作者中心
专家审稿
责编办公
编辑办公
Application of Spaceborne Interferometric Synthetic Aperture Radar to Geohazard Monitoring
-
摘要: 近年来，星载InSAR技术在地质灾害监测领域显示出越来越大的应用潜力。该文首先介绍了InSAR形变监测的原理；然后系统性回顾了InSAR技术的发展，分析了差分InSAR、时序InSAR等方法的技术特点和适用范围；进而从地质灾害监测应用的角度分析了InSAR技术在地震、滑坡、水利工程、地面沉降等领域的应用现状和发展趋势；最后总结了当前地灾监测应用中InSAR技术在大气效应校正、复杂地区形变信息获取、多维形变信息获取中的关键问题，以期服务于地质灾害动态监测与防治工作。从当前InSAR技术在地质灾害监测的应用来看，该技术正处在广泛的业务应用阶段，随着未来星载SAR卫星系统的发展和行业的驱动，必将发展成为一项成熟的高精度对地观测技术，对地质灾害监测产生巨大的影响。Abstract: In recent years, spaceborne Interferometric Synthetic Aperture Radar (InSAR) technology has shown increasing application potential in the field of geohazard monitoring. In this article, we first introduce the principle of InSAR technology, then systematically review the development of InSAR technology and analyze the technical characteristics and applicable scope of methods such as differential InSAR and time-series InSAR. We then discuss the application status and development trend of InSAR technology in geohazard monitoring with respect to earthquakes, landslides, hydropower projects, and ground subsidence. Finally, to guide future work in the dynamic monitoring and prevention of geohazards, we summarize the key issues and scientific problems faced by the application of InSAR to geohazard monitoring, which include atmospheric correction, complex-area deformation data acquisition, and the acquisition of multidimensional deformation data. Judging from the current applications of geological hazard monitoring, this technology is now at the point of extensive application. With the development of future spaceborne SAR satellite systems and the driving force of industry application, InSAR technology will develop into a sophisticated high-precision ground observation technology that will have a huge impact on geological hazard monitoring.
-
1. 引言
合成孔径雷达(Synthetic Aperture Radar, SAR)是雷达的一种，于20世纪50年代末研制成功[1]。合成孔径雷达是一种主动式微波传感器，能够不受天气的影响实现全天时、全天候对地观测。不同于光学遥感，SAR通过发射和接收雷达波，可以获取地物的两种信息，分别是强度信息(地物的散射强度)和相位信息(记录了地物目标与雷达之间的距离)。起初人们利用SAR的强度信息进行影像分析，应用于地质调查、土地利用等领域。后来随着合成孔径雷达技术的发展和应用领域的扩展，人们开始研究SAR获取的关于地物的相位信息，因此，合成孔径雷达干涉测量技术(Interferometric Synthetic Aperture Radar, InSAR)逐渐发展起来。InSAR技术通过雷达复影像数据的相位信息来获取地形信息[2,3]，随后，随着技术的发展，用于探测地表形变的差分干涉测量技术(Differential InSAR, DInSAR)应运而生。干涉相位中包含了地形信息和地表形变信息，当去除了地形信息后，就可以得到沿雷达视线向(Line Of Sight, LOS)的形变信息，这就是DInSAR的基本原理。DInSAR技术作为InSAR技术的一个扩展，可以用来对地面进行大范围的形变监测，精度可达厘米级[4]。然而，在对缓慢变形的地表进行监测时，需要采用时间基线很大的影像对，由于去相干和大气传播误差的影响，使DInSAR处理结果的精度和可靠性受到制约。为了克服常规DInSAR技术受时间、空间去相关的影响，意大利的Ferretti团队[5]于2000年提出了“永久散射体(Permanent Scatterers, PS)”干涉处理技术，该技术开启了时间序列干涉SAR的新篇章。
如今，合成孔径雷达干涉测量技术在监测地表形变的相关应用中已有很大发展，如地面沉降[6]、山体滑坡[7]、地震活动测量[8]、火山监测[9]、冰川漂移[10]等。本文从InSAR技术的发展出发，探讨星载InSAR技术在地质灾害监测领域的应用现状和主要的技术问题，以期为地质灾害领域的InSAR监测提供参考，服务于地灾隐患识别与综合判断。
2. InSAR技术的原理与发展
InSAR技术是利用位于不同空间位置的雷达对同一目标地物进行观测，得到两幅或多幅SAR影像，然后进行干涉处理，通过同一目标两次回波信号的干涉相位差，获取该目标的高程或形变信息。干涉测量中的相位包括5个部分[11]
φInSAR=φorbit+φtopography+φdeformation+φatmosphere+φnoise (1) 其中，
φorbit 表示平地相位，或参考面相位，φtopography 表示地形相位，φdeformation 表示形变相位，φatmosphere 表示大气相位，φnoise 表示噪声相位。2.1 差分干涉测量技术
差分干涉测量技术是在InSAR技术的基础上，利用两幅或两幅以上的SAR影像进行干涉来测量地表形变的技术。从式(1)可以看出，InSAR相位中包含了很多因素，如果要得到其中的地表形变信息，就需要对其他几部分的相位进行去除。首先，平地相位
φorbit 是由于参考地球曲面上高度不变的平地引起的干涉相位呈线性变化的现象[12]，由于平地相位的存在会使得干涉条纹变密而影响后续的解缠工作，因此需要对平地相位进行去除。具体方法是利用轨道数据和干涉基线模型模拟平地相位，然后从原始干涉图中减去。接下来，采用已有的DEM(2轨法)或干涉生成DEM(3轨法、4轨法)去除地形相位φtopography ，最后获得地表形变相位。这样的差分干涉处理技术可以称为传统DInSAR技术。对于传统DInSAR技术，首先选择合适的干涉像对抑制大气相位和噪声相位，其中噪声相位基本是随机的，与地表形变相位的空间分布特征不同，系统噪声的空间分布特征为细碎斑点状，一般通过滤波方式去除。而大气相位是不确定性和混淆性较大的误差源，如没有外部辅助数据(如气象数据、GPS数据等)，传统DInSAR技术无法削弱大气效应对形变测量精度的影响，因此大气效应的校正也是获取高精度形变信息所必须面临的关键问题，对大气相位的去除将在下文4.1节详细描述。典型的DInSAR处理流程包括两幅影像的配准、影像重采样、生成干涉图、去除平地相位、去除地形相位、干涉图滤波、相位解缠、基线重估计和地理编码，最后求解出雷达视线向的形变图。在对地表进行长时间的微小形变监测中，传统的DInSAR技术受大气、地形、时空去相关等因素影响较大，其形变测量精度受到很大的限制，很难达到理想的毫米级形变监测能力，无法大规模应用。2.2 时序干涉测量技术
与传统DInSAR技术不同的是，时间序列干涉测量技术利用同一地区多次重复观测获得的多时相的SAR数据(十几景到数十景不等)，通过对形变信号、大气信号、DEM误差相位等信号的时空域分析与处理，分离和解算出地表形变信息，减少其他误差相位对形变结果的影响。根据时序干涉测量技术所利用的测量点来分，可以分为基于永久散射体的方法、基于分布散射体的方法、以及将两者结合的方法。其中，永久散射体是指那些可以在很长时间内都保持强且稳定的电磁散射特性的地物，它们主要分布在城市区域，比如：房屋、道路、桥梁、裸露的岩石等目标。分布散射体(Distributed Scatterer, DS)包含了多个小且随机的散射体，其中单独任何一个散射体都不能在时间上保持稳定的特性，但是通过特定的算法将它们联合起来可以合成一个稳定的散射体。DS点主要分布在郊区和山区，比如：农田、土壤、岩石表面等。
从干涉图生成的方式来分，可以把时序干涉测量技术分为单参考影像(即只采用一副影像作为主影像)和多参考影像模式。由于在单参考影像模式下生成的干涉图太少，因此利用多参考影像模式来获得更多的干涉图。比较有代表性的技术有小基线集技术，该技术采用时间基线和空间基线长度都小于一定阈值的影像对生成干涉图，以生成更多满足要求的干涉图。采用单参考影像模式的时序干涉测量方法有：PSI(Persistent Scatterer Interferometry)[5], PSP(Persistent Scatterer Pair interferometry)[13], IPTA(Interferometric Point Target Analysis)[14], SqueeSARTM[15], JSInSAR(Joint-Scatterer InSAR)[16], StaMPS(Stanford Method for Persistent Scatterers)[17], STUN(Spatio-Temporal Unwrapping Network)[18]。采用多参考影像模式的方法有：SBAS(Small BAseline Set)[19], CPT(Coherent Pixels Technique)[20], SPN(Stable Point Network)[21]。其中PSI技术是最早系统性提出的时序干涉测量技术，另外根据地质灾害监测应用对DS目标形变提取的需求，本文列举两个比较有代表性的基于DS目标进行形变求解的时序干涉技术，下面对PSI, SqueeSARTM和JSInSAR技术展开讨论。
