2019, Vol. 40
2. 中国科学院大学, 北京市玉泉路19号甲, 100049;
3. 成都理工大学地球科学学院, 成都市二仙桥东三路1号, 610059
成都地铁建设引发的沉降给人民的生命财产安全带来严重的威胁[1]，对成都市的地面沉降情况进行监测具有重要意义。孙晓鹏等[2]基于ENVISAT ASAR数据，利用SBAS技术对成都平原地区2008~2010年的地面沉降情况进行监测，得到成都平原累积形变量在-8~14 mm之间，但是其主要分析的是汶川地震对成都平原的影响，没有对城市建设等人为因素带来的地面沉降进行进一步分析。本文选取2017-03~2018-03共30景升轨Sentinel-1A数据，采用PSI和SBAS两种时序InSAR技术提取成都市主城区地面沉降信息，结合地面水准资料进行精度评估，并初步分析引起地面沉降的主要因素。
1 研究区概况及数据来源研究区位于103°50′~104°20′E、30°20′~31°00′N，主要包含了成都市主城区中的锦江区、武侯区、成华区、金牛区、青羊区及新都区、郫都区和双流区部分区域，平均海拔高度500 m。研究区内城市建设迅猛发展，在建轨道交通项目包括地铁5、6、8、9、10、17、18号线及有轨电车2号线，其中地铁5、6号线位置及走向如图 1所示。
|
图 1 研究区地理位置 Fig. 1 Location of study area |
本文使用欧洲空间局提供的30景Sentinel-1A升轨(相对轨道号128)数据，该数据具有双极化、短重访周期、可精确确定卫星位置和姿态角等优势。数据采集时间为2017-03~2018-03，其观测模式为观测宽模式(IW)，分辨率为5 m×20 m，极化方式为VV极化。利用USGS发布的30 m分辨率SRTM DEM数据去除地形相位并进行地理编码，将地铁6号线部分区域(北部郫都区望丛祠站、尚锦路站、蜀新大道站、和平街站、檬梓站)施工监测报告中的水准数据用于InSAR结果的精度评估，监测时间为2017-03~2018-02，采样频率为每天1次，水准监测和InSAR监测具体时段如表 1所示。
|
表 1 水准资料和SAR数据的观测时段 Tab. 1 Observation periods of levelling measurements and Sentinel-1 SAR imagery |
采用相同的参考点进行PSI和SBAS数据处理，参考点位于人民北路中三段与人民北路中二段的十字路口交汇处，具体位置如图 1所示。在进行PSI数据处理时选择以2017-08-23的影像作为主影像，形成29个干涉对，干涉对时空基线分布如图 2所示。
|
图 2 PSI干涉对的时空基线分布 Fig. 2 Spatial-temporal baseline distribution of interferograms used in the PSI method |
在进行SBAS处理时，空间基线阈值设置为±200 m，所选取的时间基线阈值为200 d。通过对干涉图质量进行分析查看，在30景影像共343个干涉对中选择包含其中25景影像的148个干涉对进行SVD解算，挑选后的时空基线分布如图 3所示。
|
图 3 SBAS干涉对的时空基线分布 Fig. 3 Spatial-temporal baseline distribution of interferograms used in the SBAS method |
2001年，Ferretti等[3]提出并验证了PSI技术，即从长时间序列的SAR影像中选择那些散射特性保持稳定相干性较高的目标作为点目标，通过对点目标在时空域内进行滤波，分离噪声相位和大气相位，来提高地表形变相位的精度。
本文采用2个原则来选择PS点[4]：1)频谱相关性；2)强度稳定性。首先利用基于PSI的IPTA策略对PS点目标进行基于空间基线和时间基线的二维回归分析，初步得到高程误差和形变速率，并根据残余相位中各个部分相位(如非线性形变相位和大气延迟相位等)中时空特性的不同，采用不同滤波对其进行分离并精化相位模型。最后不断地进行模型的迭代回归，得到改进的DEM和最终的形变结果。
2.2 SBASSBAS方法是一种时间序列InSAR分析方法，其主要思想是通过对时间基线和空间基线进行限制来生成多个短基线干涉对集合，然后对每个集合内的形变信息通过最小二乘法进行求解，最后将所有集合通过奇异值分解法(SVD)进行联合求解，进而得到整个时间序列的形变信息[4-6]。
