2. 长安大学地学与卫星大数据研究中心, 陕西 西安 710054;
3. 西部矿产资源与地质工程教育部重点实验室, 陕西 西安 710054;
4. 纽卡斯尔大学工程学院, 英国 纽卡斯尔 NE1 7RU
2. Big Data Center for Geosciences and Satellites, Chang'an University, Xi'an 710054, China;
3. Key Laboratory of Western China's Mineral Resources and Geological Engineering, Ministry of Education, Xi'an 710054, China;
4. School of Engineering, Newcastle University, Newcastle upon Tyne, NE1 7RU, UKAbstract
星载合成孔径雷达干涉测量(InSAR)因其全天时、全天候、高精度、高分辨率等优点已快速发展为成熟的空间对地观测技术，具有以米级精度绘制全球地形[1]，以亚厘米级精度和分米至数十米的空间分辨率监测地表形变的能力[2-3]。雷达干涉测量的应用最早可追溯到1969年，文献[4]首次将干涉测量技术应用到雷达上，成功获取金星和月球表面的高程信息。文献[5]首次将雷达干涉测量技术应用到机载雷达上，利用振幅条纹和光学处理技术获取了地表地形。此后，美国航空航天局喷气动力学实验室(Jet Propulsion Laboratory，JPL)进行了一系列的机载SAR试验，并于1978年6月发射世界上第一颗星载SAR卫星SEASAT，其在轨工作105 d，获得了大量的地球表面雷达干涉测量数据，为InSAR技术的初期发展奠定了基础。此后，ERS-1/2、JERS-1、Radarsat-1/2、Envisat等多颗SAR卫星相继发射，为InSAR技术的快速发展提供了丰富的数据资源。InSAR最初是利用两幅同一区域SAR影像的相位差提取地表高程[1]。文献[2]首次提出差分干涉测量技术，实现了地面高程和形变信号的分离，并使用SEASAT数据获得了美国加利福尼亚州大面积农田厘米级精度的地表形变。随后InSAR在地表形变监测中得到了广泛应用[6-9]，但随着应用领域的不断深入，传统InSAR的局限性也不断凸显：①时间和空间失相干；②大气延迟的影响；③外部数字高程模型(DEM)不精确引起的地形相位误差；④只能获取一维卫星视线向形变(line of sight，LOS)；⑤无法获取形变时间序列。进而学者们相继提出了InSAR Stacking[10]、PS-InSAR[11-12]、SBAS-InSAR[13]、MAI[14]、DS-InSAR[15]等技术，被广泛应用于地震、火山喷发、滑坡、地面沉降、冰川运动及人工建构筑物变形监测等领域的研究[16]。
我国机载SAR的研制从20世纪70年代中期开始，80年代中后期便拥有了自己的机载SAR系统(中科院电子所)。我国InSAR研究起步相对较晚，文献[17]利用昆仑山地区的雷达影像成功提取了DEM，展示了InSAR在地形信息获取方面的优越性和应用前景。文献[18]首次在国内较为系统地介绍了星载InSAR的处理流程，并利用InSAR技术获取了1992年Landers地震位移场。文献[19]在长江三峡库区利用欧洲空间局(European Space Agency，ESA)提供的1992—2000年42幅ERS-1/2影像，生成了较为理想的干涉图像，进而探讨了利用InSAR监测三峡工程蓄水过程地表变形的可行性。文献[20—21]基于InSAR技术获取了南极格罗夫山及其东部地区的冰流速场，通过与实测资料对比验证，表明利用InSAR技术可以快速地提取内陆冰盖地区的大范围复杂冰流信息，是精密测量复杂冰流的有效手段。文献[22]利用InSAR技术获取了长白山地区的形变场，显示1995—1998年期间长白山东南侧的间白山火山存在6~12 cm的形变，而长白山天池火山无明显形变，处于平静期。在科学引文索引(science citation index，SCI)中统计了1990—2021年年底主题(TS)为InSAR的发文量，发现自2000年以来，国内InSAR技术得到快速发展，国内发文总量占到全球发文总量的35%(图 1)。
|
| 图 1 1990—2021年TS=InSAR文献发表统计 Fig. 1 Statistics of the publications with the topic of InSAR during the period from 1990 to 2021 |
经过几十年的发展，InSAR技术方法不断得到改进，应用领域也不断得到拓展。本文旨在回顾InSAR技术的基本原理，分析InSAR技术面临的主要挑战及其在各应用领域的研究现状，使读者对雷达影像干涉测量InSAR的挑战、机遇与发展趋势有更全面系统的了解。本文首先概述InSAR的基本原理并介绍目前常用的InSAR技术方法；其次，介绍InSAR技术的主要挑战及相应的解决方案；然后，介绍InSAR技术的主要应用及其研究现状；最后，讨论InSAR技术未来的发展趋势。
1 InSAR发展现状和技术概况 1.1 SAR卫星的发展现状自1972年美国发射第一颗地球资源技术卫星(earth resources technology satellite，ERTS)开始，卫星以其更新速度快、覆盖范围广、响应时间短等优点迅速成为空间对地观测的主要平台。SAR卫星通过搭载在卫星平台上的合成孔径雷达发射并接收特定波长的电磁波进行成像，根据不同的工作波段可分为X(~3 cm)、C(~5 cm)、S(~9 cm)及L(~23 cm)等类型。由于飞行高度、入射角度和成像宽度等不同，不同的SAR卫星对全球成像需要几天到几周时间不等。
1978年，JPL发射了世界上第一个载有成像雷达的卫星SEASAT，ESA分别于1991年和1995年发射了两颗C波段卫星ERS-1和ERS-2，同时期日本宇宙航空机构(Japan Aerospace Exploration Agency，JAXA)于1992年发射了L波段的JERS-1卫星，加拿大空间局(Canadian Space Agency，CSA)于1995年发射了商用C波段Radarsat-1卫星。这些卫星系统的稳定性、轨道控制逐渐得到优化，获取的影像被广泛应用于InSAR理论和技术研究以及应用试验中，极大地推动了大气延迟改正、相位解缠和时间序列分析等InSAR关键数据处理技术的发展与突破。
21世纪初期，SAR卫星的硬件制造水平得到进一步提升。2002年ESA发射了ERS-1/2的后续卫星Envisat，其搭载的ASAR系统具有多极化、多角度、多模式成像能力；2006年，JAXA发射了ALOS卫星，搭载的相控阵PALSAR传感器，是全球第一个L波段星载全极化干涉SAR卫星，由于L波段具有更强的穿透能力，为地震、火山等灾害应急和环境监测提供了可靠的数据源。上述SAR卫星获取的中低分辨率SAR影像成为21世纪早期InSAR技术发展的主要数据源。
随着新一代SAR卫星的发射，SAR影像进入了高分辨率时代，传感器功能也从单一极化方式、单一成像模式、单一波段、固定入射角向着多极化、多模式、多波段、可变入射角的方向发展。图 2总结了从1975年开始的主要SAR卫星发射情况以及未来发射计划，而表 1列出了各SAR卫星的系统参数。德国航空航天中心(German Aerospace Center，DLR)于2007年6月发射了高空间分辨率卫星TerraSAR-X，意大利航天局和国防部(Agenzia Spaziale Italiana, ASI)同年6月发射了第一颗COSMO-SkyMed，两颗卫星均为X波段的高空间分辨率对地观测SAR卫星系统，ASI在2007年12月至2010年11月期间又连续发射了3颗COSMO-SkyMed卫星，组成四星一体的星座，DLR于2010年6月发射了TanDEM-X卫星与TerraSAR-X组成星座，这些都大大提高了SAR卫星的时间分辨率。JAXA于2014年发射了ALOS的后续卫星ALOS-2，空间分辨率高达1 m，在地表沉降、地壳监测、防灾减灾、农林渔业、海洋观测及资源勘探等领域都发挥着较高的应用价值。ESA在2014年和2016年分别发射了C波段的Sentinel-1 A/B卫星，两颗卫星组成星座，实现了全球12 d、部分地区6 d重访的高时间分辨率，且实行数据全球免费共享政策，进一步推动了InSAR技术的快速发展与广泛应用。目前，JPL正在积极开展NISAR卫星的研制工作，计划于2023年发射，其将搭载NASA研制的L波段合成孔径雷达和印度空间研究组织(Indian Space Research Organization，ISRO)提供的S波段合成孔径雷达，采用数据免费共享政策，将至少提供连续5 a的12 d重访周期、3~10 m分辨率的SAR影像，NISAR的发射将SAR卫星的观测能力推向一个新的高度。
|
| 图 2 SAR卫星的发展 Fig. 2 The development of SAR satellites |
| 卫星名称 | 国家/地区 | 运行时间 | 波段/波长/cm | 重访周期/d | 幅宽/km | 分辨率(方位向×距离向)/m | 入射角/(°) |
| Seasat | 美国 | 1978-06—1978-10 | L/23.5 | 17 | 100 | 25×25 | 20~26 |
| SIR-A | 美国 | 1981-11—1981-11 | L/23.5 | - | 50 | 40×40 | 47 |
| SIR-B | 美国 | 1984-10—1984-10 | L/23.5 | - | 50 | 40×40 | 15~64 |
| ERS-1 | 欧洲 | 1991-07—2000-03 | C/5.63 | 35、3、168 | 100 | 30×30 | 20~26 |
| JERS-1 | 日本 | 1992-02—1998-10 | L/23.5 | 44 | 75 | 18×18 | 35 |
| ERS-2 | 欧洲 | 1995-04—2011-09 | C/5.63 | 35，3 | 100 | 30×30 | 20~26 |
| Radarsat-1 | 加拿大 | 1995-11—2013-03 | C/5.63 | 24 | Fine: 50 Standard: 100 ScanSAR: 500 |
9×8.9 28×(21~27) 28×(23，27，35) |
37~47 20~49 20~45 |
| Envisat | 欧洲 | 2002-03—2012-04 | C/5.63 | 35，30 | AP mode: 58-110 Image: 58-110 Wave: 5 GM: 405 WS: 405 |
30×(30~150) 30×(30~150) 10×10 1×1 150×150 |
15~45 15~45 15~45 17~42 17~42 |
