《Scientific Reports》：Deep learning-based early warning of tailings storage facility instability using Sentinel-1 and Radarsat-2 InSAR calibrated with a geomechanical model
编辑推荐：
本研究通过整合多尺度多源卫星数据与地质力学建模和深度学习，推进了干涉合成孔径雷达（InSAR）在尾矿库设施（TSF）监测中的科学和应用，以检测破坏前的地面运动前兆。研究人员引入了一种新颖的标定策略，将地质力学有限元（FE）预测与InSAR测量相结合，以剖析与相
本研究通过整合多尺度多源卫星数据与地质力学建模和深度学习，推进了干涉合成孔径雷达（InSAR）在尾矿库设施（TSF）监测中的科学和应用，以检测破坏前的地面运动前兆。研究人员引入了一种新颖的标定策略，将地质力学有限元（FE）预测与InSAR测量相结合，以剖析与相位解缠相关的已知InSAR局限性的来源和表现。通过研究不同的InSAR处理算法以及来自商业（Radarsat-2）和公共（Sentinel-1）传感器的数据，本研究展示了这些局限性可被克服的程度。在快速或非线性变形期间（例如TSF上的支墩施工），永久散射体InSAR（PS-InSAR）时间序列对相位解缠误差更敏感，使得相位模糊更易观测。研究人员展示了利用基于物理的有限元模型预测识别和标定这些模糊性的程度。相比之下，间歇性小基线子集（ISBAS）处理通过固有信号平均（即多视处理）降低了相位模糊的可见表现，同时保持了更高的变形测量空间密度。对两种InSAR方法的不确定性分析将精度与SAR信号畸变和FE模型参数的不确定性联系起来。最后，研究人员介绍了能够吸收多源InSAR数据集（包括不同传感器、几何和分解运动分量）的深度学习早期预警框架的能力。基于嵌入的视线向和分解的Radarsat-2（RS2）InSAR数据集成表明，轨道配置和分辨率直接影响预测性能。具体而言，水平变形分量提供了最清晰的破坏前兆，优于视线向和垂直运动分量。RS2-InSAR、Sentinel-1 PS-InSAR、Sentinel-1 ISBAS、FE建模和深度学习的组合使用为TSF监测提供了一个有前景的框架。这种集成方法有望减少单个方法固有的不确定性，并显著提高降低环境和经济损失风险的能力。
**论文解读：基于深度学习的尾矿库设施失稳早期预警——多源InSAR与地质力学模型的集成研究**
**研究背景与问题**
尾矿库设施（TSF）是矿山运营中关键且风险巨大的基础设施。近年来，多起严重失效事件（如2019年巴西Brumadinho和2022年南非Jagersfontein事故）造成了严重的环境和社会经济悲剧。尽管利益相关方要求提高透明度，但许多矿业公司对TSF风险的披露仍不充分，且即使已披露的设施中，也常缺乏完整的工程记录。TSF作为跨越数十年的长期项目，往往经历多次所有权变更，其数据获取与地质力学建模面临巨大挑战。例如，2018年澳大利亚Cadia TSF的失效，尽管拥有严格的监测，但失效是由于未识别的地基风化层（FRV Unit-A）所致，说明即使最先进的地质力学技术也易受未知因素影响。在此背景下，遥感技术，特别是干涉合成孔径雷达（InSAR），因其能从太空探测毫米级地表变形，成为传统地质力学监测的有力补充。然而，InSAR在TSF监测中仍存在局限性，如相位解缠误差、在快速变形时性能下降等。因此，本研究旨在通过整合基于物理的有限元（FE）建模、多源（Sentinel-1和Radarsat-2）InSAR测量与深度学习，系统剖析InSAR的局限性，并开发一种能够集成多源数据的早期预警框架，以提升TSF监测的可靠性和可解释性。该论文发表在《Scientific Reports》。
**主要技术方法**
研究人员为开展研究，使用了以下关键技术与方法：1) 多源InSAR数据处理：分别采用Sentinel-1（S1，欧洲航天局开源的C波段SAR）的永久散射体InSAR（PS-InSAR）和间歇性小基线子集（ISBAS）算法，以及商业Radarsat-2（RS2，C波段SAR）的视线向（LOS）和分解运动分量数据。数据来源于Cadia TSF（澳大利亚西南部，2018年3月9日发生失效的北TSF）。2) 地质力学有限元（FE）建模：基于Cadia TSF的几何配置、施工顺序和实验室测试数据，采用PLAXIS 2D进行平面应变耦合固结分析，模拟TSF的变形行为，该模型由Bayaraa等人（2024）建立。3) 相位解缠校正：利用FE模型预测和独立RS2-InSAR数据，手动校正PS-InSAR数据中因快速变形导致的相位模糊（即整数倍2π的加减）。4) 深度学习早期预警框架：采用基于嵌入的实体深度学习（EE-DL）框架，将InSAR的元数据（如空间坐标、几何、时间）作为分类变量嵌入，无需空间网格化或图像插值，直接学习变形模式与异常检测。
