时序InSAR技术在珠三角地区地质灾害隐患识别中的应用

图1 研究区地理位置

(GF-1 B3(R),B2(G),B1(B)真彩色合成影像)

Fig.1 Geographical location of the study area

1.2 数据源

本研究使用了35景时间序列Sentinel-1A渐进扫描(terrain observation by progressive scans,TOPS)成像模式单视复数据(single look complex,SLC)及精轨数据,像元大小为13.95 m(方位向)×2.33 m(侧视向),雷达波中心入射角约为38.94°。升轨第113轨第71帧。

Sentinel-1A时间跨度为2019年9月—2020年11月,从http://tianqi.2345.com/wea_history/72039.htm获取了这一时段内Sentinel-1A成像日期(共35 d)的龙岗区历史天气状况,阴、多云、雨天气共计32 d,占比91.4%,如表1所示。为了降低斑点噪声,增加相干性,提高配准精度,同时使得像元地面分辨率长宽大体一致,干涉处理过程对SLC数据做了1 m(方位向)×4 m(距离向)多视处理,多视后像元大小为13.95 m(方位向)×14.83 m(距离向)。另外,从美国国家航空航天局网站搜集了30 m空间分辨率的SRTM DEM数据,用于去除地形相位和地理编码。

表1 Sentinel-1A成像日期龙岗区天气状况

Tab.1 Weather conditions in Longgang District on Sentinel-1A imaging date

ID	成像日期	天气状况	ID	成像日期	天气状况	ID	成像日期	天气状况
1	20190905	大雨转雷阵雨	13	20200127	多云	25	20200713	多云转晴
2	20190917	雷阵雨	14	20200208	多云	26	20200725	阴转多云
3	20190929	晴	15	20200303	多云转小雨	27	20200806	阴转阵雨
4	20191011	晴转多云	16	20200315	多云	28	20200818	中雨转暴雨
5	20191023	多云	17	20200327	多云转雷阵雨	29	20200830	暴雨转多云
6	20191104	晴	18	20200420	阴转多云	30	20200911	小雨转雷阵雨
7	20191116	多云	19	20200502	多云	21	20200923	阴转雷阵雨
8	20191128	多云	20	20200514	多云	32	20201005	阴
9	20191210	晴	21	20200526	大雨转阵雨	33	20201017	多云
10	20191222	多云	22	20200607	暴雨	34	20201029	阴转多云
11	20200103	阴转多云	23	20200619	阴转晴	35	20201110	阴转多云
12	20200115	多云	24	20200701	大雨转雷阵雨

2 研究方法

本研究总体技术方法流程如图2所示。首先介绍干涉相干性最优原则生成SBAS InSAR像对连接图方法,采用此方法生成的去平干涉图集和SBASInSAR技术反演研究区地表形变信息; 而后与PS InSAR反演的研究区地表形变结果进行对比; 最后,使用SBAS InSAR地表形变结果提取了研究区主要沉降带,作为InSAR普查出的研究区滑坡、崩塌和地面塌陷等地质灾害风险的隐患点(区),并分析、推断了地表形变成因。

图2

图2 总体技术方法流程

Fig.2 Overall technology and method flow

2.1 相干性最优生成连接图

为了优选干涉相干性较高的像对组建像对连接图,张永红等^[5]综合影像集时空基线分布状况、像对连通性和干涉相干性,提出了干涉相干性最优原则。针对研究区多云多雨高湿引发的InSAR干涉相干性降低和失相干现象,本研究使用干涉相干性最优原则生成SBAS InSAR像对连接图,干涉相干性最优原则流程如图2中绿色虚线矩形框所示。干涉相干性最优原则具体步骤为: ①选择SAR影像研究区内400像元×400像元的感兴趣区(region of interest,ROI),生成ROI全部连接像对以及相干图集,均为N(N-1)/2个,N为影像个数。ROI的选取可遵循高相干地物(如建筑物、道路、桥梁)和低相干地物(如植被、裸地、湿地)各占50%且避开陡峭斜坡的原则; ②对所有ROI相干图集按照相干平均值(ROI相干图16 000像元的平均值)由高到低排序; ③以步骤②确定的顺序依次递增选择干涉像对,直到所有干涉像对连通为止,形成M个干涉像对组建的像对连接图,即M[N(N-1)/2]。