| ALOS | 日本 | 2006-01—2011-05 | L/23.5 | 46 | Single/dual pol: 70 Quad-pol: 30 ScanSAR: 350 |
10×(7，14) 10×24 100×100 |
8~60 8~30 18~43 |
| TerraSAR-X | 德国 | 2007-06— | X/3.11 | 11 | HR Spotlight: 10 Spotlight: 10 Stripmap: 30 ScanSAR: 100 |
1×(1.5~3.5) 2×(1.5~3.5) 3×(3~6) 26×16 |
20~55 20~55 20~45 20~45 |
| COSMO-SkyMed | 意大利 | 2007-06— | X/3.12 | 24 | Spotlight: 10 Stripmap: 30~40 ScanSAR: 100~200 |
1×1 3~15 30~100 |
25~50 25~50 25~50 |
| Radarsat-2 | 加拿大 | 2017-12— | C/5.63 | 24 | Spotlight: 20 Stripmap: 20~150 ScanSAR: 300~500 |
0.8×(2.1~3.3) (3~25.6)×(2.5~42.8) (46~113)×(43~183) |
20~49 20~60 20~49 |
| TanDEM-X | 德国 | 2010-06— | X/3.11 | 11 | HR Spotlight: 10 Spotlight: 10 Stripmap: 30 ScanSAR: 100 |
1×(1.5~3.5) 2×(1.5~3.5) 3×(3~6) 26×16 |
20~55 20~55 20~45 20~45 |
| Sentinel-1A/B | 欧洲 | 2014—/2016— | C/5.63 | 6/12 | Strip map: 80 IW: 250 EW: 400 Wave mode: 20 |
5×5 5×20 20×40 5×5 |
20~45 29~46 19~47 22~35/35~38 |
| ALOS-2 | 日本 | 2014— | L/23.5 | 14 | Spotlight: 25 Strip map: 50/70 ScanSAR: 350/490 |
1×3 3, 6, 10 100/60 |
8~70 |
| GF-3 | 中国 | 2016— | C/5.63 | 29 | 10~650 | 1~500 | 10~60 |
| ICEYE | 芬兰 | 2018-01— | X/3.12 | 1-22 | Spotlight: 5 Strip map: 30/600 ScanSAR: 100 |
1×1 3×3 20×20 |
15-35 |
| Hisea-1 | 中国 | 2020-12— | C/5.63 | 3 | Strip map: 20 ScanSAR: 50/100 |
3 20/10 |
- |
| COSMO Second Generation-2 | 意大利 | 2022-01— | X/3.12 | - | Spotlight: 10 Strip map: 30×2500 40×2500 ScanSAR: 100×2500 200×2500 |
(0.8~1)×(0.8~1) (3~5)×(3~20) (4~6)×20 6×20 |
- |
| LT-A/B | 中国 | 2022-02— | L/23.5 | - | 30~400 | 3~30 | - |
| NISAR | 美国、印度 | 2023— | L/24 S/9 |
12 | - | 3~10 | - |
与国外SAR卫星的快速发展相比，国内起步较晚，但也取得了很多成果。2012年11月19日发射的首颗S波段环境一号C星(HJ-1C)是环境与灾害监测预报小卫星星座中的雷达成像卫星。2016年高分三号卫星成功发射，于2017年3月生成了我国第一幅卫星SAR干涉影像，并从影像中提取到上海地区亚厘米级精度的地面沉降信息，实现了我国卫星SAR影像干涉测量零的突破(http://www.spacechina.com/n25/n2014789/n2014804/c1615763/content.html;https://kepu.gmw.cn/2017-03/27/content_24062411.htm)。海丝一号(Hisea-1)是国内发射的首颗1 m空间分辨率、C波段商业SAR遥感卫星；2022年1月26日，陆探一号(LT-1)01组A星成功发射，其搭载了先进的L波段多极化多通道SAR载荷，具有全天时、全天候、多模式对地观测能力，具备多种成像模式，最高分辨率3 m，最大观测幅宽可达400 km；2022年2月27日发射了陆探一号01组B星，组成了双星星座，可开展跟飞、绕飞两种飞行模式，跟飞模式具备单星8 d、双星4 d重复轨道观测能力，可应用于InSAR形变监测。陆探一号卫星的发射将提供覆盖范围广、测量点密度大、重复观测频率高的L波段SAR影像，有效缓解我国对国外高精度SAR卫星影像的依赖。
1.2 InSAR技术概况 1.2.1 InSAR基本原理InSAR技术利用SAR影像的相位差重建高精度DEM或监测地表形变[23-24]。早期InSAR技术主要应用于地形的获取，如金星、月球和地球表面的地形测量等[1, 4-5, 25]。自文献[2]首次利用InSAR技术获取美国加利福尼亚州大面积农田厘米级地表形变后，InSAR技术被广泛应用于地表形变测量，并逐渐发展出InSAR Stacking、时间序列InSAR及分频干涉测量等多种先进InSAR技术，本文聚焦InSAR在地表形变测量方面的研究与应用。
常用的InSAR方法主要有两轨法、三轨法和四轨法等，其中两轨法最为常见，其基本原理是利用同一轨道两景SAR影像，精密配准后进行共轭相乘得到干涉相位，然后从中减去由外部DEM模拟的地形相位部分，从而获取地面目标的形变信息[2, 26]，干涉相位可表示为
(1)
式中，φint为InSAR总干涉相位；φtopo为地形相位；φdef为地表形变相位；φatm表示由大气延迟造成的相位误差；φorb为轨道误差引起的相位；φnoise则包含了热噪声、失相干等其他误差相位。大气延迟相位φatm、轨道相位φorb以及噪声相位φnoise可采用一定的方法削弱，因此式(1)中主要考虑地形和形变相位。若已知研究区域的DEM，则可采用式(2)模拟出地形相位[27]
(2)
式中，B⊥为干涉对的垂直基线长度；h为地面目标高度；λ为雷达波长；R为卫星到地面目标的斜距；θ为雷达入射角。式(1)中去除φtopo地形相位便可以得到地表形变相位，实现InSAR对地表形变信息的获取，图 3为两轨法差分InSAR提取地表形变的简化流程。
|
| 图 3 两轨法差分InSAR处理框架 Fig. 3 Two-pass differential InSAR processing architecture |
InSAR测量的主要误差源有地形误差、大气误差、轨道误差、解缠误差和失相干误差等。地形误差是指用于模拟地形相位的DEM导致的相位误差[28]，如式(2)所示，干涉相位测量中的地形误差与垂直基线长度成正比，垂直基线越长，DEM误差的影响就越大，垂直基线越短，DEM误差的影响越小，垂直基线为零时，InSAR形变测量中无地形误差。大气误差是指两次获取SAR影像时雷达波穿过大气层，由于大气环境的时空变化导致的相位误差，其是重轨InSAR主要的误差源之一[29]。轨道误差是指使用轨道产品去除卫星轨道几何贡献后干涉影像中仍存在的相位误差，其往往表现为贯穿整幅干涉影像的干涉条纹。轨道误差通常可以通过从解缠相位中去除一个最佳拟合平面或二次曲面来削弱其影响，但需要注意的是，该方法可能会同时去除形变信号中的长波分量[30]。解缠误差是指将干涉相位从缠绕相位恢复到连续相位的过程中引进的2π整数倍的相位误差，在低相干性区域和大形变梯度情况下，解缠误差是获取可靠InSAR观测值的主要限制因素之一。失相干误差是指由于地表后向散射特性在重复成像时发生较大变化，或地表形变梯度过大等原因引起的干涉影像相干性降低，进而造成的误差。
1.2.2 InSAR Stacking为了削弱大气延迟等误差的影响，提高干涉影像的信噪比，InSAR Stacking技术被逐渐发展起来[10]。InSAR Stacking的基本假设是研究区域内的地表形变速率呈线性变化，通过对InSAR技术所获取的一段时间内的解缠相位进行加权平均，进而估计大区域的平均形变速率场。设ΔT是第i幅干涉图的时间基线，则平均形变速率(ph_rate)为
(3)
式中，phi为第i幅干涉图的解缠相位[31]。
InSAR Stacking的本质是通过平均值滤波来削弱随机误差的影响，独立观测值越多，效果越佳。文献[32]首次利用InSAR Stacking技术获得土耳其境内北安纳托利亚断层的震间微小形变速率。值得指出的是，大气对流层延迟误差往往与地形起伏相关，不可简单地视为随机误差。因此，在干涉图堆叠前削弱诸如大气误差等系统误差的影响，有助于精密获取形变速率场，故文献[31]提出一种大气误差改正模型辅助下的InSAR Stacking方法，并成功应用于华北平原的沉降监测。尽管干涉图堆叠技术现已被广泛应用于矿山形变监测、地面沉降监测和滑坡广域探测与监测等[31, 33-34]，但干涉图堆叠技术只能获取形变速率场，无法获取形变时间序列，没有完全发挥InSAR技术的潜力。
1.2.3 时间序列InSAR如前所述，InSAR获取高精度地表形变受限于各种误差源的影响，包括地形误差、大气延迟误差、轨道误差、解缠误差和失相干误差等[27, 30-31]，其中大气误差和解缠误差是InSAR形变测量的主要瓶颈。为了削弱这些误差的影响，提高形变测量的精度和可靠性，InSAR时间序列处理技术被提出并得到了广泛的应用，包括SBAS-InSAR[13]、PS-InSAR[11, 12, 35-37]和DS-InSAR[15, 38-39]等。
1.2.3.1 SBAS-InSAR为了提取地表形变时间序列，文献[13]提出一种基于多主影像且只利用时空基线较短的干涉对来提取地表形变信息的InSAR时间序列方法，即SBAS-InSAR技术。SBAS-InSAR技术的基本原理是选取较短时间和空间基线阈值内的干涉影像用于时间序列分析，确保失相干和地形相位误差都较小，最终得到稳定可靠的时间序列形变。
自2002年SBAS-InSAR技术被提出以来，许多学者在解决病态方程[40-44]，增加高相干点密度[45-48]，提高解算效率[49]，测量多维变形[50-51]等方面不断进行了改进，衍生出InSAR TS+PWV(precipitable water vapor)[52]，ISBAS(intermittent SBAS)[48], PSBAS(parallel SBAS)[49], MSBAS(multidimensional SBAS)[50]等技术。这些技术被广泛应用在地面沉降、地震变形、滑坡、永久冻土退化、冰川运动和火山活动监测等场景[53-58]，事实证明SBAS-InSAR技术已然成为测量地表变形的重要手段。值得指出的是，SBAS-InSAR技术在相位失相干和相位解缠等方面存在一定的局限性，尤其是在复杂形变特征环境下，由于高植被覆盖和大梯度形变引起的干涉失相干会严重影响相位解缠的可靠性，降低形变监测精度。
