基于SBAS-InSAR技术的淮北市地表沉降监测分析

长期高强度的煤炭开采和地下水抽采,导致淮北市地表发生大面积沉降,破坏了耕地以及生态环境,因此对地表沉降监测显得尤为重要。本文通过短基线集合成孔径雷达干涉测量(SBAS-InSAR)方法获取了2020年1月5日到2020年12月30日的淮北市地表年形变速率,并且使用水准数据对监测结果进行了精度验证。结果表明:淮北市沉降存在不均匀现象,年形变速率为-55~42 mm,淮北市地表沉降由地下煤炭资源开采和地下水抽采引起,主要地表沉降由采煤引起。研究结果可为地质灾害预防提供数据参考。

基于SBAS-InSAR和BPNN的铀尾矿坝形变智能监测与预测

为提高铀尾矿库退役治理的监测工作效率,提出一个基于小基线合成孔径雷达干涉测量(SBAS-InSAR)技术和反向传播神经网络(BPNN)的铀尾矿库形变智能监测与预测模型。首先,利用SBAS-InSAR技术得到铀尾矿库2020年12月—2022年12月的累计形变量与年均形变速率,并用第一拦水坝的7个全球导航卫星系统(GNSS)监测站验证InSAR监测值的精度;然后,选取铀尾矿库中的雷公塘坝、南坡横坝、战斗坝和松林坝4个坝段的累计沉降量并结合降雨量进行沉降分析;最后,随机提取铀尾矿坝100个沉降点的累积沉降数据,通过BPNN预测铀尾矿坝的形变。结果表明:2年间铀尾矿库的形变速率在-60.06~34.94 mm/a,铀尾矿坝整体处于下沉状态,累计沉降量最大为-46.67 mm。BPNN预测值与实际监测值的平均绝对误差为0.586 mm,均方误差为0.624 mm。

基于小基线集干涉测量的天津地区地表沉降时空分析

基于覆盖天津地区2017—2019年的30景Sentinel-1A影像数据,采用小基线集合成孔径雷达干涉测量(small baseline subset interferometric synthetic aperture radar,SBAS-InSAR)方法对研究区域进行地表沉降监测,获取了天津地区的年平均沉降速率和累积沉降,并与水准数据进行比对,最后分析了该地区的沉降时空特征。结果表明:2017—2019年大部分区域地表形变速率为-15.8~4.1 mm/a,最大沉降速率超过-130 mm/a,最大沉降中心位于天津市西青区王庆坨镇;基于SBAS-InSAR获取的沉降结果与水准测量结果比对,其精度达到2.96 mm;地表沉降受地下水开采、城市基础建设的发展以及工业用地量、人为活动等方面因素影响明显。

基于综合遥感的察隅县滑坡隐患识别及致灾机理分析

察隅县地处青藏高原东南部,幅原辽阔,地形地貌与气候特征差异较大,滑坡灾害频发。针对该区域开展滑坡灾害隐患识别与早期预警对当地防灾减灾工作有重要意义。为此,收集2020年1月—2022年11月获取的162景升降轨Sentinel-1A雷达遥感影像数据及高分光学遥感影像数据,以Google Earth平台为辅助,采用综合遥感(integrated remote sensing,IRS)技术开展研究区内活动性滑坡隐患识别、编录制图和分析评价,共识别出活动性滑坡隐患237处,主要分布于贡日嘎布曲(察隅河支流西支)、察隅河、怒江两岸及察隅河东部至怒江西部的区域。将解译结果与地形地貌(高程、坡度、岩性)、自然环境(降雨、温度)等定量因子结合进行统计分析可知,左布村滑坡、阿扎村滑坡有极大的灾害风险,推荐进一步采取减灾措施。研究结果具有较高精度,可为当地防灾减灾工作提供参考。

