2021, Vol. 41
2. 城市空间信息工程北京市重点实验室, 北京市羊坊店路15号, 100038;
3. 广西壮族自治区自然资源调查监测院, 南宁市建政路5号, 530023;
4. 北京交通大学城市地下工程教育部重点实验室, 北京市上园村3号, 100044;
5. 南宁理工学院, 桂林市雁山街317号, 541006
上海地区人口密度较大，大范围地面沉降监测难度大、任务重。目前针对上海地区沉降监测的研究主要集中于局部监测，且对基础设施的系统性监测较少；此外，各种实验数据均较为久远，缺少时效性[1-4]。本文以PSInSAR技术为基础，对上海地区2018~2020年35景Sentinel-1A影像数据进行处理与分析，获取该地区及基础设施的累积沉降量及沉降速率场，并结合城市化进程及基础设施建成时间等信息，分析研究区及其内部多条地铁沿线的沉降时空特征，为基础设施的维护提供科学的数据支撑。
1 研究区概况及数据源 1.1 研究区概况上海(120°52′~122°12′E，30°40′~31°53′N)位于长江三角洲冲积平原，平均海拔为2.19 m左右，最高点海拔为103.70 m。截至2019年底，上海拥有轨道交通车站415座，线路共有17条(含磁悬浮线1条)；道路长度达4 227 km，道路面积为7 985万m2；共有大小桥梁1 717座，公路桥梁8 482座；公路里程达10 392 km，其中高速公路通车里程为581 km。本文具体研究区域如图 1所示。
|
图 1 研究区概况 Fig. 1 Overview of the study area |
选取2018-01~2020-03覆盖上海主城区的35景C波段升轨Sentinel-1A影像获取沉降速率场及累积沉降量，Sentinel-1A具体参数见表 1。利用NASA提供的SRTM去除地形相位，采用ESA发布的精密轨道数据对影像数据进行轨道精化与相位重去平。
|
表 1 影像源基本参数 Tab. 1 Basic parameters of image source |
本实验基于SARscape软件，采用PSInSAR技术对数据进行处理，技术流程如图 2所示，具体处理流程如下[3, 5-6]：
|
图 2 技术流程 Fig. 2 Technical flow chart |
1) 将SAR影像集按时间序列排列，并综合每景影像的时间基线、空间基线、多普勒质心频率差等3个不同因素，选取满足最大相关系数条件的主影像作为本次处理的主影像。经综合计算，选取2019-04-06的SAR影像作为主影像。
2) 将其他辅影像与主影像进行配准。经差分干涉处理，获得差分干涉相位φi, j：
| $ {{\varphi }_{i, j}}={{\varphi }_{\text{def}}}+{{\varphi }_{\text{DEM}}}+{{\varphi }_{\text{orbit}}}+{{\varphi }_{\text{atm}}}+{{\varphi }_{\text{noise}}} $ | (1) |
式中，φi, j为差分干涉相位；φdef为形变相位；φDEM为地形起伏造成的相位；φorbit为轨道误差引起的相位；φatm为大气延迟产生的相位差；φnoise为噪声引起的相位。DEM引起的相位可由外部参考DEM进行消除，PSInSAR技术中较为稳定的PS点可以降低φnoise的影响。
3) 本文采用振幅离差指数法选取相干性较高的候选PS点，基于这些候选PS点的相位，利用空间域、时间域相位解缠方法分析相位变化过程，进而对相位信息进行解缠。对解缠后的差分相位进行分类，以消除其中的相位误差。
4) 基于候选PS点进行构网，解算出整幅影像的高程残差值、线性形变及残余相位。对残余相位进行时间域高通滤波和空间域低通滤波，得到每幅差分干涉图的大气相位与非线性形变估计值。
5) 去除大气相位的影响后，将线性形变与非线性形变进行求和，得到上海地区形变速率场。
3 结果分析 3.1 研究区沉降速率分析经过PSInSAR技术处理后，得到上海地区2018-01~2020-03 LOS方向(远离雷达视线方向为负，靠近雷达视线方向为正)沉降速率图(图 3)。从图中可以看出，上海市主城区大部分区域沉降速率为-1~-10 mm/a，但在上海站附近区域出现较明显的地面下沉现象，沉降速率在-1.9~-6.9 mm/a之间。在上海市南部，沉降现象呈现大范围分布，且有多处较为明显的沉降区域，并在闵行区沪金高速与申嘉湖高速附近出现较明显的沉降漏斗，沉降速率均在-3.5 mm/a以上，最大沉降速率为-22.9 mm/a。