1.2.3.2 PS-InSAR传统InSAR技术监测地表形变常常受限于时间和空间失相干以及大气扰动的影响，且InSAR Stacking技术很难对非线性形变速率进行估计，为了克服这些缺陷，文献[11—12, 35]提出了PS-InSAR技术。PS-InSAR的基本原理是：利用覆盖同一地区的多景SAR影像，通过统计分析所有影像的幅度与相位信息，探测出一部分不受时间、空间影响而维持高相干性的地物作为观测对象，这些点被称为永久散射体(persistent scatterer，PS)[12]。如图 4所示，从物理特征上看PS点大多是某些建筑物转角或屋顶，也可能是裸露岩石等(图 4(b)蓝线)。若研究区域存在足够数量PS点，可以很大程度避免干涉失相干的影响，获取高精度的地面时间序列形变信息。
|
| 图 4 不同的SAR像元散射机制 Fig. 4 Different scattering mechanisms of SAR pixels |
PS-InSAR技术自1999年提出以来，经过20多年的发展得到广泛应用[59-64]，相关算法也已趋于成熟，建立在PS-InSAR核心思想基础上的相关算法还包括瑞士GAMMA公司的IPTA算法[65]、斯坦福大学的StaMPS算法[66]、POLIMI的Quasi-PS InSAR[65-67]，以及西班牙加泰罗尼亚理工大学的CPT算法[68]等。PS-InSAR技术的主要限制是它仅限于具有足够高相干性的散射体，而对于低PS点密度的非城市区域，其应用会大大受限[69]；另外，PS-InSAR要求大量PS点参与迭代回归或网平差计算，运算效率不高，大范围变形监测应用不易推广[70]。
1.2.3.3 DS-InSAR为克服PS点密度过低的难题，文献[15]提出了第二代永久散射体技术SqueeSAR，其后DS-InSAR研究迅速成为时序InSAR领域的研究热点[71]。DS-InSAR的基本思想是在低PS点密度的区域，通过同质选点算法提取分布式散射体(distributed scatterer，DS)，提升PS点密度，使得相位解缠进行构网时相邻两点之间的相位梯度更容易满足相位连续性假设，从而减小相位解缠误差，提取出更加可靠的形变信息。作为DS-InSAR的雏形，SqueeSAR技术除了选择常规的PS点外，增加选择区域内DS点，比如平坦的路面、矮树丛等(图 4(c)蓝线)。选择的DS点信号强度弱于PS点，但高于噪声点，再通过一定的统计方法保留相位稳定的DS点，最终与PS点联合求解时间序列形变。与PS-InSAR技术相比，SqueeSAR技术保留了高精度的特点，尤其适合于非城市区的形变观测。
DS-InSAR数据处理主要分为两个步骤：同质点选取和时序DS优化。在同质选点算法中，SqueeSAR使用的KS假设检验功效低，特别在小样本条件下易使选取的同质集合中包含许多异质点[72]。因此提出计算更为高效或估计精度更高的统计推断方法成为DS-InSAR研究的一个热点，代表性的算法有AD检验[73]、似然比检验[72]、自适应检验和置信区间估计[74]及最优参数统计同质样本选择[71]等。在相位优化算法中，计算效率是SqueeSAR的主要缺陷，目前的解决方案有文献[75]提出的协方差矩阵奇异值分解方法；在相位优化可靠性方面，文献[76]提出了用M估计量提高相位估计的抗差性，文献[77—78]提出了序贯相位估计量和基于特征值分解的似然估计量方法来提高相位估计的可靠性。
1.2.4 分频干涉测量SBI是通过带通滤波将SAR影像分解为两个子带影像，然后利用子带主从影像分别生成干涉图，最后进行子带干涉图之间的差分处理得到分频干涉图，进而估计距离向或方位向上的形变量。分频的思想首先在SAR影像的快速精密匹配得到广泛的应用[79]，后来逐渐被拓展到距离向和方位向上的形变测量[14, 80-81]，常见的方法包括方位向分频干涉测量，也称多孔径干涉测量(multiple-aperture interferometry, MAI)和距离向分频干涉测量(range split-spectrum interferometry, R-SSI)。
1.2.4.1 MAI传统InSAR技术仅可提取LOS向的地表形变量，而对轨道飞行方向上的地表运动不敏感。文献[14]首次提出MAI思想提取方位向形变。通过MAI技术获取的方位向地表位移，与InSAR的LOS向相结合即可获取地表二维形变场信息；相对于SAR像素偏移量追踪(pixel offset tracking，POT)技术而言，MAI方法在方位向的形变量解算精度和效率更高。MAI的基本原理是沿轨道飞行方向将一景SAR影像划分为前视和后视两景子影像，通过对主辅影像的前视与后视影像进行干涉处理分别获得前视与后视干涉图，进一步差分处理获得前后视的差分相位基本上可转化为轨道飞行方向的形变量，具体方程如下[14]
(4)
式中，φMAI为MAI差分相位；φforward为前视干涉相位；φback为后视干涉相位；λ为雷达波长；α为雷达天线的角波束宽度；x为沿轨道方向的形变。
MAI技术现已被应用于地震、火山、冰川、滑坡等地表形变测量[82-86]。值得指出的是，由于MAI影像存在斑点噪声等误差相位，其通常只被应用于大形变信号或高相干区域的场景中[80]。
1.2.4.2 R-SSI相较于MAI技术，因为R-SSI观测量的方向与传统InSAR相同，而精度却要低不少，R-SSI一开始并未被应用于地表形变测量。在大形变梯度场景(如强震地表破裂、滑坡、矿区沉降等)下，传统InSAR往往出现失相干的现象，而距离向分频干涉测量(R-SSI)方法却体现出了可提取大梯度形变的独特优势[81]。R-SSI的基本原理是通过距离向带通滤波将一景SAR影像划分为上频带和下频带两景影像，分别进行干涉处理生成上下频带干涉图，进一步复共轭相乘后得到R-SSI干涉影像，进行滤波和相位解缠即可获取大梯度的形变量。为了提高形变量精度，文献[87]提出了R-SSI与传统InSAR集成的方法(即将R-SSI提取的地表形变作为一阶形变量从传统InSAR干涉影像中剔除，对残余相位进行相位解缠后再加回去)，不仅可提取出大梯度的形变量，又可保持传统InSAR的形变测量精度。目前，R-SSI方法已经被应用于强震形变监测[81]，滑坡监测[86]和矿区形变测量[87]等领域。
2 InSAR面临的主要技术挑战 2.1 相位失相干重复轨道InSAR技术可以获取大范围厘米级甚至亚厘米级的地表形变信息，但前提是影像具有一定程度的相干性[88]。相干性不仅是评价局部干涉条纹质量的重要指标，同时也是一个散射体特性的重要表征参数[89]。重复轨道观测期间，由于植被生长或气象原因特别是雨、雪等情况导致各像元内散射体后向散射特性的变化[90]；或由于地震、火山、滑坡、矿山开采等引起的大梯度形变以及传感器姿态变化和雷达波透射比等因素，导致干涉相位相干性降低，称为失相干噪声。
植被的后向散射特性与植被的种类、生长情况、土壤含水量等有关，植被对相干性的影响与传感器的波长、影像的空间分辨率及影像对的时空基线直接相关[91-92]。目前减少失相干噪声的主要方法有：①使用较短时间间隔的SAR影像，可以有效降低由地物显著变化引起的失相干[93]；②采用较高空间分辨率的SAR影像，可以使单位像素内的散射体种类更加单一，降低失相干噪声；③使用较长波长(如S和L波段)的SAR影像增强雷达波段对植被的穿透能力，提高干涉相位的相干性[94]；④使用时序InSAR技术，特别是基于分布式散射体的时序InSAR技术，增强信噪比[71]，尽可能多地恢复形变信号。
地震、火山、滑坡、矿山开采的形变中心区域相邻像元间相位差很容易超过π(即1/2周期)，相干性往往很低，甚至完全失相干，这类超过临界相位梯度的形变一般称为大梯度形变[95]。实践中解决这类失相干问题常用的方法有：①采用波长较长的SAR影像，单个干涉条纹可记录更大的形变，例如L波段的SAR系统其单个条纹可记录的形变是C波段的4倍、是X波段7倍，使用波长更长的SAR系统得到的同一形变区域的干涉条纹更稀疏，有利于相位解缠，但很多情景下，即使采用长波长的SAR影像也不足以测量大梯度形变；②采用前文介绍的MAI或R-SSI方法来测量大梯度地表形变[96]；③采用SAR像素偏移量技术，虽然其监测精度较传统InSAR方法偏低，但可以有效弥补由于失相干噪声导致的数据缺失等情况[97]。
2.2 大气延迟卫星雷达信号在地球大气层传播过程中都会受到大气延迟影响，其是重复轨道InSAR测量中最为显著的误差源之一，很容易掩盖真实地表形变信号，造成地表形变提取的困难。大气延迟误差主要由两部分构成，一部分是信号穿过电离层(距离地面约50~1000 km)过程中产生的延时误差，称为电离层误差；另一部分是信号穿过对流层(距离地面约0~12 km)过程中产生的延时误差，称为对流层延迟。
电离层对SAR信号的影响与传播路径上的总自由电子数目(total electron content, TEC)有关。TEC主要受太阳表面黑子活动强度的影响，InSAR中的电离层影响则主要是由于两次SAR成像时刻沿传播路径上TEC的时空变化导致，且影响程度与传播信号频率的平方呈正相关，频率越高影响越大。由于受到太阳活动的影响，电离层的分布极其不均，随高度、地域、时间变化而变化，正是由于电离层分布的不均匀性，其对星载SAR的成像会产生振幅闪烁、时延、色散、相位偏移、法拉第旋转及电离层吸收等影响。电离层误差在L波段雷达影像上更为显著，而在C波段影像上的误差一般只有L波段的1/6[98]，然而随着雷达影像的覆盖范围不断增大，C波段影像的应用中也发现了较为显著的电离层延迟误差，比如2016 Mw 6.4台湾地震同震形变影像[99]，极地地区以及冰川运动等方面的研究[100-101]。目前InSAR电离层误差改正方法大致可分为3类：法拉第旋转法、方位向偏移量法和距离向频谱分割法[102-103]。法拉第旋转法的基本原理是利用全极化SAR数据极化面旋转角的不同来反演电离层TEC含量，然后利用主辅影像TEC含量的不同改正差分干涉相位[104]。方位偏移法是根据电离层相位的方位向导数与方位向偏移呈线性关系来获取电离层相位屏，进而改正InSAR干涉图像中的电离层延迟误差[105-106]。距离向频谱分割法主要基于分频技术对干涉影像进行距离向最优化分频，得到两个不同频率下的相位观测值，利用电离层延迟与频率成反比的性质对两景干涉影像进行线性组合达到削弱其影响的目的[107-109]。