SBAS-InSAR技术的广州市地面沉降监测

为了研究广州市地面沉降情况,利用覆盖广州地区的34景Sentinel-1A影像数据,基于永久散射体(PS)特征点的短基线合成孔径雷达干涉测量(SBAS-InSAR)技术进行时序分析,结果表明:研究区总体形态呈稳定状态,研究区域内存在6个沉降区,在监测时间内,研究区沉降速率为-32.1 mm/a~7.3 mm/a,累计沉降量为-92.1 mm。广州市的软土是导致沉降的主要因素,城市的工程建设以及地下水的过度开采为重要原因。

基于时序InSAR技术的滨海新区地面沉降监测

针对传统地面沉降测量方法在大范围测区内费时长、时效性差等缺点,本文利用2017—2021年覆盖天津市滨海新区Sentinel-1A影像数据,采用永久散射体合成孔径雷达干涉测量(PS-InSAR)和短基线集合成孔径雷达干涉测量(SBAS-InSAR)技术获取地面沉降数据,通过地表形变信息的时空分析确定各类因素对地面沉降的影响并交叉验证结果的可靠性。分析结果表明,天津市滨海新区的地面沉降受到降水、第四系地层厚度、地下水等因素影响。其中,天津市滨海新区在2017—2021年存在地面沉降现象,最大沉降速率为-130 mm/a,最大抬升速率为40 mm/a,最大累计沉降量为-411 mm。重点沉降区域主要分布在东北部的杨家泊镇与寨上街道交界地区以及西南部的中塘镇和北大港水库附近。

高海拔排土场边坡安全稳定性SBAS-InSAR监测

为解决高海拔排土场边坡安全稳定性监测中常规监测仪器布置和人员值守的高投入、高风险问题,分析西藏山南桑日县某排土场边坡25景Sentinel-1A数据,利用短基线集合成孔径雷达干涉测量(SBAS-InSAR)技术监测终了排土场边坡从2018年11月4日—2020年12月23日期间的地表形变,采用基线估计状态空间模型、自适应滤波和最小费用流进行相位解缠,经过影像配准、干涉处理和去平地效应,考虑高海拔地区跨越干湿季时温度和降雨对数据的影响,生成平均形变速率图,基于形变监测结果评判该排土场边坡的安全稳定状态。结果表明:该排土场边坡坡体2018-2020年的平均形变速率最大值为-13.90 mm/a,且在2020年6月,达到黄色预警阈值,采取必要的防治措施后,沉降速率趋缓得到了有效控制。实践表明:SBAS-InSAR应用于高海拔排土场边坡,能够实现动态、全面覆盖、长期可靠的安全稳定性监测。

基于SBAS-InSAR和PSO-BP神经网络算法的矿区地表沉降监测及预测

针对传统监测技术无法进行长时间矿区地表沉降监测以及现有预测模型过度依赖沉降数据、模型单一等问题,提出一种基于小基线集合成孔径雷达干涉(Small Baseline Subsets Interferometric Synthetic Aperture Radar,SBAS-InSAR)和粒子群优化-反向传播(Particle Swarm Optimization-Back Propagation,PSO-BP)神经网络算法的矿区地表沉降监测及预测模型.首先,利用SBAS-InSAR技术获取矿区地表沉降监测值;然后,选取矿区地表沉降的影响因子与获取的沉降监测值从多因子角度构建PSO-BP预测模型;最后,分析该方法的有效性和合理性.实验结果表明,利用SBAS-InSAR能有效监测矿区地表长时间沉降,随着训练样本的增加,PSO-BP预测值与SBAS-InSAR沉降值残差逐渐减少,算法收敛迭代加快,均方误差降低.与现有监测方法及预测模型的对比,证明了SBAS-InSAR在矿区地表长时间沉降监测中的优势以及PSO-BP模型在矿区地表沉降预测中的有效性和合理性,该方法可作为矿区地表长时间沉降监测和预测的有效手段.