(1) PSI技术：2000年，Ferretti等人[5,22]系统性地提出了PSI方法，该方法的核心思想是利用同一地区获取的多时相SAR数据，采用统计分析方法检测出影像中相关性较高的目标作为PS目标，然后基于PS目标的长时间序列相位信息进行分析与建模，从而分离出形变信息。PSI方法克服了传统DInSAR技术时空失相关和大气效应的影响，提高了形变测量精度和可靠性，可以得到毫米级精度的形变测量结果。该方法也存在一些缺陷，首先它需要研究区域存在大量的SAR影像(一般在20幅以上)；其次，PSI解算精度依赖于PS点的空间密度，在非城市区域或其他PS点分布很少的郊区、山区，由于很难获得足够数量的PS点，低的空间采样密度会导致解算结果不准确。
(2) SqueeSARTM：2011年，Ferretti等人[15]提出了一种PSI的扩展方法，称为SqueeSARTM方法。该方法利用了PS目标和DS目标的统计特性，不同于PSI方法搜索高相干、强散射目标，SqueeSARTM技术利用统计同分布的中等相干性区域的像素来提高监测点密度。由于具有相同统计特性的DS目标数量大，通过特定阈值找到满足条件的DS点，采用空域自适应滤波的方法提高面目标的信噪比使其一部分转化成PS点，以提高PS点的空间密度。该方法的基本原理如下：首先，在影像中设定固定大小的滑动窗口，窗口内的每一个点都与中心点进行统计检验，即两点K-S检验(Kolmogorov-Smirnov test, K-S test)[23]，此时，满足统计同分布条件的点被认为是统计均匀像素。然后，建立DS点的协方差矩阵和相位统计模型，利用极大似然估计法进行相位三角化和相位滤波。不同于SBAS方法，SqueeSARTM方法在不损失影像分辨率的情况下提升相位信噪比。得到DS点后，可以直接在PSI技术流程框架下进行处理。由于SqueeSARTM方法提高了PSI结果的密度和质量，因此在地质灾害监测的应用中，如边坡监测、滑坡监测等领域比传统的PSI方法能够取得更好的效果。
(3) JSInSAR：联合像素干涉合成孔径雷达(JSIn-SAR)技术[16]，是另一种DS目标处理方法，该技术主要由两部分组成：时序InSAR预处理和PSI技术。其中时序InSAR预处理技术包括3个关键步骤：联合像素信号建模、拟合优度检验和空间自适应滤波，其具体实现细节与SqueeSARTM有明显的不同之处。JSInSAR的处理对象是联合像素块，而不像SqueeSARTM那样的单个像素。在SqueeSARTM预处理中利用极大似然法获得优化的干涉相位，而该方法只能对1维像素进行处理，不能应用于联合像素相位优化中。JSInSAR采用联合子空间投影法(Joint Subspace Projection, JSP)，其原理是基于联合信号子空间到联合噪声子空间的投影实现对时间序列相位的估计，这种方法可以很好地利用周围点相位信息，即使在较大的配准误差下也能很好的恢复干涉相位，因此，JSInSAR技术对配准的精度要求不高。JSInSAR技术处理步骤包括以下4个方面：联合像素信号模型建立，联合像素拟合优度检验，联合像素自适应滤波，联合像素的相位优化。针对像素块建立信号模型，将一个N×N的像素块的像素值进行了重新排列，再采用公式进行建模。不同于单个像素的统计检验方法，为了针对联合像素进行统计检验，LÜ等人[16]提出了一种时序似然比(Time-Series Likelihood Ratios, TSLR)检验的方法进行联合像素向量的拟合优度检验，然后进行相位协方差矩阵的估计。最后采用联合子空间投影法恢复干涉相位。这种处理对失相干的抑制能力更强，因此能够获得更加稳健的相位估计结果，有效提升低相干地区形变监测点的空间密度，提升形变监测点的质量和信噪比，同时不影响高相干区域形变监测点的获取。
2.3 其他基于SAR数据的形变监测技术
上面讨论的差分干涉测量技术和时序干涉测量技术都是利用SAR数据的相位信息来获取地表形变，这类技术仍然具有一定的局限性，在失相干严重(如地表形变过大)的区域可能无法提取有效信息，因此，国内外学者针对SAR影像的强度信息开展了大量研究，其中最具代表性的是1999年由法国学者Michel[24]提出的基于SAR影像的像素偏移量估计技术(Offset Tracking)。该技术在InSAR技术无法获得有效观测的失相干严重区域，仍可以有效获得形变信息，由于其在地震、滑坡等地质灾害监测中的应用较多[25]，因此这里也对Offset Tracking技术进行简要介绍。Offset Tracking技术的基本原理是利用精确配准的两幅影像，计算对应像素的偏移量，从而得到两幅影像对应时间期间地表的形变，主要应用在数据量较少、形变梯度较大的情况下。该技术所获取的地表形变精度与使用的SAR数据分辨率密切相关，一般认为其检测精度通常为SAR影像分辨率的1/10～1/30[26]。虽然该方法的分析精度明显低于InSAR技术所获取的LOS向形变精度，但Offset Tracking技术可以同时获取方位向和距离向上的形变场，且不依赖于SAR影像的相干性，如果同时具有升降轨数据对，理论上可以获得3维形变场[25]。由于获取形变信息过程中不需要解缠处理，避免了解缠带来的误差[27]。
此外，针对大量级的形变监测，可采用干涉图叠加的方法(Stacking InSAR)对不同InSAR数据对生成的多幅独立干涉图进行平均处理，得到平均形变速率。该方法的基本假设是，将独立干涉图中包含的大气扰动相位视为不相关的随机量，而地表形变信号可近似为线性变量，在此假设条件下，将多幅独立干涉图的解缠相位叠加，得到所叠加时间基线内的形变量，然后通过平均处理获得平均形变速率[28]。由于该方法基于线性形变的假设，因此并不适用于具有非线性形变速率的区域，同时基于对大气相位的时空变化假设，如果遇到一些突变的大气现象或较大的区域，该方法也会带来较大的偏差。
3. 地质灾害监测领域的应用
地质灾害的类型很多，本文主要针对InSAR技术应用较多的地震、滑坡、水利工程形变、地面沉降等地灾类型，综述星载InSAR技术在其中的应用。
3.1 地震形变监测
将DInSAR技术应用于地震形变监测的研究最早可追溯到1993年，法国Massonnet等人[29]利用ERS-1/2 SAR数据测定了美国加利福尼亚1992年6月28日Landers地震的同震位移场，得到了著名的蝴蝶形变干涉条纹，与野外测量及模型分析的结果具有较高的一致性，研究成果发表于《Nature》杂志，引起了国内外学者的广泛关注。根据地震周期的概念[30]，地震周期可分为3个阶段：震间、同震和震后阶段。其中震间阶段是指两次地震之间，地壳相对稳定的运动，时间尺度从几十年到上千年；同震阶段是指地震发生时，断层发生破裂和岩石快速滑动，通常持续几秒到几分钟；震后阶段是指地震发生后的几年到几十年时间。同震阶段地表形变巨大，目前大部分的研究是利用DInSAR技术获得干涉图，来反映地震造成地表形变的空间分布，相比于其他地震测量手段，InSAR技术可提供非常精确的震源位置信息和断层滑动分布。震间和震后阶段的地表形变通常较为缓慢，有学者采用DInSAR技术和时序干涉测量技术分析缓变的地表信息，研究震间、震后的断层活动形变及其机制[31]，通过对1994年美国加利福尼亚Northridge地震[32]、1999年美国加利福尼亚Hector Mine地震[33]、2003年伊朗Bam地震[34]、2008年中国四川汶川地震[35]、2010年中国玉树地震[36]、2011年日本Tohoku地震[37]、2017年中国四川九寨沟地震[38]、2017—2018墨西哥地震[39]、2018年阿拉斯加Kaktovik地震[40]等的国内外研究，表明InSAR技术可以为地震震间、同震和震后阶段的地表形变测量提供有效的信息。下面给出笔者在地震形变监测的案例成果。图1为针对2016年4月15日发生的日本熊本地震，笔者利用2016年4月8日和2016年4月20日的Sentinel-1A升轨数据获得的差分干涉处理结果。图1显示出2016年4月15日发生于熊本县的地震导致沿着Hinagu–Futagawa断裂带区域产生了巨大的形变，断裂带西北部的形变远离卫星的视线方向，而东南部的形变则靠近卫星视线方向。形变的主要区域位于地震附近的熊本县，最大位移约70 cm。
目前，InSAR技术已经较多地应用在地震震间、同震和震后阶段的地表形变提取中，然而目前的研究多集中在利用InSAR技术得到的干涉图推算实际形变位移大小和空间位置，如何通过InSAR技术获取更精确的、定量化的、3维形变信息还有待进一步研究。另外，采用InSAR技术进行地震形变监测依赖于研究区域地形与雷达观测的几何关系，处于阴影和叠掩区域的部位无法获得有效的形变信息，需要综合利用多视角、升降轨观测的数据改善这种局限性，而InSAR技术可以提供地震区域大范围的形变结果，有利于后期地震机理的研究和断层分布的反演。因此InSAR观测与其他地震形变测量方法(如GPS观测、地面位移测量等)的配合使用，将成为未来地震形变监测、预测和灾后评估的重要手段。
3.2 滑坡形变监测
滑坡是指受河流冲刷、地下水活动、雨水浸泡、地震及人工切坡等因素影响，在重力作用下岩体、碎屑、泥土等沿斜坡的运动下滑[41]。相比于传统的滑坡监测手段，如地裂缝、地表变形、深部位移、地应力等监测手段，InSAR技术具有监测范围广、时空尺度大、能够提取更加丰富的形变信息等特点，成为滑坡监测应用中的热点技术。早期利用InSAR技术进行滑坡监测主要是采用传统DInSAR方法，对特定滑坡区域进行干涉处理，获得形变结果。1997年Fruneau等人[42]利用ERS-1/2数据对法国南部两处滑坡进行了DInSAR测量，所得结果与传统方法一致，这些数据结果可以应用于地表斜坡被侵蚀的机理研究。许多学者利用传统DInSAR技术对滑坡的形变进行监测，但是由于滑坡监测地区的地形环境比较复杂、植被覆盖茂密、受大气影响严重、时空去相干严重影响了形变测量的质量，为了克服传统DInSAR技术的这些缺陷，时序InSAR技术逐渐被应用到滑坡的监测中。Ferretti等人[5]将PSI技术应用于监测意大利Ancona地区的滑坡，利用34景ERS SAR数据获得滑坡形变场，并证实形变测量精度可达到1 mm。夏耶等人[43]提出人工角反射器技术(CR-InSAR)，并应用于三峡库区的滑坡监测中，获得形变速率场。戴可人等人[44]利用C波段Sentinel-1 SAR数据和X波段TerraSAR数据对2017年四川茂县新磨滑坡进行灾后评估，证实了星载InSAR技术在山区复杂天气、地形条件下的适用性。Wang等人[45]利用改进的SBAS-InSAR技术提高滑坡区域由于植被覆盖导致的测量点密度低的问题，建立地面局部入射角模型分析InSAR结果中的无效区域，最后绘制了滑坡形变速率及潜在滑坡分布图，为滑坡早期识别提供参考。一些学者利用InSAR监测结果结合数学建模方法，对滑坡的发生、发展机理进行研究：Li等人[46]利用多种InSAR数据监测了金沙江椅子村滑坡，发现了滑坡形变与地下水位、降水强度存在相关性。还有学者利用时序分析结果对滑坡进行前兆分析和预测：薛飞扬等人[47]利用39幅Sentinel-1 SAR数据进行了JSInSAR处理与分析，采用无迹卡尔曼滤波方法对中国四川茂县滑坡形变进行预测，结果表明联合时间序列InSAR技术和无迹卡尔曼滤波可用于大规模滑坡发生之前的形变预测。下面给出笔者在滑坡变形监测的案例成果。图2为笔者利用2015年11月26日到2017年06月24日期间32景Sentinel-1 SAR数据获取的我国四川地区某滑坡的形变速率图。通过对比可以明显看出，采用了JSInSAR大幅提高了PS点在滑坡区域的空间点密度，能够得到更多有效的滑坡变形信息。