与电离层误差不同，对流层误差与雷达信号频率无关，在相同天气条件下，不同波段影像的对流层延迟误差大小相等，在量级上可达5~20 cm(取决于影像范围)。对流层延迟主要由对流层中水汽含量、温度及气压的时空变化引起[27]，卫星大地测量学中常将对流层延迟分为与大气水汽相关且时空变化剧烈的湿延迟(在垂直方向上通常在0~0.3 m范围内)，以及受大气水汽影响小、在时空上较为稳定的干延迟(在垂直方向上约2.3 m)。由于InSAR的差分特性，大部分的干延迟误差被消除，在InSAR干涉影像上的对流层延迟误差主要由湿延迟主导，需要注意的是，在某些极端天气或者剧烈地形起伏的情况下，干延迟引起的误差也不容忽视[110]。对流层延迟的主要表现形式包括与高程强相关的延迟[111]和大气随机扰动的延迟[112]。与高程强相关的延迟主要是因为大气水汽在空间上的分层效应，不同高度大气水汽含量不同，在干涉影像上表现出与地形的强相关性，在山区或高原地区尤为明显；大气随机扰动的延迟是不规则的大气对流运动引起的对流层延迟，表现为空间上聚集的团状、波状或完全随机、离散的形状；与高程相关的信号和大气随机扰动信号耦合在一起交互影响，难以利用单一的模型将对流层延迟进行精密建模，进而影响重复轨道InSAR提取地表形变量的精度。目前较为常见的对流层改正技术有利用独立成分分析或机器学习的改正算法[113]，基于高程与相位相关的经验模型改正算法[114]，利用全球定位导航系统估计对流层延迟的改正算法[112, 115]，基于高分辨率大气数值模型改正算法[116]和全球首个通用型InSAR大气改正在线服务系统(GACOS: http://www.gacos.net)[116-117]。
GACOS结合了GNSS获取的PWV数据和ECMWF(European Centre for Medium-Range Weather Forecasts)，被证明可以很好地改善对流层延迟，特别是长波分量和与地形相关的部分[117]，已成为国际主流InSAR大气误差改正科研服务型系统。对于时序InSAR的干涉影像，在GACOS改正后的子网(subnetwork)中使用主成分分析(principal component analysis，PCA)的方法，可估计并削弱由于外部数据分辨率以及精度等原因导致的残存的短波分量以及部分与时间相关的大气相位，该方法被称为GACOS+PCA方法[118]，图 5展示的是使用SBAS-InSAR在美国加州地区得到的结果中的一景干涉影像，主副影像成像时间为2019-10-08—2019-10-14，其中(a)为原始干涉影像，(b)是经过GACOS改正后得到的干涉影像，(c)是使用GACOS+PCA方法改正后得到的干涉影像，干涉影像标准差分别为2.44、1.38、0.70 cm。在相隔6 d的干涉影像中存在大量的大气相位，GACOS很好地估计并削弱了长波部分，GACOS+PCA对于残余的大气相位有较好的削弱效果。
|
| 图 5 美国加州地区的干涉影像 Fig. 5 The interferogram in California, USA |
2.3 相位解缠误差
由于SAR系统发射和接收信号的限制，在干涉影像中只能获取不大于2π的绝对相位，被称为缠绕相位；相位解缠是将干涉影像中各个像元的相位值从缠绕相位(-π~π)恢复到实际连续相位的过程，是InSAR数据处理必不可少的关键一步，也是难点所在。
一般来说，干涉影像的二维相位解缠要顾及其一致性和精确性[119]。一致性表示在解缠后的干涉影像中任意两点之间的相位差与这两点之间的路径无关，这也是二维相位解缠的首要假设；精确性表示解缠后的相位数据应能真实地反映实际的地表变化，这是评价解缠算法好坏的重要指标。理论上，干涉影像的解缠问题可以通过沿路径积分等方法得以解决，然而由于存在各种不同的噪声，造成相邻像元的相位值并非连续，大大增加了解缠的难度。实际中，影响解缠的主要因素有：①失相干噪声，由于地物反射特性变化等导致干涉影像中像元相干性降低，影像中像元的相位值不能准确反映真实地表变化，并且相干性降低将造成不能形成连续的干涉条纹，导致解缠出错[120]；②地形起伏造成的叠掩、阴影等，由于SAR系统是侧视成像，电磁波以一定的角度到达地面并反射，在地形起伏较大、地形突然变化的区域SAR系统无法正确成像，从而在干涉影像中形成噪声或相位错误，影响解缠结果[120]；③形变梯度过大造成的解缠错误，当两个相邻像元间的形变量大于雷达波长的1/4时，将会产生相位混叠，对于矿区开采导致的快速变形、地震、滑坡等导致的瞬时形变等情况，现有算法很难将混叠的相位或干涉条纹区分开，因此会导致解缠失败或解缠错误[121]；④解缠算法的资源占用，随着时序InSAR技术的快速发展，一次任务需要解缠的干涉影像可达数十或上百幅，而目前常用的算法解缠一幅影像就需要大量的计算资源以及存储资源，并且耗时较长，所以有限的计算资源也会限制InSAR干涉影像的解缠[122]。
最早的一维相位解缠算法由文献[123]于1977年提出，之后不断有新的相位解缠算法被提出。这些解缠算法从二维或三维的角度进行解缠，大致可分为路径跟踪算法和路径无关算法。路径跟踪算法遵循缠绕阶段的路径，并局部展开每个像素。最早使用路径跟踪算法的是Goldstein提出的枝切法[120]，其中的相位残余、相位梯度及枝切的思想一直沿用至今。以Goldstein枝切法为基础，又衍生出不同的方法来绘制枝切图，如最小费用方法[124]、稳定连接方法[125]、改进的最近邻算法[126]、相位场方向法[127]、剩余向量法[128]及最近邻算法[129]等。枝切法也被应用于三维展开，定义了二维枝切曲面[130]。路径无关解缠算法采用更全局的方法，并最小化解缠和缠绕相位梯度之间的某些不匹配，由于该算法在完整干涉影像上全局运行，因此不需要展开路径。L-p范数方法是最主要的路径解缠算法，其假设为解缠数据的导数与缠绕数据复相位的导数之间应该尽可能匹配[131]。剩余切割算法调整加权L-p范数的权重，从而减少数据之间的不匹配，利用网络理论对剩余切割算法进行扩展，得到二维相位展开问题的有效解[132-134]。SNAPHU是一种用于相位展开的统计成本网络流算法，它使用不同的统计成本模型来解决地形和变形的展开问题，并结合网络理论得到近似L0的范数解[135]。
由于传统解缠技术使用的是单基线解缠，其中相位解缠绕问题属于病态问题。因此，单基线解缠在地形突变的区域往往无法得到可靠的结果，例如在山区或者高楼林立的城区。为了解决这一问题，科研人员在近年来提出了多基线InSAR相位解缠技术。多基线InSAR相位解缠技术利用干涉相位图垂直基线的多样性，以中国余数定理为基础，充分地拓展了干涉相位的模糊区间，从而将传统InSAR技术从病态问题转变为非病态问题。多基线技术克服了传统单基线中相位连续性假设的限制，能够求解复杂地形，大规模相位解缠技术通过“分而治之”策略能快速获得大规模数据的高精度结果[119]。大多数InSAR解缠方法都专注于单个影像的解缠，因此是二维的。随着多时相InSAR的出现，三维(3D)相位解缠变得越来越重要[130]，也逐渐成为相位解缠的重要方法。
2.4 斜视影像几何畸变由于成像雷达系统固有的侧视观测方式，地面坡度和类似的地形特征将导致SAR系统获取的图像出现几何畸变主要包括透视收缩、叠掩和阴影(图 6)。在侧视的观测几何图形中，面向传感器的斜坡在雷达图像上将被收缩(即透视收缩)，其几何背景如图 6(a)所示，图中A点和B点之间的斜坡将被收缩成图像区域A′B′，其透视收缩量与系统的入射角θ和坡度α相关，α越大收缩越严重，且在α=θ时达到最大。在α＞θ时透视收缩将转变为叠掩，如图 6(b)所示，山峰顶部在山峰底部之前成像，将造成雷达图像距离向山顶与山底影像倒置，如坡面DE表现在雷达图像中为E′D′。增大入射角θ可减少透视收缩和叠掩，但较大的θ将会产生更多的阴影，当后坡坡度β>90°-θ时，如图 6(c)中HIJ区域所示，导致雷达波束无法照射，最终生成阴影区域。与地形相关的几何畸变不能完全消除，但多位学者针对该问题提出了多种解决方案。如文献[136]定量计算了川藏铁路沿线升降轨Sentinel-1影像的几何畸变区域，发现升降轨联合观测可有效将几何畸变区域缩小至1.5%；文献[137]结合16景升轨ALOS影像和18景降轨Envisat影像，利用InSAR技术为舟曲地区滑坡的监测提供了更全面的认识；文献[138]直接利用DEM及SAR系统几何参数计算了研究区域的阴影和叠掩区；文献[139]提出了基于多分辨率密集解码器网络自动提取SAR图像中的水体和阴影的方法。综上所述，针对SAR图像几何畸变问题，可通过以下方式应对：①结合升降轨SAR影像、具有不同入射角的多轨道影像和不同卫星平台的SAR影像，从多个成像几何下获取图像，最大程度降低SAR影像几何畸变的影响[140]。②对中等分辨率的雷达影像，利用外部DEM及SAR系统几何参数可提前量化几何畸变；而对高分辨率的雷达影像，利用机器学习方法无须外部高分辨率DEM即可精确识别雷达影像的阴影和叠掩区, 通过对其掩膜可大幅度提高数据处理效率[140]。
|
| 图 6 SAR侧视成像几何畸变 Fig. 6 The geometric distortions of SAR side-view imaging |
2.5 多维变形测量
InSAR技术用于形变测量的另一挑战是仅能获取一维形变，即地表真实变化在LOS向的投影[140]，而LOS方向上一维形变测量可导致地表形变的低估和误判，已成为制约InSAR技术应用和推广的瓶颈之一[70]，如何有效恢复地表真实二维或者三维形变场亦是InSAR技术亟须解决的难点问题。
SAR卫星的近极轨飞行和侧视成像特征决定了InSAR对南北向的形变不敏感，以往的研究往往忽略南北向形变从而获取地表垂向和东西向的形变。作为对传统InSAR的补充，基于SAR强度信息的像素偏移量追踪技术和由分频思想发展而来的MAI技术可用于获取沿轨道(近南北)方向的位移。此外，文献[141]提出一种利用Sentinel-1 TOPS宽幅成像模式下相邻两个burst之间重叠区域两次不同视角观测来恢复沿轨道方向位移的新方法，称为burst重叠干涉测量(burst overlap interferometry，BOI)。该方法的基本原理与MAI类似，不同的是MAI通过带通滤波将一幅SAR影像分频成为前视影像和后视影像，而BOI则是直接将TOPS宽幅模式burst之间的重叠区域两次不同视角成像视为前视影像和后视影像，然后通过对主、辅影像每个burst重叠区域的前视与后视影像进行干涉处理获得前视与后视干涉图，然后对前视和后视干涉图进一步差分处理获得的前后视的差分相位基本上可转化为轨道飞行方向的形变量，具体公式为[141-142]
(5)
式中，φovl为BOI差分相位；Δaz为沿轨道飞行方向位移；λ为雷达波长；Δψovl为重叠区域两次观测的倾斜视角差。目前该方法已经被应用于同震[84, 141-143]、震间[142]方位向形变的获取。
随着SAR卫星的发展，用于同一研究区域的SAR数据源逐渐增多，利用多平台、多轨道SAR数据的测量结果理论上可以分解出三维地表形变。近年来的研究表明，融合升降轨InSAR和POT/MAI的观测值可以较好地重建三维形变场。文献[144]利用升、降轨的ERS卫星雷达影像的相位干涉测量和强度方位向偏移量追踪测量获取了1997年美国加州Hector Mine地震的三维形变场；文献[145]讨论了不同观测几何(升降轨、入射角和左右视)下地表三维形变分解的可行性和精度，并利用4幅不同观测几何的Radarsat-1干涉图获取Nenana Mountain地震三维形变场，分析表明南北向形变的测量误差最大；文献[146]融合不同轨道观测结果提出多维小基线集(multidimensional small baseline subset, MSBAS)技术可以获取地表多维形变时间序列，并开发了开源的数据处理程序包(https://insar.ca/)。
