与空间信息工程学院,江西 南昌 330013;2.东华理工大学 自然资源部环鄱阳湖区域矿山环境监测与治理重点实验室,江西 南昌 330013;3.东华理工大学 地球科学学院,江西 南昌 330013)

0 引言

城市地表沉降是近年来比较严重的地质灾害,是自然和人为因素共同作用的结果,沉降带来危害主要表现在建筑物出现破损、道路、地下工程等设施的破坏,对人民的生命及财产安全造成严重威胁[1],曹妃甸区处于唐山市南部的沿海地区,是该市沉降较为严重的地区之一,近年来由于过度抽取地下水和城市建设等因素,曹妃甸沿海区已发生了不同程度的沉降现象,因此,对于该区地面沉降的时空变化进行监测、分析及预测是很有必要的。目前,传统的进行地面沉降监测的手段主要有水准测量、全球定位系统(global positioning system,GPS)等局部单点测量方式,具有成本高、监测范围小等特点,而时序合成孔径雷达干涉(time-series interferometric synthetic aperture radar,TS-InSAR)技术,具有高精度、监测范围大、成本低等特点而被广泛运用,时序InSAR技术应用较广泛的主要是永久散射体雷达干涉(permanent scatterer-InSAR,PS-InSAR)测量技术[2]和短基线集雷达干涉(small baseline subset-InSAR,SBAS-InSAR)测量技术[3],使用这两种技术能较好地减小时空去相关、大气延迟效应的影响,得到的监测结果能达到毫米级的精度。2016—2020年以来部分学者利用PS-InSAR技术对曹妃甸区地表沉降情况进行监测,并分析了导致地面沉降的因素[4-6]。由于某些地区存在持续沉降的风险,对于沉降严重的区域如何利用 InSAR时序数据对地面沉降进行预测的相关工作是有必要的。

时间序列预测模型种类较多,而长短期记忆(longshort-term memory,LSTM)网络模型作为一类专门处理序列数据的神经网络,其对时间序列数据特征学习有着独特的优势,多位学者[7-9]利用LSTM网络模型结合其他预测模型进行对比分析,并对模型进行了优化和改良,为地面沉降预警工作提供新思路。综上分析,以往研究中仅是使用PS-InSAR一种技术对研究区短时间段内进行沉降监测分析,随着曹妃甸区近年来经济高速发展,近几年对该研究区结合PS-InSAR和SBAS-InSAR两种技术进行长时间序列地面沉降监测及预测分析的研究相对较少,因此,本文以2017—2022年的63景Sentinel-1A数据为数据源,利用两种时序InSAR技术反演得到曹妃甸沿海区近五年的地面形变速率和时序累计形变量,交叉验证两种技术得到的形变结果,对沉降严重区域的形变原因进行分析,并基于特征点的时序沉降量,使用反向传播(back propagation,BP)神经网络和LSTM网络预测模型分别进行预测分析,将预测结果与真实沉降量进行精度对比验证,比较两种模型的预测效果,预测效果更符合实际情况的模型能为相关决策部门灾害治理和早期防治提供一定的参考依据。

1 研究区与数据源

1.1 研究区概况

曹妃甸沿海区位于唐山市沿海南部,靠近渤海,位于38°53′N—39°20′N和118°12′E—39°41′E。从北向南地势逐渐变缓,地形较平坦,该地区积累了大量的第四纪松散沉积物,土壤质地种类主要是粉土、粉细砂及粉质黏土,土质较疏松,地表承载力较弱[10],地质构造方面,该区处于冀渤块和东西向、南北向和西北向断裂控制地带,具有隆升和凹陷分布构造格局[4];该区为第四系松散岩类孔隙含水层,浅层咸水水位埋藏较浅,而深水层是该地的主要用水水源,因此导致地下水被大量开采,因此出现了多个水位下降漏斗;城市建设发展方面,该地近年来响应“一港双城”政策,进行了大量的工程建设,而大量的工程建设势必会对地表进行扰动[5]。

1.2 数据源

本文从阿拉斯加开放数据中心获取时间跨度为2017年3月16日—2022年5月1日覆盖本研究区的63景C波段Sentinel-1A宽幅模式的垂直发射垂直接收(vertical transmit,vertical receive,VV)极化数据,每月一景,基本参数如表1所示。辅助数据为定位精度优于5 cm的精密定轨星历(precise orbit ephemerides,POD)数据,外部数字高程模型(digital elevation model,DEM)是日本宇宙航空研究所(Japan Aerospace Exploration Agency,JAXA)的高级陆地观测卫星(advanced land observing satellite,ALOS)提供的12.5 m空间分辨率的高程数据。

2 研究方法与数据处理

2.1 PS-InSAR技术

PS-InSAR技术是利用多景覆盖研究区范围的SAR数据,生成多个干涉对,使用振幅离差指数或者相干系数等方法找出高相干性的点目标,分离出目标点的地形、噪声等相位来监测研究区地面形变的过程,具体原理及公式见文献[2]。本次数据处理软件平台为SARscape,该技术的关键数据处理情况如下:数据预处理后进行基线估计,选取了2019年9月2日影像为主影像;再进行配准、干涉、去平、滤波等操作得到差分干涉图;然后进行两次反演,设定相干性阈值0.75,选择高相干点和分离大气等相位,最后进行地理编码得到形变结果。

