利用SBAS-InSAR和机器学习技术对青藏公路沿线永久冻土退化进行的大规模地表沉降监测

《Research in Cold and Arid Regions》：Large-scale Surface Subsidence Monitoring for Permafrost Degradation along the Qinghai-Tibet Highway Corridor Using SBAS-InSAR and Machine Learning

地面沉降速率最高达40毫米/年，季节变形幅度0-30毫米，主要发生在北坡、缓坡（<3°）、背风坡（北向）及MAGT -1至0℃区域。机器学习模型证实，地面沉降与冻土退化存在强耦合关系（R=0.629），尤其交通热扰动使沉降率提升2.1倍。研究构建了“冻土水解失衡-加速地表变形-加剧地质灾害”机制链，为青藏公路等寒区工程提供监测与预警范式。

　　### 中国青藏高原冻土退化与地表沉降的综合分析

青藏高原作为全球最高的高原，其独特的地理位置和极端气候条件使其成为研究冻土变化和地表沉降的重要区域。近年来，随着全球气候变暖的加剧，青藏高原的冻土退化现象日益显著，尤其是在人类活动频繁的地区，如青藏公路沿线。这种退化不仅影响区域生态平衡，还导致了多种地质灾害的发生，例如热喀斯特滑坡和地表塌陷。这些现象对青藏公路的稳定性构成了严重威胁，因此，准确监测和评估地表沉降与冻土退化之间的关系显得尤为重要。

本研究采用SBAS-InSAR（合成孔径雷达干涉测量）技术，对青藏公路沿线100公里宽的区域进行了从2018年7月至2023年6月的时空特征分析。通过这一技术，研究者能够获得高精度的地表变形数据，从而更全面地理解冻土退化过程。此外，研究还结合了机器学习方法，分析了包括人为干扰在内的多种控制因素。结果表明，地表沉降速率最高可达40毫米/年，季节性变形幅度在0至30毫米之间。主要变形集中在公路的北部和中部区域，例如乌达利昂和托托河段。这些区域在坡度较缓（<3°）、北向坡面、年均地温（MAGT）为?1至0°C、活动层厚度（ALT）为2至3米、地冰含量（GIC）为6至9×10^6立方米以及植被稀疏的条件下，沉降现象尤为显著。特别是在靠近公路基础设施和施工区域，沉降现象加剧，显示出人为活动对地表变形的显著影响。

年均地温（MAGT）被确定为影响沉降速率的关键因素，其相关系数为0.629，且具有统计学意义（p ≤0.01）。而坡度和接近公路路基的区域则共同主导了季节性变形，其中坡度的相关系数为?0.488（p ≤0.01）。时间序列的变形模式与气候变化、土壤水热动态以及公路引起的热扰动密切相关。高沉降区域显示出对热喀斯特滑坡的更高易感性，特别是沉降速率超过10毫米/年时，高滑坡风险的概率提高了2.1倍。这些发现表明，地表沉降作为冻土退化的指标，能够有效反映冻土变化的趋势，并且是监测和评估冻土退化过程的重要工具。

在研究区域的地理特征方面，青藏公路沿线覆盖了广泛的高海拔地区，从3,580米到6,543米不等，平均年气温接近0°C。该区域的气候寒冷干燥，年降水量约为200至300毫米。主要植被类型包括高山草甸、高山草原以及稀疏植被，其中约70%的区域由冻土覆盖，其中64%为多年冻土，36%为季节性冻土。年均地温（MAGT）范围从?7°C到1°C，活动层厚度（ALT）主要在0至3米之间。该区域拥有众多湖泊和冰川，以及广泛的热喀斯特滑坡和热喀斯特湖，形成了复杂的地形和地貌，为研究冻土退化提供了丰富的自然条件。

为了实现高精度的变形监测，研究采用了Sentinel-1A卫星的升轨和降轨数据，这些数据具有高分辨率和高精度的特点，能够有效捕捉地表微小的变化。通过SBAS-InSAR技术，研究者对研究区域的地表变形特征进行了深入分析，包括长期沉降趋势和季节性变形幅度。结果显示，升轨和降轨数据均显示出相似的变形范围和模式，进一步验证了研究结果的可靠性。在季节性变形幅度图中，变形主要集中在0至30毫米之间，平均值为8.60毫米。其中，0至8毫米的区域占比最高，达到60.74%，而8至16毫米的区域占比为30.36%。这些数据不仅揭示了地表沉降的时空分布特征，还为理解冻土退化提供了重要线索。

