通过InSAR监测和时间序列预测揭示沿海城市道路建设问题：以中国珠海为例的洞察

《Geomatics, Natural Hazards and Risk》：Unveiling coastal urban road settlement issues from InSAR monitoring and time-series forecasting: insights from Zhuhai, China

　　摘要
城市道路连接着城市内的多个要素，而地下铁路和地面道路系统的沉降问题在世界各地普遍存在。因此，我们以珠海为例，研究沿海城市道路系统的现状及其短期演变。我们使用了Sentinel-1A卫星，并基于SBAS-InSAR技术，提取了2016年至2019年的沉降数据。研究结果表明，道路系统的沉降呈现出“三环”特征，经历了四个阶段：小幅上升和下降、线性下降、大幅上升和下降以及稳定沉降。高速公路、国道、省道、铁路及其他类型单行道路的沉降空间特征表现为多个明显的沉降段、不均匀的水平延伸距离、较大的垂直沉降变化幅度，以及在明显沉降点三年内的累计沉降量为-150至-100毫米。道路沉降受到水文地质环境的强烈影响，道路变形的调整点与极端气象事件的发生时间相吻合。在现有条件下进行的预测模型显示，未来一年道路沉降量将为-50至-30毫米，并且这种影响将在未来几年继续加剧。本研究为城市道路沉降提供了多层次的视角。

关键词：SBAS-InSAR；时间序列预测；沿海城市；城市道路沉降；时空特征

1. 引言
作为城市发展的骨架，城市道路对于区域的建设和运行稳定性具有重要意义。根据技术分类，高速公路从高到低分为高速公路、一级公路、二级公路和四级公路（Wang等人，2022a；2023a）。根据行政分类，高速公路可分为国道、省道、县道、乡道和专用道路，其中国道和省道是具有改善公共服务和促进区域经济发展功能的干线公路（Liu等人，2023）。此外，铁路在承载能力、节能、环境保护、安全性和资源高效分配方面的优势使其成为发展中国家经济发展和改善人民生活的重要基础设施（Zeng，2024）。铁路网络和公路网络构成了一个综合性的地面交通网络，在政治、经济和文化交流中发挥着重要作用（Chen，2024）。在热效应的影响下，铁路和公路常常会产生周期性的准正弦曲线形变形，但其他自然因素和人为因素造成的应力场可能导致交通线路瘫痪（Polcari等人，2019）。沿海地区的地基较弱，且富含软土，因此在软土区域建设的公路和铁路极易发生不均匀沉降和不稳定坍塌（Xing等人，2022）。Bucx等人（2015）指出，沿海三角洲城市的土地沉降现象广泛存在，每年造成的经济损失达数十亿美元。Andriani等人（2018）的研究指出，沿海低洼地区地面沉降对基础设施的破坏最为严重，其中道路变形占沉降影响的主要部分（0.638）。由此可见，沿海软土地区的城市道路对地面沉降的反馈最为敏感，因此需要实时监测道路沉降的动态变化。
道路沉降的监测技术较为复杂，包括传统的测量方法（如水准测量（Luo等人，2015）、经纬仪测量（O'Leary和Harker，2014）、全站仪测量（Cui等人，2008））、现代遥感技术（如干涉合成孔径雷达（InSAR）（Azar等人，2022）、激光雷达（Engelkemeir和Khan，2008））、地质和基础监测技术（如地质雷达（Shen等人，2023）、传感器技术（如应变计（Gillot等人，2024）、位移传感器（Shi，2024）、加速度计（Ma等人，2023）以及综合监测系统（Xing等人，2023）。然而，选择合适的监测技术需要考虑研究区域的属性特征、技术可行性、资金支持基础和时间成本。与其他监测方法相比，应用于道路沉降监测的InSAR技术可以实现大范围的宏观监测，非接触式监测减少了人工干预误差并降低了操作成本，同时稳定的数据回访周期确保了实时动态和高精度的沉降信息获取（Buzzanga等人，2020；Zhang等人，2019）。传统的InSAR时间序列监测方法主要使用持久散射体InSAR（PS-InSAR）和小基线子集InSAR（SBAS-InSAR）。基于Sentinel-1卫星，研究人员利用PS-InSAR获取工业区或城市区域的时间序列变形信息，并结合STPD方法快速检测趋势转折的位置和方向（Citation2024b；Ghaderpour等人，2024a）。有研究应用PS-InSAR技术提取铁路的长期位移数据，并结合时空处理方法来减少PS点的位移测量异常值和地理编码误差（Tao等人，2025）。此外，比较PS-InSAR和SBAS-InSAR技术在城市塌陷区域的应用表明，SBAS算法在热点检测方面表现更优（Alizadeh等人，2024）。Yan等人认为，SBAS-InSAR得到的差异沉降图能够描述与城市建筑和基础设施相关的局部特征，而PS-InSAR则能定量描述单个目标的移动情况（Yan等人，2012）。PS-InSAR过度依赖永久散射体，而SBAS-InSAR在覆盖范围、噪声误差抑制和抗干扰能力方面更具优势。
道路沉降预测对于确保交通基础设施的安全运行、制定科学维护策略以及优化资源分配具有重要意义。目前，研究人员在道路沉降预测方面进行了多种尝试，包括传统的工程模型、统计和时间序列模型、机器学习技术以及遥感数据整合（Wang等人，2023b；Yang等人，2025）。其中，时间序列预测基于先前观测值预测单变量或多变量时间序列的未来值，在计量经济学、数字金融和通信工程等领域有广泛应用（Hill等人，2021）。地面变形受多种因素影响，为建模和预测未来地面变形提供了有益信息（Radman等人，2021）。然而，通过InSAR获得的变形序列受到噪声、大气误差和环境干扰的影响，导致预测未来趋势存在不确定性。此外，实验结果主要反映的是变化缓慢且变化幅度较小的表面变形（Chen等人，2020）。时间序列预测模型（包括指数平滑和ARIMA模型）结合InSAR变形数据，不仅能够平滑和提取道路变形序列的趋势，还能合理预测未来的变形趋势，同时考虑季节性和周期性变化（Hill等人，2021；Zhou等人，2025）。研究人员对沿海城市的地表变形进行了研究，包括温哥华大都会区（Chen等人，2018）、中国几个典型沿海城市（Wang等人，2022b）、东京湾地区的浦安市（Aimaiti等人，2018）、新加坡（Catalao等人，2020）和三宝垄（Hakim等人，2023）。然而，大多数研究集中在区域尺度上，未区分不同类型的道路特征，少数针对地铁线路的监测工作主要集中在线性特征上。单纯从道路变形的研究成果来看，道路沉降研究的思路相对固定，主要是通过监测技术获取单一道路或某一类道路的沉降信息（Orellana等人，2020；Zhao等人，2023a）；然而，缺乏对多种类型道路沉降问题的比较分析，也没有从整个道路系统到各类道路再到单一道路的研究框架。此外，关于珠海道路沉降的现有研究主要集中在港珠澳大桥周边（Ma等人，2024；Xiong等人，2021）、单一高速公路的局部路段（Li等人，2020）以及单一城市内的铁路或火车站（Yang和Li，2018；Zhu等人，2022），未能全面认识城市内部的道路沉降实际情况。我们进行了相应的补充工作，以解决上述研究空白，重点关注典型的沿海城市珠海。
我们主要完成了三项关键任务：建立道路系统沉降的时空模式研究框架——涵盖所有类型的道路——单条道路——沿路的典型沉降点；加强不同类型道路沉降问题的比较研究；整合多种时间序列预测模型以绘制短期沉降趋势及相关风险。上述研究的最终目标是利用珠海这个沿海城市作为典型案例，验证时间序列InSAR技术在道路变形研究中的适用性，并从因果关系的角度探讨道路变形的复杂性。为了展示本研究的突出成果，我们按以下顺序组织了研究结构：第3.1节介绍了区域内地形和时间分布特征；第3.2节讨论了不同类型道路的沉降时空分布特征；第3.3节进行了内部和外部双精度验证分析；第4.1节研究了城市道路的短期预测；第4.2节探讨了地面道路系统和地下轨道交通的沉降风险；第4.3节分析了InSAR在道路沉降监测中的挑战和未来发展方向。