本文在通过SBAS时空基线生成干涉对后，从中选择SDFP(slow decorrelating filtered phase)点，即在部分InSAR观测时段内保持短时间内慢失相干相位的点，然后通过对SDFP点进行相位解缠、滤波、SVD解算等步骤得到最终的形变结果。
3 实验结果与分析 3.1 成都市地面沉降空间分布特征经过上述PSI和SBAS数据处理得到2017-03~2018-03成都市LOS向上的地面年均形变速率，如图 4所示。可以看出，2017-03~2018-03两种时序InSAR方法得到的结果总体一致，各行政区的地面形变统计情况如表 2所示。可以看出，监测区域总体稳定，城市大部分区域位于-5~5 mm/a的平均形变速率区间。结合图 4可以看出，在成都一环路西段、三环路南段、郫都区西部、武侯区中部、成华区中部、锦江区中部、青羊区中部有大于5 mm/a的明显的沉降信号。其中，武侯区最大沉降速率可达21.4 mm/a，成华区最大沉降速率可达21.8 mm/a，锦江区最大沉降速率可达18.9 mm/a，青羊区最大沉降速率可达20.9 mm/a。
|
图 4 2017-03~2018-03成都市地表形变时序InSAR结果 Fig. 4 InSAR results of ground deformation time series from March 2017 to March 2018 in Chengdu |
|
|
表 2 成都市各行政区域的地面形变统计 Tab. 2 Statistical results of land deformation in administrative regions of Chengdu |
从图 4可以看到，成都地铁5、6号线沿线总体位于-5~5 mm/a的平均形变速率区间，但沿线部分区域存在大于5 mm/a的沉降。成都地铁5、6号线沿线200 m范围内的形变结果如图 5所示，从图中可以看出，成都地铁6号线望丛祠站至犀浦站沿线、三官堂站至殷家漕站沿线及地铁5号线抚琴站至高升桥站沿线2种方法的结果都表现出明显的沉降信号。2种方法得到的结果在望丛祠站、蜀新大道站、抚琴站、青羊宫站、省骨科医院站、高升桥站、三官堂站、殷家漕站表现出以站点为中心的不均匀沉降特征，且具有较好的一致性。其中PSI结果显示6号线尚锦路站至红高路站沿线沉降较为明显，SBAS结果显示5号线沙河桥站至琉三路口站沿线沉降较为明显。综合评判，通过SBAS方法得到的结果能更好地体现地铁的线性沉降特征。
|
图 5 成都地铁5、6号线沿线地面沉降 Fig. 5 Ground subsidence along lines 5 and 6 of Chengdu metro |
对2种方法得到的地铁5、6号线沿线地面沉降结果进行统计分析，结果如图 6所示。可以看出，2种方法得到的地铁沿线区域沉降分布较为一致；地铁沿线大部分区域的形变速率为-10~10 mm/a，所占比例在97%以上，其中-5~5 mm/a的区域所占比例在78%以上。形变速率为-5 ~-25 mm/a的区域所占比例在16%以下，-10~-25 mm/a的区域所占比例在3%以下，说明尽管地铁的修建给沿线部分地区带来一定的沉降，但总体沉降并不严重。
|
图 6 2种方法的地铁5、6号线沿线沉降统计结果 Fig. 6 Statistical graph of settlement results along the line 5 and 6 of the subway |
从图 4可以看出，在锦江区中部、成都市二环路和三环路之间出现大面积的沉降信号，且沉降主要分布在锦江区的区域1和区域2，具体情况如图 7所示。
|
图 7 锦江区中部的SBAS地面沉降结果 Fig. 7 SBAS results of the settlement information in the middle of Jinjiang district |
区域1由中环路锦绣大道、成龙路、锦华路及地铁8号线(在建)围成，从卫星影像上能够看到该区域建设情况复杂。经影像判读发现，该区域的沉降主要与地铁的建设有关，3条地铁穿过该区域，包括地铁6、7、8号线，其中6、8号线在建，7号线已于2017-12-06开通运营。A区位于6号线沙河桥站旁，正在进行房地产开发建设；B区位于成龙路与沙河的交汇处，近1 a来进行了棚户房拆迁及土地整理；C区是成都7号线川师车辆段，由于施工及地面环境的影响，该区域相关性较低，并没有在图中表现出沉降信号，但受川师车辆段附属建筑物施工等影响，其附近仍能看到明显的沉降。