2.2 SBAS InSAR

为了解决由于时空基线过长引起的失相干问题,Berardino等^[12]提出了SBAS InSAR技术。SBAS InSAR不需要较多SAR影像个数,可显著增加有效干涉像对个数; 有效利用覆盖场景内的分布式相干点,一定程度上可用于非城区的自然场景。SBAS InSAR需要对每个干涉图进行相位解缠,而如果相邻像元存在相位不连续或相位周跳则将产生局部相位解缠误差。

从N景影像中选择一景影像为超级主影像,其余同轨影像都与之精配准。采用干涉相干性最优原则生成的像对连接图作为SBAS InSAR的像对连接图,如图2中蓝色虚线框所示,并且使像对连接图中干涉像对互相精配准,基线估计。设置多视参数,幅度计算和相干计算,结合DEM数据去除平地相位和地形相位,生成M个差分干涉图并滤波,使用最小费用流技术进行相位解缠。使用DEM、相干图和解缠相位图选择控制点,对所有差分干涉图进行基线精化。重新去除平地相位与地形相位,生成M个新的差分干涉图。对差分干涉图进行滤波,得到滤波后差分干涉图。

t_A和t_B时刻的2景影像生成的第i幅滤波后差分干涉图中(x,y)像元的差分干涉相位表示为:

(1)

\begin{array}{c} Δ φ_{i} (x, y) = φ (t_{B}, x, y) - φ (t_{A}, x, y) \approx \\ \frac{4 π}{λ} Δ φ_{d i s p} (t_{B - A}^{i}, x, y) + \\ \frac{4 π}{λ} \frac{b_{⊥, i} Δ d}{r (t_{B - A}^{i}) s i n (θ^{i})} + \frac{4 π}{λ} Δ φ_{a t m} (t_{B - A}^{i}, x, y) \end{array}

式中: i=1,2,…,M; Δφ_disp为形变相位差; t_B-A为t_A和t_B时刻的2景影像的时间基线; λ为电磁波波长; r为雷达传感器到目标直线距离; θ为雷达入射角; b_⊥为垂直基线; Δd为高程残差; Δφ_atm为大气相位差。

通过设定平均相干系数阈值、幅度离差阈值和平均幅度阈值,选取了高相干点目标。通过局部Delaunay三角网连接所有高相干点目标,t_A和t_B时刻的2景影像生成的第i幅滤波后差分干涉图中三角网上的任一条边,其2顶点m和n之间的相位模型为:

(2)

\begin{array}{c} Δ φ_{m, n} (t_{B - A}^{i}) = \frac{4 π}{λ} t_{B - A}^{i} Δ v_{m, n} + \\ \frac{4 π}{λ} \frac{b_{⊥, i} t_{B - A}^{i}}{r (t_{B - A}^{i}) s i n (θ^{i})} Δ ξ_{m, n} + Δ β_{m, n} + \\ Δ α_{m, n} + Δ n_{m, n} \end{array}

式中: Δφ_m_,_n为2个相邻高相干点m和n之间的相位差; Δv和Δξ分别为形变速率和高程误差增量; Δβ为非线性形变相位项; Δα为大气影响相位项; Δn为噪声相位项。设置大气影响相关距离为1.2~1.5 km(经验值),当三角网2个相邻高相干点间距在大气影响相关距离内时,可认为Δα为0。而非线性形变相位和噪声相位都是随机信号,积分值接近0。而后式(1)可以简化为:

(3)

B ψ = Δ ψ

式中 $B$ 为M×N矩阵; $ψ$ 为未知形变相位向量。用2个时刻之间的平均速率v代替其中的未知相位,得到:

(4)

B v = Δ ψ

。

矩阵 $B$ 是秩亏矩阵,所以使用奇异值分解方法对 $B$ 进行伪逆运算,得到v的广义逆解。对各时段内的形变速率进行积分就可得到时间序列形变量。

2.3 PS InSAR

Ferretti等^[17-18]首次提出了PS InSAR技术。PS InSAR通过选择长时间序列后向散射较强且相位较稳的相干点目标以提高干涉相干性,并基于这些相干点目标反演和表征影像覆盖场景内地表形变信息。PS InSAR在城市高分辨率地面沉降尤其重点基础设施的高分辨率形变监测中已得到广泛应用,但PS InSAR对同区域同轨SAR影像数量需求较多(一般应多于25景),并且大量相干点的迭代回归或网平差导致运算效率降低。

