融合DT和SDFPT的时序InSAR矿区形变监测与分析

doi:10.6046/zrzyyg.2022378

融合DT和SDFPT的时序InSAR矿区形变监测与分析

于冰^,¹^,²^,³^,⁴, 王冰¹, 刘国祥⁵, 张过³, 胡云亮¹, 胡金龙¹

1.西南石油大学土木工程与测绘学院,成都 610500

2.西南石油大学油气空间信息工程研究所,成都 610500

3.武汉大学测绘遥感信息工程国家重点实验室,武汉 430079

4.中国科学院精密测量科学与技术创新研究院大地测量与地球动力学国家重点实验室,武汉 430077

5.西南交通大学地球科学与环境工程学院,成都 611756

Deformation monitoring and analysis of mining areas based on the DT-SDFPT combined time-series InSAR

YU Bing^,¹^,²^,³^,⁴, WANG Bing¹, LIU Guoxiang⁵, ZHANG Guo³, HU Yunliang¹, HU Jinlong¹

1. School of Civil Engineering and Geomatics, Southwest Petroleum University, Chengdu 610500, China

2. Institude of Petroleum and Natural Gas Spatial Information Engineering, Southwest Petroleum University, Chengdu 610500, China

3. State Key Laboratory of Information Engineering in Surveying, Mapping & Remote Sensing, Wuhan University, Wuhan 430079, China

4. State Key Laboratory of Geodesy and Earth’s Dynamics, Innovation Academy for Precision Measurement Science and Technology, Chinese Academy of Sciences, Wuhan 430077, China

5. Faculty of Geosciences and Environmental Engineering, Southwest Jiaotong University, Chengdu 611756, China

责任编辑: 李瑜

收稿日期: 2022-09-19 修回日期: 2023-02-10

基金资助:

国家自然科学基金项目“基于卫星升降轨时序DInSAR的塔里木油田沉降监测及储层状态参数反演”(41801399)
测绘遥感信息工程国家重点实验室开放基金项目“基于星载SAR干涉的克拉玛依油田时序二维形变监测及储层参数反演”(18E01)
大地测量与地球动力学国家重点实验室开放基金项目“玛湖特大油田InSAR沉降监测及储层动力学参数反演”(SKLGED2020-5-1-E)
四川省杰出青年科技人才项目“西南地区植被干旱胁迫遥感监测与预警”(2021JDJQ0007)

Received: 2022-09-19 Revised: 2023-02-10

作者简介 About authors

于冰(1985-),男,博士,副教授,主要研究方向为合成孔径雷达干涉测量与形变监测、高分辨率遥感自然和人文环境监测。Email: rs_insar_bingyu@163.com。

摘要

煤矿高强度开采会导致严重的地面形变及次生地质灾害。时序合成孔径雷达干涉(synthetic aperture Radar interferometry, InSAR)具有较强的形变监测能力,但在开采核心及周边低相干区域时无法监测到足够的目标点。该文尝试将分布式目标(distributed target, DT)和缓慢去相关滤波相位目标(slowly-decorrelating filtered phase target, SDFPT)进行联合,以提高矿区形变监测点的密度和覆盖度。分别采用快速同质点选取(fast statistically homogenous pixel selection, FaSHPS)法和振幅离差指数法选取DT和SDFPT候选点,分别对2类点进行相位优化和稳定性分析,筛选出符合条件的DT和SDFPT形成融合点集,并对其进行三维相位解缠、恢复相位时间序列和时空滤波,最终得到融合点集的形变时间序列和年均形变速率。选取2018年4月—2020年4月获取的覆盖布尔台煤矿的60景Sentinel-1影像进行形变监测,结果表明,融合DT和SDFPT后形变点密度和覆盖度显著提升,可监测最大形变量级也随之增加。实验区域内存在5处形变漏斗,最大累积形变量达到-309.76 mm; 形变影响范围和不同年份时序形变量的差异与矿区开采活动密切相关。

关键词： 布尔台煤矿; 分布式目标; 缓慢去相关滤波相位目标; 地表形变; Sentinel-1A

Abstract

High-intensity coal mining leads to significant surface deformation and secondary geological disasters. Synthetic aperture Radar interferometry (InSAR), exhibiting high deformation monitoring capability, fails to detect enough target pixels in the mining core and surrounding low-coherence areas. This study intends to increase the density and coverage of deformation monitoring points in mining areas by combining distributed targets (DTs) and slowly-decorrelating filtered phase targets (SDFPTs). First, DT and SDFPT candidate pixels were selected using the fast statistically homogenous pixel selection (FaSHPS) method and the amplitude dispersion index method, respectively for phase optimization and stability analysis. Then, qualified DT and SDFPT pixels were screened out to constitute a fused pixel set, which was subjected to three-dimensional phase unwrapping, phase time series recovery, and spatio-temporal filtering. Consequently, the deformation time series and the annual average deformation rate were determined based on the fused pixel set. Finally, the method proposed in this study was applied to monitor the deformation in the Buertai coal mine using 60 scenes of Sentinel-1 images covering the coal mine from April 2018 to April 2020. The results reveal a significant increase in the density and coverage of deformation points through the integration of DT and SDFPT, thus allowing for the monitoring of higher levels of maximum deformation. Within the experimental area, five deformation cones were identified, with the maximum cumulative deformation amplitude reaching -309.76 mm. The influencing range of the deformations and the difference in the deformation amplitude of the time series in different years are closely related to mining activities.

Keywords： Buertai coal mine; distributed target; slowly-decorrelating filtered phase target; surface deformation; Sentinel-1A

PDF (20899KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

于冰, 王冰, 刘国祥, 张过, 胡云亮, 胡金龙. 融合DT和SDFPT的时序InSAR矿区形变监测与分析[J]. 自然资源遥感, 2024, 36(1): 14-25 doi:10.6046/zrzyyg.2022378

YU Bing, WANG Bing, LIU Guoxiang, ZHANG Guo, HU Yunliang, HU Jinlong. Deformation monitoring and analysis of mining areas based on the DT-SDFPT combined time-series InSAR[J]. Remote Sensing for Land & Resources, 2024, 36(1): 14-25 doi:10.6046/zrzyyg.2022378

0 引言

煤炭是我国主要的能源和化工资源之一。统计资料表明,煤炭资源在我国能源结构中占比接近60%^[1]。煤炭资源的开采极大地带动了国民经济的发展,但长期的开采破坏了矿区及周边的底层结构和生态环境,诱发了地面形变、滑坡等地质环境问题^[2],严重危害到矿区及周边人民的生命财产安全。开展矿区地表形变监测及分析是确保煤矿资源稳定开采、减少人力财力损失的必要举措。

以永久散射体(persistent scatterer, PS)干涉^[3]和小基线集(small baseline subset, SBAS)干涉^[4]为代表的时序合成孔径雷达干涉(synthetic aperture Radar interferometry, InSAR)技术在地表形变监测领域中得到了广泛的应用^[5⇓-7]。其主要思想是从时序合成孔径雷达(synthetic aperture Radar, SAR)影像中选取相位稳定的相干目标点,并提取差分干涉相位,从中分离出地形残余相位、大气延迟和轨道误差相位、噪声相位以及所需的形变相位,形变监测精度最高可达毫米级^[8]。PS-InSAR和SBAS-InSAR显著提高了地面形变监测精度,但对于植被覆盖率较高、人工目标较少的区域,获取的地物目标数量有限,从而无法完全反映研究区域的整体形变。

为了提升此类区域的监测点密度和覆盖度,国内外学者将研究重点转移到自然界中散射特性中等且集群式分布的分布式目标(distributed target, DT)。联合DT与PS的新一代分布式目标InSAR (DT-InSAR,或分布式散射体InSAR (distributed scatterer InSAR, DS-InSAR))方法应运而生^[9]。该方法通过同质检验选取DT^[10-11]并对其相位进行优化^[12],然后将DT和PS进行联合处理。研究表明,DT在数量、密度和覆盖度方面远高于PS,显著提高了形变监测效果。DT-InSAR逐渐在铁路^[13]、滑坡^[14]、矿区等多个领域的形变监测中得到较多应用^[15-16]。在传统的DT探测思路基础上,蒋弥等^[17]提出一种快速同质点选取(fast statistically homogenous pixel selection, FaSHPS)方法,相较于其他同质点选取方法计算效率更高,且在影像数量较少的情况下也能有效地对同质点进行识别。

相比于一般的监测区域,煤矿开采区的形变梯度较大,加重了区域失相干的程度^[18]。因此,PS-InSAR和SBAS-InSAR在矿区形变监测中很难取得令人满意的效果。DT-InSAR在矿区形变监测中的应用在很大程度上弥补了PS-InSAR和SBAS-InSAR的不足^{[19⇓⇓-22]}。现有研究均是将DT和传统的PS目标进行融合,然后采用单一主影像或者SBAS干涉组合策略进行相位提取和形变建模^[23-24]。根据现有研究^[25]可知,PS点密度在非城市区域非常低,尤其是在矿区形变漏斗区域,基本无法有效识别出PS目标。因此,对于矿区形变监测,DT-InSAR监测点的密度有待进一步提高。

