融合GNSS和InSAR数据的新近吹填场地沉降监测预测

doi:10.13474/j.cnki.11-2246.2026.1016

测绘通报 ›› 2026, Vol. 0 ›› Issue (10): 105-111,126.doi: 10.13474/j.cnki.11-2246.2026.1016

• 学术研究 • 上一篇

融合GNSS和InSAR数据的新近吹填场地沉降监测预测

肖时辉¹, 王创^1,2, 邱芬明², 谷任国³, 樊天慧³, 程博伟⁴, 肖柯良⁴, 束云龙⁵

1. 珠海大横琴股份有限公司, 广东珠海 519000;
2. 珠海大横琴城投建设有限公司, 广东珠海 519000;
3. 华南理工大学土木与交通学院, 广东广州 510000;
4. 金属矿山安全开采与灾害防治全国重点实验室, 安徽马鞍山 243000;
5. 南华大学资源环境与安全工程学院, 湖南衡阳 421001

收稿日期:2025-12-01 发布日期:2026-11-06
通讯作者: 谷任国。E-mail:rggu@scut.edu.cn
作者简介:肖时辉(1973—),男,硕士,教授级高级工程师,研究方向为隧道与地下工程。E-mail:xsh7179@163.com
基金资助:
国家自然科学基金重大仪器专项(41827807)

Subsidence monitoring and prediction for recently reclaimed sites integrating GNSS and InSAR data

Xiao Shihui¹, Wang Chuang^1,2, Qiu Fenming², Gu Renguo³, Fan Tianhui³, Cheng Bowei⁴, Xiao Keliang⁴, Shu Yunlong⁵

1. Zhuhai Da Hengqin Co., Ltd., Zhuhai 519000, China;
2. Zhuhai Da Hengqin City Investment Construction Co., Ltd., Zhuhai 519000, China;
3. School of Civil Engineering and Transportation, South China University of Technology, Guangzhou 510000, China;
4. State Key Laboratory of Metal Mine Mining Safety and Disaster Prevention and Control, Maanshan 243000, China;
5. School of Resources Environment and Safety Engineering, University of South China, Hengyang 421001, China

Received:2025-12-01 Published:2026-11-06

摘要/Abstract

摘要： [目的] 针对新近吹填场地地表形变监测中，单一测量手段在空间覆盖与精度稳定性方面不足的问题，本文提出了一种融合GNSS与InSAR数据并结合深度学习的沉降监测与预测方法。[方法] 首先，以珠海市斗门区人工吹填场地为研究区，利用SBAS-InSAR技术处理2022年7月至2024年2月共22景Sentinel-1A影像，获取沉降时序与空间分布；然后，采用卡尔曼滤波实现GNSS与InSAR观测的融合，获得更稳定的形变序列；最后，构建基于Adam优化器的LSTM模型开展沉降预测，并采用MAE、RMSE与R²对预测效果进行评价。[结果] 结果表明：研究区沉降具有显著空间差异；融合后3个GNSS监测点形变序列标准差分别由 4.939 77、2.276 89、2.660 43 mm降至3.863 44、2.000 49、2.298 29 mm；与仅基于InSAR数据的预测相比，融合数据的预测误差分别降低11.27%、13.61%和12.38%。[结论] 研究表明，本文方法可有效提升吹填场地沉降序列的稳定性与预测精度，为沿海工程建设区沉降监测与风险预警提供技术支撑。

关键词: SBAS-InSAR, GNSS, 卡尔曼滤波, Adam-LSTM, 沉降预测

Abstract: [Purposes] To address the limitations of single monitoring techniques in terms of spatial coverage and stability for surface deformation monitoring of recently dredged and filled sites，a subsidence monitoring and prediction approach integrating GNSS and InSAR data with deep learning is proposed. [Methods] Taking an artificial reclaimed area in Doumen district，Zhuhai city，as the study area，the SBAS-InSAR technique was first applied to 22 Sentinel-1A images acquired from July 2022 to February 2024 to obtain subsidence time series and spatial distribution characteristics.Subsequently，a Kalman filter was employed to fuse GNSS and InSAR observations，generating deformation time series with improved stability.On this basis，a long short-term memory(LSTM)network optimized using the Adam algorithm was constructed for subsidence prediction，and the model performance was evaluated using MAE，RMSE，and R². [Findings] The results indicate that subsidence in the study area exhibits significant spatial heterogeneity.After data fusion，the standard deviations of deformation time series at three GNSS monitoring points decreased from 4.939 77， 2.276 89，and 2.660 43 mm to 3.863 44，2.000 49，and 2.298 29 mm，respectively.Compared with predictions based solely on InSAR data，the prediction errors using the fused data were reduced by 11.27%，13.61%，and 12.38%. [Conclusions] The proposed method effectively improves the stability of subsidence time series and the accuracy of subsidence prediction，providing technical support for subsidence monitoring and risk warning in coastal engineering areas．