2.2 SBAS-InSAR技术

SBAS-InSAR技术是将多景SAR数据进行两两组合得到较短基线的多个干涉对,分离大气、地形、噪声等相位信息,再使用奇异值分解法联合求解得到相干点地表形变信息,具体原理及公式见文献[3]。本次数据处理软件平台为SARscape,关键数据处理情况如下:首先进行基线估计和影像连接,自动选择的超级主影像为2019年10月8日,设置最大空间基线阈值为临界基线45%,最大时间基线阈值为200 d,估算得到的最长和最短空间基线分别为1.68 m和206.46 m,最长和最短时间基线分别为12 d和192 d,共得到328个干涉对,再进行干涉工作流,解缠阈值和相干性阈值设置为0.3,解缠方法为最小费用流(minimum cost flow,MCF)法,剔除质量不佳像对;再利用改进后选择控制点的方法[11]按照以形变速率大于-0.001 mm/a、小于0.001 mm/a、相干性阈值为0.85在PS-InSAR反演结果中进行筛选,得到28个控制点进行坐标转换,再进行重去平和轨道精炼及反演;最后进行地理编码得到形变结果。

2.3 BP神经网络预测模型

BP神经网络能用来模拟神经系统的功能和相关的行为特征,利用神经元之间的相互连接来解决数学中的非线性问题,具体原理可见文献[7]。本文预测模型处理的数据是特征点的时间序列地面沉降数据,共63期的沉降数据,只考虑时间的影响,因此是基于历史值影响的神经网络预测模型,经过反复测试,该模型主要建模过程如下:读取数据,设定自回归阶数为2,即当前t时刻的预测值由t-1和t-2时刻的实际值作为输入指标的数据集进行预测;划分前56个数据为训练集,后7个数据为测试集,再进行数据归一化;经反复测试,设定输入输出节点数为2和1、单隐含层节点数为2、训练次数为1 000等参数;确定训练算法为trainlm和传递函数为tansig、purelin,学习率为0.01等参数,进行网络训练和测试;最后进行误差分析得到预测结果。

2.4 LSTM网络预测模型

LSTM模型是循环神经网络(recurrent neural network,RNN)的改良模型,能解决RNN梯度消失和短时记忆的问题,该模型核心在于具有“门”的内部机制和细胞状态,主要包括遗忘门、输入门、输出门来调节信息流,一系列的操作使得LSTM模型具有能选择保存信息和遗忘信息的功能,具体原理见文献[8]。该模型的建模过程和BP神经网络模型类似,经过反复测试,设置LSTM输入层、单隐含层、全连接层节点数分别为2、37、1,设定训练迭代次数为1 000、初始学习率为0.005、优化算法为Adam等参数,再进行网络训练和权值不断更新,达到设置的最小误差线和训练次数,利用模型测试后7期数据得到预测结果。

2.5 模型精度评价方法

据相关文献研究[12],为了评估两种模型的预测精度,本研究可通过计算均方根误差(root mean aquare error,RMSE)、平均绝对误差(mean absolute error,MAE)来评价预测模型的预测精度。

3 结果及分析

3.1 形变监测结果分析

3.1.1对比验证分析

通过数据处理后得到PS-InSAR和SBAS-InSAR技术雷达视线向的形变监测结果如图1和图2所示。从图中可以看出,PS-InSAR技术得到形变速率范围为-46.91～40.84 mm/a,经分析,大部分形变速率位于-4～5 mm/a,SBAS-InSAR技术形变速率范围为-49.47～37.59 mm/a,大部分形变速率位于-4～3 mm/a,两种技术得到的形变速率范围及量级大致吻合,沉降和抬升区域空间分布基本一致,曹妃甸沿海区地表形变在监测时段内大部分区域较相对稳定,部分区域表现出片状形变分布特点。

图1 PS-InSAR形变速率图

图2 SBAS-InSAR形变速率及重点沉降区图

为了证明反演结果的可靠性及验证两种技术所得结果的相对一致性,各自在形变速率结果中均匀随机选取相同地理坐标系下同一经纬度坐标的200多个同名点进行年平均形变速率的线性分析和相关性分析,分析结果如图3所示,两者线性关系较强,决定系数R2达0.987 9,拟合方程为y=0.988 6x-0.089 7,经计算,两者的相关系数为0.993 9,可以看出两者年均形变速率量级上具有较高一致性,因此可以证明本次监测结果是相对可靠的,同时也存在部分同名点的量级具有一定的偏差,主要原因是两种技术的备选点算法不同[14-16]。