图 2 采用常规PSI技术和JSInSAR技术获得的四川地区某滑坡形变速率图Figure 2. Deformation rate map of the landslide in Sichuan Province obtained by PSI and JSInSAR从InSAR在滑坡监测的应用来看，目前滑坡监测呈现从定性到定量、从事后分析到前兆分析和预测的趋势，同时呈现利用InSAR技术与其他光学、激光、地面测量等多重手段协同分析的趋势。虽然目前InSAR技术还没有像GPS、全站仪、水准测量等那样应用广泛，但综合利用各类高精度对地观测技术开展滑坡监测，特别是滑坡隐患的早期识别已成为共识[48]。随着后续更多SAR卫星发射计划的实施，协同利用多角度、多波段、多平台、多分辨率卫星数据的优势，将一定程度上弥补InSAR技术在复杂地形条件下滑坡监测的不足。在此基础上，引入机器学习、大数据分析的技术提高InSAR滑坡监测解译自动化程度也是未来技术的发展趋势。
3.3 水利工程中的形变监测
在近一个多世纪水利工程的建设和使用中，水利工程在发挥巨大社会、经济效益的同时，也面临着因地质条件和地形地貌特征带来潜在的地质灾害风险，因此水库、大坝安全监测的价值越来越被人们所重视。其中，水库大坝形变监测是安全评价的基础和重要组成部分[49]。相比于传统的水库大坝形变监测手段，InSAR技术为水利工程的安全监测提供了新型工具和技术手段。国内外已有学者利用InSAR技术进行水利工程形变监测的探索。LÜ等人[16]开展了对美国新奥尔良城市防洪堤坝的形变监测，利用JSInSAR技术提取堤坝形变点，有效提升了监测点的空间密度和测量精度。廖明生等人[25]利用传统DInSAR和时序InSAR技术，采用ALOS PALSAR数据开展了三峡奉节-秭归段的形变监测，分析了水位、季节性降雨与形变的关系，研究表明水位下降和强降雨是三峡工程坝体稳定性的最大威胁。Wang等人[50]利用Sentinel-1A降轨SAR数据对苏丹最长的土石坝进行了形变监测，结果表明在坝顶最大形变可达190 mm，InSAR监测结果与现场测量一致，表明时序InSAR技术可以用于大坝的健康监测。下面给出笔者在水库大坝形变监测的案例成果。拉西瓦水电站位于中国青海省贵德县拉西瓦镇与贵南县交界的黄河干流上，是黄河上游龙羊峡至青铜峡河段规划的第2座大型梯级电站。笔者利用Sentinel-1 SAR数据从2017年4月1日到2018年7月1日获取的共27景升轨数据，对拉西瓦水电站库区进行InSAR时序分析。图3为采用升轨数据利用时序InSAR技术获得的拉西瓦水电站形变结果，其中，4处形变较大的区域为：形变①—形变④，红色虚线箭头所指为4处形变区域的对应放大图。
图 3 利用升轨数据获得的拉西瓦水电站周边形变速率图Figure 3. Deformation map around the Laxiwa Hydropower Station obtained from the ascending orbit data由于该区域升轨SAR的雷达照射方向对大坝坝体不敏感，因此采用Sentinel-1 SAR数据从2017年4月6日到2018年7月6日获取的共37景降轨数据对大坝坝体进行形变监测(如图4所示)。利用JSInSAR技术，提高大坝坝体形变监测点的密度和质量，结果如图4中矩形放大区域所示。从降轨数据的处理结果来看，在研究的时间范围内大坝坝体上并没有显著的形变。在降轨处理结果中存在一处明显的失相干区域(图4白色虚线圆圈中所示区域)，对应拉西瓦水电站的果卜岸坡，该区域由于形变较大，导致时序InSAR技术失相干严重，没有提取到有效的形变监测点，笔者对该区域采用Stacking InSAR技术提取了平均形变速率，如图5所示，从图中可以看出果卜岸坡最大形变速率可达–150 mm/year。对于果卜岸坡，武汉大学张路教授团队[51]利用2015年9月至2017年4月获取的TerraSAR-X不同角度的降轨数据采用一种新的时间序列点状目标偏移跟踪方法的进行了形变提取，结果表明在研究时段内岸坡顶部最大位移达80 cm/year，与利用ALOS-2 PALSAR-2影像获取的结果一致(详见文献[51]图9)。从国内外研究结果可以看出果卜岸坡从2015年一直到2018年仍处于不断地变形过程中，应加强关注。综合利用升轨、降轨数据和多种InSAR形变监测技术，可以更好的监测和发现水利工程中重要设施及其周边存在的形变隐患，降低地质灾害发生的风险。
图 4 利用降轨数据获得的拉西瓦水电站坝体及周边形变速率图Figure 4. Deformation map of the dam and surrounding area of the Laxiwa Hydropower Station obtained from the descending orbit data
图 5 拉西瓦水电站果卜岸坡区域形变速率图Figure 5. Deformation rate map of the Guobu slope of the Laxiwa Hydropower Station从目前的研究来看，现有的研究大多集中于对水利工程设施和周边坡体、地质环境的形变监测，将InSAR技术作为常规检测手段的补充。而对水电站等大型水利设施的全生命周期监测缺乏关注。在水电站等大型水利设施修建前的勘查选址阶段就需要开展库区地质灾害隐患排查，同时在水利设施施工完成开始蓄水后，仍需要对库区地质环境的稳定性进行监测，以保证大坝的安全运行。利用星载InSAR技术覆盖范围广的优势，一方面监测已有地质灾害风险区域，另一方面发现可能的地质灾害隐患点，通过合理布控变形监测设备，达到广泛监测和重点监测相结合。
3.4 地面沉降监测
地面沉降、地面塌陷，特别是城市中的地表沉降是一种常见地质灾害现象，主要原因有地下水的抽取、矿石开采、油气开采、工程建设、地质活动等人为和自然因素。地面沉降带来的危害很大，不均匀的地面沉降会严重地威胁到城市建筑物以及公路、铁路、桥梁等设施的安全，当沉降量超过一定阈值后会导致建筑物塌陷、房屋毁坏、道路桥梁坍塌等，危及人民的生命和财产安全。近年来国内外大量的InSAR监测案例研究表明，该技术能够较好地应用于地面沉降的长期监测。Ferretti等人[22]最早将PSI技术用于加利福尼亚的Pomona地区的城市地面沉降监测。目前，ENVISAT ASAR, Terre-SAR-X, RadarSat, JERS-1, COSMO-SkyMed, ALOS PALSAR和Sentinel-1等SAR卫星数据在地面沉降监测均有应用，如马培峰等人[52]利用Sentinel-1, COSMO-SkyMed和TerraSAR-X对粤港澳大湾区多尺度沉降进行监测，结果表明该区域沉积物固结是沉降的主要原因，而地下水抽取和人工建筑负载是形变发生的触发因素。通过不同尺度、不同数据源的结果证实了多传感器SAR影像协同应用对城市局部区域沉降进行精细监测的可行性。Farolfi等人[53]利用全球卫星导航系统(Global Navigation Satellite System, GNSS)校正PSInSAR的结果，应用于对意大利Ravenna和Ferrara城市的地面沉降监测。Rateb等人[54]利用Sentinel-1 SAR时序干涉处理结果结合水文气候实验数据，发现巴格达城市附近地面沉降与地下水储量下降的关系，指出InSAR技术为稀缺实测数据地区的水管理工作提供了独立的工具。国内在此领域也开展了广泛的研究，在北京、上海、广州、香港、苏州等地利用时序InSAR技术获取城市的地面沉降测量结果。下面给出笔者在地面沉降监测的案例成果。图6为利用2010年6月到2011年12月期间24景TerraSAR影像获取的北京市通州地区的形变速率图，从图中可以明显看出通州地区存在明显沉降漏斗区，最大形变速率达100 mm/year。
当前，我国地面沉降的程度和范围还在进一步地加深和加大，实施地面沉降调查、地面沉降监测，及时发现局部地区的不均匀沉降情况，掌握重点区域的隐患信息，最大限度地减少地面沉降灾害对经济社会造成的损失已列入我国相关的防治规划，而InSAR技术可为大面积地面沉降的长时间监测提供高精度的测量成果，服务于各行业应用部门。
4. InSAR技术地灾监测的关键问题
对当前地质灾害监测中的InSAR技术来说，主要有以下几个关键问题。
4.1 大气效应的校正
目前星载重复轨道干涉测量的影像获取过程中，大气特性特别是大气水汽含量的时空变化，会引起雷达信号附加的传播延迟，给干涉相位带来较大的附加相位变化，导致干涉测量结果的误差[55]。对典型的SAR传感器而言，大气中1.0 mm大气可降水汽的不确定性对InSAR视距向变形反演，标准偏差约在15 mm的水平[12]。这一方面说明了水汽对InSAR干涉相位和形变信号的影响程度，也说明了水汽建模及大气校正对InSAR高精度形变反演和检测的重要性及迫切性。此外，水汽在大气层中的变化很大，这使得对水汽造成的湿延迟很难进行有效的估计。对于低频段SAR数据，还要考虑电离层效应对干涉测量结果的影响[56]。因此大气效应的分离和去除成为目前高精度干涉测量和应用中的关键问题和研究热点。
目前大气校正的方法主要可分为两类[57]：第1类方法，仅依靠干涉条纹图自身来消除大气影响，称为基于SAR数据自身的校正法，主要有：逐对分析法[58]、相位累计法[58]、随机滤波法[59]和永久散射体法[5,22]；另一种方法需要借助其他的外部数据来去除大气效应，称为基于外部数据的校正法，主要是利用地面气象观测数据[60]、GPS水汽数据[61]、光谱辐射计红外水汽数据产品[61]以及大气数值模式计算的水汽结果[62]等独立的数据源来降低或去除大气效应。针对电离层效应的去除，有分波束干涉图校正[63]、基于GPS数据校正[64]、方位偏移法[65]等校正方法。总体而言，在地质灾害监测应用中，InSAR大气效应在山区或高原地区尤为明显，因此在地灾监测中，特别是地形条件复杂、多植被、水体的环境下，大气扰动对InSAR测量的误差不容忽视，采用有效的技术方法和外部数据进行大气校正是必不可少的。