区域2位于成都中环锦绣大道段与成都南三环路一段之间。查阅近1 a的遥感影像及相关施工资料发现，该区域的地面沉降主要是由道路施工改造等因素引起。a、b、d等3个区存在较为明显的道路改造工程，其中a区位于锦绣大道成龙路口，正在进行下穿隧道施工；b区位于成都娇子立交，属于成都三环路扩能提升改建工程，但由于施工造成的失相干，该区域沉降信号较少；d区位于成都市海桐街，进行了建筑物(花香苑社区党群服务中心)及道路(海桐街跨线桥)的新建。c区位于四川师范大学狮子山校区中环路锦绣大道附近，该区进行了沿街绿化工程且区内铁路线网密集，成绵乐客运专线、成渝高铁、成昆线穿过该区，火车发车频次密集。
综合分析认为，锦江区沉降主要受地铁建设及城市道路改造工程的影响，新建城区的建筑物对城市地面沉降亦有影响，但相对较小。
3.2.3 青羊区、成华区区域从表 2和图 4可以看出，各行政区总体形变趋势一致，但在青羊区、成华区内通过PSI和SBAS得到的年均形变速率相反，差值在2.5 mm以内。其原因主要有以下2点：
1) 选点原则不同。PSI数据处理选择的是PS点，即在整个InSAR观测时段内均保持有较好散射特性且相干性较高的点；而SBAS数据处理选择的是SDFP点。
2) 噪声水平不同。PSI数据处理时选择的是30景影像，而在进行SBAS数据处理时，由于其中5景与其他影像所形成的干涉对质量不好，故选择了除这5景影像之外的25景影像形成干涉对。另外，通过分析遥感影像可以发现，青羊区的植被覆盖率较高，成华区内农田、裸地及绿化用地较多，而SBAS在植被、农田及裸地等低相干性区域的处理效果优于PSI[6]。
3.3 精度评估 3.3.1 PSI和SBAS为比较2种方法得到的沉降速率的结果，对研究区进行40行×40列的格网覆盖，并选择格网中心60 m范围为缓冲区，对缓冲区内的值进行平均，剔除掉在PSI和SBAS格网中心值为空的点，共得到877个点。对这877个点的结果进行线性拟合，得到2种时序InSAR方法的线性拟合程度为0.91，说明2种时序InSAR方法得到的形变结果具有较好的一致性。
3.3.2 时序InSAR和水准测量本文利用成都地铁6号线建设期间望丛祠站、尚锦路站、蜀新大道站、和平街站、檬梓站采集的水准测量资料，进一步分析2种时序InSAR结果的可靠性，并采用中误差来衡量其可靠程度：
| $ \delta = \pm {\left( {\frac{{\sum\limits_{i = 1}^N {{{\left( {{d_{Li}} - {d_{Ii}}} \right)}^2}} }}{{N - 1}}} \right)^{\frac{1}{2}}} $ | (1) |
式中，dLi为时序InSAR观测的结果，dIi为水准数据观测得到的结果。由于收集到的地铁监测数据并没有标注水准点确切的位置信息，故将站点附近的地表沉降监测水准点的结果取平均作为该站点区域的沉降结果，并由累积沉降量推算出影像监测时间段的年均沉降速率。对于SBAS和PSI而言，通过GAMMA软件先将LOS向上的形变速率转换为垂直向上的形变速率，再分别以地铁6号线各站点为中心、100 m为半径作缓冲区，取该缓冲区内像素的平均值作为该点的沉降速率值，得到SBAS和PSI在站点位置的沉降速率结果。最终的精度评估结果如图 8所示。
|
图 8 精度评估结果 Fig. 8 Accuracy assessment results |
从图 8可以看出，2种时序InSAR的观测结果与水准数据具有较好的一致性。但本次观测实验中，通过SBAS得到的监测结果要优于PSI，分析原因主要有以下3点：1)在进行SBAS处理时，去除了5景影像，只用了25景影像，而PSI没有去除这5景影像；2)进行PSI数据处理时，采用的是地形相位和时间基线的线性回归模型来估算形变速率，而地铁施工带来的沉降可能是非线性的[7]，这对结果可能有一定影响；3)进行缓冲区分析时，由于选点的不同，缓冲区内PS点的密度要低于SDFP点密度，也会对统计结果带来一定的误差。
4 结语本文采用PSI和SBAS技术，基于2017~2018年Sentinel-1A雷达影像数据，并结合部分水准监测数据得到成都市2017-03~2018-03基本沉降情况。研究表明：1)PSI和SBAS的结果具有较高的相关性，且时序InSAR观测结果与水准数据具有较好的一致性，其沉降分布情况和城市地面建设情况吻合性较好；2)成都市地面沉降主要是由地铁建设、城区道路改造及建筑物施工等城市建设引起的，需加强地铁沿线等重点区域的监测。
致谢: 欧洲航天局(ESA)提供了Sentinel-1A数据，美国地质勘探局(USGS)提供了SRTM数据及中铁第四勘察设计院集团有限公司(铁四院)提供了水准数据，在此表示衷心感谢！