利用形变先验模型对InSAR观测值进行约束是获取地表三维形变的一个有效思路，中南大学在该领域开展了大量开拓性的研究。例如，在矿区沉陷监测中，水平或近水平煤层开采条件下矿区地表水平位移与下沉梯度之间呈线性关系，基于该先验模型，利用InSAR获取的单轨LOS形变值即可实现矿区地表三维形变监测[147-148]；文献[149—150]将地表应力应变模型(SM)纳入到同震三维形变场的求解当中，并引入方差分量估计(VCE)进行定权，该方法能够显著提高三维地表形变的估计精度，并在2021年玛多地震、2022年门源地震的三维形变重建中得到成功应用[84, 143]。
3 InSAR主要应用情况 3.1 地震周期地震是地球岩石圈层演化过程中出现的自然现象。活动断层之间的应力始终周而复始地积累和释放，一个完整的地震周期通常包括震间(地震孕育)、同震(地震爆发)和震后(应力调整)3个阶段[151-179](图 7)。地震全周期形变监测是InSAR技术应用最广泛和最成功的范例[152-153]。地震同震阶段往往造成较大的地表形变，利用InSAR技术能获取高精度的地表形变场，一方面为应急救援和灾情评估提供观测资料；另一方面可以利用InSAR数据约束，基于弹性半空间的Okada位错模型反演发震断层几何参数和滑动分布，基于所得到的断层参数计算静态库仑应力变化，研究地震触发关系和评估发震区域未来地震危险性。震后和震间阶段的地表形变通常比较缓慢，尤其是震间阶段的地表形变通常为mm/a的数量级，考虑到卫星轨道和大气效应所引起的相位误差以及时间失相干现象，往往需要利用时序InSAR技术来获取高精度的震后、震间地表形变场。利用震后形变时间序列，可以进行震后形变机制的模拟与分析，进一步理解地震成因机制。利用震间形变速率，基于相应的物理模型，可以反演断层的闭锁深度和滑移速率，为评估断层的地震危险性提供资料。
利用InSAR技术获取高空间分辨率、高精度同震地表形变场，进而确定震源参数对理解地震机制和防灾减灾具有重要的意义。文献[6]以Landers地震为案例，首次利用InSAR技术获取了地震的同震形变场。在国内，文献[154]采用ERS-1/2影像成功获取了1998年张北-尚义地震的同震地表形变场，文献[155]通过Okada弹性半空间位错模型反演获取了张北-尚义地震的震源机制，这些研究开启了中国学者利用InSAR相关技术在地震形变场获取以及震源参数反演的研究。文献[156]根据InSAR资料用于震源参数反演参数的特点，提出了一种PSO混合算法反演策略，并成功应用到3种不同类型地震震源参数的反演。文献[157]联合SAR影像、地震体波数据和光学遥感数据对2010年玉树地震进行研究，为该区域地震危险性评估提供了重要的数据支撑。文献[158]利用Sentinel-1A卫星获取的第一对同震干涉图对2014年美国加州纳帕Mw 6.1地震进行了研究。文献[159—160]基于InSAR技术获取了2017年九寨沟地震的同震形变场，计算了同震库仑应力对余震分布和周边断层应力的影响，并对发震构造进行了讨论。文献[161]针对伊朗桑塞菲德2017年Mw 6.1地震盲断层倾向确定存在争议的问题，提出了一种结合多传感器SAR数据，使用约束最小二乘动力学反演和贝叶斯反演方法相结合的解决方案。针对InSAR技术只能获取一维的LOS形变，文献[144]对1999年Mw 7.1 Hector Mine地震进行了研究，联合InSAR技术和POT技术首次提取了地震三维形变场。文献[84]利用升降轨Sentinel-1和ALOS-2数据，采用InSAR、POT、MAI和BOI等技术，通过SM-VCE方法获取了2021年青海玛多地震的三维同震形变场。针对发震区域应力场的局部扰动，文献[162]利用InSAR数据约束并反演墨西哥西南海岸的2012年Mw 7.4、2018年Mw 7.2和2020年Mw 7.4 3次大型俯冲型地震事件的精细滑动分布，基于库仑失稳准则计算3次事件产生的静态库仑应力变化，评估强震对该区域未来地震危险性的影响。文献[163]基于Sentinel-1卫星雷达观测获取了2016年Mw 5.9和2022年Mw 6.7青海门源地震同震形变场，利用位错模型反演确定了两次地震的震源参数和滑动分布，结合静态库仑应力变化，分析了2016年门源地震对2022年门源地震的触发关系。类似的库仑应力触发地震事件在北安纳托利亚断裂地震序列[164]、巴颜喀拉块体东端的地震序列[165]等震例中均有研究。综上所述，国内外研究人员在同震地表形变场获取、震源参数反演和同震应力扰动等方面已经开展了大量的研究工作，InSAR技术已然成为陆地地震研究的必备手段之一。
震后地表形变过程往往能提供一些重要的信息，如揭示地形地貌的塑造作用、地下深层结构的流变学性质和地震对邻近断层的影响等。地震震后形变的机理较为复杂，目前普遍认可的是震后的上地壳的孔隙弹性回弹、下地壳和上地幔的黏弹性松弛和同震破裂区域周围的震后余滑[166-169]。文献[170]在研究Landers地震时，首次利用InSAR数据在靠近发震断层的阶区观测到孔弹性回弹变形。文献[171]通过InSAR数据观测到2000年冰岛地区Mw 6.5地震震后的地表四象限分布形变形式和实测井水位变化资料，推断该地表形变为孔隙弹性回弹引发。文献[172]基于2003—2008年跨越5个轨道的Envisat卫星数据研究了2001年可可西里地震震后2~6 a的地表形变演化，利用震后余滑模型、黏弹性模型及两者混合模型进行建模，研究表明震后断层最大滑移量为60 cm、西藏北部下地壳的黏滞系数为2×1019Pa s。文献[173]利用Envisat卫星数据对2008年当雄地震同震及震后形变机制进行了研究，揭示了同震滑动、余滑和余震之间的关系，并通过黏弹性松弛模拟得出了青藏高原内部的中、下地壳黏滞系数的下限为1×1018 Pa s。文献[174]利用2017年Darbandikhan地震震后4个月的InSAR数据获取了震后形变，并结合震后余滑运动学反演和黏弹性松弛模拟进行了震后机制模拟研究。文献[53]提出了一种TS-GACOS-APS时序InSAR框架，获取了2016年新西兰Kaikōura地震的高精度震后形变场，结合震后的InSAR资料和GNSS观测，对Kaikōura地震进行了震后余滑模拟。
监测震间形变、反演断层的滑动速率和震间闭锁状态对评估断裂的地震危险性、合理推测未来地震发生的可能性具有重要意义。文献[32]首次采用InSAR Stacking技术获取北安纳托利亚断裂的震间形变速率，并确定其震间闭锁深度。文献[175]采用ERS数据，发现北安纳托利亚活动断裂带Ismetpasa段的震间浅层蠕滑长约70 km，蠕滑深度达7 km，推断该蠕滑现象可能开始于1944年此地区的地震事件。文献[176]使用时序InSAR技术对1992—2000年期间圣安德烈亚斯断层系统南部地震震间形变进行了监测，证实圣安德烈亚斯断层南段可能接近地震周期的震间结束阶段。文献[177]利用1992—2001年间的欧空局的SAR数据，采用改进的SBAS-InSAR算法获取了Hayward与Calaveras断层的高精度震间形变场。文献[178]以InSAR和GNSS观测得到的震间形变作为约束，反演得出北安纳托利亚断裂的应变累积率在整个过去250年的震间阶段是恒定的。文献[179]利用自动化Sentinel-1数据处理系统获取了安纳托利亚区域的长时间、大范围的三维形变速率和应变率。文献[180]综合利用InSAR和GPS观测数据研究炉霍-道孚段的运动特征，提出一种适用于研究震间形变的InSAR和GPS数据融合方法，结果表明断层深部滑动速率为8.12~9.30 mm/a，闭锁深度约9.8 km。文献[181]提出一种基于深度学习的InSAR时间序列毫米级形变自动提取方法，为全球活动断层的识别提供了可能。
3.2 火山活动火山是由火山碎屑和熔岩组成的锥形地貌，通常由喷出口、火山锥和火山口组成。21世纪以来，全球多座火山发生喷发并带来巨大损失，如2022年1月汤加海域洪阿哈阿帕伊岛火山发生喷发并引发大范围海啸，此次火山喷发导致汤加国及附近岛屿被火山灰覆盖，海底网络电缆和电话信号中断，并造成6人死亡。火山构造活动(岩浆的积累或后撤、火山侧翼活动等)会导致地表发生形变，理解火山区域地表形变对火山内部岩浆的来源、火山监测与预警等具有重要指导意义[7, 182-201](图 8)。通常情况下火山构造区域地形复杂，当火山出现喷发前兆或正在喷发时，传统的形变监测手段难以实施；而InSAR技术可以进行连续、大范围火山形变监测，获取火山形变区的精细形变场。文献[7]通过InSAR技术获取了意大利Etna火山的地表形变，发现Etna火山喷发造成了火山附近区域明显的地表收缩。随后SBAS-InSAR[184]、PS-InSAR[36, 64]和DS-InSAR[39]等多种时序InSAR技术相继用于火山形变的探测与监测。
大多数休眠火山复活时都伴有地表形变活动，因此利用InSAR技术对全球火山进行探测对理解火山复活、及时对火山进行监测及火山灾害的减灾防灾具有重要意义。文献[185]利用2002—2008年的SAR影像对拉丁美洲的火山进行了形变探测，发现了11个火山变形的区域，其中一些火山之前被认为是休眠火山。文献[186]采用Envisat和Sentinel-1数据集系统地处理了全球超过900座火山的干涉图，首次使用机器学习方法在InSAR大数据集中自动检测火山变形，证明了InSAR技术在开发基于卫星图像预警系统方面的潜力。文献[187]为了探测中国台湾北部大屯山火山群的活动状况，利用时序InSAR方法对2007—2011年的19幅L波段ALOS/PALSAR影像进行处理，结果表明该地区的火山群在2007—2010年期间以恒定的速度沉降，2010年7月以后其沉降略有加速。
火山活动伴随着岩浆房的膨胀，火山山顶和山侧会出现地表隆升和扩张变形。因此，可以利用时序InSAR技术对火山形变进行持续监测，并通过理论模型合理解释火山活动的演化过程，预测未来灾害的发展趋势。目前，基于弹性半空间的理论模型主要有Mogi点源模型[188]、Yang长椭球模型[189]及Sill模型[190-191]。文献[192]利用InSAR技术获取了厄瓜多尔加拉帕戈斯群岛火山群的高空间分辨率地表形变，并利用Mogi模型和Sill模型进行了火山和断层建模，通过火山口的断层活动解释了Sierra Negra火山出现较大膨胀变形而不伴随火山喷发的原因。文献[193—194]通过二轨法获取了阿拉斯加Okmok火山喷发前、喷发时和喷发后引起的地表变形，基于弹性半空间下的Mogi模型，反演得到了岩浆房的位置和深度，并估计出岩浆的体积下限和熔岩流的厚度。文献[195]利用InSAR技术获取了Dabbahu裂谷的三维地表变形，基于弹性半空间下的Mogi模型，反演地下岩浆活动情况，揭示了岩浆活动在大陆破裂时的裂谷分割作用。为了研究阿留申火山活动，文献[196]处理1990—2010年间的ERS-1/2、JERS-1、Radarsat-1、Envisat、ALOS和TerraSAR-X等近12 000张SAR影像，获取了大约25 000张干涉图，研究表明阿留申火山的形变模式和相关的岩浆活动机制在时间和空间上都是多样的。在深度学习方面，为了克服深度学习InSAR火山形变识别中由于缺少标记样本造成的识别精度差的问题，文献[197]提出一种自监督对比学习方法从InSAR数据中识别高质量隐藏标记，并将其用于冰岛Fagradalsfjall火山喷发前的形变监测，结果表明该方法有效提升了InSAR火山形变信号监测精度。