2008年,Hooper在其所提出的StaMPS方法的基础上,提出了一种联合PS和SBAS的形变建模和解算思路,并提出了缓慢去相关滤波相位(slowly-decorrelating filtered phase, SDFP)的概念和处理思路^[26],显著提高了形变监测点的数量和密度。传统的PS探测采用较为严格的振幅离差指数(amplitude deviation index, ADI)阈值,而Hooper则首先采用较宽松的ADI阈值获取目标候选点,然后对低质量候选点进行相位滤波提高相位质量,与高质量候选点共同参与后续的形变建模与解算。研究表明,该方法比传统的PS,StaMPS和SBAS干涉具有更好的形变监测效果,尤其是在失相干区域具有明显的应用优势。

本文以全球单井开采量最大的井工煤矿——中国布尔台煤矿局部及周边区域为实验区域,尝试在时序InSAR中将DT和SDFP目标(SDFP target, SDFPT)进行融合,分别通过FaSHPS和ADI法选取DT和SDFPT候选点并进行相位优化,以期进一步提高形变监测点的密度和空间覆盖度,提升矿区形变监测效果。选取覆盖实验区域的60景Sentinel-1影像数据,利用融合多类型相干目标的时序InSAR方法进行数据处理和分析,并与StaMPS-SBAS监测结果进行对比,验证该方法的可靠性及监测效果的提升程度。基于监测结果,对布尔台矿区的地表形变进行分析和解释,为矿区形变区域的灾害防治提供数据支撑。

1 研究区概况与数据源

1.1 研究区概况

研究区域位于内蒙古鄂尔多斯市内伊金霍洛镇东部及乌兰木伦河西南部,地处神府东胜(神东)煤矿群中的布尔台煤矿、寸草塔二矿和霍洛湾煤矿一带。具体的监测范围如图1所示。该区域地貌主要以黄土丘陵为主,地势总体呈现出高态势。气候为大陆性季风气候,降雨量较少,主要集中在每年的7,8,9这3个月份。由于受干旱和人类活动等因素的长期影响,植被覆盖率相较于其他地区不高,主要以农作物和杂草为主。由于近些年来开采活动加剧,导致地表形变影响面积扩大,对矿区周围环境有很大的安全隐患^[27]。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 研究区域位置

Fig.1 Location of study area

近年来,一些学者采用传统的差分InSAR (differential InSAR, DInSAR),SBAS-InSAR或DS-InSAR获取了神东煤矿不同矿区2012—2013年及2017—2019年间的形变分布^{[28⇓⇓-31]}。研究表明,该区域存在显著的形变漏斗,常规的DInSAR和SBAS-InSAR在矿区形变监测中效果并不理想,DS-InSAR具有较好的监测效果。但是,该区域内缺少后续的持续跟踪研究。并且,目前采用时序InSAR的研究没有覆盖本文所选实验区域(尤其是布尔台煤矿)。布尔台煤矿是目前世界上单井开采量最大的井工煤矿^[32],煤层呈现出近水平和浅埋藏的特点,工作面的采煤平均厚度为2.5 m,采深为265 m,具有较高的监测必要性和研究价值。

1.2 数据源

SAR影像数据来源于Sentinel-1卫星。该卫星是欧洲航天局哥白尼计划的地球观测卫星,主要由Sentinel-1A和Sentinel-1B这2颗卫星组成,载有C波段SAR传感器,波长约为5.6 cm,卫星采用近极地太阳同步轨道,轨道高度约700 km,双星协同工作下,同一地区的重复观测周期为6 d。本文选取实验区域2018年4月—2020年4月的60景干涉宽幅模式SAR影像为数据源。

采用由日本宇宙航空研究开发机构(Japan Aerospace Exploration Agency,JAXA)提供的具有30 m空间分辨率、5 m高程精度的AW3D30 DSM数据作为外部地形数据。在本文中,结合StaMPS小基线干涉方法及矿区形变的特点,干涉时空基线阈值的设置需要考虑2方面的因素: 一是矿区的形变量级较大,当时空基线较大时,干涉对的失相干较为严重,且形变相位梯度也较大,因而进一步增加恢复相位模糊度的难度,导致难以准确解算研究区的形变; 二是StaMPS小基线干涉方法采用最小二乘恢复相位时间序列^[26],需要干涉图集的时空基线连续分布,以避免恢复相位时间序列时出现秩亏,而过小的时空基线限制会导致干涉图集不连续,进而导致秩亏问题。为了降低时空失相干、相位梯度对监测结果的影响,并保持干涉图集的连续性,本文进行了多次实验,当设置空间基线阈值为80 m,时间基线阈值为48 d时,可满足上述2个条件,取得较好的形变监测结果。干涉图集的时空基线如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 时空基线

Fig.2 Spatial-temporal baseline

2 数据处理方法

2.1 DT探测及同质滤波

DT点的选取主要分为2个步骤,同质点选取和时序相位优化。同质点的选取的基本思想是判别SAR影像数据集中一定空间范围内的2个像元是否属于同一地物,算法的主要原理是抽取同一像元在时间维度上的强度信息,度量2个样本的相似程度,从而判断是否为同质点(DT候选点)。

本文对于同质点选取使用的是FaSHPS^[17]算法,该算法不同于传统的假设检验方法,其核心思想是转换为置信区间估计,通过简单的逻辑运算来识别同质点。将三维数据在时间维求得一个平均值,目标像素的平均值作为真值,而目标像素的邻近像素值作为待估值。在给定的置信水平下,当邻近像素的待估值进入以目标像素平均值为主的区间内,就认为这些像素是目标像素的同质样本,计算公式为:

(1)

\begin{matrix} P \{\begin{array}{l} {\overset{︿}{μ}}_{r e f} - z_{1 - \frac{α}{2}} 0.52 {\overset{︿}{μ}}_{r e f} / \sqrt[]{N L} < {\overset{︿}{μ}}_{n e i g} < {\overset{︿}{μ}}_{r e f} \\ + z_{1 - \frac{α}{2}} \cdot 0.52 {\overset{︿}{μ}}_{r e f} / \sqrt[]{N L} \end{array}\} = 1 - α \end{matrix}

，

式中: P为概率; L为视数; ${\overset{︿}{μ}}_{r e f}$ 和 ${\overset{︿}{μ}}_{n e i g}$ 分别为目标像素和任意邻近像素的时间均值; z_1-_α/₂为标准正态分布分位点; α为显著性水平。为了保证区间估计的有效性,N要足够大才能维持其正态性。

为了最大化去除噪声对于监测结果的影响,采用同质滤波方法对初步选取的候选点的差分干涉图进行滤波^[33],而后需要进一步对候选点进行相位优化处理以提高观测信噪比。本文采用特征值分解法获取候选点优化后的相位^[34],而后评价DT候选点的相位优化质量,并作为选点的标准,计算公式为:

(2)

\begin{matrix} γ_{D} = \frac{1}{N (N - 1)} \overset{N}{\sum_{n = 1}} \overset{N}{\sum_{m \neq n}} e x p [φ_{m n} - ({\overset{︿}{φ}}_{m} - {\overset{︿}{φ}}_{n})] j \end{matrix}

，

式中: γ_D为DT候选点的时间相干性; φ_mn为原始干涉相位; ${\overset{︿}{φ}}_{m}$ 和 ${\overset{︿}{φ}}_{n}$ 为优化后的相位。设置时间相干性阈值后对DT候选点进行筛选,满足阈值的作为DT点。

2.2 SDFPT探测

基于SBAS-InSAR的技术原理,Hooper^[26]在2008年的基础上进行了改进,提出了StaMPS-SBAS方法,对相干点的选取方法进行了优化,目标像素点被称为SDFP点。核心思路为首先采用ADI选择初始候选像素,计算公式为:

(3)

\begin{matrix} D_{Δ A} = \frac{σ_{Δ A}}{μ_{A}} \end{matrix}

，

式中: D_ΔA为ADI; σ_ΔA为干涉对振幅强度的标准差; μ_A为平均振幅。

得到候选点之后,对候选点的差分干涉相位进行自适应滤波^[35]。基于滤波后的相位,通过迭代的方法分析候选点的相位稳定性,计算出每个候选点的r_x值,并通过阈值判定相位稳定点,即SDFPT。计算公式为:

(4)

\begin{matrix} r_{x} = \frac{|\overset{N}{\sum_{i = 1}} e x p [j (φ_{x, i} - {\bar{φ}}_{x, i} - {\overset{︿}{φ}}_{ξ, x, i})]|}{N} \end{matrix}