4.2 复杂地区形变信息的获取
近年来，中国仍不断有灾难性的地质灾害事件发生，代表性的有2017年6月24日四川茂县叠溪镇新磨村山体滑坡；2018年10月17日西藏林芝市米林县派镇加拉村附近雅鲁藏布江峡谷山体滑坡；2018年10月和2018年11月西藏江达县波罗乡白格村先后两次大型山体滑坡事件。由于地质灾害常发生于地形复杂、植被覆盖的山区，使得InSAR形变测量难度较大，这些因素直接影响了InSAR形变反演的效果和精度。山区的地形会导致SAR影像出现几何畸变，表现为SAR影像的透视收缩和阴影现象，当研究对象处在这样的几何畸变区域中，其形变信息获取难度很大。孙倩等人[66]指出对于研究的对象，可采用先验知识和外部DEM模拟出不同轨道、入射角条件下SAR数据的几何畸变范围，从而选择和定制合适的SAR数据，尽可能减小几何畸变带来的影响。植被覆盖较多的地区容易导致InSAR数据的失相关，直接影响形变测量的质量。针对这一难点，一方面国内外许多学者致力于处理算法的不断改进，如采用改进的算法，提高中等相干性目标的信噪比和相干性，使其成为可用于形变监测的有效点[15,16]；另一方面，对于植被覆盖较多的区域，采用短时间基线的数据或长波长SAR卫星数据，也能够一定程度上解决失相关的影响。
4.3 多维形变信息的获取
由于SAR传感器一般采用侧视成像，InSAR技术获取的形变只是形变在雷达视线向上的投影，因此往往难以反映真实的地灾形变情况。目前的解决办法有采用升降轨数据进行融合[67]，采用水准、LiDAR和GPS等外部数据进行融合[68,69]，采用DInSAR, Offset-Tracking与多孔径InSAR进行融合[70]，利用建模和观测值加权获取南北方向形变和3D位移场[71]等。此外，形变测量结果的大小和方向与雷达照射方向与监测目标所处的位置、方位、坡度角、雷达视角等有着直接的关系，需要根据地灾类型和所在区域的坡度角、朝向等信息，合理选择合适的SAR数据进行形变反演。以上述拉西瓦水电站形变监测为例，采用升轨数据无法获取大坝坝体的形变(坝体处在高山阴影区域)，还需利用降轨数据获取大坝形变。
5. 结束语
InSAR技术具有高分辨率、不受云雨条件限制、数据获取周期短的特点，能最大程度地实现大尺度、大面积区域形变的动态监测，在地质灾害监测中发挥了重大作用。本文回顾了InSAR技术的发展，详细介绍了差分InSAR、时序InSAR等技术的原理和特点，对InSAR技术在地震、滑坡、水利工程、地面沉降监测中的应用进行了梳理和综述，最后总结了当前地灾监测应用中InSAR技术的关键问题。
从InSAR技术在地质灾害监测的应用和发展进展来看，该技术己经基本成熟，已处在广泛的业务应用阶段，相关理论和技术体系也日趋完备。在地震形变监测应用中，目前利用InSAR技术的形变提取已从提取形变位移大小和空间位置向定量化的、3维形变信息提取发展，成为地震形变监测、预测和灾后评估的重要手段；在滑坡形变监测应用中，协同利用多种测量手段开展滑坡动态监测、隐患早期识别、自动化解译是未来的发展趋势；在水利工程形变监测中，应积极利用InSAR技术大范围、长时间序列监测的优势关注水电站等大型水利设施的全生命周期监测；在地面沉降监测中，InSAR技术已处在广泛应用阶段，后续发展将降低技术的准入门槛，以提供服务、解译结果的方式服务于各行业应用部门。综上，随着未来星载SAR卫星系统的发展和行业的驱动，加上InSAR工作者在处理技术上的不断改进和提高，InSAR技术将必然发展为一项成熟的高精度对地观测技术，对地质灾害的调查与监测产生巨大的影响。
-
图 2 采用常规PSI技术和JSInSAR技术获得的四川地区某滑坡形变速率图
Figure 2. Deformation rate map of the landslide in Sichuan Province obtained by PSI and JSInSAR
图 3 利用升轨数据获得的拉西瓦水电站周边形变速率图
Figure 3. Deformation map around the Laxiwa Hydropower Station obtained from the ascending orbit data
图 4 利用降轨数据获得的拉西瓦水电站坝体及周边形变速率图
Figure 4. Deformation map of the dam and surrounding area of the Laxiwa Hydropower Station obtained from the descending orbit data
图 5 拉西瓦水电站果卜岸坡区域形变速率图
Figure 5. Deformation rate map of the Guobu slope of the Laxiwa Hydropower Station
-
[1] WILEY C A. Pulsed doppler radar methods and apparatus[P]. US, 3196436, 1965. [2] 廖明生, 林晖. 雷达干涉测量—原理与信号处理基础[M]. 北京: 测绘出版社, 2003: 32–35.LIAO Mingsheng and LIN Hui. Synthetic Aperture Radar Interferometry—Principle and Signal Processing[M]. Beijing: Surveying and Mapping Press, 2003: 32–35. [3] 秦小芳, 张华春, 张衡, 等. TerraSAR-X/TanDEM-X升降轨双基干涉模式获取DEM方法研究[J]. 雷达学报, 2018, 7(4): 487–497. doi: 10.12000/JR18022QIN Xiaofang, ZHANG Huachun, ZHANG Heng, et al. A high precision DEM generation method based on ascending and descending pass TerraSAR-X/TanDEM-X BiSAR data[J]. Journal of Radars, 2018, 7(4): 487–497. doi: 10.12000/JR18022 [4] HANSSEN R F. Radar Interferometry: Data Interpretation and Error Analysis[M]. New York: Springer, 2001: 15–16. [5] FERRETTI A, PRATI C, and ROCCA F. Permanent scatterers in SAR interferometry[J]. IEEE Transactions on Geoscience and Remote Sensing, 2001, 39(1): 8–20. doi: 10.1109/36.898661 [6] STROZZI T, ANTONOVA S, GÜNTHER F, et al. Sentinel-1 SAR interferometry for surface deformation monitoring in low-land permafrost areas[J]. Remote Sensing, 2018, 10(9): 1360. doi: 10.3390/rs10091360 [7] CARLÀ T, INTRIERI E, RASPINI F, et al. Perspectives on the prediction of catastrophic slope failures from satellite InSAR[J]. Scientific Reports, 2019, 9(1): 14137. doi: 10.1038/s41598-019-50792-y [8] GRANDIN R, VALLÉE M, and LACASSIN R. Rupture process of the MW 5.8 Pawnee, Oklahoma, earthquake from Sentinel‐1 InSAR and seismological data[J]. Seismological Research Letters, 2017, 88(4): 994–1004. doi: 10.1785/0220160226 [9] LEE S and LEE C W. Analysis of the relationship between volcanic eruption and surface deformation in volcanoes of the Alaskan Aleutian Islands using SAR interferometry[J]. Geosciences Journal, 2018, 22(6): 1069–1080. doi: 10.1007/s12303-018-0050-z [10] GOLDSTEIN R M, ENGELHARDT H, KAMB B, et al. Satellite radar interferometry for monitoring ice sheet motion: Application to an Antarctic ice stream[J]. Science, 1993, 262(5139): 1525–1530. doi: 10.1126/science.262.5139.1525 [11] 刘国祥, 陈强, 罗小军, 等. 永久散射体雷达干涉理论与方法[M]. 北京: 科学出版社, 2012: 23–36.LIU Guoxiang, CHEN Qiang, LUO Xiaojun, et al. Permanent Scatterer Radar Interference Theory and Method[M]. Beijing: Science Press, 2012: 23–36. [12] 陈富龙, 林珲, 程世来. 星载雷达干涉测量及时间序列分析的原理、方法与应用[M]. 北京: 科学出版社, 2013: 22–23, 53–56.CHEN Fulong, LIN Hui, and CHENG Shilai. Principles, Methods and Applications of Spaceborne Radar Interferometry and Time Series Analysis[M]. Beijing: Science Press, 2013: 22–23, 53–56. [13] COSTANTINI M, FALCO S, MALVAROSA F, et al. A new method for identification and analysis of persistent scatterers in series of SAR images[C]. 