基于PS-InSAR技術的天山山脈東段地面沉降影響因素探究

中圖分類號：TP391;TQ013.2 文獻標志碼：A文章編號：1001-5922（2025）05-0135-04

Abstract：Land subsidence isa global geological and environmental problem，which seriouslythreatens the safety of surface and underground infrastructure construction.Inorder to find out the influencing factorsof land subsidence， the eastern section of the Tianshan Mountains was taken as the research object，and based on the sedimentation data of Persistent Scatterer Interferometric Synthetic Aperture Radar （PS -InSAR）and seven other influencing factors， the extreme random tree was used to analyze the influencing factors of land subsidence.Theresults showed that the overall subsidence in the studyarea in 2O22 was small，and there were sporadic subsidence areas in the area，with a maximum subsidence of 75mm . Elevation，topographic relief，slope，fault and precipitation had a great impact on subsidence，accounting for 93.3% of the importance，and construction and mining had no significant impact.

Key words ：ground subsidence ；PS -InSAR ；extreme random tree ；influence factors地面沉降是一種受多種復雜因素作用的地質環 境現象，地面沉降的發生、發展及演化，嚴重威脅了社會經濟的可持續發展。地面沉降成因總體可歸納為兩類：自然因素和人類活動影響[1]。自然因素包括土體自然固結和構造活動；人類活動包括地下流體開采（如石油、地下水）和建筑載荷作用。天山山脈東段分布有大量的輸電線路桿塔，長期緩變性地面沉降容易引發山體滑坡，造成輸電線路桿塔出現傾斜、沉降，進而引發安全事故。因此，必須對輸電線路周邊地面沉降進行監測，分析其沉降成因，確保輸電線路運營安全性。

目前對地面沉降影響因子的評估方法主要集中在線性回歸模型、灰色理論等方法[2]。然而，地面沉降具有很強的非線性特征，同時受復雜的多源場相互作用，這些方法難以準確揭示沉降規律。鑒于此，以PS-InSAR獲取的地面沉降信息為因變量，以高程、坡度、地形起伏度、斷裂、礦區分布、降水、建筑物7個影響因子數據為自變量，通過極端隨機樹算法評估各因子的重要性。

1研究區與數據集

1.1 研究區概況

天山山脈位于中亞，跨越中國、哈薩克斯坦、吉爾吉斯斯坦和烏茲別克斯坦4國，綿延近 。中國境內天山山脈以 線為界分為東天山和西天山。以天山山脈東段為研究區（見圖1），位于東經88.6°～91.0°，北緯43.0°～43.9[4]區域內地形起伏較大，最低點高程 128m ，最高點高程 5046m ，高差達 4918m 。研究區東北和西南側分布有大量的輸電塔，電網線路對坡度、平順性等有較為嚴格的要求，探究沉降現狀，分析沉降成因，對保障輸電網絡安全運營意義重大。

1.2 數據來源

采用Sentinel-1A數據進行地面沉降信息獲取，C波段成像， VV+VH 極化方式，衛星以12d的重訪周期進行全球干涉SAR影像采集，具有極高的軌道精度和穩定的干涉性能[5-6]。研究選用 24 景IW成像模式影像，距離、方位向分辨率 5m×20m ！重采樣后分辨率為 15m ，成像日期2022/01/06～2023/01/01。具體成像日期如表1所示。

此外，還搜集了研究區2022年GoogleEarth影像、DEM、斷裂、礦區分布、降水等數據。DEM選用SRTM（Shuttle Radar Topography Mission） 30m 分辨率數據，并利用GIS工具提取了坡度、地形起伏度影響因子[7]；斷裂和礦區分布數據主要反映了天山山脈東段斷裂帶及礦區開發分布情況，從全國地質資料館獲取；降水數據主要反映了研究區2022年降水量分布情況，從國家青藏高原科學數據中心獲取[8]

2 研究方法

2.1 合成孔徑雷達干涉測量

InSAR算法的基本原理是對同一地區多次過境的SAR影像配準后做共軛相乘，生成包含多種相位信息的干涉圖[9]。去除平地效應（即由于高程不變導致的距離向和方位向周期變化的干涉條紋）后，濾波處理差分干涉圖以增加其信噪比。由于此時的相位在 呈周期變化，需要進行相位解纏以反演地面目標的真實相位差。具體處理流程是從24景單視復數（SingleLookComplex，SLC）影像中選取一景作為主影像，其余影像作為輔影像，進行主輔影像配準和干涉處理。利用SRTM數據去除平地相位和地形相位后，獲得差分干涉相位 φ ，即：

利用相位差分模型估算殘余地形相位 和線性形變相位 ，基于信號濾波的方法分解大氣延遲相位 、噪聲相位 和非線性形變相位 。疊加線性和非線性形變相位即可獲取LOS（LineofSight）方向地表形變值。最后通過三角函數變換求取垂向地表形變。