，

(5)

\begin{matrix} φ_{x, i} - {\overset{︿}{φ}}_{ξ, x, i} = φ_{d e f, x, i} + φ_{α, x, i} + φ_{o r b, x, i} + φ_{n o i s e} + φ_{ξ, x, i} \end{matrix}

，

式中: r_x为像素x的时间相关性度量; N为干涉图数量; φ_x_,_i为像素x在第i个差分干涉图中的相位; ${\bar{φ}}_{x, i}$ 为一定半径圆形区域内点相位的平均值; ${\overset{︿}{φ}}_{ξ, x, i}$ 为对DEM误差相位φ_ξ_,_x_,_i的估计; φ_def,_x_,_i为视线向形变相位; φ_α_,_x_,_i为大气延迟相位; φ_orb,_x_,_i为轨道误差相位; φ_noise为噪声相位。

DEM误差相位φ_ξ_,_x_,_i与基线的垂直分量B_⊥,_x_,_i成正比,计算公式为:

(6)

\begin{matrix} φ_{ξ, x, i} = B_{⊥, x, i} K \end{matrix}

，

式中K为比例常系数。

2.3 DT与SDFPT融合及形变解算

前已述及,SDFPT候选点的探测采用了ADI阈值法。其中,ADI≤0.25的像元被标记为PS点,ADI>0.25且小于某个阈值(文献[26]中建议采用0.6)的像元被标记为SDFPT候选点。为保证高质量PS点相位不受影响,不做任何处理,直接参与后续计算。本文中也将沿用这一策略,将PS与DT和SDFPT一同融合。

探测到PS,DT和SDFPT之后,将其坐标和相位矩阵分别进行融合,剔除重复点之后得到目标点集合和相应的相位观测值集合。此时的差分干涉相位为缠绕值,无法直接进行形变建模。本文采用三维相位解缠^[36]方法获取PS,DT和SDFPT点上相应的解缠相位值。三维相位解缠中解缠问题被转换为下列最小化函数,计算公式为:

(7)

\begin{matrix} \sum_{i, j} W_{i, j}^{(x)} {|Δ φ_{i, j}^{(x)} - Δ ψ_{i, j}^{(x)}|}^{p} + \sum_{i, j} W_{i, j}^{(y)} {|Δ φ_{i, j}^{(y)} - Δ ψ_{i, j}^{(y)}|}^{p} + \sum_{i, j} W_{i, j}^{(z)} {|Δ φ_{i, j}^{(z)} - Δ ψ_{i, j}^{(z)}|}^{p} \end{matrix}

，

式中: Δφ_i_,_j为解缠后的相位差; Δψ_i_,_j为缠绕相位的相位差; p为大于1的范数。

采用三维相位解缠方法对相干点集合处理,解缠相位结果表示为:

(8)

\begin{matrix} {\overset{︿}{φ}}_{x, i} = φ_{d, x, i} + φ_{a, x, i} + Δ φ_{s, x, i} + Δ φ_{θ, x, i} + Δ φ_{n, x, i} + 2 k_{x, i} π \end{matrix}

，

式中: ${\overset{︿}{φ}}_{x, i}$ 为解缠相位; φ_d_,_x_,_i为视线向(line of sight,LOS)形变相位; φ_a_,_x_,_i为大气延迟相位; Δφ_s_,_x_,_i为轨道误差相位; Δφ_θ_,_x_,_i为视角误差相位; Δφ_n_,_x_,_i为噪声; k_x_,_i为估计得出的整周模糊度。

对干涉图解缠结果进行最小二乘解算^[26],估算出每个目标点在时间序列上的解缠相位值。以时间序列上的解缠相位为基础,通过时空滤波去除大气延迟、轨道误差、噪声相位等,可得与形变对应的相位时间序列,进而可转化为形变时间序列和速率^[37]。

2.4 数据处理流程

数据处理流程如图3所示。对Sentinel-1A数据和DSM数据进行地理编码、主辅影像配准和差分干涉等预处理后得到差分干涉图和强度图,采用FaSHPS方法选取得到DT候选点集合,对DT候选点的差分干涉图进行同质滤波后,提取出候选点的像素坐标和相位,再进行时序相位优化后输出像素坐标和相位矩阵。同时,根据振幅离差指数选取出SDFPT候选点,迭代分析候选点的相位稳定性后设定时间相干性阈值后得到SDFPT点。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 数据处理流程

Fig.3 Flow chart of data processing

将探测得到的DT点和SDFPT点融合得到目标点集合,后续处理以StaMPS-SBAS方法的流程为基础,对目标点集合进行三维相位解缠,对解缠结果进行最小二乘解算,计算出空间不相关侧视角误差,并去除大气延迟、轨道误差和噪声等,从而得到LOS向形变时间序列和形变速率。

3 结果与分析

3.1 DT点质量分析

后验相干性及时序相干性(相干矩阵)是衡量DT目标质量的重要指标^[17,34],二者的取值范围均为[0,1]。如图4所示为本文中研究区域的后验相干系数和时序相干系数。后验相干性的空间分布表明,本文研究区域内大部分自然地表具有较高的相干性,该区域内目标点的整体质量较好。其中,后验相干性超过0.5的目标占80.28%。对时序相干性矩阵进行统计表明,任意干涉对的平均相干性均大于0.25,表明经过相位优化后干涉数据集的整体干涉质量较好。为保证所筛选的DT具有较好的质量,建议选取后验相干性值大于后验相干性取值范围一半的目标作为DT。同时,为保证具有足够多的DT参与后续形变建模和解算,提高监测点密度和覆盖度,后验相干性阈值不宜设置过大。本文中,以0.6作为DT筛选的后验相干性阈值。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 数据集质量评价

Fig.4 Quality evaluation of data sets

图5展示了20190407—20190501原始差分干涉相位和优化后相位的对比。可以看出,在低相干区域,采用时序相位优化策略可利用时间维信息有效实现噪声区域信噪比的提升,可以使空间相位更加连贯,进而使整个干涉图集的相位质量得到提升。综上所述,本文中所筛选出的DT具有较可靠的相位质量。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 优化前后差分干涉相位对比

Fig.5 Comparison between differential interferometric phases before and after optimization

3.2 融合方法效果分析

分别使用常规StaMPS-SBAS和联合DT和SDFPT的时序分析方法对覆盖实验区域的60景Sentinel-1A影像进行处理,得到了实验区域2018年4月24日—2020年4月25日期间的LOS向地表时序形变信息,实验区域年平均形变速率如图6所示。常规StaMPS-SBAS时序方法在实验区域共监测到135 955个目标点,选点密度约为591个/km²,大量的点位分布在村庄内的建筑物等附近,而联合DT和SDFPT的方法共监测到2 089 323个目标点,选点密度约为9 091个/km²,在非村庄区域也分布有大量的点目标,监测的点密度约为常规StaMPS-SBAS的15.4倍,大大增加了实验区域内点目标的空间分布盖度与密度。尤其值得注意的是,在矿区(图中黑色椭圆及方框所示)位置监测点的密度和覆盖度提升非常明显,这对矿区形变监测十分有利。这表明融合DT和SDFPT的时序InSAR方法在煤矿形变监测中具有非常好的效果。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 研究区LOS年平均形变速率

Fig.6 Annual average deformation rate of LOS in the study area

如图6 (a)和6 (b)所示,对比2种方法监测得到的实验区域形变分布结果可知,二者在空间上形变趋势的分布具有良好的一致性,形变量级也基本相仿。DT和SDFPT融合方法在低相干区域也能获取到充足的点目标。从所示形变速率图可以明显看出实验区域内有5个明显的形变区,分别属于寸草塔二矿、布尔台煤矿和霍洛湾煤矿的范围。形变最为严重的区域为寸草塔二矿,常规StaMPS-SBAS监测得到的最大形变速率为-163.2 mm/a,但是监测点非常稀少,不能准确反映矿区形变分布特征。联合DT和SDFPT的时序InSAR方法得到的最大形变速率为-172.74 mm/a,在形变区域内监测到足够数量且空间分布均匀的目标点,且获取到了更大形变量的目标点,提供了更加详实的煤矿区域地面形变信息,可以有效克服StaMPS-SBAS等常规时序监测方法在低相干区域(尤其是矿区)获取的点目标不足等问题。

3.3 形变结果检验

为了验证联合DT和SDFPT的时序方法监测结果的可靠性,本文通过对比分析2种方法得到的LOS向形变速率进行交叉验证,将常规StaMPS-SBAS方法监测得到的目标点作为参考值,选取与融合方法监测结果最邻近范围内的目标点为同名点(100 83对),根据同名点之间的形变速率值及其差异,得到了同名点形变速率相关性和差异分布直方图,如图7所示。如图7 (a)所示,采用线性拟合可得到y=0.956x-6.739的线性方程,Pearson相关系数为0.94,R²为0.89,StaMPS-SBAS和联合DT和SDFPT的时序InSAR这2种方法监测得到的LOS向地面形变速率之间显示了较高的相关性。如图7 (b)形变速率差异直方图所示,2种时序监测方法得到的同名点地面形变速率之间的差异较小,标准差为4.056 mm/a。其中,差异区间为-10~10 mm/a的同名点占比最高,约为84.97%。形变速率差异绝对值在10~20 mm/a的同名点占比约为13.56%。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 基于SBAS-InSAR的形变精度验证