|
图 3 上海市2018~2020年地表形变速率 Fig. 3 Surface deformation rate in Shanghai from 2018 to 2020 |
为更好地分析上海地区沉降场的时空分布特征，选取研究区内A、B、C、D四个特征区域进行沉降时间序列分析。特征区域空间分布、沉降情况分别如图 4、5所示，各区域时序点累积沉降量如图 6所示(时序点为图 5中绿色星形所在区域)。
|
图 4 特征区分布情况 Fig. 4 Distribution of characteristic areas |
|
图 5 特征区沉降情况 Fig. 5 Settlement of characteristic areas |
|
图 6 各区域累积沉降量 Fig. 6 Cumulative settlement of each area |
区域A为中山北路与南北高架桥交叉处，图 5(a)为该地区形变图，从图中可以看出，该区域沉降现象较为明显，最大累积沉降量达-27.81 mm。该区域为上海市中心城区，具有众多写字楼与居民楼，还有铁路及多条地铁线路。水位监测井数据显示，2018-03地下水平均水位为-0.56 m，而2020-03该监测井平均水位下降至-1.03 m，地下水水位呈现明显下降趋势。过度开采地下水及铁路和地铁线路的运行均会加大地面负荷，成为地面沉降的主要因素。
区域B位于上海市闵行区梅陇镇许泾村附近，该区域沉降较为明显，并形成沉降漏斗，最大累积沉降量达-47.3 mm，具体沉降速率如图 5(b)所示。2018~2020年，闵行区经济建设一直处于高速发展状态，而随着城市化进程的加快，地面负荷也大大增加，随之出现较为明显的沉降现象。
区域C位于上海市浦东新区S32申嘉湖高速与沪南公路交叉处，该区域最大沉降量为-29.81 mm，沉降较为明显, 具体沉降速率如图 5(c)所示。据资料显示，该地区具有多个大型小区，居民生活用水主要来源于地下水。区域内水位数据显示，该地区2018-01地下水平均水位为-2.82 m，2020年地下水平均水位下降至-3.46 m，地下水的过度开采直接导致地面下沉。
区域D位于浦东新区川沙附近，该地区发展较为稳定，累积沉降量也较为稳定，主要集中在-5~3 mm之间, 具体沉降速率如图 5(d)所示。《浦东新区总体规划暨土地利用总体规划(2017~2035)草案》对该区人口规模及用地规模作出规定，要求严格控制人口总量、扩大生态空间和锁定城镇空间。该政策缓解了地下水的过度开发及城镇化飞速发展造成的地面沉降现象，因此该地区未出现过大沉降现象。
3.3 地下水变化与地表沉降变化相关性分析为分析上海地区地表沉降与地下水变化的相关性，获取上海地区3个地下水水位监测井的数据(水位监测井分布如图 1所示)，对地下水水位监测井周边100 m内PS点的累积沉降量求取平均值作为对比依据。其中，G1点地下水水位呈现持续下降趋势，G2点地下水水位呈现平稳变化趋势，G3点地下水水位呈现稳步上升趋势，3处地下水水位呈现不同变化趋势，可使对比结果更具代表性，地下水水位与累积沉降量对比结果如图 7所示。为进一步分析地表沉降变化与地下水水位变化的关系，去除地表沉降变化与水位变化中的线性趋势后进行分析。计算结果表明，平均累积沉降量变化与地下水水位变化峰值存在一定相似性，并具有滞后特性，即地下水水位对地表沉降量存在直接影响。
|
图 7 地下水水位与累积沉降量对比 Fig. 7 Comparison of groundwater level and cumulative settlement |
从对比结果可以看出，在地下水水位出现明显上升或趋于平稳时，地表会出现抬升或微小变化；而在地下水水位出现明显下降时，地表也会出现较为明显的下沉现象。将地下水水位与地表累积沉降量进行灰色关联度分析后发现，G1、G2、G3地下水水位观测井与累积沉降量的关联程度均在0.8以上，由此可知，地下水变化与地表沉降变化具有较强的正相关性。
3.4 地铁沿线地面沉降分析截至2019年底，上海地区拥有地铁线路16条，运营里程705 km，日均客运量1 065.03万人次。面对如此大的客运流量，对上海地区地铁线路及其沿线建筑物进行沉降监测必不可少。本文研究区内包含上海地区多条地铁线路，具体如图 8所示。选取其中3条地铁线路(5、8、16号)作为研究对象，将其周围500 m作为缓冲区，分析地铁线路及其周围的形变场。
|
图 8 研究区地铁线路 Fig. 8 Metro lines of the study area |