图3 PS和SBAS形变速率线性关系

3.1.2重点沉降区域监测结果分析

经过上述分析,两种监测结果在空间分布和量级上具有高度一致性,但是相比PS-InSAR结果,SBAS-InSAR技术得到的沉降速率结果在空间上更为连续,因此下文以SBAS形变结果进行相关分析,为提高分析的可靠性,选择两种技术形变速率结果空间分布相同的重点沉降区进行结果分析,区域如图2方框A～C所示。

A区域位于曹妃甸沿海区的南部地区,如图4(a),P1～P4为该区域所选取的四个沉降特征点。该区域沉降位置主要是位于明珠路-唐山鑫联科技环保有限公司-西港码头-曹妃甸西站附近的区域,最大沉降速率为-49 mm/a,位于P1点明珠路附近。该区域临近渤海,是新生代地层结构,分布着第四纪冲积细颗粒松散沉积物,主要是粉土、粉质黏土、粉砂为主,地表多为欠固结土壤,松软且孔隙度高[4],是导致沉降的内在因素。结合历史影像及相关文献[5-6],该区域在监测时段内,为满足建设开发及炼钢厂等工厂用水需求,不断抽取地下水,是造成地面沉降的主要原因之一,同时大量建筑施工造成了地表扰动,也是造成该区域地面沉降的重要因素。四个特征点的时序累积沉降量如图5所示,P1点在2020年3月14日累计沉降量最大为231.4 mm,四个特征点的沉降量都呈现出非线性变化趋势,预计未来可能会继续发生沉降。

(a)A区域

图5 特征点时序累计沉降量

B区域沉降范围主要在曹妃甸东站下方-曹妃甸新城-曹妃甸综合保税区委员会附近,呈片状分布,如图4(b)所示,可以看出该区域沉降较为严重,P5～P7特征点分别位于曹妃甸职业技术学院附近、冀东油田公司瑞丰化工公司附近和滨海道附近,沉降速率分别为-39、-35和-34 mm/a,该区域的地质条件和A区基本相似,土质松散,且靠近海岸,易导致沉降,同时该区域存在大量水产养殖场等较多类型的工厂,唐山湾生态城的建筑规划区进行大量的开发建设等[5],都需要抽取大量的地下水,对地表造成了较大扰动,导致了该区域呈现片状的沉降分布。如图5所示,P5～P7累积沉降量最大分别为-197.6、-177.8和-173 mm,三个特征点范围内预计在未来可能会出现持续沉降,因此有关部门需要加强监测和防治。

C区沉降范围主要位于五场五队-曹妃甸北站-曹妃甸中小企业园区管委会附近,如图4(c)所示,被迁曹高速、渤海大道、赤曹线和唐曹高速所环绕,呈现片状分布的沉降特征,P8～P10分别位于文丰集团附近、赤曹线附近、河北广锐德工程有限公司附近,沉降速率分别为-21、-31、-24 mm/a,该区域的地质条件和前两个区域类似,较为脆弱,粉土为主,土质松散;结合历史影像,发现存在大量的养殖场和中小企业工厂,同时监测时段内高速道路的修建和工程建设开发施工等人为活动过度抽取地下水和开挖大型基坑,导致该区域出现较大范围的沉降现象。见图5,三个特征点最大时序累积沉降量分别为-107.4、-152、-122.2 mm,同样可能存在持续沉降的趋势,因此该区域也需加强监测和防治。

3.2 预测结果分析

本文选择C区域特征点P8的63期沉降量数据进行分析建模,P8数据集如图5所示,以前56期数据为训练集,后7期数据为测试集进行预测,对比两种预测模型的精度,选出预测效果较好的预测模型。预测结果如图6所示,可见两种预测模型都能得到较好的预测结果,但是通过比较,发现LSTM网络模型比BP神经网络模型更接近实际值,表现出更为理想的预测效果。

图6 实际值与两种模型预测值对比

经精度评价指标计算,BP神经网络模型的MAE和RMSE分别为4.87、5.31 mm,LSTM网络模型分别为1.96和2.38 mm,后者预测值的两个指标值明显较低,其中MAE减少了2.91 mm,RMSE减少了2.93 mm,因此,在本次研究中,LSTM整体的预测效果相对较优于BP神经网络模型,预测结果也更符合研究区的实际情况,同时能增强对非线性数据的预测能力,具有较好的泛化性和鲁棒性[7]。

4 结束语

(1)两种时序InSAR技术反演结果具有较高一致性,保证了结果的相对可靠性。研究区内最大沉降速率为-49 mm/a,最大累计沉降量为231.4 mm,其沉降范围主要位于明珠路-唐山鑫联科技环保有限公司-西港码头-曹妃甸西站附近的区域。

(2)地质条件脆弱、长期过度开采地下水、大规模的开发建设和工程扰动是造成研究区产生沉降的主要原因。

(3)通过沉降区特征点的时序数据预测分析,发现LSTM网络模型整体的预测效果较优于BP神经网络模型,预测结果也较符合研究区域的实际情况,其预测结果能够对该地有关部门辅助决策、灾害预警和缓解地面沉降提供一定的参考依据。