从N景影像中选择一景影像作为主影像,其余同轨影像作为辅影像。将所有辅影像与主影像进行精配准,同名点配准标准差通常应小于0.25个像元,估计基线。设置多视参数,计算幅度和相干系数,结合DEM和空间基线,从N-1幅干涉相位图相位中减去平地相位和地形相位,即可获得N-1幅差分干涉图相位。

通过设定平均相干系数阈值、幅度离差阈值和平均幅度阈值,选取相干点。第i幅差分干涉图中相干点(x,y)的相位可表示为:

(5)

\begin{array}{c} φ^{i} (x, y) = [\frac{4 π}{λ} t_{B - A}^{i} v (x, y) + φ_{n o n - l i n e a r}^{i} (x, y)] + \\ \frac{4 π}{λ} \frac{b_{⊥, i}}{r (t_{B - A}^{i}) s i n (θ^{i})} ξ (x, y) + φ_{a t m}^{i} (x, y) + φ_{n o i s e}^{i} (x, y) \end{array}

式中: ξ和v分别为高程误差和线性形变速率; $\frac{4 π}{λ}$ tv和φ_non-linear分别为线性形变和非线性形变相位; $\frac{4 π}{λ} \frac{b_{⊥}}{r (t) s i n θ} ξ$ 为DEM引起的高程误差相位; φ_atm和φ_noise分别为大气相位和噪声相位。

通过局部Delaunay三角网连接所有相干点,小于设定距离阈值(一般为1.2~1.5 km)的相干点大气相位近似相等。因此对于三角网上的任一条边,其2顶点m和n之间的相位差为线性模型为:

(6)

\begin{array}{c} Δ φ_{m, n} (t_{B - A}^{i}) = \frac{4 π}{λ} t_{B - A}^{i} Δ v_{m, n} + \\ \frac{4 π}{λ} \frac{b_{⊥, i} t_{B - A}^{i}}{r (t_{B - A}^{i}) s i n (θ^{i})} Δ ξ_{m, n} \end{array}

。

采用整体相位相干系数法求取Δv和Δξ。而后对三角网的每条可靠连接边进行积分得到解缠的形变相位^[20],使用时空滤波器估计和去除形变相位中的大气相位,最终得到每个相干点的平均形变值和累计形变量。

3 结果与分析

首先对研究区Sentinel-1A数据开展SBAS InSAR处理。按照图2流程,使用干涉相干性最优原则生成了595个ROI全部连接图(图3(a))以及相干图,对所有ROI相干图集按照相干平均值由高到低排序,按照每间隔5个列出排序前101个ROI相干图平均值,见表2,最终形成了84个干涉像对(图3(b))。选择2020年3月3日(影像ID: 15)作为SBAS InSAR超级主影像,其他34景影像都与之精配准,连接图中干涉像对互相精配准,设置1 m(方位向)×4 m(距离向)多视参数生成干涉图。连接图中84个像对的去平干涉图按照每间隔5个列出,见表3,表中白框为ROI,表3序号与表2序号含义相同。由表3可知,随着像对相干性降低,去平干涉图的干涉质量逐渐下降,但第84个去平干涉图仍有较多的相位信息,因此本实验后续地表形变信息SBAS InSAR反演未考虑删除影像,而是决定使用这84个像对。平均相干系数阈值为0.6、幅度离差阈值为0.3和平均幅度阈值为1.5,选取了182.3万个相干点。小于设定距离阈值1.2 km的局部Delaunay三角网相干点按式(2)进行相位差积分,使用时空滤波器去除每个相干点的大气相位,按式(3)—(4)进行SBAS InSAR反演,得到平均形变值和累计形变量。SBAS InSAR技术获取了研究区2019年9月—2020年11月平均形变速率如图4所示。