2008 IEEE International Geoscience and Remote Sensing Symposium, Boston, USA, 2008. doi: 10.1109/IGARSS.2008.4779025. [14] WERNER C, WEGMULLER U, STROZZI T, et al. Interferometric point target analysis for deformation mapping[C]. 2003 IEEE International Geoscience and Remote Sensing Symposium, Toulouse, France, 2003. doi: 10.1109/IGARSS.2003.1295516. [15] FERRETTI A, FUMAGALLI A, NOVALI F, et al. A new algorithm for processing interferometric data-stacks: SqueeSAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(9): 3460–3470. doi: 10.1109/TGRS.2011.2124465 [16] LÜ Xiaolei, YAZICI B, ZEGHAL M, et al. Joint-Scatterer processing for time-series InSAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(11): 7205–7221. doi: 10.1109/TGRS.2014.2309346 [17] HOOPER A, ZEBKER H, SEGALL P, et al. A new method for measuring deformation on volcanoes and other natural terrains using InSAR persistent scatterers[J]. Geophysical Research Letters, 2004, 31(23): L23611. doi: 10.1029/2004GL021737 [18] KAMPES B and ADAM N. The STUN algorithm for persistent scatterer interferometry[C]. Fringe 2005 Workshop, Frascati, Italy, 2005: 16. [19] 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. doi: 10.1109/TGRS.2002.803792 [20] BLANCO-SÀNCHEZ P, MALLORQUÍ J J, DUQUE S, et al. The Coherent Pixels Technique (CPT): An advanced DInSAR technique for nonlinear deformation monitoring[J]. Pure and Applied Geophysics, 2008, 165(6): 1167–1193. doi: 10.1007/s00024-008-0352-6 [21] CROSETTO M, BIESCAS E, DURO J, et al. Generation of advanced ERS and Envisat interferometric SAR products using the stable point network technique[J]. Photogrammetric Engineering & Remote Sensing, 2008, 74(4): 443–450. doi: 10.14358/PERS.74.4.443 [22] FERRETTI A, PRATI C, and ROCCA F. Nonlinear subsidence rate estimation using permanent scatterers in differential SAR interferometry[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(5): 2202–2212. doi: 10.1109/36.868878 [23] PARIZZI A and BRCIC R. Adaptive InSAR stack multilooking exploiting amplitude statistics: A comparison between different techniques and practical results[J]. IEEE Geoscience and Remote Sensing Letters, 2011, 8(3): 441–445. doi: 10.1109/LGRS.2010.2083631 [24] MICHEL R, AVOUAC J P, and TABOURY J. Measuring ground displacements from SAR amplitude images: Application to the Landers earthquake[J]. Geophysical Research Letters, 1999, 26(7): 875–878. doi: 10.1029/1999GL900138 [25] 廖明生, 张路, 史绪国, 等. 滑坡变形雷达遥感监测方法与实践[M]. 北京: 科学出版社, 2017: 103–134.LIAO Mingsheng, ZHANG Lu, SHI Xuguo, et al. Landslide Deformation Radar Remote Sensing Monitoring Method and Practice[M]. Beijing: Science Press, 2017: 103–134. [26] SIMONS M and ROSEN P A. 3.12-Interferometric synthetic aperture radar geodesy[J]. Treatise on Geophysics (Second Edition) , 2015, 3: 339–385. [27] STROZZI T, LUCKMAN A, MURRAY T, et al. Glacier motion estimation using SAR offset-tracking procedures[J]. IEEE Transactions on Geoscience and Remote Sensing, 2002, 40(11): 2384–2391. doi: 10.1109/TGRS.2002.805079 [28] SANDWELL D T and PRICE E J. Phase gradient approach to stacking interferograms[J]. Journal of Geophysical Research: Solid Earth, 1998, 103(B12): 30183–30204. doi: 10.1029/1998JB900008 [29] MASSONNET D, ROSSI M, CARMONA C, et al. The displacement field of the Landers earthquake mapped by radar interferometry[J]. Nature, 1993, 364(6433): 138–142. doi: 10.1038/364138a0 [30] REID H F. The mechanics of the earthquake, the California earthquake of April 18, 1906[R]. 1910. [31] BONCORI J P M. Measuring coseismic deformation with spaceborne synthetic aperture radar: A Review[J]. Frontiers in Earth Science, 2019, 7: 16. doi: 10.3389/feart.2019.00016 [32] MASSONNET D, FEIGL K L, VADON H, et al. Coseismic deformation field of the M=6.7 Northridge, California earthquake of January 17, 1994 recorded by two radar satellites using interferometry[J]. Geophysical Research Letters, 1994, 23(9): 969–972. doi: 10.1029/96GL00729 [33] POLLITZ F F, WICKS C, and THATCHER W. Mantle flow beneath a continental strike-slip fault: Postseismic deformation after the 1999 Hector Mine earthquake[J]. Science, 2001, 293(5536): 1814–1818. doi: 10.1126/science.1061361 [34] FIELDING E J, TALEBIAN M, ROSEN P A, et al. Surface ruptures and building damage of the 2003 Bam, Iran, earthquake mapped by satellite synthetic aperture radar interferometric correlation[J]. Journal of Geophysical Research: Solid Earth, 2005, 110(B3): B03302. doi: 10.1029/2004JB003299 [35] SHEN Zhengkang, SUN Jianbao, ZHANG Peizhen, et al. Slip maxima at fault junctions and rupturing of barriers during the 2008 Wenchuan earthquake[J]. Nature Geoscience, 2009, 2(10): 718–724. doi: 10.1038/ngeo636 [36] 沈强, 乔学军, 王琪, 等. 