2. 材料与方法
2.1 研究区域
珠海位于广东省珠江口西南部（北纬21°48′–22°27′；东经113°03′–114°19′），是中国仅次于深圳市的第二大港口城市，也是粤港澳大湾区（GBA）的重要组成部分（图1）。
图1. 研究区域。(a) 显示了珠海的行政级别、InSAR监测覆盖范围以及珠海在GBA中的位置信息。(b) 显示了珠海的详细道路信息，其中红线代表各行政级别的高速公路分布，蓝线代表各功能级别的高速公路分布。
该双面板地图展示了珠海市的行政边界和道路网络。面板a显示了带有行政划分的珠海地图，主要行政区包括斗门区、金湾区、香洲区、横琴新区和河琴新区。周边城市包括江门市、中山市和深圳市。图例标明了市级边界、区级边界和村级或社区级边界，同时显示了GNSS点和Sentinel 1A的覆盖范围。插图显示了珠海在粤港澳大湾区中的位置。面板b展示了珠海的详细道路网络图，图例标识了各种道路类型，包括铁路、国道、省道、乡道、县道、高速公路、一级公路、二级公路、三级公路及其他类型公路。两个面板都包含了北箭头和公里刻度。
珠海的气候属于南亚热带海洋性季风气候，冬季和夏季季风交替明显。第四纪地层在珠海广泛发育，根据成因类型可分为残积沉积物、洪泛平原、冲积海床、海洋沉积物和人工填土。长期的构造变化和复杂的地质活动主要发生在加里东期、印支期、燕山期和喜马拉雅期四个阶段，其中燕山期的构造活动以褶皱、断裂结构和强烈的岩浆活动为特征，形成了最广泛和最强的构造活动。地貌单元以隆起的山脉和被东北-西北走向断层切割的沉降平原为特征。地下水类型主要为松散岩孔隙水和基岩裂隙水，其中基岩裂隙水包括火成岩裂隙水和碎屑岩裂隙水（图2）。水文地质状况。(a)展示了地下水类型和水分丰富程度，其中地下水类型包括松散岩石孔隙水、火成岩裂隙水和碎屑岩裂隙水。根据矿化程度，地下水质量被分为三类。(b)展示了地面高程信息。阅读该图的详细描述。

这张双面板地图展示了水文地质状况。面板a显示了一个包含多个区域和城市的区域地图，包括江门市、中山市、深圳市、澳门、斗门区、金湾区、河洲新区、横琴新区、香洲区、高新区和万山区。地图上标出了不同类型的地下水区域：火成岩裂隙水、碎屑岩裂隙水和松散岩石孔隙水，每种类型根据丰度被分为丰富、中等、贫乏或非常贫乏。主要断层和次级断层分别用黄色和白色线条表示。面板b展示了珠海的数字高程模型，最高海拔为581米，通过不同的绿色和棕色阴影来表示地面高程信息。面板下方的图例详细说明了火成岩裂隙水、松散岩石孔隙水、碎屑岩裂隙水、地下水质量（咸水、微咸水）、主要断层和次级断层的分类。

除了空中和水上交通外，珠海的地面道路系统（高速公路和铁路）也建设得较为成熟，具有基本的网络、环状和放射状的空间布局。此外，地下轨道交通的规划方案指出，到2035年将达到165公里的建设里程，到2050年将达到417公里。由于地层结构和人为表面扰动引起的沉降问题将反馈到地面道路系统中，导致严重的道路沉降问题，并威胁到地下轨道交通的建设。