当前通过InSAR技术已成功监测到全球超过160座火山的地表形变，但如何利用前期的火山形变对火山喷发进行预警，一直是火山研究中的重点和难点。文献[198]利用InSAR技术研究了Westdahl火山的变化时间序列，发现该火山喷发前后岩浆房体积呈现出指数变化的规律，该研究提升了对区域未来火山喷发的预警能力。文献[199]利用Envisat ASAR与ALOS影像重建了Kizimen火山在2010年喷发前两年的地表形变，研究表明岩浆于2008年8月开始侵入，2010年9月岩浆体积随时间线性增加，直到2010年11月火山喷发，通过对火山岩浆动力学的研究，为火山的预警工作提供了理论支撑。文献[200]提出了多源数据获取-地貌演化监测-地表形变监测-环境响应探测-灾害损毁评估-灾后恢复决策一整套火山喷发遥感响应技术框架，利用InSAR等遥感技术快速解译了汤加火山的喷发过程，实现了对汤加火山地形变化的跟踪和灾害评估。
3.3 滑坡滑坡是指斜坡岩土体沿着贯通的剪切破坏面所发生的滑移地质现象。由于滑坡灾害的发展与发生过程十分复杂，其不仅会受到斜坡自身结构、外部特征的控制，还会受到诸如强降雨、地下水位变化、工程开挖等外部因素的影响。经过长时期的试验研究表明，滑坡破坏前的蠕变加速可分为3个阶段：初级蠕变阶段、次级蠕变阶段和三级蠕变阶段。初级蠕变的特征是应变速率随时间逐渐减小，这种减小通常持续很短时间，在某些情况下甚至不存在；次级蠕变的特点是以几乎恒定的速度缓慢移动，但由于降雨等外部因素的影响会导致实际形变出现波动，需要注意的是次级蠕变尽管不断发生位移，但持续时间具有不确定性；三级蠕变的特征是快速加速位移直至滑坡最终失稳[201-209]。滑坡严重威胁着人类和基础建筑设施的安全，尤其是一些高位远程滑坡及其造成的灾害链，蕴含着巨大的能量和异常高的流动性，每年造成数百人死亡和数十亿美元的损失[210]。为减少此类灾害的发生，许多研究者致力于滑坡的探测、监测和预警。
InSAR技术在滑坡的广域探测和制图，以及中期的监测中起到举足轻重的作用，在短期预警中同样也起到重要的辅助作用。要实现滑坡的预警，首先要在滑坡发生失稳前探测到潜在滑坡的确切位置。文献[211]使用PS-InSAR技术处理了ERS-1/2和Envisat影像，对意大利托斯卡纳(Tuscany)的滑坡进行了探测并将该区域的滑坡编目进行详细更新，为该区域滑坡的监测和预警打下坚实的基础。文献[212]将光学遥感与SBAS-InSAR技术相结合，在金沙江流域白格滑坡上游30 km和下游100 km的区域内探测出7处形变较明显的滑坡隐患点，为白格滑坡附近区域地质灾害防治起到了积极的作用。为避免白格滑坡事件的再次发生，文献[213]利用常规InSAR技术对Sentinel-1和ALOS-2影像进行处理，绘制了整个金沙江走廊的活动性滑坡图。由此可知，利用InSAR技术可以快速有效地对地形复杂、隐蔽性强、高海拔、人迹罕至区域的滑坡进行广域探测，可通过长波段的SAR影像和升降轨道影像联合处理减少植被覆盖和SAR影像的几何畸变产生的漏判现象。InSAR更适合用于探测相对缓慢的活动性滑坡，当形变梯度过大时，研究区域会失相干，需要通过SAR像素偏移量[214]或距离向分频干涉测量[86]的技术来弥补滑坡形变梯度过大带来的漏判现象。除此之外，利用InSAR年形变速率和时间序列结果人为选取滑坡隐患点时，可能会出现漏判现象，文献[215—218]利用深度学习的方法对解缠图和干涉图进行广域探测给我们带来重要的启示作用。
通过InSAR技术探测到活动滑坡的确切位置之后，通常利用InSAR时间序列进一步确定滑坡体的关键活动部位。文献[219]利用ERS-1/2影像对美国Berkley地区的滑坡进行了PS-InSAR监测，通过分析发现该滑坡的形变与季节性的降水和孔隙水的压力有关，该项研究在一定程度上推动了InSAR时间序列技术在滑坡监测的应用[220-224]。文献[33]利用GACOS辅助下InSAR Stacking和InSAR时间序列(SBAS和LiCSBAS)技术对金沙江下游的滑坡群进行监测，将该滑坡群分为A-G 7个区域，为川藏铁路的选线与该滑坡群的预警工作做出贡献。文献[220]基于StaMPS软件，利用SBAS-InSAR技术对2014—2019年的Sentinel-1影像进行处理，结合地震噪声数据对Bolivia的单体滑坡进行形变监测，将滑坡体分为3个不同块体滑动，并估算出滑坡体积。因此针对单体滑坡进行InSAR时间序列分析，可以有效确定滑坡体的关键监测位置，为下一步的预警做好充分的准备。
InSAR时间序列分析不仅可以确定滑坡体的关键监测位置，还可以获取滑坡运动对外界因素如季节降水、地震震动的敏感性[221-223]。InSAR获取的定量时间序列分析可以探测到滑坡失稳前5~17 d的加速运动[224]，在SAR卫星中，时间分辨率为星载InSAR进行预警的主要限制条件，目前COSMO-SkyMed最小重访周期为1 d[225]，Sentinel-1A/B为6 d，TerraSAR-X为11 d，其他卫星则更长。所以为达到预警作用，需要在确定的滑坡体上安装一个多传感器集成系统，不仅包括GNSS接收机、裂缝计、雨量计、伸倾角计和孔隙水压力计等传感器，还包括实时传输系统，组成天-空-地-体一体化的实时监测系统，将有关信息实时传输到数据中心。将InSAR和GNSS在时间和空间上的优势进行互补，对一个地区的滑坡隐患进行实时监测，通过手机等便携通信手段实时精确提供滑坡的运动信息，最后通过专家研判以及与当地政府的沟通来实现滑坡的预警目的(图 9)。
|
| 图 9 滑坡的探测、监测和预警流程 Fig. 9 Flowchart of landslide detection, monitoring and early warning |
3.4 地面沉降
地面沉降是由于自然或者人类工程活动引发的地下松散岩层固结压缩并导致一定区域内地表高程降低的地质现象，能够毁坏建筑物和生产设施，影响城市规划和资源开发，甚至威胁到居民生命安全。为掌握地面沉降发生的成因并采取有效的措施减轻其危害，需要对地面沉降的强度、速率、时间和空间变化进行持续监测。地面沉降通常出现在人口密度较高的大型城市和平原地区，且空间分布比较广泛，特别适合利用InSAR技术对其进行监测。伴随着城市化进程的加快，人口激增导致城市用水需求快速增长，超量抽取地下水致使全球范围内多座城市出现了不同程度的地面沉降灾害，InSAR技术已在美国休斯敦[226]、印度尼西亚雅加达[227]、墨西哥城[228]等城市的地面沉降监测得到成功应用。我国地面沉降比较严重的区域为汾渭盆地、华北平原等，其中又以西安[229-230]、太原[231]、北京[232-233]、天津[234-235]等城市的地面沉降灾害最为突出。例如，文献[229]采用InSAR技术监测得到西安市鱼化寨在2005—2012年累积地面沉降达750 mm，之后文献[230]处理了2012—2018年的多源SAR影像，结果显示鱼化寨沉降区仍有820 mm的累积沉降量，严重的地面沉降灾害对西安地铁3号线的安全运营造成了一定威胁。北京市地面沉降主要分布在城市北部局部区域及东部的通州-朝阳一带，最大年沉降速率超过120 mm/a，此外，文献[232—233]监测研究表明北京地面沉降的空间分布受盆地内多条活动断层的控制，顺义-良乡断层横穿首都国际机场，造成机场跑道、航站楼等基础设施出现了30 mm/a的不均匀沉降，影响航班正常起降。
经过20余年的发展，InSAR应用于地面沉降监测已相当成熟，区域性甚至全国范围内的地面沉降InSAR监测工作在多国相继开展。文献[236]通过PS-InSAR技术，对覆盖意大利全国的1992—2014年间近20 000幅ERS、Envisat及COSMO-SkyMed等SAR影像进行处理，监测结果提供了一个意大利全国在过去20年的地表形变数据库，这项工作为意大利的地质灾害监测和预防提供了开创性的并且极具价值的服务。我国幅员辽阔，目前的地面沉降大范围监测工作主要集中在东部平原地区，文献[237]对整个汾渭盆地内不同尺度和梯度的形变类型进行监测，重点分析了地面沉降与地裂缝之间的空间关系。文献[238]通过多源SAR影像分析了京津冀地区1992—2014年的地面沉降时空演化特征，研究结果对缓减该区域地面沉降的决策部署具有重要意义。文献[239]处理了苏锡常地区不同时间段的Envisat和Sentienl-1影像，结果显示2007—2010年苏州、无锡、常州均有不同量级的沉降漏斗，而2018—2021年苏锡常地区的地面沉降有所缓减。最近几年，中国地质调查局自然资源航空物探遥感中心开展了我国中东部10省市75万平方千米3年度一期的InSAR更新监测，重点沉降区实现年度监测，该项大范围常态化监测工作为我国地面沉降灾害的治理提供强有力的数据支撑。InSAR用于地面沉降监测的未来发展趋势主要体现在：①进一步解决非城市区失相干问题，提高监测结果的可靠性；②海量数据的(近)实时处理，实现城市群级别区域性动态更新。
3.5 冰川运动冰川运动的形式主要分为重力流和挤压流两种，往往在冰川运动过程中会伴随冰崩、冰湖溃决、滑坡和泥石流等自然灾害的发生，给周围地区的道路、房屋、农田等带来严重损坏，所以对冰川运动的监测显得尤为重要。全球覆盖的星载InSAR能够在大范围内以高空间和时间分辨率追踪冰川流动[240]。InSAR在冰川学中最重要的两个应用是冰川流动速度和冰川质量平衡的监测，它们对于理解冰川动力学，研究冰川涌动或冰崩等现象具有重要意义[241]。
在冰川流速监测方面，InSAR技术的首次应用可以追溯到1993年，文献[3]使用InSAR处理了1992年2月8日和14日的两幅ERS-1影像，从而恢复了南极洲Rutford冰流在此期间的速度场。这一开创性的研究引领了InSAR在监测南极洲[242-243]、格陵兰岛[244-245]、喜马拉雅[246]和阿拉斯加[247]等区域冰川运动方面的广泛应用。基于长周期连续InSAR观测获取的冰川流速，还可以创建大范围的冰川目录，例如，文献[248]使用时序InSAR技术处理了2016—2019年的Sentinel-1影像，并根据获取的平均速率在青藏高原Nyainqêntanglha西部探测出1433个岩石冰川。同样的InSAR技术也被用于建立喜马拉雅中部[249]和美国犹他州Uinta山脉[250]的岩石冰川目录。然而，由于InSAR在大梯度形变位移下会产生严重的失相干，InSAR更适合用于探测和监测相对缓慢的冰川运动(< 100 m/a)，而且在研究中应尽可能使用高时间分辨率(如1~12 d的间隔)的SAR影像对。对于更快冰川流速的测量，在InSAR失相干的情况下，精度偏低但不受形变梯度大小限制的SAR偏移量追踪方法更为有效[251]。