中国玉树MW6.9地震InSAR地表形变特征分析[J]. 大地测量与地球动力学, 2010, 30(3): 5–9.SHEN Qiang, QIAO Xuejun, WANG Qi, et al. Characteristic analysis of coseismic deformation of Yushu MW6.9 earthquake from InSAR images[J]. Journal of Geodesy and Geodynamics, 2010, 30(3): 5–9. [37] 王永哲. 利用GPS和InSAR数据反演2011年日本东北MW6.9地震断层的同震滑动分布[J]. 地震学报, 2015, 37(5): 796–805. doi: 10.11939/jass.2015.05.008WANG Yongzhe. Coseismic slip distribution of the 2011 Tohoku MW6.9 earthquake inferred from GPS and InSAR data[J]. Acta Seismologica Sinica, 2015, 37(5): 796–805. doi: 10.11939/jass.2015.05.008 [38] 季灵运, 刘传金, 徐晶, 等. 九寨沟MS7.0地震的InSAR观测及发震构造分析[J]. 地球物理学报, 2017, 60(10): 4069–4082. doi: 10.6038/cjg20171032JI Lingyun, LIU Chuanjin, XU Jing, et al. InSAR observation and inversion of the seismogenic fault for the 2017 Jiuzhaigou MS7.0 earthquake in China[J]. Chinese Journal of Geophysics, 2017, 60(10): 4069–4082. doi: 10.6038/cjg20171032 [39] ATZORI S, ANTONIOLI A, TOLOMEI C, et al. InSAR full-resolution analysis of the 2017–2018 M> 6 earthquakes in Mexico[J]. Remote Sensing of Environment, 2019, 234: 111461. doi: 10.1016/j.rse.2019.111461 [40] GAUDREAU É, NISSEN E K, BERGMAN E A, et al. The August 2018 Kaktovik earthquakes: Active tectonics in northeastern Alaska revealed with InSAR and seismology[J]. Geophysical Research Letters, 2019, 46(24): 14412–14420. doi: 10.1029/2019GL085651 [41] CRUDEN D M. A simple definition of a landslide[J]. Bulletin of the International Association of Engineering Geology, 1991, 43(1): 27–29. doi: 10.1007/BF02590167 [42] FRUNEAU B, DELACOURT C, ACHACHE J, et al. Landslide monitoring in south of France with tandem data[C]. Proceedings of the 3rd ERS Symposium on Space at the Service of Our Environment, Florence, Italy, 1997. [43] XIA Ye, KAUFMANN H, GUO X F, et al. Landslide monitoring in the Three Gorges area using D-InSAR and corner reflectors[J]. Photogrammetric Engineering & Remote Sensing, 2004, 70(10): 1167–1172. doi: 10.14358/PERS.70.10.1167 [44] DAI Keren, XU Qiang, LI Zhenhong, et al. Post-disaster assessment of 2017 catastrophic Xinmo landslide (China) by spaceborne SAR interferometry[J]. Landslides, 2019, 16(6): 1189–1199. doi: 10.1007/s10346-019-01152-4 [45] WANG Guijie, WANG Yunlong, ZANG Xisheng, et al. Locating and monitoring of landslides based on small baseline subset interferometric synthetic aperture radar[J]. Journal of Applied Remote Sensing, 2019, 13(4): 044528. doi: 10.1117/1.JRS.13.044528 [46] LI Lingjing, YAO Xin, YAO Jiaming, et al. Analysis of deformation characteristics for a reservoir landslide before and after impoundment by multiple D-InSAR observations at Jinshajiang River, China[J]. Natural Hazards, 2019, 98(2): 719–733. doi: 10.1007/s11069-019-03726-w [47] XUE Feiyang and LÜ Xiaolei. Applying time series interferometric synthetic aperture radar and the unscented Kalman filter to predict deformations in Maoxian landslide[J]. Journal of Applied Remote Sensing, 2019, 13(1): 014509. doi: 10.1117/1.JRS.13.014509 [48] 许强, 董秀军, 李为乐. 基于天-空-地一体化的重大地质灾害隐患早期识别与监测预警[J]. 武汉大学学报: 信息科学版, 2019, 44(7): 957–966. doi: 10.13203/j.whugis20190088XU Qiang, DONG Xiujun, and LI Weile. Integrated space-air-ground early detection, monitoring and warning system for potential catastrophic geohazards[J]. Geomatics and Information Science of Wuhan University, 2019, 44(7): 957–966. doi: 10.13203/j.whugis20190088 [49] 肖儒雅, 何秀凤. 时序InSAR水库大坝形变监测应用研究[J]. 武汉大学学报: 信息科学版, 2019, 44(9): 1334–1341. doi: 10.13203/j.whugis20170327XIAO Ruya and HE Xiufeng. Deformation monitoring of reservoirs and dams using time-series InSAR[J]. Geomatics and Information Science of Wuhan University, 2019, 44(9): 1334–1341. doi: 10.13203/j.whugis20170327 [50] WANG Q Q, HUANG Q H, HE N, et al. Displacement monitoring of upper Atbara dam based on time series InSAR[J]. Survey Review, 2019. doi: 10.1080/00396265.2019.1643529 [51] LI Menghua, ZHANG Lu, SHI Xuguo, et al. Monitoring active motion of the Guobu landslide near the Laxiwa Hydropower Station in China by time-series point-like targets offset tracking[J]. Remote Sensing of Environment, 2019, 221: 80–93. doi: 10.1016/j.rse.2018.11.006 [52] MA Peifeng, WANG Weixi, ZHANG Bowen, et al. Remotely sensing large-and small-scale ground subsidence: A case study of the Guangdong–Hong Kong–Macao Greater Bay Area of China[J]. Remote Sensing of Environment, 2019, 232: 111282. doi: 10.1016/j.rse.2019.111282 [53] FAROLFI G, DEL SOLDATO M, BIANCHINI S, et al. A procedure to use GNSS data to calibrate satellite PSI data for the study of subsidence: An example from the north-western Adriatic coast (Italy)[J]. European Journal of Remote Sensing, 2019, 52(sup4): 54–63. doi: 10.1080/22797254.2019.1663710 [54] RATEB A and KUO C Y. Quantifying vertical deformation in the Tigris–Euphrates Basin due to the groundwater abstraction: Insights from GRACE and Sentinel-1 satellites[J]. Water, 2019, 11(8): 1658. doi: 10.3390/w11081658 [55] 胡程, 董锡超, 李元昊. 