采空区地表变电站场地稳定性SBAS-InSAR监测研究

常规地基沉降监测方法存在监测时段不连续和覆盖范围有限等问题,短基线集合成孔径雷达干涉测量(SBAS-InSAR)技术作为近年来发展的监测地表形变新技术,能够对研究区域进行全天候、实时、高效、大范围的监测。以平顶山市某下伏采空区变电站为研究对象,基于35景升轨Sentinel-1A数据,通过影像配准、相位干涉、最小费用流解缠、大气分离、特征值分解和地理编码等处理,生成平均形变速率图,最终得到该地区2015年4月至2020年12月的时间序列形变监测结果。结果表明:平顶山市区整体形变速率平缓,变电站拟建场地地表形变速率保持在-3~0 mm/a;部分地区存在明显变形,变电站拟建场地东北方向较远区域出现较大形变,形变速率可达-81~-33 mm/a;SBAS-InSAR技术监测精度可以达到mm级,可有效监测采动影响区域与周围未采动影响区域范围内的拟建变电站的地表沉降情况。在实际运用时,发现SBAS-InSAR获取到的形变序列在空间上更为连续,监测区域更加广泛,可监测时间跨度较长的地表形变。

基于SBAS-InSAR的延安新区地表沉降监测与分析

以延安新区为研究区,采用SBAS-InSAR方法对2015年建成之后的地面沉降进行监测分析,结果表明, 2015-2019年延安新区雷达视线方向形变速率为-52~13 mm/a,垂直向形变速率为-74~18 mm/a.通过克里金插值发现延安新区有2个明显的西北-东南向的带状沉降区域,最大的沉降区域从南至北贯穿新区;新区东侧有两块抬升区域,抬升量较小.沉降主要发生在填方区,抬升发生在挖方区,填方区沉降速率呈现慢-快-慢的形变规律.经野外现场验证,该形变监测结果与实际情况吻合.

曹妃甸沿海区地表沉降监测与预测分析

为探究曹妃甸沿海区的地表沉降情况,本文使用永久散射体合成孔径雷达干涉测量(PS-InSAR)和短基线合成孔径雷达干涉测量(SBAS-InSAR)技术对2017—2022年的63景Sentinel-1A数据进行反演,得到了沿海区的地表沉降速率及分布,再对两种技术的反演结果进行交叉验证及分析引起沉降的原因,同时利用反向传播(BP)神经网络和长短期记忆(LSTM)网络模型分别对特征点的时序沉降量进行预测分析及精度对比,主要得到以下几点结论:①两种技术反演结果具有较高一致性,线性相关达0.98;②研究区最大沉降速率为-49 mm/a,最大累计沉降量为231.4 mm,地质条件脆弱、长期过度开采地下水、大规模的建设和工程扰动是造成该地沉降发生的主要原因;③经对比分析,长短期记忆(LSTM)网络模型的预测效果更适合于时序形变数据的预测,预测结果也更为接近实际形变值。

基于SBAS-InSAR的黄河干流军功古滑坡形变分析

2019-09-20,中国青海省玛沁县拉加镇军功古滑坡发生局部失稳,导致公路交通中断,严重威胁当地居民生命财产安全,亟需查明古滑坡的形变区和形变规律,为防治工程设计和监测预警提供参考。首先利用高分辨率卫星影像和数字高程模型数据并结合现场调查,基于滑坡形态特征和形变迹象对古滑坡进行分区;然后利用2017-01-2020-12的Sentinel-1雷达卫星降轨数据,基于小基线集合成孔径雷达干涉测量技术(small baseline subset interferometric synthetic aperture radar,SBAS-InSAR)对古滑坡的地表形变特征和形变规律进行分析。基于滑坡形态特征和变形迹象,将古滑坡分为4个次级滑坡区,SBAS-InSAR形变结果显示古滑坡整体处于持续的缓慢蠕滑状态。滑坡强变形区主要位于公路开挖段,人类活动对古滑坡稳定性扰动较大,滑坡强变形区形变速率与降雨具有较好的响应关系。虽然古滑坡局部已进行了抗滑桩等工程治理,但由于古滑坡存在多级滑面,已有抗滑桩深度不够,虽发挥了一定的抗滑作用,但未起到完全阻止滑坡整体蠕滑变形的作用,建议后续治理工程应利用钻探等勘察技术手段查明多级滑面深度后进行设计施工,并在强形变区安装裂缝计等现场实时监测预警设备,结合雷达卫星InSAR中长期监测,实现对该滑坡点、面结合的监测预警。