表2 ROI相干图平均值降序排列

Tab.2 Average values of ROI coherence graph arranged in descending order

序号	ID1	ID2	相干均值	构连接图	序号	ID1	ID2	相干均值	构连接图	序号	ID1	ID2	相干均值	构连接图
1	12	13	184.15	是	36	9	13	162.93	是	71	24	26	158.33	是
6	5	6	173.33	是	41	28	29	162.10	是	76	31	33	157.93	是
11	11	12	171.34	是	46	14	18	161.52	是	81	19	24	157.43	是
16	10	13	168.49	是	51	17	19	160.50	是	86	8	14	156.96	否
21	16	17	166.98	是	56	7	13	159.51	是	91	10	15	156.21	否
26	29	30	165.00	是	61	10	16	159.00	是	96	6	10	155.59	否
31	10	14	164.06	是	66	6	11	158.71	是	101	6	12	155.01	否

注: 由于篇幅原因,此表按照每间隔5个列出排序前101个ROI相干图平均值。

表3 连接图中去平干涉图

Tab.3 Flattening interferogram in connection diagram

序号		序号	序号	序号	序号
1		21	41	61	81
6		26	46	66	84
11	31		51	71	20190905 幅度图
16	36		56	76

图3

图3 干涉像对连接图

Fig.3 Connection diagram of the interferogram pairs

图4

图4 研究区2019年9月—2020年11月地表形变SBAS InSAR反演结果

Fig.4 SBAS InSAR surface deformation field from September 2019 to November 2020 in the study area

而后采用PS InSAR按照图2流程对研究区Sentinel-1A数据进行了处理。选择2020年5月14日影像(影像ID: 20)作为PS InSAR主影像,其他34景影像作为辅影像。将34景辅影像与主影像进行精配准,同名点配准标准差小于0.2个像元。通过设定平均相干系数阈值为0.6、幅度离差阈值为0.3和平均幅度阈值为1.5,选取了115.5万个相干点。小于设定距离阈值1.2 km的局部Delaunay三角网相干点按式(6)进行相位差积分,使用时空滤波器去除每个相干点的大气相位,得到平均形变值和累计形变量。PS InSAR技术获取的研究区2019年9月—2020年11月平均形变速率如图5所示。

图5

图5 研究区2019年9月—2020年11月地表形变PS InSAR反演结果

Fig.5 PS InSAR surface deformation field from September 2019 to November 2020 in the study area

在图4和图5中,正值代表地表抬升,负值代表地表沉降。SBAS InSAR反演的研究区地表形变分布和范围与PS InSAR反演结果大体一致,验证了SBAS InSAR获取的研究区地表形变信息是准确、可靠的。而在低山和丘陵地带,较大地形起伏造成了相位突变,反演结果出现了少数个稀零、离散的伪形变点。

最后基于SBAS InSAR反演结果,提取了研究区连接成片的9个主要沉降带,地理位置和形变速率如表4。研究区内各沉降带沉降漏斗形变速率都在-20 mm/a以上; 最大形变速率为-31.5 mm/a,位于龙岗街道龙园路沉陷区,该地区属于岩溶塌陷地质灾害易发区。

表4 沉降带位置和形变速率

Tab.4 Location and deformation rate of subsidence zone

序号	位置	经度/(°)	纬度/(°)	形变速率/ (mm·a^-1)
1	塘实公司	114.124	22.789	-30.2
2	仙湖山庄	114.168	22.556	-29.7
3	深圳市天地东建混凝土有限公司	114.282	22.583	-27.5
4	坪山区中心广场	114.344	22.703	-26.2
5	龙岗街道龙园路	114.248	22.724	-31.5
6	大围工业区	114.212	22.711	-21.7
7	红棉四路	114.206	22.672	-20.9
8	腾龙工业区	114.080	22.718	-21.4
9	神力工业园	114.052	22.679	-20.6

4 讨论

9个主要沉降带的SBAS InSAR和PS InSAR反演地表形变结果对比见图4—5和表4,对比SBAS InSAR和PS InSAR反演结果可知: ①基于干涉相干性最优原则的SBAS InSAR反演的主要沉降带形变分布和范围与PS InSAR结果一致,说明SBAS InSAR反演的研究区形变信息准确、可靠,该结论与文献[5]结论较为一致; ②在大形变量区域,SBAS InSAR相干点密度远大于PS InSAR,说明SBAS InSAR能够提升干涉图集的干涉相干性,提取了更多相干点,该结论与文献[4,21]观点或结论较为一致; ③结果表明在反演长时间序列大形变区域的完整形变场方面,SBAS InSAR技术更具优势。

