京雄城际铁路沿线InSAR地表沉降监测与影响因素分析

doi:10.13474/j.cnki.11-2246.2026.0208

测绘通报 ›› 2026, Vol. 0 ›› Issue (2): 46-53.doi: 10.13474/j.cnki.11-2246.2026.0208

京雄城际铁路沿线InSAR地表沉降监测与影响因素分析

林羊^1,2,3,4, 于冰^2,3,4, 田馨¹, 张冠军², 刘成², 甘俊², 李广宇²

1. 东南大学交通学院, 江苏南京 211189;
2. 中国铁路设计集团有限公司, 天津 300251;
3. 天津市轨道交通导航定位及时空大数据技术重点实验室, 天津 300251;
4. 西南石油大学土木工程与测绘学院, 四川成都 610500

收稿日期:2025-06-20 发布日期:2026-03-12
通讯作者: 于冰。E-mail:rs_insar_bingyu@163.com
作者简介:林羊(2003—),男,硕士生,主要研究方向为InSAR技术及应用。E-mail:lin_yang08@163.com
基金资助:
天津市轨道交通导航定位及时空大数据技术重点实验室开放课题基金(TKL2024B09);四川省自然科学基金面上项目(2023NSFSC0265);国家自然科学基金面上项目(42471489)

Monitoring and influencing factors analysis of land subsidence along the Beijing-Xiong'an intercity railway using InSAR technology

LIN Yang^1,2,3,4, YU Bing^2,3,4, TIAN Xin¹, ZHANG Guanjun², LIU Cheng², GAN Jun², LI Guangyu²

1. School of Transportation, Southeast University, Nanjing 211189, China;
2. China Railway Design Corporation, Tianjin 300251, China;
3. Tianjin Key Laboratory of Rail Transit Navigation and Positioning and Spatio-temporal Data Technology, Tianjin 300251, China;
4. School of Civil Engineering and Geomatics, Southwest Petroleum University, Chengdu 610500, China

Received:2025-06-20 Published:2026-03-12

摘要/Abstract

摘要： 为解决京雄城际铁路沿线地表沉降及其驱动因素量化研究较少、现势性不足的问题,本文采用SBAS-InSAR技术、莫兰指数和多尺度地理加权回归模型对铁路全线及周边2022年11月—2024年11月地表形变进行监测和分析。结果表明:铁路两侧4 km缓冲区垂直向最大年均形变速率为-127 mm/a,沉降主要集中在雄安站至霸州北站西侧,累计形变量空间聚集性显著;驱动因素按贡献大小排序为,水位埋深变幅、距断裂带距离、距河流距离、地表粗糙度、距道路距离。累计形变量与水位埋深变幅呈负相关,地下水抽取加剧沉降,雄安—霸州北西侧沉降与距断裂带距离呈正相关,推测牛东断裂是导致该段两侧出现沉降差异的原因。研究结果可为铁路运营维护及地下水资源管理提供科学依据。

关键词: 京雄城际铁路, SBAS-InSAR, 地表沉降, 多尺度地理加权回归, 沉降影响因素

Abstract: To address the limited quantitative research and insufficient temporal coverage of surface subsidence and its driving factors along the Beijing-Xiong'an intercity railway.The SBAS-InSAR technique,Moran's I index,and multi-scale geographically weighted regression (MGWR)model were employed to monitor and analyze surface deformation from November 2022 to November 2024.Within a 4 km buffer zone on both sides of the railway,the maximum average annual vertical deformation rate reached -127 mm/a.Subsidence was mainly concentrated west of Xiong'an Station to Bazhou North Station,showing significant spatial clustering.In order of contributions size,driving factors are groundwater level fluctuation、distance to faults、distance to rivers、surface roughness、distance to roads.Cumulative deformation was negatively correlated with groundwater level fluctuation,indicating that groundwater extraction aggravates subsidence.In the section west of Xiong'an to Bazhou North,subsidence increased with distance to faults,suggesting that the Niudong Fault may cause the observed differential settlement.These findings provide a scientific reference for railway maintenance and groundwater resource management.

Key words: Beijing-Xiong'an intercity railway, SBAS-InSAR, land subsidence, multi-scale geographically weighted regression, subsidence influencing factors

中图分类号:

P23
P258

林羊, 于冰, 田馨, 张冠军, 刘成, 甘俊, 李广宇. 京雄城际铁路沿线InSAR地表沉降监测与影响因素分析[J]. 测绘通报, 2026, 0(2): 46-53.