乌鲁木齐市采煤塌陷区地表沉降遥感监测

乌鲁木齐市侏罗系含煤地层呈近东西向横穿城市主城区,具有含煤层数多、单层煤层巨厚且近乎直立的地质特点.数十年以来,煤炭资源的开采破坏了乌鲁木齐的城市环境,由此造成的塌陷区威胁着周边居民的生产生活,也严重制约着城市发展,限制了土地资源的开发利用.本文以乌鲁木齐市横跨水磨沟区和米东区的六道湾煤矿、苇湖梁煤矿等为研究区,以Sentinel-1A数据为主要数据源,采用短基线集合成孔径雷达干涉(SBAS-InSAR)技术监测研究区内2018-06-01-2022-06-30的历史废弃煤矿、现有开采煤矿和周边居民区的地表沉降现象.利用SBAS-InSAR技术处理SAR数据,获取研究区内地表时序形变结果,生成地理编码后的年均速率及累积形变量,发现多个矿区沉降漏斗范围扩大,且沉降漏斗中心的累积沉降量超过-150 mm.通过与全球卫星导航系统(GNSS)结果的对比分析发现,GNSS与SBAS结果整体沉降趋势一致,均方根误差(RMSE)为2~3 mm,因此SBAS-InSAR具有较高的可信度.

基于SBAS技术的地表形变自动识别与监测分析

合成孔径雷达干涉测量(InSAR)技术因全天时、全天候、不受云雾影响,广泛用于地表形变监测,如何快速获取大范围内形变区域的分布情况亟须解决的问题,为此利用短基线集(SBAS)技术处理了143期Sentinel-1A数据,对山西省沁水县进行了地表形变监测,利用热点分析方法自动提取变形区域,并对提取出来的重点区域进行长时间的监测分析。研究结果表明,在沁水县共识别出15处地面塌陷区和1处滑坡。通过对两处典型区域进行时序形变监测,发现塌陷区域目前仍然处于持续变形中,且形变量级较大,最大累积形变量达到了-205.2 mm,验证了利用热点分析进行大范围结果识别监测的可靠性,研究成果可为该区域研究和矿区塌陷灾害防治提供支撑。

基于“天−空−地”一体化的东川区沙坝村滑坡体时序监测与分析

小江断裂带地质灾害频发,且大多处于山体高位并有植被覆盖,传统人工调查方法难以进行有效的排查与分析评估,区域内人民生命财产安全存在巨大安全隐患.选取东川区沙坝村作为研究区域,利用SBASInSAR方法对历史影像进行处理得到区域时序性形变信息,采用无人机航空摄影测量方法获取滑坡体实景三维模型,人工进行实地地质灾害详查,通过“天‒空‒地”一体化的方法对沙坝村滑坡体进行多尺度、长时间序列地表形变监测与变化特征分析.结果表明:①沙坝村滑坡体沿雷达视线方向(Line of Sight,LOS)年平均形变速率在‒4~26 mm/a之间,山体地形陡峭,有多处地区为已发崩塌点或存在潜在崩塌滑坡风险;②山坡中部的古崩塌体(体积约12100 m^(3))及其周边均处于抬升状态,但上部抬升速率(11.98 mm/a)大于下部抬升速率速率(9.89 mm/a),年平均形变速率不一致,存在下滑风险;③利用SBAS-InSAR方法能够获取到山区地表宏观时序形变信息,对地质灾害进行早期识别,辅以无人机航空摄影测量构建区域实景三维,可提高传统地质灾害调查效率,同时可以追溯变形区域历史活动规律,为灾害评估提供重要数据支撑.