大气层效应对地球同步轨道SAR系统性能影响研究[J]. 雷达学报, 2018, 7(4): 412–424. doi: 10.12000/JR18032HU Cheng, DONG Xichao, and LI Yuanhao. Atmospheric effects on the performance of geosynchronous orbit SAR systems[J]. Journal of Radars, 2018, 7(4): 412–424. doi: 10.12000/JR18032 [56] 李亮, 洪峻, 明峰. 电离层对中高轨SAR影响机理研究[J]. 雷达学报, 2017, 6(6): 619–629. doi: 10.12000/JR17016LI Liang, HONG Jun, and MING Feng. Mechanism study of ionospheric effects on medium-earth-orbit SAR[J]. Journal of Radars, 2017, 6(6): 619–629. doi: 10.12000/JR17016 [57] 崔喜爱, 曾琪明, 童庆禧, 等. 重轨星载InSAR测量中的大气校正方法综述[J]. 遥感技术与应用, 2014, 29(1): 9–17. doi: 10.11873/j.issn.1004-0323.2014.1.0009CUI Xi’ai, ZENG Qiming, TONG Qingxi, et al. Overview of the atmospheric correction methods in repeat-pass InSAR measurements[J]. Remote Sensing Technology and Application, 2014, 29(1): 9–17. doi: 10.11873/j.issn.1004-0323.2014.1.0009 [58] MASSONNET D and FEIGL K L. Discrimination of geophysical phenomena in satellite radar interferograms[J]. Geophysical Research Letters, 1995, 22(12): 1537–1540. doi: 10.1029/95GL00711 [59] CROSETTO M, TSCHERNING C C, CRIPPA B, et al. Subsidence monitoring using SAR interferometry: Reduction of the atmospheric effects using stochastic filtering[J]. Geophysical Research Letters, 2002, 29(9): 26-1–26-4. doi: 10.1029/2001GL013544 [60] SAASTAMOINEN J. Atmospheric Correction for the Troposphere and Stratosphere in Radio Ranging Satellites[M]. HENRIKSEN S W, MANCINI A, CHOVITZ B H. The Use of Artificial Satellites for Geodesy. New York: The American Geophysical Union, 1972: 247–251. doi: 10.1029/GM015p0247. [61] LI Zhenhong. Correction of atmospheric water vapour effects on repeat-pass SAR interferometry using GPS, MODIS and MERIS data[D]. [Ph.D. dissertation], University College London, 2005. [62] YUN Ye, ZENG Qiming, GREEN B W, et al. Mitigating atmospheric effects in InSAR measurements through high-resolution data assimilation and numerical simulations with a weather prediction model[J]. International Journal of Remote Sensing, 2015, 36(8): 2129–2147. doi: 10.1080/01431161.2015.1034894 [63] WEGMÜLLER U, STROZZI T, and WERNER C. Ionospheric path delay estimation using split-beam interferometry[C]. 2012 IEEE International Geoscience and Remote Sensing Symposium, Munich, Germany, 2012. doi: 10.1109/IGARSS.2012.6350630. [64] 金双根, 朱文耀. GPS观测数据提高InSAR干涉测量精度的分析[J]. 遥感信息, 2001(4): 8–11. doi: 10.3969/j.issn.1000-3177.2001.04.003JIN Shuanggen and ZHU Wenyao. Analysis of GPS observation data to improve InSAR interferometry precision[J]. Remote Sensing Information, 2001(4): 8–11. doi: 10.3969/j.issn.1000-3177.2001.04.003 [65] MATTAR K E and GRAY A L. Reducing ionospheric electron density errors in satellite radar interferometry applications[J]. Canadian Journal of Remote Sensing, 2002, 28(4): 593–600. doi: 10.5589/m02-051 [66] 孙倩, 胡俊, 陈小红. 多时相InSAR技术及其在滑坡监测中的关键问题分析[J]. 地理与地理信息科学, 2019, 35(3): 37–45. doi: 10.3969/j.issn.1672-0504.2019.03.006SUN Qian, HU Jun, and CHEN Xiaohong. Multi-temporal InSAR techniques and their challenges in the landslides monitoring[J]. Geography and Geo-Information Science, 2019, 35(3): 37–45. doi: 10.3969/j.issn.1672-0504.2019.03.006 [67] GAN Jie, HU Jun, LI Zhiwei, et al. Mapping three-dimensional co-seismic surface deformations associated with the 2015 MW7.2 Murghab earthquake based on InSAR and characteristics of crustal strain[J]. Science China Earth Sciences, 2018, 61(10): 1451–1466. doi: 10.1007/s11430-017-9235-4 [68] JI Panfeng, LÜ Xiaolei, DOU Fangjia, et al. Fusion of GPS and InSAR data to derive robust 3D deformation maps based on MRF L1-regularization[J]. Remote Sensing Letters, 2020, 11(2): 204–213. doi: 10.1080/2150704X.2019.1701722 [69] HU Fengming, VAN LEIJEN F J, CHANG Ling, et al. Monitoring deformation along railway systems combining multi-temporal InSAR and LiDAR data[J]. Remote Sensing, 2019, 11(19): 2298. doi: 10.3390/rs11192298 [70] HU J, LI Z W, DING X L, et al. 3D coseismic displacement of 2010 Darfield, New Zealand earthquake estimated from multi-aperture InSAR and D-InSAR measurements[J]. Journal of Geodesy, 2012, 86(11): 1029–1041. doi: 10.1007/s00190-012-0563-6 [71] MEHRABI H, VOOSOGHI B, MOTAGH M, et al. Three-dimensional displacement fields from InSAR through Tikhonov regularization and least-squares variance component estimation[J]. Journal of Surveying Engineering, 2019, 145(4): 04019011. doi: 10.1061/(ASCE)SU.1943-5428.0000289 期刊类型引用(50)
1. 陈月娟，杜宇翔，尹博，刘洋，本德日高，王维. 基于图像差异检测的地基雷达高陡边坡安全监测研究. 内蒙古工业大学学报(自然科学版). 2025(01): 79-87 . 