Fig.7 Deformation accuracy verification by SBAS-InSAR

为了进一步验证融合方法的可靠性,本文采用与SBAS干涉策略不同的PS-InSAR对研究区域的数据进行处理,将得到的形变结果与融合方法进行对比。由于矿区的形变量级较大,而PS-InSAR方法未对时空基线进行限制,长基线干涉对失相干较为严重,且矿区形变相位梯度较大,无法有效获取沉降中心的形变结果,因此仅能选取2种方法沉降区边缘和非沉降区的同名点进行交叉验证。根据2组形变速率,得到其相关性和差异分布,结果如图8所示。同名点形变速率相关性分析得到y=0.795x-3.475的线性方程,Pearson相关系数为0.77,R²为0.60,显示了较高的相关性。2种方法的同名点形变速率差异区间主要在-10~10 mm/a,标准差为4.286 mm/a。但由于PS-InSAR时空失相干更为严重,因此相关性低于SBAS与融合方法的相关性。综上所述表明,联合DT和SDFPT的时序InSAR方法获得的地表形变结果具有较好的可靠性。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 基于PS-InSAR的形变精度验证

Fig.8 Deformation accuracy verification by PS-InSAR

3.4 实验区域地表形变分析

如图9所示,实验区域内共有5个明显的形变区域,从上到下依次命名A,B,C,D,E区。这5个形变区分别位于寸草塔二矿、布尔台煤矿和霍洛湾煤矿的范围之内。其余地区的形变量级较小,实验区域LOS向年均形变速率分布区间为-172.74~30.24 mm/a。在5个煤矿形变区中,区域A和区域C表现出更加严重的地面形变。区域A位于寸草塔二矿范围内,是形变速率最大的一个区域,中心形变速率约为-172.74 mm/a,形变范围面积约为2.81 km²。区域B,C,D均位于布尔台煤矿范围内,区域C是形变范围面积最大的一个区域,中心形变速率约为-170.84 mm/a,形变范围面积约为3.81 km²,区域B中心形变速率约为-158.56 mm/a,形变范围面积约为3.43 km²,区域D中心形变速率约为-146.29 mm/a,形变范围面积约为2.71 km²。区域E位于霍洛湾煤矿范围内,中心形变速率约为-126.45 mm /a,形变范围较小,约为0.79 km²。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 研究区域特征点分布

Fig.9 Feature point distribution plot of the study area

为分析煤矿形变区的时序形变规律,在区域A,B,C,D,E内的形变中心和边缘分别选取a,b,c,d,e和a',b',c',d',e'共10个点作为特征点进行时序形变量分析,特征点的分布见图9。在形变结果中提取10个特征点2018年4月24日—2020年4月25日内的时序累积形变图,如图10所示。特征点的时序形变图在一定程度上反映了研究区这2 a内的形变趋势,在各个区域中心和附近选取的特征点的时序形变趋势基本一致。但由图7可知,5个形变区域的累积形变量大小和形变趋势都各不相同,在每个时段内累积形变量变化的速度也不相同。区域A在2018年4月—2019年4月间,矿区内地表形变量持续增大,地面形变变化速率较快,到2019年10月之前,地面形变变化有放缓的趋势,而后又继续保持,地表累积形变量为-307.96 mm。区域B和区域E的时序形变趋势大致相同,在监测时段内地表形变量变化较为平缓,但一直在持续发生。区域B的最大地表累积形变量为-186.76 mm,区域E特征点的最大地表累积形变量为-102.34 mm。区域C和区域D的时序形变趋势大致相同,但相较于其他区域较为复杂,从监测时段开始到2018年10月之前,2个区域的地表形变量变化缓慢,而后形变量变化速度持续增大直到2019年4月放缓。区域D直到监测时段结束形变趋势都较为平缓,地表累积形变量最大为-153.98 mm。不同于区域D,区域C从2019年10月—2020年4月地表形变量持续增大,地表累积形变量最大为-190.64 mm。

图10

新窗口打开| 下载原图ZIP| 生成PPT

图10 特征点时间序列累积形变量

Fig.10 Time series accumulative subsidence of the feature points

从特征点时序形变图可知,5个区域均有不同程度的显著形变,表明这些矿区在监测时间段内存在着煤矿资源的开采活动。从整体上分析这5个区域的时序地表形变规律,在春夏和冬季地面形变变化速率相对较快。该实验区域是大陆性季风气候,降雨量较少,主要集中在7—9月份,调查发现研究区2018年和2019年7—9月份均有不同程度的降雨,因此煤矿开采程度较其他时间段有所减弱,导致研究区地表形变量变化较为平缓。

3.5 典型矿区监测结果分析

为了进一步分析矿区的地面形变特征,选取形变区中形变速率较大的区域A、区域B和区域C作为典型矿区分析形变区的空间分布特征。分别沿形变区的形变方向在3个区域内绘制了3条剖面线,分别为F-F'(图11 (a))、G-G'(图12 (a))、H-H'(图13 (a)),并沿着剖面线提取地表累积形变量。为了更好地研究矿区内时序形变趋势,在监测时间段内以6个月左右为一期,共提取2018年10月2号、2019年4月7日、2019年10月4号和2020年4月25日4期形变剖面数据,分别如图11 (b)、图12 (b)和图13 (b)所示。从图11 (a)剖面图可知,区域A形变范围为椭圆形,沿西北-东南方向的地表形变影响距离较长,沿西南-东北方向的地表形变影响距离较短。结合图11 (b)剖面线形变图可知,区域A在2018年4月24日—2018年10月2日期间内的累积形变量级相较于其他时间段内较大,最大累积形变量达到了-179.68 mm,在2019年4月7日—2019年10月4日之间累积形变量较小。寸草塔二矿的形变剖面呈现明显漏斗状,说明该矿区只存在单个形变中心,且剖面线上的累积形变量随时间持续增长,剖面线上的形变量折线呈近似对称状,形变的严重程度自剖面线的两端向形变中心逐渐加剧。从图12 (a)剖面线示意图可知,区域B沿西南-东北方向的形变影响范围较小,沿西北-东南方向的形变影响距离较大,结合剖面线时序形变图分析,区域B在2019年4月7日—2019年10月4日期间的形变量较大,增幅约为95 mm,而后到监测时段结束时形变量的增幅都较小。剖面线形变量折线图只有一个形变中心,形变严重程度自两端向形变中心加剧,且形变中心离边缘的形变梯度非常大。从图13 (a)剖面线示意图可知,区域C地面形变涉及范围较大,沿南北方向形变影响距离较长,沿东西方向形变影响距离较小。结合图13 (b)可知,在2018年10月2日之前区域C的地表形变量较小,最大形变量为-35.5 mm。而在2019年10月4日—2020年4月25日期间地表形变量相对于其他时间段增加较多,增加量级约69.21 mm。剖面线上提取的形变量折线只有一个形变中心,且形变量随着时间持续增加,形变中心与边缘的差异较区域A更小,表明形变沿形变中心自东南向西北方向扩散。

图11

新窗口打开| 下载原图ZIP| 生成PPT

图11 区域A剖面线时序形变图

Fig.11 Time series deformation diagram of section line in Area A

图12

新窗口打开| 下载原图ZIP| 生成PPT

图12 区域B剖面线时序形变图

Fig.12 Time series deformation diagram of section line in Area B

图13

新窗口打开| 下载原图ZIP| 生成PPT

图13 区域C剖面线时序形变图

Fig.13 Time series deformation diagram of section line in Area C

4 结论

针对常规时序InSAR以及PS联合DT方法在矿区形变监测中的问题,本文尝试将DT和SDFPT进行融合。以Sentinel-1 SAR影像为数据基础,分别基于常规StaMPS-SBAS方法和联合DT和SDFPT的时序InSAR方法获取了布尔台矿区附近2018年4月—2020年4月时段内的LOS向地表形变结果,并分析了研究区的地表形变特征,结论如下:

1) 联合DT和SDFPT的时序InSAR方法在实验区域内监测得到的相干点密度相比于常规StaMPS-SBAS方法提高了15.4倍,点位分布均匀且在形变中心监测到更大形变速率的目标点,能够更好地反映实验区域的整体形变情况。

2) 对比分析常规SBAS-InSAR方法和常规PS-InSAR方法与融合方法得到的监测结果,2种方法均与融合方法具有较高相关性,Pearson相关系数分别为0.94和0.77,形变速率差异标准差分别为4.056 mm/a和4.286 mm/a,形变速率差异绝对值小于10 mm/a的同名点占比均大于84%。

3) 实验区域内存在5个明显的形变区域,形变影响范围面积最大的为3.8 km²,位于布尔台矿区内。最大LOS地表形变速率位于寸草塔二矿内,约为-172.74 mm/a,最大累积形变量为-309.76 mm。实验区域内形变严重程度与矿区开采活动密切相关,而研究区域的降雨量主要集中在秋季,对煤矿开采活动有所影响,导致形变速率有所变化。

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]

许萍, 杨晶.