SBAS-InSAR技术融合CNN-LSTM模型的矿区开采沉陷监测与预测

针对传统矿区开采沉陷监测方法耗费人力财力和预测预警模型较少的问题,研究提出一种基于短基线集合成孔径雷达干涉测量(Small Baseline Subset-Interferometry Synthetic Aperture Radar,SBAS-InSAR)技术和卷积神经网络(Convolutional Neural Networks,CNN)与长短期记忆网络(Long Short-Term Memory,LSTM)相结合的矿区开采沉陷监测预测方法。首先,利用SBAS-InSAR技术对建新煤矿进行矿区开采沉陷监测,获取了该矿区的年平均沉降速率和累计沉降值。用GNSS监测数据与SBAS-InSAR结果进行对比验证,其拟合效果较好。其次,在此基础上利用CNN-LSTM模型预测后6期沉降数据,其结果与CNN和LSTM预测结果进行对比。研究显示,CNN-LSTM模型的平均绝对误差(S_(MAE))和均方根误差(S_(RMSE))比单一的CNN和LSTM分别至少降低了44.8%和40.6%,其决定系数均高于98%。最后,进一步预测前6期和中6期沉降数据,验证了CNN-LSTM预测模型在时间上的一致性。因此,SBAS-InSAR融合CNN-LSTM模型在类似矿山开采沉陷监测和预测中有较好的应用前景。

主动微波光谱影像对新疆天山山脉区域地表形变的监测研究

全球气候变暖已导致多年冻土发生严重的退化,现已威胁到许多区域的生态安全,特别是作为五大畜牧业生产基地的天山地区。当前区域内的研究多针对冰川进行分析,较少对多年冻土深入挖掘。通过39景ENVISAT ASAR影像(覆盖时间从2003年6月17日到2010年6月15日),利用SBAS-InSAR方法监测区域内多年冻土区的地表形变现状。详细介绍算法原理,生成ASAR数据集单视复数影像的连接图时,以空间和时间基线距分别小于500 m和550 d为原则,生成126幅差分干涉图。其中因基线和多普勒质心差的原因, 6景ASAR影像没有进行配对。生成连接图后,配合STRM V4版本的DEM数据,经过干涉图去平、自适应滤波、相干系数图生成、相位解缠后,再对这126对干涉图进行质量较差52对的移除。利用地面控制点,进行轨道精炼和重去平等操作,估算形变速率和残余地形,经过相关系数阈值控制和奇异值分解(SVD)方法,再结合空间低通滤波和时间高通滤波方法,计算得到研究区时间序列地表形变反演。反演结果共包括33期形变影像,涉及时间从2004年至2010年。根据研究区形变结果可知,虽然区域内有不同程度的沉降和抬升,但整体的形变速率在±5 cm·yr^-1之内,平均形变速率为(-0.07±3.38) mm·yr^-1,说明研究区内地表存在轻微的沉降现象。此外以3 000 m海拔为界,分别探讨分布季节冻土和多年冻土的平原地区和山地区域形变规律发现,平原地区的形变主要表现为抬升,仅北方接近城市的区域表现出强烈的沉降现象。而山区的形变结果则较为零散,整体形变基调以沉降为主,大体上在西部和东部地区分别呈现出沉降和抬升现象。海拔高于3 000 m的形变点存在15 198个,利用温度和降水数据,探讨形变点不同形变间隔和总体样本的温度和降水年变化规律后得知,总体和不同变形速率间隔的形变样本点基本都呈现出逐步变暖的趋势。并且研究区的山区地表形变速率小于-2.0 cm·yr^-1、在-2.0~2.0 cm·yr^-1之间和大于2.0 cm·yr^-1的样本点数量依次为6 364, 6 449和2 385个,山区地表负值的区域多于正值的区域,体现出该区域的沉降位置多于抬升位置,也同全球变暖,冻土退化,地表发生沉降的规律相一致。利用主动微波波谱段的ASAR数据,成功反演了2004年至2010年间的研究区地表形变结果,并从地表形变反演结果的空间角度、时间角度和冻土变化的时间滞后性进行了讨论和展望。以上研究结果期望能为天山区域多年冻土区的地表形变监测提供新的途径和参考。