2.2 全卷積網絡

全卷積網絡（FCN）是一個從端到端的語義分割模型[10]。與經典的卷積神經網絡（CNN）最大的不同是，FCN不受輸入影像大小的限制。其將全連接層替換成反卷積層，通過反卷積層上采樣最后一個卷積層的特征圖，使其恢復到原始輸人影像的大小[1-12]。能夠對影像上每個像素進行預測，還可保留原始數據的空間信息。影像輸入和輸出尺寸關系為：

式中： 和 分別為輸出、輸入結果的大小。

2.3 極端隨機樹

極端隨機樹與隨機森林算法相似，基學習器均為決策樹[13]。二者具有不易過擬合、抗噪聲能力強以及擅長處理高維度數據等特點。此外，極端隨機樹算法還具有獨特的優點，其在選擇訓練樣本時沒有進行采樣處理，使用全部訓練集構造每一棵決策樹，可降低模型的偏差[14]。極端隨機樹與隨機森林算法相比，獲取的決策樹規模更大，可有效增強模型的泛化能力[15-16]。因此，在地面沉降影響因子重要性評估方面也更為適用。

3 結果與分析

3.1 地面沉降監測結果

利用13個水準監測點數據進行PS-InSAR地面沉降監測結果驗證。對每個水準點建立半徑為50m 的緩沖區，以各緩沖區內PS點的平均值作為PS-InSAR反演結果。PS-InSAR地面沉降結果和水準監測點結果對比如圖2所示。

由圖2可知，二者的最大絕對誤差為 6.9mm ，最小絕對誤差為 0.4mm 。在 95% 置信區間條件下， PS-InSAR 與水準測量值仍保持較好的一致性，相關系數達到了0.93。表明利用PS-InSAR獲取的地面沉降結果精度可靠，可滿足后續分析需要。天山山脈東段整體沉降量較小，區域內零星分布有沉降區，其中東北側沉降區較大且較為集中，沉降面積約 ；其余沉降區面積較小，均不足1km2。在研究區共識別出564000個PS點，密度約47個/km2。2022年天山山脈東段最大沉降量可達75mm ，其中沉降量大于 30mm 的面積為56.5km2，占研究區總面積的 0.47% 。

在研究區西南部、東北部分布有大量的輸電塔，西南部輸電塔距離沉降區較遠，暫未受到地面沉降的影響；而東北部輸電線路沉降較嚴重，從2022年1月6日至2023年1月1日，6個輸電塔（從A到F）變量在一定范圍內波動，總體呈下沉趨勢。6個輸電塔中，點F的沉降量最大，為 60mm ；點B的沉降量最小，為 7mm 。不均勻沉降可能會損壞輸電線路，威脅輸電網絡的安全運營。

3.2地面沉降影響因子信息獲取

根據地面沉降成因機理，選擇高程、坡度、地形起伏度、斷裂、礦區分布、降水、建筑物共7個影響因子，評估各因子對地面沉降的重要性[17-18]。其中建筑物信息利用全卷積網絡模型獲取，其他影響因子數據采用GIS空間分析方法處理后提取至PS點[19] 。

以GoogleEarth影像為數據源，基于阿里云內置樣本數據來建模，初始學習率設置為0.01，訓練迭代次數設置為20000。模型將影像裁切成1024像素 ×1024 像素大小的圖塊處理，最終輸出與原始影像同等大小的建筑提取結果。

基于全卷積網絡模型獲取的研究區建筑物分布結果如圖3所示。

由圖3可知，該模型識別的精度為90.6%，在樓房區域識別精度較高，在平房區域識別精度稍低。后期通過人工判讀的方法修正了部分錯分和漏分影像，以保證建筑物提取結果滿足后續分析條件。共識別建筑圖斑12060個，獲取建成區建筑總面積約26.6km2。在研究區范圍內選擇了A、B、C共3個區域進行放大展示，從圖3中可以看出建筑輪廓基本上可精確勾勒。

處理獲取的其他地面沉降影響因子顯示，研究區高程變化較大，最低處高程為128m，最高處高程為5046m。礦區在整個研究區均有分布，其中西部礦區較為集中，東部較為分散。區域內分布有東西走向的逆沖斷層和大量的走滑斷層，這些大型的走滑斷層在調節天山內部構造變形中起著重要的作用。而研究區坡度和地形起伏度結果顯示，區域內地形變化劇烈，最大坡度為83°，最大地形起伏度為603m；基于CRUTS和WorldClim降水數據顯示2022年區域內最大年降水量為 51mm 。

3.3地面沉降影響因子重要性評估

以高程、坡度、地形起伏度、斷裂、礦區分布、降水、建筑物為自變量，地面沉降信息為應變量，利用極端隨機樹模型定量評估各影響因子對沉降的重要性[20]