百度学术2. 徐文正，卢书强，林振，周王敏. 联合InSAR与神经网络的范家坪滑坡形变监测及预测研究. 水文地质工程地质. 2025(02): 150-163 . 百度学术3. 张俊建，唐宇琪，邹琪. 基于PS-InSAR技术的水库大坝形变监测研究. 测绘与空间地理信息. 2024(01): 155-158 . 百度学术4. 樊昱初，吕义清，杨娜. 基于SABS-InSAR的保德矿区地表形变监测与分析. 科学技术与工程. 2024(03): 941-951 . 百度学术5. BI Rui，GAN Shu，YUAN Xiping，LI Kun，LI Raobo，LUO Weidong，CHEN Cheng，GAO Sha，HU Lin，ZHU Zhifu. Detection and analysis of landslide geomorphology based on UAV vertical photogrammetry. Journal of Mountain Science. 2024(04): 1190-1214 . 必应学术6. 管静. 基于改进SBAS-InSAR方法的地下水动态监测的沉降分析. 地下水. 2024(03): 65-68 . 百度学术7. 罗莉，王斌，周立鹏. 基于多源数据的广域滑坡隐患数字地形分析. 北京测绘. 2024(04): 596-602 . 百度学术8. 闫鑫，冯柏程，刘文强. 基于D-InSAR技术的大范围地灾普查分析——以雅安为例. 科学技术创新. 2024(16): 62-65 . 百度学术9. 孙成永. InSAR技术在河南信阳新县地质灾害风险调查中的应用. 城市地质. 2024(03): 383-389 . 百度学术10. 杨成业，张鑫，李若铭，薄雾，刘朵. 基于SBAS-InSAR技术的雅鲁藏布江色东普沟地质灾害发育特征与复活趋势分析. 高原科学研究. 2024(03): 1-13 . 百度学术11. 蒲磊，杨启贵，程翔，周伟. 基于SBAS-InSAR技术的HD库区CYP滑坡形变监测分析. 中国农村水利水电. 2024(11): 240-246 . 百度学术12. 肖自为，马源，李金林，龚弦，邓修林，程曦. 基于过程预警模型的矿山边坡监测系统研究与应用. 地质灾害与环境保护. 2024(04): 91-98 . 百度学术13. 俞文轩，李益敏，计培琨，冯显杰，向倩英. 基于升降轨SAR数据的兰坪县黄登水电站上游时间序列地表形变研究. 自然资源遥感. 2024(04): 282-294 . 百度学术14. 李如仁，宫旭辉，陈振炜，张过，刘明霞. 基于InSAR技术的吐鲁番盆地沉降监测与分析. 测绘科学. 2024(12): 167-177 . 百度学术15. 李宾，陶秋香，牛冲，刘晓帅，张亚凤. 全分辨率与多视法DInSAR矿区地面沉降监测研究. 西南大学学报(自然科学版). 2023(01): 173-182 . 百度学术16. 周校，余松林，李岩，李芳媛，魏丽娟. 星载InSAR技术在复杂山区地形建模中的应用研究. 工程勘察. 2023(02): 64-67+78 . 百度学术17. 王庆芳，郑志军，董继红，余天彬，刘文，黄细超. 基于多源遥感技术的红层滑坡识别与监测研究. 人民长江. 2023(01): 111-118 . 百度学术18. 张新伟，马静，侯祖行，刘俊明，杨成生，安栋，于涛. 北京大兴国际机场及周边交通干道形变时序InSAR监测. 地球科学与环境学报. 2023(01): 131-142 . 百度学术19. 卢毅，宋泽卓，刘瑾，卜凡，祁长青. 基于DFOS的通州湾地区地面沉降监测与变形分析. 河海大学学报(自然科学版). 2023(02): 81-88 . 百度学术20. 王洪明，李如仁，高建，陈振炜. 时间序列InSAR技术广域地表形变监测——以湖北省为例. 贵州地质. 2023(01): 36-42 . 百度学术21. 周校，李春海，余松林，王吉军，李兴凯. 面向复杂地形应用的星载SAR成像能力仿真分析. 兵工自动化. 2023(05): 88-91 . 百度学术22. 霍瑞. InSAR变形监测技术在矿区地质灾害调查中的应用. 世界有色金属. 2023(04): 181-183 . 百度学术23. 郭一兵，姜鑫，郭富赟，丁保艳，吴正军，岳东霞，刘昌禄. 甘肃舟曲县果耶镇磨里滑坡成因及堵江危险性预测分析. 中国地质灾害与防治学报. 2023(03): 58-68 . 百度学术24. 于冰，胡云亮，刘国祥，罗小军，胡金龙. 时序InSAR反演唐山市二维地表形变时间序列. 测绘科学. 2023(06): 82-94+230 . 百度学术25. 王允，王松鹏，王宁涛. 时序InSAR技术在尼泊尔中央发展区北部地区地质灾害隐患早期识别中的应用. 华南地质. 2023(03): 536-547 . 百度学术26. 闫斌，董建军，梅媛，刘士乙. 高海拔石灰石排土场汛期潜在滑移区域的D-InSAR评价研究. 安全与环境工程. 2023(06): 162-168 . 百度学术27. 刘辉，赵文飞，刘先林，刘俊国，刘文锴，刘雪梅，秦臻. 南水北调中线工程高填方渠道PS-InSAR形变监测. 华北水利水电大学学报(自然科学版). 2023(06): 1-9 . 百度学术28. 黄德华. 基于InSAR技术的大同市云冈矿区地面沉降监测. 华东地质. 2023(04): 476-484 . 百度学术29. 梁思，洪亮，厉芳婷，方芳. 多源遥感数据协同滑坡应急监测应用研究. 地理空间信息. 2022(01): 52-55+7 . 百度学术30. 张本浩，魏云杰，杨成生，熊国华，董继红. 西藏然乌地区地质灾害隐患点InSAR识别与监测. 中国地质灾害与防治学报. 2022(01): 18-26 . 百度学术31. 逯中香，樊彦国，李国胜. 利用时序InSAR技术监测青藏铁路沿线地表形变. 测绘通报. 2022(03): 138-142+156 . 百度学术32. 王磊，连增增，刘杰. 基于SBAS-InSAR技术和Sentinel-1A的城市地表沉降监测. 地理空间信息. 2022(04): 59-64 . 百度学术33. 张红忠，黄静，崔龙，阿布都沙拉木·托尔逊，马立平. 基于SBAS-InSAR技术的新疆WLL水库沉降监测与分析. 大地测量与地球动力学. 2022(06): 601-605 . 百度学术34. 杨成业，张涛，高贵，卜崇阳，吴华. SBAS-InSAR技术在西藏江达县金沙江流域典型巨型滑坡变形监测中的应用. 中国地质灾害与防治学报. 2022(03): 94-105 . 百度学术35. 姚京川，郭继亮，简国辉，袁慕策，冯楠，郑佳怡. 基于TSInSAR技术的铁路线路沉降监测. 中国铁路. 2022(07): 53-58 . 百度学术36. 王琼，欧元超，张平松. 基于文献计量的滑坡监测技术现状及趋势分析. 人民长江. 2022(08): 123-132 . 百度学术37. 毛延翩，陈一鸣，李陶，刘杰. 基于Sentinel-1A数据和SBAS-InSAR技术的金沙江溪洛渡水电站区域形变分析. 大坝与安全. 2022(04): 59-66 . 百度学术38. 李晓恩，周亮，苏奋振，吴文周. InSAR技术在滑坡灾害中的应用研究进展. 遥感学报. 2021(02): 614-629 . 百度学术39. 任广丽，傅宇浩，李立云. 边坡工程灾变监测预警研究述评. 防灾科技学院学报. 2021(01): 6-16 . 百度学术40. 杨光欣，朱煜峰，张龙刚. Stacking-InSAR技术在矿区地表沉降监测中的应用. 矿山测量. 2021(02): 98-102+119 . 百度学术41. 熊丽媛，周学铖，吕品，杨玲. 构建油气资源开发的多源多时相多尺度遥感监测体系的思考. 矿产与地质. 2021(02): 305-308 . 百度学术42. 费毕刚，韩鹏飞，朱茂，万小莉，王春伟，孙珍珍. 基于星载InSAR技术的城市房屋安全风险识别. 城市勘测. 2021(03): 71-76 . 百度学术43. 贺志杰，钱鼎，凌小康，宋义敏. 基于光照不变特征的数字散斑相关方法. 科学技术与工程. 2021(14): 5907-5912 . 百度学术44. 朱同同，史绪国，周超，蒋厚军，张路，廖明生. 利用2016—2020年Sentinel-1数据监测与分析三峡库区树坪滑坡稳定性. 武汉大学学报(信息科学版). 2021(10): 1560-1568 . 百度学术45. 王志岗，周文韬. 雷达干涉测量对金川西二矿地表二维形变监测. 矿山测量. 2021(06): 77-81 . 百度学术46. 廖明生，王茹，杨梦诗，王楠，秦晓琼，杨天亮. 城市目标动态监测中的时序InSAR分析方法及应用. 雷达学报. 2020(03): 409-424 . 
本站查看47. 李勇，孙晓鹏，李海亮. InSAR技术在西部山区某高速公路山体变形机理分析研究中的应用. 地质灾害与环境保护. 2020(03): 88-94 . 百度学术48. 管威. 基于D-InSAR技术分析的地质灾害与矿区周边地表变形关系. 中国金属通报. 2020(08): 185-186 . 百度学术49. 侯燕军，周小龙，石鹏卿，郭富赟. “空-天-地”一体化技术在滑坡隐患早期识别中的应用——以兰州普兰太公司滑坡为例. 中国地质灾害与防治学报. 2020(06): 12-20 . 百度学术50. 辛宗成. 水利水电工程中地质灾害预防与地质环境保护对策探讨. 产业科技创新. 2019(08): 13-16 . 百度学术其他类型引用(41)
-
下载:
下载:
百度学术
计量
- 文章访问数: 7080
- HTML全文浏览量: 3609
- PDF下载量: 887
- 被引次数: 91