时序InSAR技术在太原地铁沿线形变监测中的应用

城市轨道交通的建设与运营会引起地铁沿线的持续形变而造成地面沉降,给地面及地下基础设施带来安全隐患。为了解太原市首次开通运营太原地铁二号线一期线路以来沿线地面形变情况,以二号线一期工程沿线为研究对象,使用2020年6月至2021年11月共20景Sentinel-1A影像,基于永久散射体、小基线集技术对研究区进行地面形变监测。研究表明,两方法所得沉降分布情况、形变时序分析结果有很高的一致性,线路沿线最大沉降为31.96 mm,最大沉降速率为32 mm/a,存在三个较明显的沉降区域,推断与其处于大规模的不断的城市建设区域密切相关。本次研究可为后续太原市地铁建设沿线地表形变监测提供参考。

联合时序InSAR技术和CS-Elman神经网络的板子沟地表形变监测与预测模型性能的评估

汶川县板子沟受2008年5月12日M_(S)8.0大地震影响,造成沟谷内松散物源堆积,近年来滑坡、泥石流灾害频发.针对板子沟地质结构复杂且缺乏有效监测和预测自然灾害等问题,该研究提出一种联合InSAR技术和布谷鸟搜索算法改进Elman(Cuckoo Search-Elman,CS-Elman)神经网络的预测模型来对板子沟地区进行地表形变监测和预测.首先采用SBAS-InSAR和PS-InSAR技术处理覆盖板子沟的22景C波段Sentinel-1A数据,获取地表形变监测值.其次,利用相关性矩阵分析从高程等12个评价因子得出最优评价因子,从多因子角度结合地表形变监测值构建CS-Elman预测模型.最后,通过对比实验分析CS-Elman模型的合理性和优越性.结果表明:(1)SBAS-InSAR和PS-InSAR技术监测同名点雷达视线(Line of Sight,LOS)向形变速率之间的相关系数R^(2)=0.91,具有较高的相关性,证明了两种技术联合分析的可行性;(2)分别选取训练样本数为198、298、398和498,得到CS-Elman模型的预测值与InSAR技术的监测值之间的最大绝对误差分别为11.314 mm、6.188 mm、3.763 mm和2.191 mm,平均绝对误差(Mean Absolute Error,MAE)、均方误差(Mean Squared Error,MSE)、均方根误差(Root Mean Squared Error,RMSE)和平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)也均为样本数为498时最小,分别为0.895 mm、1.712 mm、1.308 mm和5.55%;(3)随机选取518个样本数据,CS-Elman模型的MAE、MSE、RMSE和MAPE分别为1.206 mm、2.052 mm、1.432 mm和6.09%,各项指标均优于Elman模型,验证了CS算法能够有效提高Elman模型的预测精度;(4)通过与GA-BP、CS-SVM模型的对比,验证了CS-Elman模型在地表形变预测中的精度更高,该方法可作为板子沟长时间形变监测和预测的有效手段.

武汉市地面沉降时空分异特征及地理探测机制

城市地区地面沉降造成地面高程损失,威胁各类设施的安全运行,影响地表径流和水文循环,监测地面沉降现状并揭示其形成机制,对于城市可持续发展具有重要意义。以2007—2011年的ALOS⁃PALSAR影像和2015—2019年的Radarsat⁃2影像为数据源,基于小基线集技术(small baseline subset interferometric syn⁃thetic aperture radar,SBAS⁃InSAR)获取武汉市两个监测阶段的地面沉降速率、沉降时间序列,并利用地理探测器揭示规划单元尺度地面沉降的主导驱动因子及驱动因子之间的交互作用机制。结果表明:(1)2007—2011年和2015—2019年地面沉降平均速率分别为−3.53 mm/a和−1.48 mm/a。地面沉降较为显著的区域:2007—2011年,是汉口、沙湖沿岸及以北、南湖以西和白沙洲地区;2015—2019年,是汉口、沙湖北和白沙洲地区。(2)局部性、阶段性、与自然条件及人类活动相关是两个时期武汉市地面沉降演变的3个特点。(3)水文地质条件作为必要条件,通过与地面荷载、地下空间开发、工程施工因素交互作用形成武汉市地面沉降时空格局,2007—2011年的工程施工因素、2015—2019年的地面荷载因素与水文地质条件交互作用明显较强。