主要沉降带SBAS InSAR反演结果及相应地理位置的Google Earth影像图及其历史影像图见表5,结合《深圳市地质灾害易发程度分区图(1∶50 000)》^[22]和《全国1∶20万地质图》^[23]以及地表沉降常见成因,初步分析研究区内主要沉降带的地质岩性、结构、构造和地质灾害易发类型,推断引起主要沉降带发生地表沉降的主要原因,如表6。由表5和表6可知,主要沉降带大都位于工业园区、大型地上地下城建区和岩溶塌陷地质灾害易发区,因此推断引起研究区地表沉降的主要原因有: ①工业采水和排水导致的地下水文环境和地质条件发生变化,如“1塘实公司”、“5龙岗街道龙园路”和“8腾龙工业区”; ②新建密集、大型、高层建筑群对地基施加的静荷载,使地基土体发生压密变形,如“2仙湖山庄”和“6大围工业区”; ③地下工程建设引发的采空沉降,如“4坪山区中心广场”、“5龙岗街道龙园路”和“7红棉四路”; ④持续强降雨触发岩溶塌陷地质灾害或触发斜坡体失稳而发生滑移,如“5龙岗街道龙园路”。

表5 主要沉降带SBAS InSAR与PS InSAR反演结果及影像

Fig.5

下载原图ZIP| 生成PPT

Fig.5 Comparison of inversion results of SBAS and PS InSAR in major subsidence zones with their images

序号	SBAS InSAR	PS InSAR	Google Earth影像	序号	SBAS InSAR	PS InSAR	Google Earth影像
1				6
2				7
3				8
4				9
5

表6 各沉降带沉降漏斗分布、地质岩性和结构构造

Tab.6 Location distribution, geology, lithology and structure of sedimentation funnel in each subsidence zone

序号	位置	沉降带各沉降漏斗位置	地质岩性和地质灾害易发类型	结构构造
1	塘实公司	横塘工业区南200 m的泥料搅拌厂; 凤凰钓鱼场南边的新建工厂	以砂岩-凝灰质粉砂岩为主,间有细砂岩-页岩	砂状结构-火山、沉积碎屑结构-泥质结构,层状构造
2	仙湖山庄	仙湖山庄别墅区; 宠物浩园北边	以砂质砾-砂-粉砂-泥为主,间有碳质页岩-石英砂岩	泥质结构-砂状结构,层状构造
3	深圳市天地东建混凝土有限公司	深圳市天地东建混凝土有限公司	以砂岩-碳质页岩为主	砂状结构-泥质结构,层状构造
4	坪山区中心广场	燕子岭东北边地铁4号线; 坪山区中心广场; 坪山游泳馆东边的中国石化加油站; 在建地铁16号线深圳开放大学附近	以坪山岩体(花岗岩类)为主,间有砂岩-泥岩	细粒结构-中粒结构-砂状结构-泥质结构,块状构造为主、间有层状构造
5	龙岗街道龙园路	龙岗街道龙园路; 龙城大道与在建的地铁16号线交汇处; 南龙工业园,原为密集的厂房和居民区,2015—2017年拆迁,2018年开始建设施工	以屯洋岩体(花岗岩类)为主,岩溶塌陷地质灾害高易发区	中粒结构-斑状结构,块状构造
6	大围工业区	大围工业区; 中海凯骊酒店,26层高,位于在建的地铁16号线正西方向约200 m; 龙城公园西门的地区,2018年2月—2019年7月为新建厂房,占地面积约为3 300 m²	地质岩性以砂岩-碳质页岩为主	砂状结构-泥质结构,层状构造
7	红棉四路	位于在建的地铁14号线	以石灰岩-砂岩为主,间有碳质页岩,崩塌、滑坡地质灾害中易发区	生物碎屑结构-砂状结构-泥质结构,层状构造
8	腾龙工业区	腾龙工业区	以砂岩-凝灰质粉砂岩为主,崩塌、滑坡地质灾害高易发区	砂状结构-火山、沉积碎屑结构,层状构造
9	神力工业园	无明显沉降漏斗,沉降带分布较为广泛,分布有较多工业园,分别为联丰泰工业园、大力神工业园、神力工业园、卓越工业园、胜立工业园、亚洲工业园等	以吕山顶岩体、茜坑岩体为主,间有白芒岩体、砂岩-凝灰质粉砂岩	砂状结构-火山、沉积碎屑结构-中粒结构-斑状结构,块状构造