上海地铁5号线是上海轨道交通第4条建成通车的线路, 全长37.376 km。本文研究区内包含地铁5号线莘庄站至东川路站附近区域，提取得到两站之间500 m范围内的沉降速率场(图 9)。由图可知，该段沉降速率均大于-2.8 mm/a；其中，颛桥站至北桥站之间的沉降现象最为明显，最大沉降速率达-12.0 mm/a，最大累积沉降量达-29.07 mm。该条线路于2003年开通运营，属于营运时间较长的地铁线路，但仍在莘庄站至东川路站之间出现较为明显的沉降现象，这可能与“4改6”扩建改造工程有关。2018年后，上海地铁5号线“4改6”扩建改造工程相继完工，而站台改建完成后的自然沉降也是该段发生明显沉降的因素之一。此外，闵行区2018~2020年工业飞速发展及城市化进程的加快和随之带来的地下水过度开采也是该地区发生沉降的主要原因。
|
图 9 上海地铁5号线沉降速率 Fig. 9 Settlement rate of Shanghai metro line 5 |
上海地铁8号线是上海市第6条建成运营的地铁线路，呈东北-西南走向。截至2017-03，上海地铁8号线全长37.5 km，共设30座车站，2019年日乘客量最高达122.1万人次。
本文研究区内包含地铁8号线全线，具体沉降情况如图 10所示。从图中可以看出，地铁8号线北部相对较为稳定，北部的青藏北路站与中兴路站沉降较为明显，最大沉降量为-15.65 mm。这两站之间为上海市商业区，具有众多大厦及工厂，而该地区的用水主要来源于地下水，这成为该区域地面下沉的因素之一。地铁8号线南部沉降现象较为明显，主要体现在凌兆新村站至沈杜公路站之间，其沉降速率均在-4.1 mm/a以上，最大累积沉降量达-24.44 mm。该地区具有众多工业园区及居民区，其中以纺织业为主的浦江工业园区近年来飞速发展，基础设施的建设成为该地区沉降的主要原因之一。
|
图 10 上海地铁8号线沉降速率 Fig. 10 Settlement rate of Shanghai metro line 8 |
上海地铁16号线全长58.96 km，其中地下线路长13.69 km，共设站13座。本文研究区内包含地铁16号线部分线路(龙阳路站至航头东站)，从图 11可以看出，该线路沉降主要集中在鹤沙航城站与航头东站之间，最大累积沉降量达-35.96 mm。该地区位于特征区域C处，地下水的过度开采是该区沉降的主要原因之一。
|
图 11 上海地铁16号线沉降速率 Fig. 11 Settlement rate of Shanghai metro line 16 |
本文基于PSInSAR技术，利用35景Sentinel-1A影像获取上海地区2018~2020年的沉降速率场与累积沉降量，并提取上海市地铁5、8、16号线周围500 m的沉降场，结合城市化进程数据与地下水开采等影响因素，对研究区地表沉降原因进行讨论分析，主要研究结果如下：
1) 上海市沉降现象不均匀性较为明显，北部沉降相对平稳，南部区域则出现较为明显的大范围沉降现象。闵行区许泾村沉降较为明显，最大累积沉降量达-47.3 mm；浦东新区S32申嘉湖高速与122省道交叉处最大沉降量为-29.81 mm，两地均存在较大形变现象。
2) 以闵行区许泾村附近为中心的区域具有明显的沉降漏斗，沉降速率均在-3.5 mm/a以上，最大沉降速率为-22.86 mm/a，该地区的沉降现象与区域基础设施建设存在一定关系。
3) 采用灰色关联度分析方法对比分析地下水变化与地表沉降变化之间的相关性发现，上海地区地表沉降与地下水水位变化呈现一定的正相关性。
4) 上海地铁5号线颛桥站至北桥站之间的沉降现象最为明显，最大沉降速率达-12.0 mm/a，该线出现明显沉降与“4改6”扩建改造工程和闵行区的发展存在一定关系；地铁8号线北部的青藏北路站与中兴路站沉降较为明显，最大沉降量为-15.65 mm，该线南部的凌兆新村站至沈杜公路站之间的沉降速率均在-4.1 mm/a以上，最大累积沉降量达-24.44 mm；地铁16号线沉降主要集中在鹤沙航城站与航头东站之间，最大沉降量达-35.96 mm。
| [1] |
Perissin D, Wang Z Y, Lin H. Shanghai Subway Tunnels and Highways Monitoring through Cosmo-SkyMed Persistent Scatterers[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2012, 73: 58-67 DOI:10.1016/j.isprsjprs.2012.07.002