2.2 方法论
2.2.1 SBAS-InSAR
SBAS-InSAR技术由Berardino等人于2002年提出，是一种通过分析相干目标的相位来获取地表变形时间序列的技术（Berardino等人，引用2002年）。其基本原理如下：假设在(t0,...,tN)时间内获取了同一地区的N+1幅SAR图像，选择其中一幅作为对齐的主图像，然后在所有自由组合的差分干涉对中选择满足时空基线阈值的干涉对，以获得M幅差分干涉图，其中M满足：
(1) (N+1)/2≤M≤N
(1) 假设从时刻tA获取的图像和从时刻tB获取的图像生成的第i幅差分干涉图（tA < tB），图像对中某像素的方向坐标为x，距离坐标为r，该像素的干涉相位可以表示为：
(2) δφi(x,r)=φB(x,r)?φA(x,r)≈4π/λ[d(tB,x,r)?d(tA,x,r)]+△φti(x,r)+△φsi(tB,tA,r)+△φni(x,r)
(2) 这里，δ表示相位差，λ表示雷达波长，d(tB,x,r)和d(tA,x,r)分别表示时刻tB和tA时图像元素(x, r)在雷达视线方向上的累积变形，△φti(x,r)表示干涉残差地形相位，△φsi(tB,tA,r)表示大气相位；△φni(x,r)表示噪声相位。如果不考虑残差地形相位、大气延迟相位和噪声相位，可以简化为：
(3) δφi(x,r)≈4π/λ[d(tB,x,r)]
(3) 相位表示为两次获取时间之间平均相位变化速度与时间的乘积：
(4) vi=(φi?φi?1)/(ti?ti?1)
(4) 由此可以找到第i幅干涉图的相位值：
(5) ∑k=tA,i+1tB,i(tk?tk?1)vk=δφi
(5) 将上述方程重写为矩阵形式后，可以表示主要和次要图像时间间隔的积分，得到变形速率：
(6) Bv=δφ
(6) 这里，B是一个M*N的矩阵。通过对B进行奇异值分解，可以求解每个时期的相位变化速率v：
(7) dv=dLoscos(θ)
(7) 这里，dLos是雷达视线方向的位移，dv是投影变换后的垂直位移，θ是局部入射角。

2.2.2 时间序列预测
(1) 指数平滑模型
指数平滑模型基于目标的历史统计序列，通过逐层平滑计算来预测目标的发展趋势，包括一次指数平滑、二次指数平滑、三次指数平滑和高阶指数平滑（Feng等人，引用2007年）。公式表示为：
(8) St(1)=aYt+(1-a)St-1
(8)
(9) St(2)=aSt(1)+(1-a)St-1
(9)
(10) St(3)=aSt(2)+(1-a)St-1
(10) 这里，a是平滑系数；St(1)、St(2)和St(3)分别表示时期t的一次、二次和三次指数平滑值；St-1(1)、St-1(2)和St-1(3)分别表示时期t-1的一次、二次和三次指数平滑值；Yt是时期t的实际测量值。
Holt线性指数平滑属于二次指数平滑方法，适用于具有趋势但没有季节性的数据（Yin等人，引用2007年）。Holt-Winters季节性指数平滑方法属于三次指数平滑方法，适用于具有季节性变化的时间序列数据（Ye和Chen，引用2000年）。
(2) ARIMA模型
ARIMA结合了自回归和移动平均方法，同时考虑了时间序列的自相关性和移动性（Zhang等人，引用2024年）。公式表示为：
(11) (1?∑j=1p?jLj)(1?L)dxt=(1+∑i=1qθjLj)εt
(11) 这里，p和?j分别表示自回归阶数和自回归系数，d表示差分次数，xt表示InSAR实验变形时间序列，q表示移动平均阶数，θj表示移动回归系数，εt表示白噪声序列，j=1, 2,...,q。

2.3 数据采集与处理
2.3.1 数据采集
Sentinel-1包含四种主要的工作模式，分别是条带地图扫描（SM）、波段扫描（Wave）、干涉宽幅扫描（IW）和超宽幅扫描（EW）。考虑到干涉实验的适用性和研究区域的空间范围分辨率要求，本研究选择了IW作为工作模式。极化模式为VV极化，轨道方向为上升轨道，采用的波段为C波段（5.63厘米）。本研究通过处理和分析2016年8月20日至2019年6月18日的51幅Sentinel-1A图像，使用SBAS-InSAR技术获得了沉降率和累积沉降信息，具体的时空信息见表1。我们用于地形相位去除和地理编码的DEM数据来自Sentinel-1A卫星的精确轨道星历（POE数据）和JAXA/EORC发布的AW3D-DEM数据。此外，用于外部精度验证的GNSS数据包括来自国家地震科学数据中心东部变形数据中心的GDZH站（113.57°E, 22.28°N）的变形监测记录，覆盖2010年至2023年的数据。

表1. 本研究使用的Sentinel-1A数据的时空信息。

2.3.2 数据处理
SBAS-InSAR的实验步骤使用ENVI 5.3 + SARscape 5.2进行。从下载总共51幅图像的原始SLC数据（每幅图像约4.5GB）到运行完整的SBAS-InSAR工作流程，计算机需要足够的磁盘空间和系统内存（Cianflone等人，引用2015年；Fathian等人，引用2021年）。基于Sentinel-1A SLC数据，我们依次进行了数据导入和切割准备。之后，我们生成了连通性地图，设置最大空间基线为2%，最大时间基线为120天。完成这一阶段后，我们获得了主图像和时空基线地图（图3）。

图3. SBAS-InSAR技术流程图。所有SBAS-InSAR实验都在ENVI SARscape中完成，而本研究中展示的所有其他地理分析都在ArcMap中完成。