LIN Yang, YU Bing, TIAN Xin, ZHANG Guanjun, LIU Cheng, GAN Jun, LI Guangyu. Monitoring and influencing factors analysis of land subsidence along the Beijing-Xiong'an intercity railway using InSAR technology[J]. Bulletin of Surveying and Mapping, 2026, 0(2): 46-53.

参考文献

[1] 师红云,刘广,杨松林.基于时序InSAR技术的京津高铁区域沉降稳定性评估[J].北京交通大学学报,2014,38(6):78-81.
[2] 赵国堂,赵如锋,刘俊飞.高速铁路路基工后沉降变形源、变形传递与轨道不平顺控制方法[J].铁道学报,2020,42(12):127-134.
[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.
[4] BERARDINO P,FORNARO G,LANARI R,et al.A new algorithm for surface deformation monitoring based on small baseline differential SAR interferograms[J].IEEE Transactions on Geoscience and Remote Sensing,2002,40(11):2375-2383.
[5] 汪生燕.基于PS-InSAR技术的城市地表沉降监测[J].地理空间信息,2020,18(9):113-115.
[6] 于冰,牛童,蔡锐,等.基于时序InSAR的辽河油田地表形变监测及储层参数多模型反演[J].大地测量与地球动力学,2024,44(9):937-944.
[7] 靳婷婷,喜文飞,钱堂慧,等.基于SBAS-InSAR技术的中老铁路沿线地表形变空间分布研究:以景洪段为例[J].自然资源遥感,2025,37(4):232-240.
[8] 李广宇,张瑞,刘国祥,等.Sentinel-1A TS-DInSAR京津冀地区沉降监测与分析[J].遥感学报,2018,22(4):633-646.
[9] 葛鹏飞,刘辉,陈蜜,等.时序InSAR监测京雄城际铁路河北段地面沉降[J].测绘通报,2022(7):64-70.
[10] 李名语,李政,姚京川,等.基于ISBAS-InSAR的京雄城际铁路建设期区域沉降监测及气候因子相关性分析[J].铁道学报,2022,44(11):71-81.
[11] 鲁朝朝,陈蓓蓓,宫辉力,等.南水北调前后京津城际铁路北京段地面沉降演化特征[J].武汉大学学报(信息科学版),2023,48(12):1959-1968.
[12] 桓鹏.时序InSAR技术在京雄铁路沉降监测预报中的应用[D].阜新:辽宁工程技术大学,2022.
[13] 中国地质环境监测院.国家地下水监测网[EB/OL].[2025-05-22].https://geocloud.cgs.gov.cn.
[14] LANARI R,MORA O,MANUNTA M,et al.A small-baseline approach for investigating deformations on full-resolution differential SAR interferograms[J].IEEE Transactions on Geoscience and Remote Sensing,2004,42(7):1377-1386.
[15] 朱建军,李志伟,胡俊.InSAR变形监测方法与研究进展[J].测绘学报,2017,46(10):1717-1733.
[16] BAYRAMOV E,BUCHROITHNER M,KADA M,et al.Quantitative assessment of vertical and horizontal deformations derived by 3D and 2D decompositions of InSAR line-of-sight measurements to supplement industry surveillance programs in the tengiz oilfield (Kazakhstan)[J].Remote Sensing,2021,13(13):2579.
[17] 于冰.高分辨率相干散射体雷达干涉建模及形变信息提取方法[D].成都:西南交通大学,2015.
[18] TOBLER W R.A computer movie simulating urban growth in the Detroit Region[J].Economic Geography,1970,46:234-240.
[19] MORAN P A P.The interpretation of statistical MapsFree[J].Journal of the Royal Statistical Society Series B:Statistical Methodology,1948,10(2):243-251.
[20] ANSELIN L.Local indicators of spatial association:LISA[J].Geographical Analysis,1995,27(2):93-115.
[21] 程蕊,朱琳,周佳慧,等.北京潮白河冲洪积扇地面沉降时空异质性特征及驱动因素分析[J].吉林大学学报(地球科学版),2021,51(4):1182-1192.
[22] 田秀秀,王彦兵,杨翠玉,等.基于GWR模型的地下水超采对地面沉降影响分析[J].地理与地理信息科学,2021,37(3):97-102.
[23] 何清,魏路,肖永红.基于SBAS-InSAR技术的安徽亳州市地面沉降时空分布特征与影响因素分析[J].中国地质灾害与防治学报,2023,34(5):81-90.
[24] WANG Zhengyu,LIU Yaolin,ZHANG Yang,et al.Spatially varying relationships between land subsidence and urbanization:a case study in Wuhan,China[J].Remote Sensing,2022,14(2):291.
[25] 卢宾宾,葛咏,秦昆,等.地理加权回归分析技术综述[J].武汉大学学报(信息科学版),2020,45(9):1356-1366.
[26] 沈体雁,于瀚辰,周麟,等.北京市二手住宅价格影响机制:基于多尺度地理加权回归模型(MGWR)的研究[J].经济地理,2020,40(3):75-83.
[27] FOTHERINGHAM A S,YANG Wenbai,KANG Wei.Multiscale geographically weighted regression (MGWR)[J].Annals of the American Association of Geographers,2017,107(6):1247-1265.
[28] 马雄威.线性回归方程中多重共线性诊断方法及其实证分析[J].华中农业大学学报(社会科学版),2008(2):78-81.
[29] 张扬.武汉市地面沉降时空格局、驱动因子及水文效应研究[D].武汉:武汉大学,2019.