Key words: SBAS-InSAR, GNSS, Kalman filtering, Adam-LSTM, subsidence prediction

中图分类号:

P258

肖时辉, 王创, 邱芬明, 谷任国, 樊天慧, 程博伟, 肖柯良, 束云龙. 融合GNSS和InSAR数据的新近吹填场地沉降监测预测[J]. 测绘通报, 2026, 0(10): 105-111,126.

Xiao Shihui, Wang Chuang, Qiu Fenming, Gu Renguo, Fan Tianhui, Cheng Bowei, Xiao Keliang, Shu Yunlong. Subsidence monitoring and prediction for recently reclaimed sites integrating GNSS and InSAR data[J]. Bulletin of Surveying and Mapping, 2026, 0(10): 105-111,126.

导出引用管理器 EndNote|Reference Manager|ProCite|BibTeX|RefWorks

链接本文: http://tb.chinasmp.com/CN/10.13474/j.cnki.11-2246.2026.1016

http://tb.chinasmp.com/CN/Y2026/V0/I10/105

参考文献

[1] 朱邦彦，唐超，任志忠，等.基于PS-InSAR技术的珠海市地表形变监测与驱动力分析[J].测绘通报，2022(6):108-113．
[2] 陈思.基于PCA/vbICA的时序InSAR高精度地表形变信息提取方法研究[D].徐州:中国矿业大学，2023．
[3] 祝传广.融合多源SAR影像的形变监测研究[D].徐州:中国矿业大学，2015．
[4] 付波霖，解淑毓，李涛，等.基于SBAS/PS-InSAR技术的滑坡遥感监测对比研究[J].大地测量与地球动力学，2021，41(4):392-397．
[5] 肖波，赵俊三，周定义，等.SBAS-InSAR技术支持下的滇西北宾川断陷盆地沉降监测与预测[J].昆明理工大学学报(自然科学版)，2022，47(3):30-39．
[6] 陈毅，何毅，张立峰，等.长短时记忆网络TS-InSAR地表形变预测[J].遥感学报，2022，26(7):1326-1341．
[7] 刘航源，陈伟涛，李远耀，等.基于EEMD-CNN-LSTM的新型综合模型在滑坡位移预测中的应用[J].地质力学学报，2024，30(4):633-646．
[8] 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.
[9] 陆会燕，李为乐，许强，等.光学遥感与InSAR结合的金沙江白格滑坡上下游滑坡隐患早期识别[J].武汉大学学报(信息科学版)，2019，44(9):1342-1354．
[10] 王婧.珠海软土固结性质的宏微观试验及机理分析[D].广州:华南理工大学，2013．
[11] 宋许根，王志勇，柏威伟，等.珠海西部中心城区大面积深厚软土工程特性研究[J].岩石力学与工程学报，2019，38(7):1434-1451．
[12] 江金进，刘佳，吴舒天，等.珠海市软土分布特征及软土沉降风险评价[J].地质灾害与环境保护，2020，31(2):68-74．
[13] 何秀凤，高壮，肖儒雅，等.InSAR与北斗/GNSS综合方法监测地表形变研究现状与展望[J].测绘学报，2022，51(7):1338-1355．
[14] 王利.地质灾害高精度GPS监测关键技术研究[D].西安:长安大学，2014．
[15] 何秀凤，赖际舟，郭俊文，等.复杂环境地表形变监测空天地协同感知关键技术与应用[EB/OL].[2025-11-18].https://kns.cnki.net/kcms2/article/abstract?v=K7S5TI5vrATaO2I3XduDnYa24sHHwrYydghRdp1PuXihcp42xNW8AykCDJ6xOku-VF0V8ofhQ8J9B3P0JXbwoBwoyTFglAgAcg9JC_9M96Gd_oZ4JT0l_EsJX8dERJ4kTi9rXPTvJtv7MIsj31qRp7eqBbkIeD_ejK4mSCGOhphbo_UBmfOFmw==&uniplatform=NZKPT&language=CHS．
[16] 韩厚增.惯导辅助BDS/GPS高精度动态定位模型研究[D].徐州:中国矿业大学，2017．
[17] 赵奇.卡尔曼滤波在GPS定位中的研究与实现[D].成都:电子科技大学，2013．
[18] 李长洪，范丽萍，张吉良，等.卡尔曼滤波在大型深凹露天矿边坡变形监测预测中的应用[J].北京科技大学学报，2010，32(1):8-13．
[19] Hochreiter S，Schmidhuber J.Long short-term memory[J].Neural Computation MIT-Press，1997，9(8)：1735-1780．
[20] Kingma D P，Ba J.Adam:a method for stochastic optimization[EB/OL].[2025-11-18].https://arxiv.org/abs/1412.6980.
[21] 杨背背，殷坤龙，杜娟.基于时间序列与长短时记忆网络的滑坡位移动态预测模型[J].岩石力学与工程学报，2018，37(10):2334-2343．