5 结论

针对研究区广泛分布的地表水、植被造成的InSAR干涉失相干和多云多雨高湿天气引起的严重大气相位延迟噪声,采用干涉相干性最优原则生成干涉像对连接图,使用了成像日期在2019年9月—2020年11月的35景Sentinel-1A影像进行了SBAS InSAR干涉处理,得到了研究区周期内的地表形变信息,而后,通过使用PS InSAR反演得出的研究区地表形变信息对比了SBAS InSAR获取的研究区地表形变监测结果,最后,提取了研究区9个主要沉降带,初步分析了这些沉降带的地物特征及引起沉降的主要原因。得出以下结论:

1)与设置时间-空间基线阈值生成像对连接图方法相比,干涉相干性最优生成干涉像对连接图的优点是无需InSAR干涉图挑选经验,降低InSAR数据处理难度,能够自动化生成,节省人力,时间效率高。

2)相比PS InSAR技术,SBAS InSAR在反演出长时间序列大形变速率方面更具优势: 一是通过干涉相干性最优进行像对组合,保证高质量的干涉对用于SBAS InSAR处理; 二是高密度的相干点目标能够表现更完整的地表形变场。

3)反演了2019年9月—2020年11月龙岗区及周边地表形变信息,提取的主要沉降带大都位于工业园区、大型地上地下城建区和岩溶塌陷地质灾害易发区,沉降原因主要是与地下水文环境的改变、建筑群对地基的压实、地下工程建设、岩溶塌陷地和斜坡体失稳的持续强降雨触发等因素有关。获取的龙岗区及周边地表形变信息时效性较新,可为该区地质灾害隐患早期识别和防治提供科学支撑。

志谢

感谢欧洲航天局提供Sentinel-1A 数据!感谢美国国家航空航天局提供的SRTM DEM产品!

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

刘飞

. 基于GIS的地质灾害风险性评价——以龙岗区为例[D]. 长春: 吉林大学, 2020.

[本文引用: 2]

Liu

. Risk assessment of geological hazards based on GIS:A case study of Longgang District[D]. Changchun: Jilin University, 2020.

[本文引用: 2]

[2]

徐娜

深圳龙岗:主动作为勇于创新打造风险普查特色模式

[J]. 中国减灾, 2021, 7(5):30-33.

Shenzhen Longgang: Take the initiative to create a risk census characteristic mode as the courage to innovate

[J]. Disaster Reduction in China, 2021, 7(5):30-33.

[3]

葛大庆

. 区域性地面沉降InSAR监测关键技术研究[D]. 北京: 中国地质大学(北京), 2013.

D Q

. Research on the key techniques of SAR interferometry for regional land subsidence monitoring[D]. Beijing: China University of Geosciences (Beijing), 2013.

DOI:10.11947/j.AGCS.2017.20170350 [本文引用: 2]

[4]

朱建军, 李志伟, 胡俊.

InSAR变形监测方法与研究进展

[J]. 测绘学报, 2017, 46(10):1717-1733.

变形监测是星载InSAR技术应用最为成熟的领域之一。本文首先介绍了InSAR变形监测的基本原理和卫星数据来源；然后对InSAR变形监测方法进行了系统性的分类，分析了D-InSAR、PS-InSAR、SBAS-InSAR、DS-InSAR和MAI等方法的技术特点和适用范围；进而从应用的角度分析了InSAR技术在城市、矿山、地震、火山、基础设施、冰川、冻土和滑坡等领域的研究现状和不足之处；最后总结出InSAR变形监测在多维形变和低相干区测量、大气和轨道误差去除和精度评定等方面的前沿问题。

Zhu

J J

, Li

Z W

, Hu

Research process and method of InSAR for deformation monitoring

[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(10):1717-1733.