多面板流程图说明了SBAS-InSAR处理、研究部分和沉降结果反映。顶部部分“SBAS-InSAR处理”从SAR图像和DEM开始，进而生成连接图，包括时间-位置Delaunay 3D图和时间基线图。这之后是轨道精化和重平整，接着是第一次反演、第二次反演和地理编码。道路数据输入到轨道精化和重平整中。从这些步骤中得出全局区域的速度和道路系统的速度。底部部分“研究部分”分为三个部分：第1部分“沉降时空分布”，详细介绍了全球道路系统和各类别的道路，每个部分都包含时间和空间组成部分；第2部分“沉降精度验证”，包括内部精度验证和外部精度验证，涉及全局区域、全球道路系统、全球Moran's I指数、局部Moran's I指数和GNSS；第3部分“沉降结果反映”，包括短期预测（ARIMA、Holt）和沉降风险（地面道路系统、地下轨道交通）。

之后，计算了干涉相位并生成了干涉图。使用空间基线参数和地球椭球参数得到了平坦相位，并移除了使用高程相位得到的地形相位，依次进行了自适应滤波、相干系数生成和相位解包。这一步骤统称为干涉工作流程。我们选择了Delaunay MCF相位解包方法，该方法使用Delaunay三角网格而不是方形网格，以最大限度地减少低相干像素的影响并最小化相位岛屿。干涉工作流程是计算量最大的过程，之后开始反演阶段。在轨道精化和重平整之后，我们使用最小二乘法和奇异值分解去除了大气和噪声等残余相位。在此过程中，我们将相干阈值设置为0.3，选择了最稳定的线性模型作为位移模型类型，最后进行了地理编码，以获得平均地面沉降速度和沉降值。

根据获取的沉降速度和累积沉降数据，我们利用GIS和RS技术提取了道路系统的沉降信息，并进行了可视化展示，包括整个道路系统和个别道路的空间和时间模式。此外，我们还完成了基于GIS空间统计分析方法的监测验证。最后，通过结合统计和时间序列模型进行了短期预测，为当前道路沉降风险和未来短期沉降趋势的研究奠定了基础。

3. 结果
3.1 区域内城市道路沉降的空间和时间分布特征
3.1.1 空间分布特征
本研究关注的珠海地面道路系统主要包括交通网络系统，包括铁路、高速公路、国道和省道（图4a）。珠海的交通路线呈现出棋盘式的空间分布：铁路（包括广州至珠海城际铁路、珠海市区至珠海机场城际铁路和广州至珠海铁路）垂直延伸；高速公路（包括西部沿海高速公路、鹤岗-珠海-珠三角高速公路、广州-澳门高速公路、高栏港高速公路、广州-佛山-江门-珠海高速公路和珠海机场高速公路）呈两条水平线和四条垂直线排列；国道和省道（G228、G105、S366和S272）则纵横交错（图4bc）。

图4. 整个道路系统的沉降速度图。(a)显示了整个道路系统的沉降情况，呈现出“三环”沉降模式。(b)显示了纵向方向上个别道路的沉降情况，珠海东部和西部的沉降情况分别由上下两个面板表示。(c)显示了横向方向上个别道路的沉降情况。在图4b和4c中，R代表铁路，E代表高速公路，N代表国道，P代表省道，每条道路的缩写显示在[ ]内。图4d的垂线显示了14条典型道路的变形间隔。注意，沉降速度和累积沉降前的“–”仅表示地面沉降的方向，并不表示数值的大小。

四面板地图显示了道路沉降速度。面板a显示了整个道路系统每年沉降速度的区域概览，单位为毫米，图例显示了从-82.31到45的数值范围。面板b展示了关键垂直道路的沉降情况，包括各段道路的沉降速度，例如广州至珠海铁路、珠海市区至珠海机场城际铁路、广州至澳门高速公路、G228东线和G105，每种道路都有独特的速度范围。图c展示了关键的横向道路，详细介绍了各个路段，如西部沿海高速公路、鹤岗至珠海至太平至珠三角环线高速公路、G228西线、S366公路、广州至珠海铁路、高栏港高速公路、广州佛山江门珠海高速公路、珠海机场高速公路以及S272公路，每条道路都有其特定的速度范围。图d位于图b的左侧，列出了道路的缩写及其类型：R代表铁路，E代表高速公路，N代表国道，P代表省道。

本研究提取了珠海市线性交通道路的地面沉降率信息。图4显示，沿道路的沉降分布不均匀，其中广州至珠海铁路南端的沉降率最高，为-82.31毫米/年。综合考虑隆起和沉降信息的整个区域的平均变形率为-3.66毫米/年；而仅考虑沉降情况时的平均沉降率为-9.02毫米/年。整个区域道路的沉降情况表现为“三环”分布（图4a）：内环沉降率普遍大于-30毫米/年，中环主要表现为地面隆起，外环沉降率集中在约-15毫米/年，并存在个别沉降漏斗区域。从环境角度来看，道路沉降的空间分布可能与软土的分布及距离水源的距离密切相关。此外，14条典型道路的速度区间基本稳定在-45至20毫米/年之间，不同类型道路之间的沉降率没有明显差异（图4d）。结合各条道路的沉降情况，可以推断出局部沉降区通常出现在河口地带和道路交叉口处，进一步表明道路沉降与沿线的地表覆盖类型密切相关。

3.1.2 时间分布特征
本研究以2016年8月为起点，获取了2016年9月的沉降数据，随后每隔3个月提取一次沉降数据，持续3年，以获得珠海市道路系统的累计沉降时间序列（图5）。2016年9月时，整个珠海市的道路系统呈现出“净口袋”式沉降状态，沉降量在-20毫米以内；而到了2017年10月左右，则出现了“三环”式沉降状态。这一现象至少部分与2016年4月启动的海绵城市建设项目对土壤和水环境的破坏有关。截至2019年6月，最大累计沉降量达到-243.49毫米，主要发生在G228公路西段的东侧（经度113.321325°E；纬度22.252793°N）；平均累计沉降量为-9.85毫米。