融合GNSS和InSAR数据的新近吹填场地沉降监测预测

Subsidence monitoring and prediction for recently reclaimed sites integrating GNSS and InSAR data

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]	王建伟, 冯在梅, 赵辉, 蒋光伟, 田婕, 马润霞. 基于GAMIT双差的大规模GNSS网分布式并行解算[J]. 测绘通报, 2026, 0(8): 14-20.
[2]	汪一村, 薛可宠, 叶亮亮, 陈殿干, 余菲艳. 基于LiDAR-IMU-光流紧耦合的GNSS拒止隧道无人机定位方法[J]. 测绘通报, 2026, 0(8): 21-27.
[3]	班浩飞, 李克昭, 赵迪, 雷伟伟, 李森, 石俊鹏. 一种顾及质量控制的GNSS/INS模糊度分步固定方法[J]. 测绘通报, 2026, 0(7): 31-36.
[4]	张胜威, 贺凯飞, 马旭辰, 姚晨光. 改进的后向平滑抗差自适应SRCKF组合导航算法[J]. 测绘通报, 2026, 0(7): 47-53,66.
[5]	孙中豪. 融合自适应软阈值与残差学习的GNSS坐标序列降噪方法[J]. 测绘通报, 2026, 0(7): 60-66.
[6]	白淑英, 彭达, 谢涛, 张慧, 朱杨贵. 基于升降轨SBAS-InSAR的川藏铁路拉萨—桑日段潜在滑坡识别[J]. 测绘通报, 2026, 0(7): 149-155.
[7]	张志敏, 吴洋, 陈雄乐. 利用PSO-RBF神经网络的地质沉降智能预测模型构建[J]. 测绘通报, 2026, 0(7): 173-177,184.
[8]	李东旭, 刁鑫鹏, 吴健博, 杨静, 路鑫. 联合UAV-LiDAR与InSAR的全盆地沉陷信息提取方法[J]. 测绘通报, 2026, 0(6): 42-48.
[9]	于丽娜, 张红, 潘孝军, 熊春宝, 齐文聪. 基于改进3σ-EMD的GNSS RTK桥梁变形监测信号粗差探测与降噪研究[J]. 测绘通报, 2026, 0(6): 107-111,163.
[10]	周振, 黎浩良, 杨利, 王海方, 张乐园, 张雷, 李宁. 顾及InSAR多因素的管道沿线地质灾害隐患识别[J]. 测绘通报, 2026, 0(6): 124-131,137.
[11]	陈小二, 曾涛, 闵馨, 王财富. 碳封存区时序InSAR地表形变时空特征及CO₂注入响应分析[J]. 测绘通报, 2026, 0(6): 175-181.
[12]	李子豪, 孙承志, 毕凌宇, 乔申. 多源数据辅助下的苏州市时序InSAR地表沉降监测与成因分析[J]. 测绘通报, 2026, 0(5): 72-79.
[13]	王杨生, 冯雅欣, 刘华英, 薛剑. 高空环境下GNSS+INS导航定位方法研究[J]. 测绘通报, 2026, 0(5): 117-121,148.
[14]	郑淑龙, 孙承志, 乔申. 联合SBAS-InSAR与LSTM-ARIMA的矿区排土场边坡形变监测与预测[J]. 测绘通报, 2026, 0(4): 153-160.
[15]	李民, 周乐韬. 铁路综合测量系统平台的高精度航迹线位姿解算[J]. 测绘通报, 2026, 0(3): 75-79.