(  0) |
| [2] |
张丽娜, 伍吉仓, 李涛, 等. 基于短基线差分干涉法的上海地面沉降分析[J]. 同济大学学报: 自然科学版, 2012, 40(10): 1 564-1 568 (Zhang Lina, Wu Jicang, Li Tao, et al. Monitoring Ground Deformation Based on Small Baseline Approach in Shanghai[J]. Journal of Tongji University: Natural Science, 2012, 40(10): 1 564-1 568)
( 0) |
| [3] |
王茹, 杨天亮, 杨梦诗, 等. PS-InSAR技术对上海高架路的沉降监测与归因分析[J]. 武汉大学学报: 信息科学版, 2018, 43(12): 2 050-2 057 (Wang Ru, Yang Tianliang, Yang Mengshi, et al. Attribution Analysis on Deformation Feature of the Shanghai Elevated Highway by Persistent Scatterer SAR Interferometry[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12): 2 050-2 057)
( 0) |
| [4] |
Yang M S, Yang T L, Zhang L, et al. Spatio-Temporal Characterization of a Reclamation Settlement in the Shanghai Coastal Area with Time Series Analyses of X-, C-, and L-Band SAR Datasets[J]. Remote Sensing, 2018, 10(2): 329 DOI:10.3390/rs10020329
( 0) |
| [5] |
鹿璐, 范洪冬, 郑美楠, 等. 基于TCP-InSAR的采动区铁路动态沉降监测与时序分析[J]. 大地测量与地球动力学, 2019, 39(2): 164-168 (Lu Lu, Fan Hongdong, Zheng Meinan, et al. Dynamic Settlement Monitoring and Time Series Analysis of Railway in Mining Area Based on TCP-InSAR[J]. Journal of Geodesy and Geodynamics, 2019, 39(2): 164-168)
( 0) |
| [6] |
侯安业, 张景发, 刘斌, 等. PS-InSAR与SBAS-InSAR监测地表沉降的比较研究[J]. 大地测量与地球动力学, 2012, 32(4): 125-128 (Hou Anye, Zhang Jingfa, Liu Bin, et al. Comparative Study on Monitoring Surface Subsidence with PS-InSAR and SBAS-InSAR[J]. Journal of Geodesy and Geodynamics, 2012, 32(4): 125-128)
( 0) |
2. Beijing Key Laboratory of Urban Spatial Information Engineering, 15 Yangfangdian Road, Beijing 100038, China;
3. Guangxi Institute of Natural Resources Survey and Monitoring, 5 Jianzheng Road, Nanning 530023, China;
4. Key Laboratory for Urban Underground Engineering of Ministry of Education, Beijing Jiaotong University, 3 Shangyuan Village, Beijing 100044, China;
5. Nanning College of Technology, 317 Yanshan Street, Guilin 541006, China