在冰川质量平衡的监测方面，InSAR技术可以用于生成高质量的DEM，而根据冰川DEM在不同时期的差异可以推演冰川质量平衡的变化。由于InSAR测量相位同时包含地形和形变信号，因此通过InSAR技术获取冰川DEM需要避免冰川形变的影响，理想的解决方案包括单轨道双天线干涉(如SRTM)和双基站星座干涉(如TanDEM-X)。NASA JPL基于C波段InSAR在2000年获取的全球SRTM DEM已经成为冰川质量平衡研究中的重要历史高程参考[252]，尽管其对于高海拔冰川的高程存在一定程度的低估(可达10 m)[253]。TanDEM-X发射于2010年6月，作为TerraSAR-X的扩展与其同步编队飞行。由于在双基站星座下InSAR干涉对的时间周期很短，避免了形变信号的影响，因此TanDEM-X在冰川高程测量方面发展迅速[254-255]。通过比较SRTM和TanDEM-X的高程差异可以估算2000—2010年的冰川质量平衡变化[256]。TanDEM-X的连续运行和较短的重访周期也为冰川质量平衡的动态监测提供了数据支撑，从而有助于研究冰川质量的瞬态[257]和周期性变化[258]。
3.6 人工建构筑物位移变形变形监测是人工建构筑物安全运维的一个重要环节，相对传统单点测量手段，InSAR具有面状监测的技术优势，可以获取人工建构筑物的整体形变情况，而且SAR卫星和时序分析技术的发展使InSAR具备了监测微小形变的能力，从而在大坝、高层建筑和线性工程等人工建构筑物的变形监测中得到广泛应用。
文献[259]基于Envisat ASAR影像研究三峡大坝及其周边区域的稳定性，并提出了Quasi-PS技术来解决库区失相干比较严重的问题，该研究证明InSAR技术在大坝形变监测领域具有很大的应用潜力。文献[260]基于CPT-InSAR技术，利用多源SAR影像恢复了西班牙La Pedrera大坝1995—2010年历史形变时间序列，为研究大坝的长时空形变演化特征提供参考。文献[261]通过处理高分辨率COSMO-SkyMed和TerraSAR-X影像发现意大利Pertusillo拱形坝的周期性形变与季节膨胀和静水压力有关。文献[262]采用ALOS PALSAR影像监测湖北清江水布垭大坝的形变，利用InSAR结果和有限元法对大坝进行数值模拟分析，并预测了大坝的形变。文献[263]联合Sentinel-1影像与GPS、水准实测数据分析了两伊地震对伊拉克Darbandikhan大坝稳定性的影响，研究表明震前大坝位移速率约4 mm/a，而震后坝顶的位移速率达到70 mm/a。InSAR监测大坝变形的一个主要局限是雷达侧视成像引起的大坝斜坡透视收缩现象会严重低估大坝的形变量，多轨道SAR数据联合监测能在一定程度上克服这一局限。
InSAR技术用于城市高层建筑的变形监测具有很大的挑战性，这主要取决于SAR影像的空间分辨率，目前利用InSAR评估单个高层建筑稳定性的研究案例主要采用高分辨率的COSMO-SkyMed和TerraSAR-X影像。例如，文献[264]利用1 m分辨率TerraSAR-X Spotlight影像分析美国拉斯维加斯会议中心由于热膨胀引起的屋顶形变，然而单个轨道的SAR影像无法揭示建筑物完整的形变信息以及PS点在水平和垂直方向上的位移分量。文献[265]基于升降轨TerraSAR-X影像，提出一种多轨道PS点云的融合方法，从而实现建筑物东西向和垂向位移分量的分离，并以德国柏林市内的建筑物为例验证该方法的有效性。国内相关研究较少，文献[266]采用TerraSAR-X影像对天津市渤海大楼和中国大戏院进行变形监测研究，并与水准测量结果进行对比，论证了InSAR用于建筑物监测可以达到毫米级精度。PS点位的高精度恢复是高层建筑物变形监测中需要考虑的一个重要环节，层析SAR(Tomo-SAR)的发展为解决这一问题提供了全新的技术途径。
在线性工程的稳定性监测方面，InSAR的大范围监测优势可以为国家重大基础设施工程的安全运维提供技术支撑。青藏铁路是世界上海拔最高的铁路，亟须一种有效的测量手段对沿线地面沉降进行长期监测。文献[267]利用Envisat ASAR和TerraSAR-X影像分析拉萨-那曲段2003—2012年地表形变，研究表明2007年通车后局部路段出现了20 mm/a的下沉。文献[268]利用Sentinel-1影像对港珠澳大桥2018—2020年期间的变形情况进行PS-InSAR时序分析，结果显示珠海澳门客运楼、东人工岛和香港客运楼分别出现10、17和14 mm/a的沉降速率，而大桥则表现出与温度相关的周期性形变。此外，InSAR技术的高效低成本优势使其成为大范围公共交通网络定期安全监测的首选手段。文献[269]利用2010—2015年数百景Radarsat-2影像对荷兰全国3000多千米的铁路网络进行高精度的沉降监测，并形成一套基于卫星遥感的全国铁路网监测系统。由于PS点的选择不具有先验性，导致局部区域的点密度较低，从而无法获取可靠的地面沉降信息，在重点监测区布设一定数量的人工角反射器能够提高InSAR监测的有效性。另外，海量SAR数据的近实时自动化处理也是InSAR大范围交通路网沉降定期监测中的重要研究方向。
3.7 大气水汽含量估计大气水汽通常被认为是InSAR技术的一种主要误差源。考虑到InSAR观测量对大气水汽造成的对流层延迟的敏感度，与其对地表形变量的敏感度完全一致[23, 270]，InSAR技术可以用来估计高空间分辨率的大气水汽分布[271]，这个新兴的方向被称为InSAR气象学。利用单幅干涉影像估计大气水汽含量时，需要假设研究区域没有地表形变；当利用多时相干涉影像估计大气水汽含量时，通常需要假设地表形变可以忽略或形变模型已知。文献[67]通过假设线性形变模型，分离出了卫星视线方向的大气相位屏(atmospheric phase screen，APS)，其可通过对流层湿延迟与可降水汽含量(precipitable water vapor, PWV)之间关系转化为大气水汽含量。文献[52]引入了子网(sub-network)和瞬间线性速率模型(temporarily linear velocity, TLV)的概念估计APS，将星载中分辨率成像光谱仪(MERIS)观测得到的高分辨率近红外水汽场转化为卫星视线方向的延迟量后，进行对比验证，发现两者之差的中误差在3~5 mm，相关系数达0.84~0.98。文献[272]利用同样的技术处理了美国西部Sierra Nevada地区跨度为18 a的ERS-1/2和Envisat的卫星影像，并与10 a的GPS连续跟踪数据进行了比较，发现两者形变速率的差值为0.7 mm/a，且两者估计出来的对流层延迟的差值为5 mm。文献[273]采用PS-InSAR技术处理Envisat雷达影像，反演大气水汽含量，与MERIS大气水汽观测值相比达到1.7 mm的中误差。文献[274]利用InSAR反演的高分辨率大气水汽含量图研究了2015年6—7月发生在西班牙阿德拉市的极端强对流天气，通过InSAR水汽图及三维变分技术初始化大气数值模型，成功预测了强对流天气的发生时刻及空间分布，极大限度地提升了传统气象观测手段的时空分辨率。文献[275]综合利用InSAR及全球导航卫星系统反演了不同观测点斜路径对流层延迟，由此对研究区域上空进行对流层延迟层析，并指出，InSAR对流层延迟图的加入极大地增大了层析模型的分辨率及可靠性。文献[276]分析了时序InSAR中大气延迟的时空特征，介绍了时空滤波法、最小二乘配置(LSC)法和结合现代测量平差的强制约束法等估算时序InSAR非差分大气水汽图的方法，并讨论了这些方法的优缺点及适用情况。文献[277]考虑到湍流大气的物理特性，提出了一种基于网络的方差-协方差估计(NVCE)方法，利用24景Sentinel-1A影像，对2018年5月3日喷发的Kilauea火山进行了研究，验证了时序InSAR中湍流大气随机建模的潜力，并被用来减少湍流大气对形变相位的影响。
4 总结与展望星载SAR及InSAR技术近30年来蓬勃发展，在防灾减灾、地质调查、工程建设、精确制图、军事侦察、环境遥感及行星探测等领域已得到广泛应用[277-278]。当前星载SAR实现了从米级到亚米级，从单通道向多通道，从单一极化到全极化的技术跨越。随着利用星载SAR监测等面向不同应用需求的增加，未来星载SAR将在体制、概念、技术、模式等方面取得突破，如高分辨率宽带成像、高时间分辨率、轻小型化、智能化等，从而不断拓展星载SAR的观测维度，实现多维度信息获取，从而促进InSAR技术以及其应用场景的不断发展[279-280]。
4.1 高时空分辨率宽带成像SAR卫星技术自星载SAR技术广泛应用以来，在灾害隐患评估、目标检测识别、地形测绘等应用领域，要求SAR影像拥有更高的空间分辨率；在海洋目标监视、灾区应急勘探等方面，要求SAR系统可获取更宽幅的影像[281]。通过高分辨率星载SAR系统对地球进行连续高精度观测，对获得的高分辨率SAR影像进行干涉处理可以精确测量地物高程、海冰、洋流等目标的运动信息。传统星载SAR系统的空间分辨率与带宽相互制约，宽幅成像要求在俯仰向具有较宽的波束，而越宽波束对应天线高度越小，降低了卫星信号的发射频率，导致影像的信噪比降低，使高空间分辨率和宽幅成像难以同时满足。目前主要存在以下4种方法来解决在高分辨率观测的同时实现宽幅成像观测：①基于多通道、方位多波束的高分辨率宽幅成像技术；②基于变脉冲重复频率的高分辨率宽幅成像技术；③基于大角度波束扫描的高分辨率宽幅成像技术；④基于俯仰向数字波束(digital beam forming，DBF)技术。这些技术方法均可以在保证高分辨率成像的同时增加有效幅宽[282-284]。
随着星载SAR的发展，其时间分辨率从数月缩短到数小时。如德国的SAR-Lupe组网卫星由5颗位于不同轨道面的SAR卫星组成，重访周期降为6 h；意大利的COSMO-SkyMed星座由4颗近似均匀分布在同一轨道面SAR卫星组成，时间分辨率约为12 h；美国的Lacrosse和FIA系列SAR卫星通过结合多颗SAR卫星和正逆行大倾斜轨道面来实现快速重访。
4.2 轻小型化SAR卫星技术大型星载SAR系统由于造价高，研制周期长，稳定性要求高等技术要求限制了其发展和应用，低成本、定制化的轻小型SAR卫星应运而生。轻小型化SAR卫星包括重量一般在1000 kg以下的小型SAR卫星和重量在500 kg以下的微小型卫星[285]。国际目前在轨运行的小型SAR卫星有国内的Hisea-1、芬兰的ICEYE卫星系统、德国的SAR-Lupe卫星星座、以色列的TecSAR卫星，印度的RISAT-2卫星、日本的MicroSAR卫星等。