在分析环境因素对地表变形的影响时，研究发现，地表沉降与坡度、地温、活动层厚度和地冰含量等参数之间存在显著的相关性。特别是坡度较缓的区域（<3°）显示出最高的沉降速率（平均?3.196毫米/年）和最强的季节性变形（幅度>8毫米）。这表明，在这些区域，水的积聚、土壤湿度的增加以及地冰的发展使得地表更容易发生沉降。同时，北向坡面显示出最高的年均沉降速率（?2.4毫米/年），而东北向坡面则表现出最大的季节性变形幅度（平均10.7毫米）。尽管西南向坡面的沉降速率较弱，但强烈的太阳辐射导致的冻土相变却显著放大了季节性变形。此外，植被稀疏的区域表现出更高的沉降速率，这可能与热绝缘效果较差有关，导致更多的热量进入活动层，从而加速冻土退化。

在时间序列分析中，研究者发现地表沉降与空气温度和降水之间存在显著的正相关关系。特别是在Wudaoliang和Tuotuohe地区，空气温度的变化对地表变形的影响尤为明显，其相关系数超过0.3，其中P1、P4和P6三个点的相关系数分别达到?0.77、?0.70和?0.69。这表明，温度的变化是地表沉降的主要驱动因素。降水虽然也对沉降有一定影响，但其相关性较弱，主要表现为中等程度的正相关（r = 0.17–0.53）。土壤水分和温度在冻融循环中起着主导作用，特别是在表层（0–10厘米）土壤中，土壤水分和温度的变化与地表变形呈现出显著的负相关关系。这进一步验证了地表变形与冻土退化之间的内在联系。

在讨论部分，研究者将本研究的结果与以往的相关研究进行了对比。例如，Chen等人（2022）在青藏工程走廊的研究中发现，季节性变形幅度可达80毫米，年均变形约为10毫米，最大沉降速率为20毫米/年。而Wang等人（2021）在监测青藏铁路10公里缓冲区时，发现季节性变形范围在?50至10毫米之间，LOS（视线方向）变形速率为?30至15毫米/年。这些结果与本研究的发现相一致，表明地表沉降和季节性变形的范围和趋势具有一定的普遍性。此外，Li Ren等人（2025）在分析青藏公路沿线活动层厚度（ALT）变化的研究中也发现，ALT的增加与沉降速率的提升之间存在显著的正相关关系，其相关系数为0.575（p <0.1）。平均而言，ALT每增加0.5米，沉降速率会提升约?40毫米/年。这些结果进一步支持了本研究中提出的观点，即地表沉降是冻土退化的重要指标。

在热喀斯特灾害的分析中，研究者发现地表沉降与热喀斯特滑坡风险之间存在高度的空间一致性。通过机器学习模型，研究者将热喀斯特滑坡风险区域与高沉降区域进行了对比分析，发现高风险区域主要集中在研究区域的北部和中部，占总面积的约15%。这些区域的沉降速率远高于区域平均值（?1.23毫米/年），达到?10毫米/年以上。同时，季节性变形幅度也主要集中在8毫米以上。统计分析显示，在沉降速率超过10毫米/年的区域中，被归类为高风险的区域比例达到31%，这比整个研究区域的平均比例高出2.1倍。这种空间一致性验证了“冻土水热失衡—加速地表变形—加剧地质灾害风险”的连锁反应机制，进一步确认了沉降与冻土退化之间的因果关系。

此外，研究还探讨了人为活动对地表变形的影响。青藏公路沿线的沉降现象尤为显著，这可能与公路建设过程中对冻土环境的干扰有关。首先，大量的重型卡车通行会对公路表面造成物理压力，导致路面压缩和沉降。其次，交通和沥青路面产生的热量会改变地表的热平衡，促进冻土融化。在年均地温较高的区域，冻土的热稳定性较差，容易导致公路下方的冻土层变薄，进而引发更大的地基变形。这种现象不仅影响公路的稳定性，还可能对其他基础设施，如青藏铁路、输油管道、通信设施和输电线路等产生连锁反应。这些基础设施的建设活动可能会扰动原有的地表能量平衡，从而加速冻土退化。

尽管本研究取得了一定的成果，但仍然存在一些局限性。首先，研究的时间跨度为2018年7月至2023年6月，而冻土退化是一个长期过程，需要更长时间的观测才能全面验证其变化趋势。其次，InSAR技术在冻土区域的应用仍面临一定的挑战，如去相关和大气延迟等问题。此外，机器学习模型主要依赖静态环境因素，未能充分捕捉动态的退化过程。未来的研究可以考虑采用集成或堆叠的机器学习方法，以提高预测精度。同时，结合机器学习和深度学习技术，建立一个智能化的多源数据协同分析框架，将有助于更全面地评估热喀斯特灾害的风险，并为冻土工程保护提供更先进的技术支持。

综上所述，本研究通过SBAS-InSAR技术对青藏公路沿线的冻土退化和地表沉降进行了深入分析，揭示了冻土退化与地表变形之间的密切关系。研究不仅提供了详细的时空特征数据，还通过机器学习方法验证了地表沉降作为冻土退化指标的有效性。这些发现为未来在冻土区域的基础设施建设和生态保护提供了重要的科学依据，同时也为全球气候变化背景下冻土退化的研究提供了新的视角和方法。