2018年中国能源产业回顾及2019年展望

[J]. 石油科技论坛, 2019, 38(1):8-19.

[本文引用: 2]

, Yang

Review of China’ energy industry in 2018 and outlook of 2019

[J]. Oil Forum, 2019, 38(1):8-19.

[本文引用: 2]

[2]

何国清, 杨伦, 凌赓娣, 等.

矿山开采沉陷学[M]. 徐州: 中国矿业大学出版社,1991.

[本文引用: 1]

G Q

, Yang

, Liang

G D

, et al.

Mining subsidence science[M]. Xuzhou: China University of Mining and Technology Press,1991.

[本文引用: 1]

[3]

Ferretti

, Prati

, Rocca

Permanent scatterers in SAR interferometry

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

DOI:10.1109/36.898661 URL [本文引用: 1]

[4]

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: 1]

[5]

李德仁, 廖明生, 王艳.

永久散射体雷达干涉测量技术

[J]. 武汉大学学报:信息科学版, 2004, 29(8):664-668.

[本文引用: 1]

D R

, Liao

M S

, Wang

Progress of permanent scatterer interferometry

[J]. Geomatics and Information Science of Wuhan University, 2004, 29(8):664-668.

[本文引用: 1]

[6]

李珊珊, 李志伟, 胡俊, 等.

SBAS-InSAR技术监测青藏高原季节性冻土形变

[J]. 地球物理学报, 2013, 56(5):1476-1486.

[本文引用: 1]

S S

, Li

Z W

, Hu

, et al.

Investigation of the seasonal oscillation of the permafrost over Qinghai-Tibet Plateau with SBAS-InSAR algorithm

[J]. Chinese Journal of Geophysics, 2013, 56(5):1476-1486.

[本文引用: 1]

[7]

Chaussard

, Wdowinski

, Cabral-Cano

, et al.

Land subsidence in central Mexico detected by ALOS InSAR time-series

[J]. Remote Sensing of Environment, 2014, 140:94-106.

DOI:10.1016/j.rse.2013.08.038 URL [本文引用: 1]

[8]

, Liu

, Li

, et al.

Subsidence detection by TerraSAR-X interferometry on a network of natural persistent scatterers and artificial corner reflectors

[J]. Computers & Geosciences, 2013, 58:126-136.

DOI:10.1016/j.cageo.2013.04.020 URL [本文引用: 1]

[9]

Ferretti

, Fumagalli

, Novali

, et al.

A new algorithm for processing interferometric data-stacks:SqueeSAR

[J]. IEEE Transactions on Geoscience & Remote Sensing, 2011, 49(9):3460-3470.

[本文引用: 1]

[10]

Dwivedi

, Narayan

A B

, Tiwari

, et al.

Optimal estimation of interferometric phase for measuring surface deformation

[J]. International Journal of Remote Sensing, 2017, 38(5):1339-1349.

DOI:10.1080/01431161.2017.1280627 URL [本文引用: 1]

[11]

范锐彦, 焦健, 高胜, 等.

InSAR时序分析高相干目标选取方法比较研究

[J]. 地球信息科学学报, 2016, 18(6):805-814.

DOI:10.3724/SP.J.1047.2016.00805 [本文引用: 1]

合成孔径雷达干涉测量（Interferometric Synthetic Aperture Radar,InSAR）时序分析技术,利用时域上多幅SAR图像选择时间基线、空间基线满足一定条件的干涉对进行干涉,通过建立干涉相位形变模型获取地表形变信息。InSAR时序分析技术改善了差分干涉测量中时空失相干、大气延迟等问题,广泛应用于有关形变监测的多个领域,并逐渐成为获取长期地表形变趋势的重要手段。在InSAR时序分析中,针对不同应用选取合适的高相干目标选取方法,获得可靠的高相干目标,是获取精确可靠的地表形变信息的基础。本文通过分析永久散射体（Permanent Scatterers,PS）、分布式散射体（Distributed Scatterers,DS）选取方法的理论模型及其算法,研究其适用地物目标类型的异同,并分析、归纳总结了幅度相关法、相位分析法、信号杂波比法、相干性统计法等不同的高相干目标选取方法的优缺点。最后,以阿尔金断裂带西段部分区域为研究区,分别采用具有代表性的PS、DS选取方法开展该研究区域的选点实验,结果表明该研究区域DS选取方法比PS选取方法适用。本文方法为解决在不同地理区域进行应用研究时选取合适的选点方法提供参考。

Fan

R Y

, Jiao

, Gao

, et al.

Comparison research of high coherent target selection based on InSAR time series analysis

[J]. Journal of Geo-information Science, 2016, 18(6):805-814.

[本文引用: 1]

[12]

Parizzi

, Brcic

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 URL [本文引用: 1]

[13]

李冠楠, 谭衢霖, 谢酬, 等.

基于DS-InSAR的复杂山区铁路沿线形变监测研究

[J]. 中国铁路, 2019(2):59-65.

[本文引用: 1]

G N

, Tan

Q L

, Xie

, et al.

Monitoring study on deformation along complex mountain railway based on DS-InSAR

[J]. China Railway, 2019(2):59-65.

[本文引用: 1]

[14]

, Zhang

, Dong

, et al.

Characterizing the evolution life cycle of the Sunkoshi landslide in Nepal with multi-source SAR data

[J]. Scientific Reports, 2020, 10:17988.

DOI:10.1038/s41598-020-75002-y PMID:33093621 [本文引用: 1]

A catastrophic landslide disaster happened on 2 August 2014 on the right bank of Sunkoshi River in Nepal, resulting in enormous casualties and severe damages of the Araniko highway. We collected multi-source synthetic aperture radar (SAR) data to investigate the evolution life cycle of the Sunkoshi landslide. Firstly, Distributed Scatterers SAR Interferometry (DS-InSAR) technology is applied to analyze 20 ALOS PALSAR images to retrieve pre-disaster time-series deformation. The results show that the upper part, especially the top of the landslide, has long been active before collapse, with the largest annual LOS deformation rate more than - 30 mm/year. Time series deformations measured illustrate that rainfall might be a key driving factor. Next, two pairs of TerraSAR-X/TanDEM-X bistatic data are processed to identify the landslide affected area by intensity change detection, and to generate pre- and post-disaster DSMs. Surface height change map showed maximum values of - 150.47 m at the source region and 55.65 m in the deposit region, leading to a debris volume of 5.4785 ± 0.6687 million m. Finally, 11 ALOS-2 PALSAR-2 and 82 Sentinel-1 SAR images are analyzed to derive post-disaster annual deformation rate and long time series displacements of the Sunkoshi landslide. The results illustrated that the upper part of the landslide were still in active deformation with the largest LOS displacement velocity exceeding - 100 mm/year.

[15]

陈玉兴, 江利明, 梁林林, 等.

基于Sentinel-1 SAR数据的黑河上游冻土形变时序InSAR监测

[J]. 地球物理学报, 2019, 62(7):2441-2454.

DOI:10.6038/cjg2019M0255 [本文引用: 1]

多年冻土活动层变化导致冻土区大范围地面变形，严重破坏区域内基础设施和水文地质条件，亟需加强活动层季节冻融过程的观测研究.本文提出一种基于分布式目标的小基线集时序InSAR（DSs-SBAS）的冻土形变监测方法.该方法采用分布式目标提取和特征值分解算法，并结合基于地温-形变约束关系的参考点选取新策略，提高了冻土形变监测结果的时空分辨率和可靠性.以祁连山黑河西支源头的野牛沟为研究区域，通过对27景Sentinel-1 SAR影像进行时序InSAR分析，获取了2014-2016年该区多年冻土的形变时间序列和年均形变速率，并利用Stefan模型联合地温数据估算其季节性形变幅度.实地踏勘和结果分析表明：（1）研究区大部分多年冻土处于稳定状态（-1.0~+1.0 cm·a<sup>-1</sup>），在地形陡峭的南坡边缘及含冰量丰富的野牛沟河上游两侧沟底部分区域存在较大形变；（2）区域内冻土形变时间序列呈现年周期变化，冻土冻融形变存在季节性周期形变和季节性波动下沉两种形变特征，形变幅度和速率最大可达6.0 cm和-3.0 cm·a<sup>-1</sup>；（3）不同区域的活动层冻结/融化始日和冻土形变存在明显差异，主要和冻土地貌、土壤类型以及活动层厚度有关.本文提出的方法在青藏高原多年冻土区大范围冻融监测和活动层厚度反演研究方面具有很大的应用潜力.