图5显示了整个道路系统的累计沉降时间序列变化情况。为了直观展示沉降过程，本研究采用了每月中旬的数据来表示每个月的沉降情况。

这个由10个面板组成的地图系列分为两排，每排五个面板，展示了2016年9月至2019年6月期间道路系统的累计沉降情况（单位：毫米）。每个面板都标明了地理区域的经纬度坐标、0至20公里的刻度尺以及罗盘方位角。沉降程度通过颜色渐变来表示，深红色代表-90毫米，深蓝色代表30毫米。面板按日期标注：201609、201612、201703、201706、201709、201712、201803、201806、201809、201812、201903和201906。图表显示沉降量随时间呈上升趋势，更多区域呈现出红色和橙色，表明负累计沉降量较大。沉降最显著的区域位于主要道路网络沿线，尤其是在地图的中心和东部地区，这一现象在2016年至2019年间更为明显。

此外，还提取了平均累计沉降数据并制作了散点图进行拟合分析（图6）。研究发现，2016年至2019年间珠海市整个道路系统的沉降过程可以分为四个阶段：第一阶段（t1~t2）为小幅度的起伏，平均累计沉降量在-3毫米以内；第二阶段（t2~t3）为线性快速沉降阶段，R2=0.98；第三阶段（t3~t4）为大幅度的起伏，平均累计沉降量基本稳定在-7毫米左右；第四阶段（t4~t5）为线性稳定沉降阶段，R2=0.95。五个时间点的累计沉降信息通过五张地图进行了可视化展示，有助于理解研究期间珠海市沉降的变化情况，并帮助理解四个沉降阶段的程度。整个道路系统的沉降变化符合95%置信区间和95%预测区间，线性拟合结果为y = -0.2x – 0.3，R2值为0.94，属于良好的拟合结果。

图6展示了整个道路系统平均累计沉降的变化阶段。右上角标明了五个时间节点和四个沉降变化阶段。其余五个3D散点图显示了五个时间点的沉降状态。

六面板图展示了累计沉降数据。主面板位于右上角，是一个散点图，纵轴表示累计沉降量（单位：毫米），横轴表示时间（从20170417到20190302）。图表显示沉降量总体呈下降趋势。一条带有95%置信区和预测带的线性拟合线表明了沉降量的减少。数据分为四个阶段：第一阶段（20170417至20171026），线性拟合R2=0.98，皮尔逊相关系数r=-0.99；第二阶段（20171026至20180518）沉降趋势持续；第三阶段（20180518至20180927）沉降趋势继续；第四阶段（20180927至20190302）同样保持下降趋势。

3.2 不同类型道路的沉降空间和时间分布特征
3.2.1 空间分布特征的比较分析
通过对InSAR监测点的沉降数据进行处理，并运用GIS邻域分析方法，我们得到了每条道路的沉降率和累计沉降量随道路延伸距离（从西向东或从北向南）的变化情况。我们对地面高程栅格数据进行了GIS栅格转换处理，并修正了无效值，以获取每条道路随延伸距离变化的地面高程数据（图7和图8）。最后，我们提取了复合地图中沉降较为明显的路段的位置信息，并下载了这些道路及其周围的高分辨率光学遥感图像。

图7展示了高速公路的沉降剖面。散点图显示了沿六条高速公路的沉降速度和累计沉降量随距离的变化情况（从西向东或从北向南）。散点图下方的灰色背景表示8.85米的空间分辨率下的地面高程。散点图周围的遥感图像（空间分辨率为0.14米）对应于沉降较为明显的路段（图中标明了对应的编号，显示区间为蓝色矩形）。

六面板图分为两排，每排三个面板，展示了高速公路的沉降剖面。每个面板显示了累计沉降量和沉降速度随距离的变化情况，背景为灰色，表示地面高程。遥感图像位于每个散点图周围，对应于沉降较为明显的路段。例如：E面板中的鹤岗至珠海至珠三角环线高速公路显示累计沉降量随距离增加，分别在10000米、25000米和35000米处出现峰值；E面板中的西部沿海高速公路显示累计沉降量随距离增加，在12000米处有明显峰值；E面板中的高栏港高速公路显示累计沉降量随距离增加，在8000米和16000米处有峰值；E面板中的珠海机场高速公路显示累计沉降量随距离增加，在8000米、12000米和18000米处有峰值；E面板中的广州佛山江门珠海高速公路显示累计沉降量随距离增加，在10000米和20000米处有峰值；E面板中的广州至澳门高速公路显示累计沉降量随距离增加，在10000米、18000米和25000米处有峰值。

图8展示了铁路、国道和省道的沉降剖面。图中基本元素的含义可参考图7。

九面板图显示了铁路和公路的高程、累计沉降量和沉降速度剖面，每张面板都有距离（米）的横轴和三个纵轴：高程（米）、累计沉降量（毫米）和沉降速度（毫米/年）。具体包括：
- R面板（广州至珠海铁路）：高程140至0米，沉降量0至60毫米，沉降速度-20至20毫米/年；
- P面板（S272公路）：高程120至0米，沉降量0至50毫米，沉降速度-20至20毫米/年；
- N面板（G105国道）：高程14至0米，沉降量0至10毫米，沉降速度-10至10毫米/年；
- R面板（广州至珠海城际铁路）：高程240至0米，沉降量0至40毫米，沉降速度-20至20毫米/年；
- P面板（S366公路）：高程100至0米，沉降量0至30毫米，沉降速度-20至20毫米/年；
- N面板（G228东线）：高程20至0米，沉降量0至10毫米，沉降速度-10至10毫米/年；
- R面板（珠海市区至珠海机场城际铁路）：高程100至0米，沉降量0至20毫米，沉降速度-20至20毫米/年；
- P面板（S366公路）：高程100至0米，沉降量0至30毫米，沉降速度-20至20毫米/年。