京雄城际铁路沿线InSAR地表沉降监测与影响因素分析

Monitoring and influencing factors analysis of land subsidence along the Beijing-Xiong'an intercity railway using InSAR technology

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	陈元非, 王磊. 基于SBAS-InSAR和水准数据融合的采动沉陷盆地边界稳健识别方法[J]. 测绘通报, 2026, 0(2): 60-67.
[2]	朱伟刚, 金圣博, 蒋少华. 耦合机器学习模型的地表沉降预测方法[J]. 测绘通报, 2026, 0(2): 180-186.
[3]	王迎春, 李金超, 王承志, 李水平, 陶庭叶. 基于新型国产陆探一号SAR卫星的合肥市地表沉降特征[J]. 测绘通报, 2026, 0(2): 149-155,173.
[4]	李鹏豪, 李爱国, 张诗玉. 基于SBAS与DS-SBAS的小浪底库区沉降监测对比[J]. 测绘通报, 2026, 0(2): 12-17.
[5]	曹芮菡, 李新, 周定杰, 喜文飞, 黄广才, 王瑞亭, 郭蓁. 联合ALOS-2和Sentinel-1的复杂山区潜在滑坡识别[J]. 测绘通报, 2026, 0(1): 65-71.
[6]	骆晓亮, 刘凌佳, 罗津, 王绿春, 余伟, 罗赣, 高华. 面向Web应用的海量InSAR点云高效可视化与查询方法[J]. 测绘通报, 2026, 0(1): 135-139.
[7]	赵慧, 刘茜, 张敏, 李佳玉. 基于MGWR模型的新疆景观格局与防风固沙服务关系分析[J]. 测绘通报, 2025, 0(9): 1-7.
[8]	莫丹丹, 火久元. 基于SBAS-InSAR技术的喀喇昆仑公路盖孜河谷段形变监测与影响因子分析[J]. 测绘通报, 2025, 0(8): 32-42.
[9]	李若凡, 李勇发, 左小清, 黄成, 邢明泽, 李永宁, 张荐铭, 石超, 顾晓娜. 兰坪县InSAR形变监测与滑坡灾害早期识别[J]. 测绘通报, 2025, 0(7): 40-45.
[10]	李文东, 叶禹, 李霞, 魏伟, 辛存林. 融合SBAS-InSAR形变与机器学习模型的滑坡易发性评价[J]. 测绘通报, 2025, 0(7): 126-131,146.
[11]	王身丽, 刘毅, 韩昊, 杜勇. 联合SBAS-InSAR和DS-InSAR的特高压输电通道形变监测与预测[J]. 测绘通报, 2025, 0(6): 130-135,141.
[12]	汪晨煜, 彭军还, 薛跃明, 李旭, 张炎. 融合InSAR与信息量-逻辑回归耦合模型的滑坡动态危险性评价[J]. 测绘通报, 2025, 0(6): 43-48.
[13]	尚依炜, 熊俊楠, 贾倩, 罗思远, 王启盛, 曹依帆. 融合升降轨SBAS-InSAR技术的冕宁县滑坡隐患识别与分析[J]. 测绘通报, 2025, 0(4): 58-62.
[14]	杨洋, 贾洪果, 柏铮航, 刘宇辰. 联合机器学习与SBAS-InSAR的青藏高原冻土形变监测[J]. 测绘通报, 2025, 0(4): 45-50.
[15]	邵亚璇, 马晶, 韩莉莉, 姚冠宇. 基于SBAS-InSAR技术的地表沉降时间序列分析与预测[J]. 测绘通报, 2025, 0(4): 51-57,62.