Chen

Y X

, Jiang

L M

, Liang

L L

, et al.

Monitoring permafrost deformation in the upstream Heihe River,Qilian Mountain by using multi-temporal Sentinel-1 InSAR dataset

[J]. Chinese Journal of Geophysics, 2019, 62(7):2441-2454.

[本文引用: 1]

[16]

Goel

, Adam

An advanced algorithm for deformation estimation in non-urban areas

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2012, 73:100-110.

DOI:10.1016/j.isprsjprs.2012.06.001 URL [本文引用: 1]

[17]

蒋弥, 丁晓利, 何秀凤, 等.

基于快速分布式目标探测的时序雷达干涉测量方法:以Lost Hills油藏区为例

[J]. 地球物理学报, 2016, 59(10):3592-3603.

DOI:10.6038/cjg20161007 [本文引用: 3]

针对当前分布式目标雷达干涉测量运算效率低、选点困难等问题，本文提出了一种建立在快速同质点选取下的干涉数据处理框架.相比之前的时序数据处理方法，新方法具有选点快速、自适应性强的特点，能在保留影像分辨率基础之上增加空间点密度.另外，在统计推断的基础上，提出基于无偏空间相干性估计的分布式目标选择方法，进而弥补了传统经验阈值设定的缺陷.本文以美国加州Lost Hills油田区为例，在论证数据处理框架的可行性基础之上，分析了因孔隙流体萃取和孔隙压力降低引起的地表变形.

Jiang

, Ding

X L

, He

X F

, et al.

FaSHPS-InSAR technique for distributed scatterers:A case study over the lost hills oil field,California

[J]. Chinese Journal of Geophysics, 2016, 59(10):3592-3603.

[本文引用: 3]

[18]

李达, 邓喀中, 高晓雄, 等.

基于SBAS-InSAR的矿区地表沉降监测与分析

[J]. 武汉大学学报(信息科学版), 2018, 43(10):1531-1537.

[本文引用: 1]

, Deng

K Z

, Gao

X X

, et al.

Monitoring and analysis of surface subsidence in mining area based on SBAS-InSAR

[J]. Geomatics and Information Science of Wuhan University, 2018, 43(10):1531-1537.

[本文引用: 1]

[19]

胡爽, 吴文豪, 龙四春, 等.

分布式目标在红庆河煤矿形变监测中的应用

[J]. 大地测量与地球动力学, 2019, 39(12):1261-1264.

[本文引用: 1]

, Wu

W H

, Long

S C

, et al.

Application of distributed scatterer in deformation monitoring of Hongqinghe coal mine

[J]. Journal of Geodesy and Geodynamics, 2019, 39(12):1261-1264.

[本文引用: 1]

[20]

李毅, 蒋金雄, 杜玉玲, 等.

融合分布式目标的矿区采动地表时序InSAR监测

[J]. 中国矿业大学学报, 2020, 49(6):1199-1206,1232.

[本文引用: 1]

, Jiang

J X

, Du

Y L

, et al.

Surface subsidence monitoring by time series InSAR integrating with distributed targets in mining region

[J]. Journal of China University of Mining & Technology, 2020, 49(6):1199-1206,1232.

[本文引用: 1]

[21]

李柱, 范洪冬, 高彦涛, 等.

基于DS-InSAR的乌达煤田火区长时序地表形变监测与分析

[J]. 自然资源遥感, 2022, 34(3):138-145.doi:10.6046/zrzyyg.2021245.

[本文引用: 1]

, Fan

H D

, Gao

Y T

, et al.

DS-InSAR-based monitoring and analysis of a long time series of surface deformation in the fire area of the Wuda Coal field

[J]. Remote Sensing for Natural Resources, 2022, 34(3):138-145.doi:10.6046/zrzyyg.2021245.

[本文引用: 1]

[22]

Zhang

, Wang

, Tang

, et al.

Subsidence monitoring in coal area using time-series InSAR combining persistent scatterers and distributed scatterers

[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 39:49-55.

DOI:10.1016/j.jag.2015.02.007 URL [本文引用: 1]

[23]

蒋金雄, 杜玉玲, 陈宇, 等.

利用DS-InSAR技术监测沛北矿区地表形变

[J]. 测绘通报, 2021(2):117-121.

DOI:10.13474/j.cnki.11-2246.2021.0056 [本文引用: 1]

针对采空区地表散射特性不稳定、高相干点目标少且分布不均匀的特点，本文基于相干矩阵特征值分解（T-EVD）的DS-InSAR技术，利用Sentinel-1A数据获取并分析了徐州沛北矿区2017年1月-2018年12月的地表沉降特征。与常规时序InSAR监测对比表明，融合分布式目标的DS-InSAR技术监测点数量显著增加且空间分布更加均匀，能够更好地反映矿区地表沉降的时空分布特征，为煤炭枯竭型矿区地表沉降规律分析和机理研究提供了先进的技术支撑，在采空区地表沉降监测方面具有良好的应用前景。

Jiang

J X

, Du

Y L

, Chen

, et al.

Monitoring and analysis of surface deformation in Peibei mining region based on DS-InSAR technique

[J]. Bulletin of Surveying and Mapping, 2021(2):117-121.

DOI:10.13474/j.cnki.11-2246.2021.0056 [本文引用: 1]

The conventional time series InSAR is usually limited by few and uneven spatial distributed targets of relative high coherence as well as the variable scatterring characteristics of ground surface. In this paper, the DS-InSAR technique based on coherent matrix eigenvalue decomposition(T-EVD) and Sentinel-1A imagery are employed to obtain and analyze the surface subsidence characteristics of Xuzhou Peibei mining region during the period from January 2017 to December 2018. Compared with the traditional time series InSAR method, the advantages of DS-InSAR are yielded by significantly increasing monitoring points and corresponding uniform spatial distribution, which could better reflect the complex spatial and temporal distribution characteristics of surface subsidence in coal exhausted mining regions and provide technical support for mechanism research. Therefore, DS-InSAR technique has a good application prospect in the surface subsidence monitoring over mining goaf.

[24]

贾会会, 张海清, 李克达, 等.

融合分布式散射体时序InSAR技术在矿区形变调查中的应用

[J]. 吉林大学学报(地球科学版), 2022, 52(1):202-213.

[本文引用: 1]

Jia

H H

, Zhang

H Q

, Li

K D

, et al.

Application of fusion distributed scatterer time-series InSAR technique in deformation survey of mining area

[J]. Journal of Jilin University(Earth Science Edition), 2022, 52(1):202-213.

[本文引用: 1]

[25]

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.

DOI:10.11947/j.AGCS.2017.20170350 [本文引用: 1]

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 progress and methods of InSAR for deformation monitoring

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

DOI:10.11947/j.AGCS.2017.20170350 [本文引用: 1]

Deformation monitoring is one of the most mature applications of space-borne InSAR technique. Firstly, we introduce the basic principle of InSAR in the monitoring of deformation and the current SAR satellites. The deformation monitoring methods of InSAR are then classified into the groups of D-InSAR, PS-InSAR, SBAS-InSAR, DS-InSAR and MAI, which are analyzed in the aspects of technical features and application scopes. Subsequently, we analyze the research progress and deficiencies of InSAR in the investigation of urban, mining area, earthquake, volcano, infrastructure, glacier, permafrost and landslide. Finally, some advanced academic problems such as deformation monitoring in multi-demension and low coherence area, atmospheric and orbital errors mitigation, and accuracy assessment are concluded.

[26]

Hooper

A multi‐temporal InSAR method incorporating both persistent scatterer and small baseline approaches

[J]. Geophysical Research Letters, 2008, 35(16):L16302.

[本文引用: 5]

[27]

魏纪成, 张红霞, 白泽朝, 等.

融合D-InSAR与PS-InSAR的神东矿区开采沉陷监测方法

[J]. 金属矿山, 2019(10):55-60.

[本文引用: 1]

Wei

J C

, Zhang

H X

, Bai

Z C

, et al.

Integrated monitoring method of the mining subsidence of Shendong mining area based on D-InSAR and PS-InSAR technology

[J]. Metal Mine, 2019(10):55-60.

[本文引用: 1]

[28]

, Ma

, Lian

, et al.

Inversion and analysis of mining subsidence by integrating DInSAR,offset tracking,and PIM technology

[J]. Journal of Sensors, 2020:4136837.

[本文引用: 1]

[29]

, Cheng

, Yang

, et al.

Investigation on mining subsidence based on multi-temporal InSAR and time-series analysis of the small baseline subset—Case study of working faces 22201-1/2 in Bu’ertai mine,Shendong coalfield,China

[J]. Remote Sensing, 2016, 8(11):951.