[本文引用: 2]

[5]

张永红, 刘冰, 吴宏安, 等.

雄安新区2012—2016年地面沉降InSAR监测

[J]. 地球科学与环境学报, 2018, 40(5):152-162.

[本文引用: 4]

Zhang

Y H

, Liu

, Wu

H A

, et al.

Ground subsidence in Xiong’an New Area from 2012 to 2016 monitoring by InSAR techniques

[J], Journal of Earch Sciences and Environment, 2018, 40(5):152-162.

[本文引用: 4]

[6]

, Zhang

J X

, Zhang

Y H

, et al.

Monitoring and characterizing natural hazards with satellite InSAR imagery

[J]. Geographic Information Sciences, 2010, 16(1):55-66.

[7]

葛大庆, 戴可人, 郭兆成, 等.

重大地质灾害隐患早期识别中综合遥感应用的思考与建议

[J]. 武汉大学学报(信息科学版), 2019, 44(7):4-11.

D Q

, Dai

K R

, Guo

Z C

, et al.

Early identification of serious geo-logical hazards with integrated remote sensing technnologies:Thoughts and recommendations

[J]. Geomatics and Information Science of Wuhan University, 2019, 44(7):4-11.

[8]

许强

对地质灾害隐患早期识别相关问题的认识与思考

[J]. 武汉大学学报(信息科学版), 2020, 45(11):1651-1659.

Understanding and consideration of related issues in early identificaiton of potential geohazards

[J]. Geomatics and Information Science of Wuhan University, 2020, 45(11):1651-1659.

[9]

廖明生, 董杰, 李梦华, 等.

雷达遥感滑坡隐患识别与形变监测

[J]. 遥感学报, 2021, 25(1):332-341.

Liao

M S

, Dong

, Li

M H

, et al.

Radar remote sensing for potential landslides detection and deformation monitoring

[J]. National Remote Sensing Bulletin, 2021, 25(1):332-341.

DOI:10.11834/jrs.20210162 URL [本文引用: 1]

[10]

唐伟, 廖明生, 张丽, 等.

基于全球气象再分析资料的InSAR对流层延迟改正研究

[J]. 地球物理学报, 2017, 60(2):527-540.

Tang

, Liao

M S

, Zhang

, et al.

Study on InSAR tropospheric correction using global atmospheric reanalysis products

[J]. Chinese Journal of Geophysics, 2017, 60(2):527-540.

[11]

朱邦彦

. InSAR对流层延迟校正及其在地表沉降监测中的应用研究[D]. 武汉: 武汉大学, 2017.

Zhu

B Y

. Research on tropospheric delay correction of SAR interferometry and its application in land subsidence monitoring[D]. Wuhan: Wuhan University, 2017.

[12]

Berardino

, Fornaro

, Lanari

, 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 URL [本文引用: 2]

[13]

Casu

, Manzo

, Pepe

, et al.

SBAS-DInSAR analysis of very extended areas:First results on a 60 000-km² test site

[J]. IEEE Geoscience and Remote Sensing Letters, 2008, 5(3): 438-442.

DOI:10.1109/LGRS.2008.916199 URL [本文引用: 1]

[14]

Baek

W K

, Jung

H S

Precise three-dimensional deformation retrieval in large and complex deformation areas via integration of offset-based unwrapping and improved multiple-aperture SAR interferometry:Application to the 2016 Kumamoto earthquake

[J]. Engineering, 2020, 6(8): 927-935

DOI:10.1016/j.eng.2020.06.012 URL [本文引用: 1]

[15]

Ding

, Zhao

, Tang

, et al.

On the characterization and forecasting of ground displacements of ocean-reclaimed lands

[J]. Remote Sensing, 2020, 12(18):2971.

