《Remote Sensing》：Classification of Urban Land Subsidence Types in Fuzhou from Time-Series InSAR Using FFT-Based Filtering and Ensemble Learning
编辑推荐：
研究人员通过融合多尺度形变分析与集成学习，构建了福州城市地表沉降类型识别框架。基于2018年1月至2023年6月获取的66景Sentinel-1A合成孔径雷达（SAR）数据，采用时间序列干涉合成孔径雷达（TS-InSAR）提取地表形变时序，并利用由多源地质、水
研究人员通过融合多尺度形变分析与集成学习，构建了福州城市地表沉降类型识别框架。基于2018年1月至2023年6月获取的66景Sentinel-1A合成孔径雷达（SAR）数据，采用时间序列干涉合成孔径雷达（TS-InSAR）提取地表形变时序，并利用由多源地质、水文、土地利用与城市特征驱动的回归模型重建去相干区形变，获得空间连续形变场。进而采用基于快速傅里叶变换（FFT）的巴特沃斯（Butterworth）滤波分离区域尺度与局部尺度沉降信号。依据提取的局部形变模式与判别性辅助特征，将沉降划分为农田相关沉降、线性基础设施相关沉降、低洼地层相关沉降、土地利用转换相关沉降及老旧建成区相关沉降五类。研究人员实现XGBoost、CatBoost与LightGBM三种集成学习模型进行分类，三者性能均满意，其中LightGBM综合最优。结果表明各类沉降空间分布与形变强度差异显著：农田相关沉降面积占比最大但速率适中，老旧建成区相关沉降范围有限却强度最高。该研究证明了集成学习用于地表沉降类型分类的潜力。
研究背景方面，地表沉降受自然过程与人为因素叠加驱动，在城市环境中多种机制空间共存使得成因解释困难。传统基于地质调查与专家解译的方法主观性强、效率低，而时间序列InSAR虽能获取毫米级形变，却不能直接揭示成因。已有研究尝试结合GIS、深度学习或梯度提升树（GBDT）系模型进行大区域或精细分类，但在InSAR多尺度分解后针对城市局部沉降类型的多分类比较仍不充分。福州位于闽江下游沉积盆地，软土丰富、地下水活跃且地铁与道路建设密集，早期沉降多与地热开采有关，近年驱动机制愈发异构，因此亟需半自动化的类型分类框架支撑风险管控。论文发表于《Remote Sensing》。
关键技术方法上，研究人员采用相邻两条Sentinel-1A升轨轨道（Track 142与Track 69）共66景影像，以GEOS-PSI（基于振幅离散指数筛选持久散射体并借助LAMBDA与M估计解算）提取视线（LOS）向形变速率；选取距地铁/铁路距离、DEM、建筑高度、地形湿度指数（TWI）、岩性、土地利用、地下水位（8口监测井克里金插值）、气温、NDVI、基岩埋深、曲率等12因子，以XGBoost（R2=0.842，RMSE=1.202 mm/yr最优）回归填补去相干区，生成30 m连续形变场；对该场做二维FFT，用截止半径D?=7、阶数n=2的Butterworth高通滤波提取局部分量（≤?2 mm/yr为候选域），分离区域背景；构建地质、土地利用（含1990年前老建筑期、2010–2023转换矩阵）、地形、交通距离等辅助特征，由人工勾绘467个局部沉降图斑（栅格化后6191样本）按主导规则标五类，采用3 km空间分块五折交叉验证与Optuna-TPR调参，比较XGBoost、LightGBM、CatBoost。
研究结果部分，3.1 InSAR测量与形变重建中，Track 142获980078个PS点，均值?0.06 mm/yr，93.5%点速率<5 mm/yr；与Track 69重叠点39985个，速率差标准差1.37 mm/yr、Pearson R=0.83，证明升轨LOS产品内部一致。XGBoost回归在相干域测试R2>0.84，用于填补后连续场在去相干区与邻域过渡平滑；8井地下水位与周边PS的LOS时序配对未见一致长期下降或明确对应，不能排除局部滞后响应。3.2 多尺度分解表明，D?=7/n=2基线配置下局部分量与原始场减去低频后吻合，参数敏感性分析显示连续局部场相关系数0.976–1.000，阈值面积86–126 km2间波动，最终辅助变量有效后分类域105.596 km2。3.3 分类模型中LightGBM最优（准确率0.816、宏F1 0.817、Cohen κ 0.758），老旧建成区类F1达0.941最易分，低洼地层类F1仅0.696最难；标签置换检验宏F1观测0.8174 vs 随机0.1852（p=0.0099）。空间分布上农田相关占34.3%（36.26 km2）最广但速率多?5~?2 mm/yr；线性基础设施相关占26%（27.41 km2）沿地铁/铁路带状分布；低洼地层17.7%（18.74 km2）居河口低地；土地利用转换11.5%（12.18 km2）散于南屿等新城；老旧建成区10.4%（11.01 km2）碎片状集中于仓山螺洲等，虽面积最小但
讨论部分指出，该框架提供机制导向的类型解译而非严格因果归因；回归重建在去相干区无独立验证，部分辅助变量同时用于重建与分类存在自印证风险；单升轨LOS无法分离水平/垂直分量，整体按垂直主导假设解释；井位稀疏且缺含水层信息，不能据此否定福州其他区地下水作用；样本由单人解译467图斑构成，未来需并入GNSS、水准、钻孔与深学习对照。结论部分翻译如下：本研究开发并评估了一种融合时间序列InSAR、多尺度形变信号分解与集成学习的福州城市地表沉降类型分类框架。基于66景Sentinel-1A数据（2018.1–2023.6）的TS-InSAR提取形变，回归重建连续场，FFT-Butterworth滤波分离区域与局部信号，以XGBoost/LightGBM/CatBoost分类五类主导沉降（农田、线性基础设施、低洼地层、土地利用转换、老旧建成区）。LightGBM最优（宏F1 0.817），农田类面积最大（34.3%）而速率适中，老旧建成区类面积最小（10.4%）但强度最高。该半自动工作流为复杂城市环境下异构沉降空间归因与风险排查提供了可复用的样本标注—多尺度分解—集成分类范式。