通過Scikit-Learn內置函數剔除了不合格數據，最終獲取556328組合格數據。選擇70%的數據作為極端隨機樹模型訓練集， 30% 的數據為驗證集，k-fold交叉驗證模型精度為96.7%。各因子重要性評估結果如圖4所示。

由圖4可知，對研究區地面沉降影響較大的因子分別為地形條件、斷裂和降水。高程、地形起伏度、坡度3個影響因子占比高達44.8%，表明區域內地面沉降主要受地形條件影響。斷裂的重要性占比為27.3%，表明地質構造為研究區沉降的發育提供了重要的地質背景。降水對沉降的重要性為21.2%，地面沉降區主要分布在降水量小的區域，推測降水可以一定程度地補給地下水，或減少地下水開采，從而減緩土體的壓密固結。而研究區地面沉降受建筑和采礦影響較小，2項因子重要性占比僅6.7%。

4結語

研究基于 PS-InSAR 方法用24景Sentinel-1A影像，實現對天山山脈東段2022年1月6日到2023年1月1日的地面沉降監測，獲取該區域地面沉降量圖。研究結果顯示研究區未發現有明顯的沉降漏斗，僅存在零散的沉降區，東北部輸電線路經過沉降區，可能會對輸電線路造成一定的影響。極端隨機樹方法分析指出影響天山山脈東段地面沉降的主要因素是高程、地形起伏度、坡度、斷裂和降水，沉降的分布特征與地形條件高度關聯。

【參考文獻】

[1] 張吉寧，薄勇，劉洋洲，等.基于物聯網技術的地質災害監測預警系統設計[J].粘接，2021，48（10）：86-89.

[2] 寧興園，郭勇，王繼明.測繪地理信息技術在地質勘察中的應用研究[J].粘接，2022，49（2）：164-168.

[3] 申艷軍，王艷，魏欣，等.天山山脈山地坡積土風化成生過程及垂直分帶特征初探[J].工程地質學報，2023，31（4）：1235-1246.

[4] 王明玥.天山山脈冰雪覆蓋時空演變特征與情景模擬[D].阿拉爾：塔里木大學，2022.

[5]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.

[6]朱邦彥，唐超，任志忠，等.基于 PS-InSAR 技術的珠海市地表形變監測與驅動力分析[J」.測繪通報，2022（6） ：108-113.

[7]伊堯國，田秋媛，崔楠，等.基于確定性因子模型的區域地面沉降敏感性研究［J.天津城建大學學報，2023，29（5） ：319-327.

[8]高建東，王勇，安江雷，等.一種多源地面沉降監測數據融合方法及其應用[J].測繪通報，2023，（10）：158-162.

[9]李洋洋，左小清，肖波，等.基于SBAS-InSAR和BP算法的大理市地面沉降監測及預測［J].貴州大學學報（自然科學版），2023，40（4）：39-47.

[10]毛嘉騏，李素敏，成睿，等.基于時序InSAR的改進型PIM礦山采空區沉降模型構建與應用J.化工礦物與加工，2023，52（9）：32-38.

[11]丁國君，范開元，李一航，等.基于R-FCN區域全卷積網絡的絕緣子紅外圖像識別研究[J」.自動化技術與應用，2023，（11）：147-151.

[12］劉海軍，楊鴻海.基于非對稱卷積網絡的遙感影像地物檢測方法研究[J].地理空間信息，2023，21（9）：73-76

[13]劉翰霖，李根軍，林楠，等.基于極端隨機樹的高光譜蝕變信息提取研究[J].地理空間信息，2023，21（9）：57-60.

[14]饒驍馳，楊昊，喻輝，等.基于極端隨機樹算法的流體識別研究[J].物探化探計算技術，2023，45（5）：566-578.

[15]劉翰霖，李根軍，林楠，等.基于極端隨機樹的高光譜蝕變信息提取研究[J].地理空間信息，2023，21（9）：57-60.

[16]袁帥，余偉，余放，等.面向不平衡數據集分類的離散高維空間距離采樣和極端隨機樹算法[J].計算機應用與軟件，2020，37（7）：194-199.

[17］馬家駒，楊瑜.融合GNSS及改進核函數的地面沉降監測精度分析[J].測繪標準化，2023，39（2）：34-39

[18]張雨龍.寒區隧道施工中地表沉降變形監測與數值模擬研究[J].市政技術，2023，41（9）：113-119.

[19］楊寶榮.基于ArcGIS的不良地質三維建模及選線研究[J].粘接，2020，41（4）：132-136.

[20］ 司新毅，謝新民，李盛.基于PS-InSAR和隨機森林的天津區域地表形變監測[J.大地測量與地球動力學，2023，43（7） ：692-695.

（責任編輯：平海）