结果显示，所有道路都存在不同程度的地面沉降问题，表现为大量沉降明显的路段、不同的水平延伸距离以及较大的垂直沉降差异。对于高速公路而言，2016年至2019年间，沉降明显路段的水平延伸距离大多在1000至3000米之间，主要出现在水产养殖区和工业区附近，最大沉降速度（集中在-60至-40毫米/年）和最大累计沉降量（集中在-200至-150毫米）的空间分布较为一致。相比之下，铁路的沉降问题较少，地面起伏不明显，只有少数路段出现明显沉降现象，其中R_GZ、R_GZI和R_ZUZAI在高栏港站、珠海北站和横琴北站分别显示出明显的地面下降。至于国道，N_105和N_228_E的沉降现象不明显，仅在沿海地区和水道附近较为明显；而N_228_W在白焦镇的水产养殖区出现局部沉降漏斗，累计沉降量高达-250毫米。在省级道路方面，P_272和P_366在后段（通过桑巢镇）和中段（通过洪启镇）显示出相当程度的沉降，沉降的水平延伸距离大约为20,000米。道路的这种长距离沉降很可能是由于沿路存在软土层以及历史上的土地利用方式所影响的。从道路本身的特性来看，铁路对路基的稳定性要求极高，以确保列车的安全运行，因此路基加固处理工作更为严格，这与研究结果一致，即铁路沿线的地面高程变化比其他类型的道路要小得多，但需要关注火车站处的极端沉降问题。高速公路具有较大的交通流量、重的荷载和高的设计速度。考虑到其重要的道路功能，其建设质量通常很高，但由于软土层的复杂地质条件，加上沿路的土地使用频繁扰动地表，导致高速公路某些路段出现明显的沉降问题。与国道相比，省道虽然交通流量较低，地面荷载扰动较小，但其维护和建设资源有限，对道路病害的关注度也较低，因此其整体沉降现象更为显著。

3.2.2 时间演变特征的比较分析
图9a展示了不同道路的沉降速度和累积沉降的统计特征。不同道路之间的沉降指标存在显著差异，表明道路沉降具有强烈的空间异质性。此外，最大沉降速度较高的道路通常表现出更大的累积沉降，这表明沉降速度对长期沉降积累有贡献。典型沉降点（InSAR监测点的最大沉降速度）显示出与整个道路系统沉降时间演变过程相似的特征，即五个时间节点和四个沉降阶段（图9b）。总体而言，大多数道路在研究期间都表现出线性沉降趋势。大多数道路的累积沉降区间都在图9b的灰色范围内（-150至-100毫米）。N_228_W、E_HZTP和E_GFJZ的显著沉降段在整个道路系统和研究期间都经历了最显著的沉降过程（2017年10月之前）。在第二阶段，R_GZ的沉降现象逐渐明显，而E_GFJZ的沉降速度有所减缓。这表明高兰岛内的土壤和水环境在第二阶段的扰动比河洲新区更为强烈。

图9a显示了不同类别道路的沉降速度和累积沉降的比较，相同的颜色方案表示同一类型的道路；图9b显示了显著沉降段中典型沉降点的时间序列变化，每条道路的多个典型沉降点用不同类型的线条表示。

该双面板图展示了道路沉降数据。面板a为条形图，显示了各种道路类别的最大沉降率（每年毫米数）、最大累积沉降（毫米数）、平均沉降率（每年毫米数）和平均累积沉降（毫米数）。面板b为折线图，将累积沉降（毫米数）与时间（从20170417到20190302）在横轴上进行绘制。多条线条代表不同的道路类型，显示出四个阶段的不同沉降趋势。线条总体呈下降趋势，表明累积沉降随时间增加。阴影灰色区域表示显著沉降段。图例列出了29种道路类型，包括E-HZTP1至E-HZTP3、E-GP1至E-GP3、E-GFJZ1、E-GFJZ2、E-WC1至E-ZA3、E-GM1至E-GM4、R-GZ1、R-GZ2、R-GZI1、R-ZUZA1、P-S272-1至P-S272-4、P-S366-1至P-S366-3、N-G105-1至N-G105-3、N-G228-E1至N-G228-E3和N-G228-W1。

3.3 准确性验证
3.3.1 内部准确性验证
Patrick Moran在1950年提出的全球Moran指数（IG）和Luc Anselin在1995年提出的局部Moran指数（IL）是用于检测空间自相关性的重要分析工具，用于分析现象在地理空间中是否表现出空间聚类或分散特征。地理学的第一定律指出，所有事物都与其他事物相关联，且彼此靠近的事物相关性更强（Tobler引用1970）。将InSAR实验与空间相关性分析相结合，良好的Moran指数结果往往表明变形数据显示出高自相关性和空间一致性，这与自然过程在空间上是连续的实际情况相符。此外，较高的自相关性表明在处理InSAR实验数据时有效抑制了噪声的影响，因为大气延迟和轨道误差等噪声会导致相位信息的随机变化，从而破坏空间连续性和规律性。因此，Moran指数可以在一定程度上作为InSAR实验的内部准确性验证依据。

基于整个领域内InSAR监测点的沉降速度数据，使用GIS空间统计工具进行了空间自相关分析（IG），以获得整个领域地面沉降的聚类特征，并结合聚类和异常值分析（IL）得到了整个领域沉降的热点区域（图10a）。同样，道路系统沉降的空间相关性分析结果也显示在图10b中。

图10a显示了整个领域沉降的内部准确性验证的空间分析。图10b显示了整个道路系统沉降的内部准确性验证的空间分析。左图显示了InSAR监测点的沉降信息，中图显示了IL的结果，右图显示了IG的结果。