DOI:10.3390/rs12182971 URL [本文引用: 1]

In this work, we study ground deformation of ocean-reclaimed platforms as retrieved from interferometric synthetic aperture radar (InSAR) analyses. We investigate, in particular, the suitability and accuracy of some time-dependent models used to characterize and foresee the present and future evolution of ground deformation of the coastal lands. Previous investigations, carried out by the authors of this paper and other scholars, related to the zone of the ocean-reclaimed lands of Shanghai, have already shown that ocean-reclaimed lands are subject to subside (i.e., the ground is subject to settling down due to soil consolidation and compression), and the temporal evolution of that deformation follows a certain predictable model. Specifically, two time-gapped SAR datasets composed of the images collected by the ENVISAT ASAR (ENV) from 2007 to 2010 and the COSMO-SkyMed (CSK) sensors, available from 2013 to 2016, were used to generate long-term ground displacement time-series using a proper time-dependent geotechnical model. In this work, we use a third SAR data set consisting of Radarsat-2 (RST-2) acquisitions collected from 2012 to 2016 to further corroborate the validity of that model. As a result, we verified with the new RST-2 data, partially covering the gap between the ENV and CSK acquisitions, that the adopted model fits the data and that the model is suitable to perform future projections. Furthermore, we extended these analyses to the area of Pearl River Delta (PRD) and the city of Shenzhen, China. Our study aims to investigate the suitability of different time-dependent ground deformation models relying on the different geophysical conditions in the two areas of Shanghai and Shenzhen, China. To this aim, three sets of SAR data, collected by the ENV platform (from both ascending and descending orbits) and the Sentinel-1A (S1A) sensor (on ascending orbits), were used to obtain the ground displacement time-series of the Shenzhen city and its surrounding region. Multi-orbit InSAR data products were also combined to discriminate the up–down (subsidence) ground deformation time-series of the coherent points, which are then used to estimate the parameters of the models adopted to foresee the future evolution of the land-reclaimed ground consolidation procedure. The exploitation of the obtained geospatial data and products are helpful for the continuous monitoring of coastal environments and the evaluation of the socio-economical impacts of human activities and global climate change.

[16]

王国强, 陈仁琛.

基于InSAR技术的流域库岸地质灾害监测研究

[J]. 中国农村水利水电, 2020, 458(12):212-216.

Wang

G Q

, Chen

R C

Reseatrch on the monitoring of geological hazards on the bank reservoir based on InSAR technology

[J]. China Rural Water and Hydropower, 2020, 458(12):212-216.

[17]

Ferretti

, Prati

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 URL [本文引用: 2]

[18]

Ferretti

, Prati

, Rocca

Permanent scatterers in SAR interfero-metry

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2001, 39(1):8-20.

DOI:10.1109/36.898661 URL [本文引用: 2]

[19]

Kim

J S

, Kim

D J

, Kim

S W

, et al.

Monitoring of urban land surface subsidence using PSInSAR

[J]. Geosciences Journal, 2007, 11(1):59-73.

DOI:10.1007/BF02910381 URL [本文引用: 1]

[20]

Zhang

, Ding

X L

, Lu

Modeling PSInSAR time series without phase unwrapping

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(1):547-556

DOI:10.1109/TGRS.2010.2052625 URL [本文引用: 1]

[21]

侯安业, 张景发, 刘斌, 等.

PS-InSAR与SBAS-InSAR监测地表沉降的比较研究

[J]. 大地测量与地球动力学, 2012, 32(4):125-128.

Hou

A Y

, Zhang

J F

, Liu

, et al.

Comparative study on monitoring surface subsidence with PS-InSAR and SBAS-InSAR

[J]. Journal of Geodesy and Geodynamics, 2012, 32(4):125-128.

[22]

深圳市规划和自然资源局. 深圳市地质灾害防治规划(2016—2025年)[EB/OL].(2018-07-13) [2022-05-08]http://www.sz.gov.cn/cn/xxgk/zfxxgj/ghjh/csgh/zxgh/content/post_1317024.html.

Planning and Natural Resources Bureau of Shenzhen Municipality. Plan for prevention and control of geological hazards of Shenzhen Municipality (2016—2025)[EB/OL].(2018-07-13) [2022-05-08]http://www.sz.gov.cn/cn/xxgk/zfxxgj/ghjh/csgh/zxgh/content/post_1317024.html.

[23]

中国地质调查局. 地质云3.0[DB/OL].(2021-03-11) [2022-05-08]http://geocloud.cgs.gov.cn.

China Geological Survey. Geocloud 3.0[DB/OL].(2021-03-11) [2022-05-08]http://geocloud.cgs.gov.cn.v