| [1] |
刘东.成都地铁隧道施工引发的地表沉降研究[D].成都: 西南交通大学, 2009 (Liu Dong. Study on Ground Surface Settlement Due to Tunnel Construction in Chengdu Metro[D].Chengdu: Southwest Jiaotong University, 2009) http://d.wanfangdata.com.cn/Thesis/Y1572251
(  0) |
| [2] |
孙晓鹏, 鲁小丫, 文学虎, 等. 基于SBAS-InSAR的成都平原地面沉降监测[J]. 国土资源遥感, 2016, 28(3): 123-129 (Sun Xiaopeng, Lu Xiaoya, Wen Xuehu, et al. Monitoring of Ground Subsidence in Chengdu Plain Using SBAS-InSAR[J]. Remote Sensing for Land and Resources, 2016, 28(3): 123-129)
( 0) |
| [3] |
Ferretti A, Prati C, Rocca F. Permanent Scatterers in SAR Interferometry[J]. IEEE Transactions on Geoscience and Remote Sensing, 2001, 39(1): 8-20 DOI:10.1109/36.898661
( 0) |
| [4] |
Sun Q S, Jiang L M, Jiang M, et al. Monitoring Coastal Reclamation Subsidence in Hong Kong with Distributed Scatterer Interferometry[J]. Remote Sensing, 2018, 10(11): 1738 DOI:10.3390/rs10111738
( 0) |
| [5] |
白林.武汉市地面沉降时序InSAR监测与分析[D].北京: 中国科学院大学, 2015 (Bai Lin.Monitoring and Analyzing Ground Deformation in Wuhan City with Time Series InSAR Approach[D]. Beijing: University of Chinese Academy of Sciences, 2015) http://d.g.wanfangdata.com.cn/Thesis_Y2961989.aspx
( 0) |
| [6] |
Bai L, Jiang L M, Wang H S, et al. Spatiotemporal Characterization of Land Subsidence and Uplift (2009-2010) over Wuhan in Central China revealed by TerraSAR-X InSAR Analysis[J]. Remote Sensing, 2016, 8(4): 350 DOI:10.3390/rs8040350
( 0) |
| [7] |
葛大庆, 张玲, 王艳, 等. 上海地铁10号线建设与运营过程中地面沉降效应的高分辨率InSAR监测及分析[J]. 上海国土资源, 2014, 35(4): 64-67 (Ge Daqing, Zhang Ling, Wang Yan, et al. Monitoring Subsidence on Shanghai Metro Line 10 during Construction and Operation Using High-Resolution InSAR[J]. Shanghai Land and Resources, 2014, 35(4): 64-67)
( 0) |
2. University of Chinese Academy of Sciences, A19 Yuquan Road, Beijing 100049, China;
3. College of Earth Sciences, Chengdu University of Technology, 1 Dongsan Road, Erxianqiao, Chengdu 610059, China