该双面板图展示了沉降的空间分析。面板a展示了整个领域沉降的三张地图。最左边的地图显示了InSAR数据，比例尺范围为-109.8至0。中间地图显示了局部Moran I指数的结果，包括低-低聚类、低-高异常值和高-高聚类区域。最右边的地图显示了全局Moran I指数的结果，呈现出钟形曲线，Moran I值为0.930723，并附有三张插图，分别表示分散、随机和聚类模式。面板b同样展示了整个道路系统沉降的三张地图。最左边的地图显示了InSAR数据，比例尺范围为-82.3至0。中间地图显示了局部Moran I指数的结果，聚类和异常值类别相同。最右边的地图显示了全局Moran I指数的结果，呈现出钟形曲线，Moran I值为0.674846，并附有三张插图，分别表示分散、随机和聚类模式。两张全局Moran I指数图都包含了显著性水平图例，包括p值和相应的z分数。

对于整个区域，2016年至2019年珠海地面沉降速度的Moran指数值为0.93（Z > 2.58，P < 0.01），表明存在空间正相关；IL的结果显示，关键沉降区域和高-高聚类区域保持空间一致性，而沉降不显著的山区植被区域和低-低聚类区域在空间上是兼容的，空间异常占比较小。SBAS-InSAR通过选择具有较小时间和空间基线的内干涉图对，减少了由于植被变化导致的时间和空间解相干现象，并通过多时相干涉图的奇异值分解增强了相位解缠的稳定性，从而有效分离了变形信号和噪声。可以看出，本研究整个领域沉降信息的可信度很高，基于此获得的道路沉降数据的准确性在某种程度上得到了保证。就道路系统而言，IG的结果显示整个道路系统的地面沉降速度具有正的空间相关性，Moran指数值为0.67（Z > 2.58，P < 0.01）；IL的结果显示沉降热点和显著沉降段的空间分布是一致的。

3.3.2 外部准确性验证
我们分别结合了以站点为中心100米范围内的InSAR监测数据和靠近站点的InSAR监测数据，依次进行了均值处理和拟合比较分析，以细化InSAR实验的外部准确性验证内容（图11a）。此外，我们还整理了珠海统计局多年统计年鉴中的月平均降水量数据，以辅助分析结果（图11b）。

图11a显示了InSAR实验的GNSS外部准确性验证图。图11b显示了2016年至2019年珠海的月平均降水量分布。

该双面板图展示了随时间变化的数据。面板a为折线图，带有散点。横轴为时间，范围从2016.8到2019.2。纵轴为毫米，范围从-30到30。绘制了三个数据系列：GNSS、InSAR_avg和InSAR_point。GNSS系列由深灰色散点表示，在整个时间范围内变化较大。InSAR_avg系列为橙色线条，通常在0到10毫米之间波动，大约在2017.6和2019.2处有峰值。InSAR_point系列为浅蓝色线条，总体上跟随InSAR_avg的趋势，但数值较低，在-5到5毫米之间波动。在大约2017.0、2017.9、2018.6和2019.0处有四条浅绿色线条。面板b为插图条形图，纵轴显示降水量（毫米），范围从0到700毫米。横轴为月份，范围从0到12。四个系列分别代表2016、2017、2018和2019年，各月份的条形高度不同。6月至10月的降水量通常较高。

总体来看，GNSS和InSAR实验的监测结果在峰值和谷值的位置以及周期波动模式上具有一致性，基本上一年中呈现单峰状态，峰值出现在夏季和秋季的过渡期（8月），春季（3月至5月）和夏季（6月至8月）地面抬升，秋季（9月至11月）和冬季（11月至2月）沉降波动，这种变化与降水因素的波动状态一致。单点差异的分析结果显示，GNSS和InSAR邻近点与InSAR平均点之间的差异约为10毫米，GNSS和InSAR实验结果之间的差异较小。结合内部和外部准确性的双重验证，可以得出该实验的结果更为可靠。

4. 讨论
4.1 城市道路沉降的短期预测
我们依次识别了每条道路上最大累积沉降点，并获得了每个点上累积沉降的时间序列变化信息（图12a）。对每条道路上最大累积沉降点的时间序列沉降数据进行了时间序列预测处理，得到了适应不同道路的显著沉降点的拟合结果以及来年的预测结果（图12b）。我们将InSAR沉降监测结果和时间序列预测结果进行了整合和可视化（图12c）。整体时间序列预测模型的准确性结果如表2所示，所使用模型以及每个重要节点的时间序列预测模型准确性结果如表3所示。图12展示了截至2019年6月18日的累积沉降情况。图12a显示了用于拟合每条道路最大累积沉降的时间序列数据的变化情况，其中左侧图表表示现有沉降信息的拟合结果，右侧图表表示基于当前沉降情况的未来年份沉降信息，以及最优模型的外推结果。图12c显示了当前沉降和未来沉降的综合结果，其中实线代表当前沉降值，虚线代表模型预测值。

该三部分图表展示了累积沉降数据。a部分是带有道路的地图，颜色条表示从92.89毫米到-243.49毫米的累积沉降范围。b部分显示了15个单独的折线图，每个图表在纵轴上表示累积沉降量，在横轴上表示日期。每个图表都有一条标有“REAL”的红线、一条标有“FIT”的蓝线，以及两条标有“UCL”和“LCL”的虚线。“REAL”线通常随时间逐渐减少，但存在一些波动。“FIT”线紧密跟随“REAL”线的变化。c部分是一个单线图，纵轴表示累积沉降量，横轴表示日期，显示了30条代表不同道路的线条，其中15条实线代表当前沉降，15条虚线代表模型预测。所有线条都显示出随时间逐渐减少的趋势，表明累积沉降量在增加。

表2显示了时间序列预测模型的准确性结果。表3显示了在每个重要节点的时间序列预测实验中使用的预测模型及其准确性结果。

图12a表明，珠海不同道路的最大累积沉降点的空间分布相对分散，这些点附近的区域往往是需要重点关注预防和控制的道路沉降段，因此分析这些点的未来沉降发展趋势是研究道路沉降的更好切入点。结果显示，时间序列预测模型的准确性参数为R2为0.981，RMSE为3.986，这表明预测效果良好。