**研究结果**
**校正并解释相位模糊的来源**
通过对比FE预测、地面棱镜测量和S1 InSAR数据，研究人员发现，在支墩施工后，PS-InSAR时间序列表现出高幅度不规则性，这是由于快速非线性变形违背了线性变形模型假设，导致相位解缠错误。而ISBAS由于信号平均（多视处理）抑制了相位模糊的可见表现，但可能低估真实变形。利用FE预测和RS2-InSAR作为参考，研究人员手动校正了PS-InSAR的相位模糊（减去整数倍2π），校正后的S1 PS-InSAR在阶段4和5与FE模型及RS2-InSAR吻合良好，表明S1的局限性并非固有，而是可通过算法调整克服。但在阶段7，校正后的S1 PS-InSAR与RS2-InSAR一致，但与FE模型存在差异，可能归因于FE模型参数不确定性（如尾砂性质简化）或SAR信号畸变（如叠掩和阴影）。
**相位模糊对分解InSAR运动的影响**
由于S1仅有降轨数据，无法分解运动，研究人员利用RS2升轨和降轨数据分解为垂直和水平分量。FE模型预测水平变形相对缓慢，适合InSAR，而垂直变形在支墩施工期间快速，易受相位模糊影响。通过手动校正RS2垂直分量的相位模糊（加减2π），校正后的垂直分量与FE模型的一致性显著提升（R2从负值提升至0.6~0.94）。水平分量经几何校正后也与FE模型吻合良好（R2从0.47提升至0.85，阶段4），表明InSAR对南北向运动的低敏感性在Cadia TSF的滑塌区域可忽略。
**将高分辨率视线向和分解InSAR集成到早期预警**
研究人员将RS2-InSAR的升轨、降轨LOS数据以及分解的垂直和水平分量分别输入EE-DL模型，生成预测与测量值的差异图。在降轨RS2差异图中，可观察到两条平行红色异常线随时间演变并合并，可追溯至支墩施工和触发失效的迹象。水平分量差异图最早（2018-01-22）清晰勾勒出滑塌区域轮廓，且异常区域与Jefferies等人（2019）的三维数值模拟结果吻合。垂直分量差异图也显示异常，但出现时间较晚（2018-02-27）。LOS差异图中的异常模式与失效区域关联较弱，而分解后的水平分量异常更直接相关。此外，通过95%置信椭圆识别异常点，发现水平分量异常主要位于滑塌区，而垂直分量异常可能反映尾砂上游行为或支墩施工活动。这些结果表明，水平变形分量提供最清晰的失效前兆，且高分辨率RS2数据优于S1。
**结论与讨论**
**讨论总结**：本研究展示了利用FE预测校正PS-InSAR相位模糊的跨技术标定策略，表明PS-InSAR单独不足以快速变形预测，而ISBAS虽不易显示相位误差但空间密度高，两者互补。对于阶段7，两种独立InSAR方法（S1 PS-InSAR和RS2-InSAR）一致但与FE模型不符，可能源于FE模型参数简化或SAR信号畸变，这一差异应触发进一步现场分析。EE-DL框架的灵活性使其能集成多种InSAR数据类型，且水平分量表现最佳，提供最早且最清晰的异常信号。升轨和降轨数据均适合早期预警，但分解运动分量优于单一LOS。该框架可利用常规卫星数据，无需连续现场仪器，适用于近实时监测，且FE模型无需每次更新，仅在重大施工或持续偏差时重新标定。EE-DL的价值不仅在于早期预警，还在于数据发现，帮助聚焦意外变形区域。随着卫星数据成本降低和发射能力增强，全球TSF监测在经济上可行且必要。
**研究结论翻译**：通过FE预测校正PS-InSAR相位模糊的跨技术标定策略表明，PS-InSAR单独不足以预测快速变形行为。ISBAS虽不显示明显相位解缠误差，但可能平滑信号，使得难以检测和校正潜在问题。ISBAS在保持高空间密度方面优于PS-InSAR，但PS-InSAR和FE建模应被视为互补技术。校正后的S1 PS-InSAR与RS2-InSAR及FE模型在阶段4和5一致，表明S1的局限性可通过算法调整克服；阶段7的差异可能源于FE模型参数不确定性或SAR信号畸变。EE-DL框架中，RS2水平变形分量提供最佳早期预警能力，最早（2018-01-22）识别出滑塌区域。升轨和降轨数据均适合早期预警，但分解运动分量优于单一LOS。所提出的InSAR-FE-DL框架适用于实际矿山监测，支持近实时更新和周期性评估，并具有数据发现价值，有助于从大量测量中聚焦异常区域。随着卫星数据成本降低，全球TSF监测具有经济合理性。