DOI:10.3390/rs8110951 URL [本文引用: 1]

[30]

成晓倩, 马超, 康建荣, 等.

联合DInSAR和PIM技术的沉陷特征模拟和时序分析

[J]. 中国矿业大学学报, 2018, 47(5):1141-1148.

[本文引用: 1]

Cheng

X Q

, Ma

, Kang

J R

, et al.

Simulation and time series analysis of mining subsidence by integrating DInSAR and PIM technology

[J]. Journal of China University of Mining & Technology, 2018, 47(5):1141-1148.

[本文引用: 1]

[31]

马威, 马超, 赵鹏飞, 等.

高分辨SAR相干系数图像的开采沉陷区提取

[J]. 测绘科学, 2018, 47(5):115-120.

[本文引用: 1]

, Ma

, Zhao

P F

, et al.

Extraction of mining subsidence area based on coherence image of high resolution SAR

[J]. Science of Surveying and Mapping, 2018, 47(5):115-120.

[本文引用: 1]

[32]

周秀隆, 吴嘉林, 辛德林.

世界第一矿——布尔台煤矿设计综述

[J]. 煤炭工程, 2011(3):4-7.

[本文引用: 1]

Zhou

X L

, Wu

J L

. Xin

D L

Integrated innovation to design world No.One coal Mine-Buertai mine

[J]. Coal Engineering, 2011(3):4-7.

[本文引用: 1]

[33]

Jiang

, Ding

, Tian

, et al.

A hybrid method for optimization of the adaptive Goldstein filter

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 98:29-43.

DOI:10.1016/j.isprsjprs.2014.09.012 URL [本文引用: 1]

[34]

蒋弥, 丁晓利, 李志伟.

时序InSAR同质样本选取算法研究

[J]. 地球物理学报, 2018, 61(12):4767-4776.

DOI:10.6038/cjg2018L0490 [本文引用: 2]

分布式雷达目标时序InSAR技术是目前InSAR形变监测领域的主流方向，其中同质样本选取是该技术的基础，其估计精度直接影响SAR影像分辨率与后续参数解算精度.本文在追踪最新研究进展之上，系统回顾了当今统计同质选点算法的优缺点.在参数与非参数两类统计方法的应用中，采用蒙特卡罗方法和真实数据验证定量比较算法差异以及适用场景.根据之前的研究结论，提出一种改进的最优参数统计同质样本选择方法.最后，论文介绍了团队研发的MATLAB开源工具包，涵盖了同质样本提取和时序InSAR协方差矩阵估计两部分内容，为InSAR科研人员和后续数据处理提供高质量、全分辨率的观测源.

Jiang

, Ding

X L

, Li

Z W

Homogeneous pixel selection algorithm for multitemporal InSAR

[J]. Chinese Journal of Geophysics, 2018, 61(12):4767-4776.

[本文引用: 2]

[35]

Zhang

, Zeng

, Jiao

Deformations monitoring in complicated-surface areas by adaptive distributed Scatterer InSAR combined with land cover:Taking the Jiaju landslide in Danba,China as an example

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2022, 186:102-122.

DOI:10.1016/j.isprsjprs.2022.02.004 URL [本文引用: 1]

[36]

Hooper

, Zebker

H A

Phase unwrapping in three dimensions with application to InSAR time series

[J]. Journal of the Optical Society of America, 2007, 24(9):2737-47.

[本文引用: 1]

[37]

Hooper

, Segall

, Zebker

Persistent scatterer interferometric synthetic aperture radar for crustal deformation analysis,with application to Volcán Alcedo,Galápagos

[J]. Journal of Geophysical Research:Solid Earth, 2007, 112(B7).

[本文引用: 1]

2018年中国能源产业回顾及2019年展望

2019

... 煤炭是我国主要的能源和化工资源之一.统计资料表明,煤炭资源在我国能源结构中占比接近60%^[1].煤炭资源的开采极大地带动了国民经济的发展,但长期的开采破坏了矿区及周边的底层结构和生态环境,诱发了地面形变、滑坡等地质环境问题^[2],严重危害到矿区及周边人民的生命财产安全.开展矿区地表形变监测及分析是确保煤矿资源稳定开采、减少人力财力损失的必要举措. ...

... 后验相干性及时序相干性(相干矩阵)是衡量DT目标质量的重要指标^[17,34],二者的取值范围均为[0,1].如图4所示为本文中研究区域的后验相干系数和时序相干系数.后验相干性的空间分布表明,本文研究区域内大部分自然地表具有较高的相干性,该区域内目标点的整体质量较好.其中,后验相干性超过0.5的目标占80.28%.对时序相干性矩阵进行统计表明,任意干涉对的平均相干性均大于0.25,表明经过相位优化后干涉数据集的整体干涉质量较好.为保证所筛选的DT具有较好的质量,建议选取后验相干性值大于后验相干性取值范围一半的目标作为DT.同时,为保证具有足够多的DT参与后续形变建模和解算,提高监测点密度和覆盖度,后验相干性阈值不宜设置过大.本文中,以0.6作为DT筛选的后验相干性阈值. ...

2018年中国能源产业回顾及2019年展望

2019

Permanent scatterers in SAR interferometry

2001

... 以永久散射体(persistent scatterer, PS)干涉^[3]和小基线集(small baseline subset, SBAS)干涉^[4]为代表的时序合成孔径雷达干涉(synthetic aperture Radar interferometry, InSAR)技术在地表形变监测领域中得到了广泛的应用^[5⇓-7].其主要思想是从时序合成孔径雷达(synthetic aperture Radar, SAR)影像中选取相位稳定的相干目标点,并提取差分干涉相位,从中分离出地形残余相位、大气延迟和轨道误差相位、噪声相位以及所需的形变相位,形变监测精度最高可达毫米级^[8].PS-InSAR和SBAS-InSAR显著提高了地面形变监测精度,但对于植被覆盖率较高、人工目标较少的区域,获取的地物目标数量有限,从而无法完全反映研究区域的整体形变. ...

A new algorithm for surface deformation monitoring based on small baseline differential SAR interferograms

2002

永久散射体雷达干涉测量技术

2004

永久散射体雷达干涉测量技术

2004

SBAS-InSAR技术监测青藏高原季节性冻土形变

2013

SBAS-InSAR技术监测青藏高原季节性冻土形变

2013

Land subsidence in central Mexico detected by ALOS InSAR time-series

2014

Subsidence detection by TerraSAR-X interferometry on a network of natural persistent scatterers and artificial corner reflectors

2013

A new algorithm for processing interferometric data-stacks:SqueeSAR

2011

... 为了提升此类区域的监测点密度和覆盖度,国内外学者将研究重点转移到自然界中散射特性中等且集群式分布的分布式目标(distributed target, DT).联合DT与PS的新一代分布式目标InSAR (DT-InSAR,或分布式散射体InSAR (distributed scatterer InSAR, DS-InSAR))方法应运而生^[9].该方法通过同质检验选取DT^[10-11]并对其相位进行优化^[12],然后将DT和PS进行联合处理.研究表明,DT在数量、密度和覆盖度方面远高于PS,显著提高了形变监测效果.DT-InSAR逐渐在铁路^[13]、滑坡^[14]、矿区等多个领域的形变监测中得到较多应用^[15-16].在传统的DT探测思路基础上,蒋弥等^[17]提出一种快速同质点选取(fast statistically homogenous pixel selection, FaSHPS)方法,相较于其他同质点选取方法计算效率更高,且在影像数量较少的情况下也能有效地对同质点进行识别. ...

Optimal estimation of interferometric phase for measuring surface deformation

2017

InSAR时序分析高相干目标选取方法比较研究

2016

InSAR时序分析高相干目标选取方法比较研究

2016

Adaptive InSAR stack multilooking exploiting amplitude statistics:A comparison between different techniques and practical results

2011

基于DS-InSAR的复杂山区铁路沿线形变监测研究

2019

基于DS-InSAR的复杂山区铁路沿线形变监测研究

2019

Characterizing the evolution life cycle of the Sunkoshi landslide in Nepal with multi-source SAR data

2020

基于Sentinel-1 SAR数据的黑河上游冻土形变时序InSAR监测

2019

基于Sentinel-1 SAR数据的黑河上游冻土形变时序InSAR监测

2019

An advanced algorithm for deformation estimation in non-urban areas

2012

基于快速分布式目标探测的时序雷达干涉测量方法:以Lost Hills油藏区为例

2016

... 本文对于同质点选取使用的是FaSHPS^[17]算法,该算法不同于传统的假设检验方法,其核心思想是转换为置信区间估计,通过简单的逻辑运算来识别同质点.将三维数据在时间维求得一个平均值,目标像素的平均值作为真值,而目标像素的邻近像素值作为待估值.在给定的置信水平下,当邻近像素的待估值进入以目标像素平均值为主的区间内,就认为这些像素是目标像素的同质样本,计算公式为: ...