图12c显示，在不干扰当前沉降过程的情况下，除了E_GFJZ道路略有抬升以及N_105和N_228_E道路基本稳定外，其他所有道路都显示出不同程度的沉降，明年的累积沉降主要集中在-50~-30毫米范围内，而R_GZI的累积沉降将达到-55.68毫米，R_GZ和N_228_W甚至会超过-70毫米。R_GZ的显著沉降位于高岚港站，N_228_W的显著沉降位于交通干道的交叉口。沉降的变化不仅与道路本身有关，还与道路所处的地质层状环境以及水文条件有关。

此外，图12b中N_228_E的变形序列在2017年8月左右明显出现拐点，沉降量突然增加。除了这个明显的拐点外，其他道路在2017年和2018年8月左右也有拐点，大多数道路显示出小幅度的沉降。2017年8月，珠海遭受了台风“天蝎”的影响，自2018年8月以来，珠海又连续遭受了台风“贝碧霞”和“山竹”的侵袭。台风带来的强降雨和风暴潮导致地表负荷迅速增加，从而引发了地表垂直变形（Mouyen等人，2017年）。然而，也有研究者认为，大量降水可能补充了地下水，从而解释了地表抬升现象（Ghaderpour等人，2024年）。因此，道路变形与大气和水文环境之间存在显著联系，但如何平衡不同应力产生的影响仍需进一步探讨。

4.2 沉降风险：地面道路系统和地下轨道交通
道路沉降引起的变形、坑洞和地面裂缝可能导致驾驶时的颠簸和不适；道路沉降对坡度和平整度的影响可能导致制动困难和驾驶障碍；道路沉降会破坏原有的平衡和稳定的排水系统，导致泥泞和水积。所有这些情况都会增加道路维护和修复的成本，甚至严重威胁生命和财产安全。因此，应采取沉降管理措施，包括加强基础、控制地下水、使用轻质填料（Malai等人，2022年）以及定期监测。

大规模的地下轨道交通可以释放城市空间，有效改善空气质量并缓解交通拥堵。然而，地面沉降对地下轨道交通设施的破坏非常明显，国内外学者对此进行了大量研究（Macchiarulo等人，2021年；Wang等人，2024年；Zhao等人，2023b年）。研究表明，在建设过程中，地下轨道交通网络可能会破坏土壤稳定性并导致地面沉降，而地面沉降现象的出现可能会在轨道交通运营期间引发变形和坍塌，甚至引发连锁灾害，威胁沿轨道线的建筑物和公共设施。

从2035年到2050年，珠海的地铁线路数量将增加3条，长度增加252公里。结合本研究中对整个道路系统沉降空间分布特征的分析结果及相关文献（Ma等人，2019年；Sun等人，2023年），可以确定拟建的1、3、7、8和9号城市轨道交通线路在靠近Jiti Gate、Modao Gate和Niwan Gate的水道部分的路段存在显著的沉降风险。根据短期预测结果的外推，可以得出这些地区在2035年的累积沉降量约为50厘米，这需要特别关注。

另外，作为珠江三角洲城市群中的关键交通枢纽，珠海道路系统的故障将严重影响交通便利性，并对周边城市区域产生负面溢出效应和综合影响。相关研究人员建立了一个耦合协调模型，以识别城市-工业土地利用效率与BTH城市集聚区高速公路网络可达性之间的关系（Li等人，2019年）。包括本研究在内的多项研究揭示了交通与城市景观模式甚至城市化发展之间的复杂因果关系（Chang等人，2022年）。

5. 结论
本研究利用SBAS-InSAR技术提取了2016年至2019年珠海道路系统的沉降数据，并分析了其在网络层面和单个道路层面的时空特征。在研究期间，从整个道路系统来看，内部（集中沉降）、中部（缓慢抬升）和外部（稳定沉降）的三环沉降区间在空间上得到了体现，时间上则呈现出了小幅度升降、线性下降、大幅度升降和稳定沉降四个阶段。对于分类的单个道路而言，存在不同程度的地面沉降问题，表现为大量显著沉降段的特点，水平延伸距离不等，垂直沉降变化较大。大多数显著沉降位置与水产养殖区和工业区重合，即土壤和水文环境对道路沉降的影响不同。此外，极端台风天气事件的发生时间与道路变形突变点的时间高度一致。研究期间的累积沉降区间在-150至-100毫米之间。基于Holt、Winters和ARIMA的时间序列预测模型，我们推断出明年这些道路显著沉降点的沉降区间仍将保持在-50~-30毫米范围内。

本研究为珠海的相关交通部门提供了参考资料。在政府进行顶层设计时，我们提出以下三点建议：
1) 通过积极运用InSAR和无人机检查，针对所有道路类别进行毫米级的变形监测，以便早期发现和解决缺陷；
2) 促进包括交通和城市土地利用部门在内的多个政府部门之间的协调，建立跨部门的“交通-土地-产业”数据共享平台；
3) 引入结合交通基础设施灾害评估和城市健康诊断的双重评估机制。

本研究初步分析了降水、水文条件和道路沿线的土地利用对沉降的影响，但缺乏气候、交通负荷和地质信息的定量整合。此外，除了Sentinel-1A数据外，还可以利用TerraSAR、ERS、Envisat等数据源进行道路变形分析，并基于不同数据源进行交叉验证。对于变形预测，回归树、支持向量机和长短期记忆等模型在捕捉非线性和时变沉降行为方面具有巨大潜力，从而提高预测准确性和适用性。未来的研究应推进预测模型的综合应用，以增强模型的鲁棒性和泛化能力。结合多源数据（如遥感、地质信息和交通负荷）进行多维融合预测，可以进一步提高预警和维护决策的效率。此外，将预测结果与城市和区域发展联系起来，有助于充分发挥这项研究的实际价值。

数据可用性声明
支持本研究结果的数据可向相应作者[M, Z.]索取，如有合理需求即可提供。