基于快速分布式目标探测的时序雷达干涉测量方法:以Lost Hills油藏区为例

2016

基于SBAS-InSAR的矿区地表沉降监测与分析

2018

... 相比于一般的监测区域,煤矿开采区的形变梯度较大,加重了区域失相干的程度^[18].因此,PS-InSAR和SBAS-InSAR在矿区形变监测中很难取得令人满意的效果.DT-InSAR在矿区形变监测中的应用在很大程度上弥补了PS-InSAR和SBAS-InSAR的不足^{[19⇓⇓-22]}.现有研究均是将DT和传统的PS目标进行融合,然后采用单一主影像或者SBAS干涉组合策略进行相位提取和形变建模^[23-24].根据现有研究^[25]可知,PS点密度在非城市区域非常低,尤其是在矿区形变漏斗区域,基本无法有效识别出PS目标.因此,对于矿区形变监测,DT-InSAR监测点的密度有待进一步提高. ...

基于SBAS-InSAR的矿区地表沉降监测与分析

2018

分布式目标在红庆河煤矿形变监测中的应用

2019

分布式目标在红庆河煤矿形变监测中的应用

2019

融合分布式目标的矿区采动地表时序InSAR监测

2020

融合分布式目标的矿区采动地表时序InSAR监测

2020

基于DS-InSAR的乌达煤田火区长时序地表形变监测与分析

2022

基于DS-InSAR的乌达煤田火区长时序地表形变监测与分析

2022

Subsidence monitoring in coal area using time-series InSAR combining persistent scatterers and distributed scatterers

2015

利用DS-InSAR技术监测沛北矿区地表形变

2021

利用DS-InSAR技术监测沛北矿区地表形变

2021

融合分布式散射体时序InSAR技术在矿区形变调查中的应用

2022

融合分布式散射体时序InSAR技术在矿区形变调查中的应用

2022

InSAR变形监测方法与研究进展

2017

InSAR变形监测方法与研究进展

2017

A multi‐temporal InSAR method incorporating both persistent scatterer and small baseline approaches

2008

... 2008年,Hooper在其所提出的StaMPS方法的基础上,提出了一种联合PS和SBAS的形变建模和解算思路,并提出了缓慢去相关滤波相位(slowly-decorrelating filtered phase, SDFP)的概念和处理思路^[26],显著提高了形变监测点的数量和密度.传统的PS探测采用较为严格的振幅离差指数(amplitude deviation index, ADI)阈值,而Hooper则首先采用较宽松的ADI阈值获取目标候选点,然后对低质量候选点进行相位滤波提高相位质量,与高质量候选点共同参与后续的形变建模与解算.研究表明,该方法比传统的PS,StaMPS和SBAS干涉具有更好的形变监测效果,尤其是在失相干区域具有明显的应用优势. ...

... 采用由日本宇宙航空研究开发机构(Japan Aerospace Exploration Agency,JAXA)提供的具有30 m空间分辨率、5 m高程精度的AW3D30 DSM数据作为外部地形数据.在本文中,结合StaMPS小基线干涉方法及矿区形变的特点,干涉时空基线阈值的设置需要考虑2方面的因素: 一是矿区的形变量级较大,当时空基线较大时,干涉对的失相干较为严重,且形变相位梯度也较大,因而进一步增加恢复相位模糊度的难度,导致难以准确解算研究区的形变; 二是StaMPS小基线干涉方法采用最小二乘恢复相位时间序列^[26],需要干涉图集的时空基线连续分布,以避免恢复相位时间序列时出现秩亏,而过小的时空基线限制会导致干涉图集不连续,进而导致秩亏问题.为了降低时空失相干、相位梯度对监测结果的影响,并保持干涉图集的连续性,本文进行了多次实验,当设置空间基线阈值为80 m,时间基线阈值为48 d时,可满足上述2个条件,取得较好的形变监测结果.干涉图集的时空基线如图2所示. ...

... 基于SBAS-InSAR的技术原理,Hooper^[26]在2008年的基础上进行了改进,提出了StaMPS-SBAS方法,对相干点的选取方法进行了优化,目标像素点被称为SDFP点.核心思路为首先采用ADI选择初始候选像素,计算公式为: ...

... 前已述及,SDFPT候选点的探测采用了ADI阈值法.其中,ADI≤0.25的像元被标记为PS点,ADI>0.25且小于某个阈值(文献[26]中建议采用0.6)的像元被标记为SDFPT候选点.为保证高质量PS点相位不受影响,不做任何处理,直接参与后续计算.本文中也将沿用这一策略,将PS与DT和SDFPT一同融合. ...

... 对干涉图解缠结果进行最小二乘解算^[26],估算出每个目标点在时间序列上的解缠相位值.以时间序列上的解缠相位为基础,通过时空滤波去除大气延迟、轨道误差、噪声相位等,可得与形变对应的相位时间序列,进而可转化为形变时间序列和速率^[37]. ...

融合D-InSAR与PS-InSAR的神东矿区开采沉陷监测方法

2019

... 研究区域位于内蒙古鄂尔多斯市内伊金霍洛镇东部及乌兰木伦河西南部,地处神府东胜(神东)煤矿群中的布尔台煤矿、寸草塔二矿和霍洛湾煤矿一带.具体的监测范围如图1所示.该区域地貌主要以黄土丘陵为主,地势总体呈现出高态势.气候为大陆性季风气候,降雨量较少,主要集中在每年的7,8,9这3个月份.由于受干旱和人类活动等因素的长期影响,植被覆盖率相较于其他地区不高,主要以农作物和杂草为主.由于近些年来开采活动加剧,导致地表形变影响面积扩大,对矿区周围环境有很大的安全隐患^[27]. ...

融合D-InSAR与PS-InSAR的神东矿区开采沉陷监测方法

2019

Inversion and analysis of mining subsidence by integrating DInSAR,offset tracking,and PIM technology

2020

... 近年来,一些学者采用传统的差分InSAR (differential InSAR, DInSAR),SBAS-InSAR或DS-InSAR获取了神东煤矿不同矿区2012—2013年及2017—2019年间的形变分布^{[28⇓⇓-31]}.研究表明,该区域存在显著的形变漏斗,常规的DInSAR和SBAS-InSAR在矿区形变监测中效果并不理想,DS-InSAR具有较好的监测效果.但是,该区域内缺少后续的持续跟踪研究.并且,目前采用时序InSAR的研究没有覆盖本文所选实验区域(尤其是布尔台煤矿).布尔台煤矿是目前世界上单井开采量最大的井工煤矿^[32],煤层呈现出近水平和浅埋藏的特点,工作面的采煤平均厚度为2.5 m,采深为265 m,具有较高的监测必要性和研究价值. ...

2016

联合DInSAR和PIM技术的沉陷特征模拟和时序分析

2018

联合DInSAR和PIM技术的沉陷特征模拟和时序分析

2018

高分辨SAR相干系数图像的开采沉陷区提取

2018

高分辨SAR相干系数图像的开采沉陷区提取

2018

世界第一矿——布尔台煤矿设计综述

2011

世界第一矿——布尔台煤矿设计综述

2011

A hybrid method for optimization of the adaptive Goldstein filter

2014

... 为了最大化去除噪声对于监测结果的影响,采用同质滤波方法对初步选取的候选点的差分干涉图进行滤波^[33],而后需要进一步对候选点进行相位优化处理以提高观测信噪比.本文采用特征值分解法获取候选点优化后的相位^[34],而后评价DT候选点的相位优化质量,并作为选点的标准,计算公式为: ...

时序InSAR同质样本选取算法研究

2018

时序InSAR同质样本选取算法研究

2018

Deformations monitoring in complicated-surface areas by adaptive distributed Scatterer InSAR combined with land cover:Taking the Jiaju landslide in Danba,China as an example

2022

... 得到候选点之后,对候选点的差分干涉相位进行自适应滤波^[35].基于滤波后的相位,通过迭代的方法分析候选点的相位稳定性,计算出每个候选点的r_x值,并通过阈值判定相位稳定点,即SDFPT.计算公式为: ...

Phase unwrapping in three dimensions with application to InSAR time series

2007

... 探测到PS,DT和SDFPT之后,将其坐标和相位矩阵分别进行融合,剔除重复点之后得到目标点集合和相应的相位观测值集合.此时的差分干涉相位为缠绕值,无法直接进行形变建模.本文采用三维相位解缠^[36]方法获取PS,DT和SDFPT点上相应的解缠相位值.三维相位解缠中解缠问题被转换为下列最小化函数,计算公式为: ...

Persistent scatterer interferometric synthetic aperture radar for crustal deformation analysis,with application to Volcán Alcedo,Galápagos

2007

〈

〉