轻小型星载SAR系统在构建多星组网或分布式星载SAR系统方面存在优势，如可提高影像的时间分辨率、满足数据的时效性和连续性要求、降低观测盲区等，这也是大型单颗星载SAR难以实现的。国内外多个商业轻小型SAR卫星公司相继成立，如芬兰的ICEYE公司在轻小型SAR卫星行业具有代表性，目前已发射16颗小型SAR卫星，计划于2022年将在轨卫星数增加到18颗以上；美国的Capella Space公司拟建设一个由36颗卫星组网的SAR卫星星座，以实现将重访周期降低至每小时；美国的Umbra公司拟构建一个由12颗星组成的星座，以实现将空间分辨率提高至15 cm；日本的Synspective公司拟发射25颗小型SAR卫星，以实现组成可覆盖全球的遥感星座，提供全球的SAR卫星数据。我国的天仪研究院和中国电科38所合作计划于2023年完成56颗SAR卫星组网，到2025年实现96颗高分辨率SAR星座的组网，将部署在多个轨道面，为我国海洋环境、灾害监测及土地利用等领域提供数据支持；“海丝”系列卫星是厦门大学同天仪研究院、中国电科38所合作研制的星座系统，目前“海丝一号”和“海丝二号”卫星已经成功发射，“海丝”系列卫星星座计划由32颗SAR、水色和高分辨光学卫星等构成。轻小型SAR系统在多元化和多样化市场要求和星载SAR载荷技术跨越式发展的推进下将迎来蓬勃的发展[286]。
4.3 自动化大数据快速处理技术随着SAR卫星和InSAR技术的不断发展，利用InSAR在全球范围内开展系统性、连续性的形变监测逐渐成为可能。尽管拥有海量的SAR影像，按照目前的算法仍很难得到全球形变信息，因为利用InSAR技术得到的形变信息，需要研究区域的先验知识和专家的详细解译，耗时耗力，较难成功。随着市场需求多样化，可扩展的自动化数据分析正在满足新市场的需求，应用机器学习技术支持InSAR处理流程或分析干涉图，可以进一步补充InSAR算法的研究，提高SAR影像的处理效率、生产力和可持续性。机器学习比人更容易累积经验，可以迭代地学习某些函数的近似值，而且该过程无须人工干预解译和区域的先验信息，因此基于深度学习技术对InSAR时间序列干涉图进行学习，可以实现亚厘米级形变的自动提取，但目前如何从形变时间序列中得到连续的瞬时信号仍然是一个关键难点。利用自动化大数据快速处理技术在全球范围内得到系统性、连续性的形变结果，对于观测地震、火山、滑坡、地面沉降、冰川运动等造成的形变都会有更深、更详细的理解，更加接近瞬间地表真实的形变，减少人工引入误差的影响[13, 113, 287]。
4.4 创新应用场景InSAR技术的进步为SAR卫星提出了更多、更高的要求，同时SAR卫星的发展也推动着InSAR技术应用于更多、更新的场景。近年来，地球同步轨道SAR(GEO SAR)卫星、生物量监测SAR卫星、高分辨率SAR卫星、双频SAR卫星等一些新型卫星体制相继被提出，这些新型卫星的出现进一步丰富了InSAR技术的应用场景。
GEO SAR利用轻微的轨道扰动形成合成孔径[288]，具有每日重访、分钟级即时访问、大面积覆盖、即时数据传输的准连续成像能力，再加上SAR对变形、相干变化及水汽的敏感性，GEO SAR将通过利用后向散射、相干性和干涉相位提供一个有价值的监测系统[289]。目前，各国对GEO SAR卫星的飞行及成像模式还在积极的论证和试验中，可以预想未来GEO SAR的应用场景可能包括但不限于：①高分辨率大气水汽含量的估计；②分钟级灾害应急制图；③特定区域每日变形监测；④其他各种SAR和InSAR数据产品。
SAR的极化特性在地表形变监测领域往往容易被忽视，但将干涉观测和极化观测进行组合的极化InSAR(Pol-InSAR)技术，在定量化监测森林、农业等生物量方面取得了重大进展，各种单基线、多基线模型在X、L和P等SAR波段都得到了成功验证[290-291]，利用Pol-InSAR可以实现：①对于复杂的森林垂直结构进行反演[292]；②高空间分辨率和高垂直精度的森林高度的估计[293-294]；③对苔原、森林、城市等区域生物量的估计[295-297]。对森林结构以及各种区域生物量的监测有利于加快降低碳排放的步伐，有利于引导绿色技术创新，指导“双碳”目标的完成。为了进一步研究森林在碳循环的作用，欧洲空间局计划于2023年发射第一颗携带用于干涉成像的全极化P波段SAR卫星——Biomass卫星，用于监测森林状况及其变化。
现代高分辨率SAR卫星(如TerraSAR-X/TanDEM-X、COSMO-SkyMed等)可以提供极高分辨率(very high resolution, VHR)影像，为InSAR形变监测提供了新的应用场景：①传统InSAR较低的空间分辨率限制了其在小尺度监测方面的应用，而VHR影像极高的空间分辨率和InSAR技术对形变测量的极高敏感性，在跨海桥梁等小尺度建筑物等基础设施的安全监测中显示出独特的优势，并得到了成功的验证[268, 298]；②利用VHR影像的Tomo-SAR技术可以对建筑物表面进行二维或三维重建[299]，可对人工建构筑物进行远程监测[300]，对城市进行大范围3D建模[301]；③Tomo-PS InSAR技术结合了PS-InSAR和Tomo-SAR技术，扩展了干涉测量的概念，克服传统InSAR技术空间分辨率低的局限[302]，利用Tomo-SAR的方法可以解析同一像素中的多个散射体，改进了对单一相干目标的监测，在人工建构筑物的监测方面取得了成功应用，成功提取出小尺度建筑物的运动异常以及热力学形变[303]。
双频SAR卫星也是近年来各国重点研究的新型卫星体制之一，双频SAR卫星搭载两个波段的雷达成像仪，可分别或同时对地表进行成像，这两个波段一长一短、互为补充、相互验证，并且具有单极化、双极化及全极化的成像能力。双频SAR卫星通常具有多个任务属性，例如计划于2023年发射的NASA-ISRO SAR(NISAR)卫星，其搭载了L和S波段的雷达成像仪，计划在生态环境、地球科学、灾害监测预警与应急响应以及气象等多个领域开展具体研究[304]。得益于两个波段的雷达成像仪可以同时成像但具有不同穿透能力的特性，双频SAR卫星的出现将可能开辟一些新的引用场景：①根据不同的穿透能力，同一事件在不同波段的观测下可能会有所不同，从而可以从不同层次更好地理解事件的全貌；②同一地物在不同波段不同极化方式的影像上的表现不同，可以帮助研究学者更好地理解地物的反射特性，进一步优化地物的后向散射模型；③不同波段对形变的敏感度不同，能够捕获的形变范围也不同，利用双频SAR卫星干涉测量可更好地对冰盖崩塌、火山喷发、地震活动、山体滑坡等自然灾害的复杂过程进行精细化监测并开展应急响应。
| [1] |
ZEBKER H A, GOLDSTEIN R M. Topographic mapping from interferometric synthetic aperture radar observations[J]. Journal of Geophysical Research: Solid Earth, 1986, 91(B5): 4993-4999. DOI:10.1029/JB091iB05p04993 |
| [2] |
GABRIEL A K, GOLDSTEIN R M, ZEBKER H A. Mapping small elevation changes over large areas: differential radar interferometry[J]. Journal of Geophysical Research: Solid Earth, 1989, 94(B7): 9183-9191. DOI:10.1029/JB094iB07p09183 |
| [3] |
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 |
| [4] |
ROGERS A E, INGALLS R P. Venus: mapping the surface reflectivity by radar interferometry[J]. Science, 1969, 165(3895): 797-799. DOI:10.1126/science.165.3895.797 |
| [5] |
GRAHAM L C. Synthetic interferometer radar for topographic mapping[J]. Proceedings of the IEEE, 1974, 62(6): 763-768. DOI:10.1109/PROC.1974.9516 |
| [6] |
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 |
| [7] |
MASSONNET D, BRIOLE P, ARNAUD A. Deflation of Mount Etna monitored by spaceborne radar interferometry[J]. Nature, 1995, 375(6532): 567-570. DOI:10.1038/375567a0 |
| [8] |
ACHACHE J, FRUNEAU B, DELACOURT C. Applicability of SAR interferometry for operational monitoring of landslides[C]//Proceeding of the 2nd ERS Applications Workshop. London, UK: ESA, 1996.
|
| [9] |
CARNEC C, DELACOURT C. Three years of mining subsidence monitored by SAR interferometry, near Gardanne, France[J]. Journal of Applied Geophysics, 2000, 43(1): 43-54. DOI:10.1016/S0926-9851(99)00032-4 |
| [10] |
SANDWELL D T, 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 |
| [11] |
FERRETTI A, PRATI C, ROCCA F. Permanent scatterers in SAR interferometry[C]//Proceedings of 1999 International Geoscience and Remote Sensing Symposium. Hamburg, Germany: IEEE, 1999: 1528-1530.
|
| [12] |
FERRETTI A, PRATI C, 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 |
| [13] |
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 Geoscienceand Remote Sensing, 2002, 40(11): 2375-2383. DOI:10.1109/TGRS.2002.803792 |
| [14] |
BECHOR N B D, ZEBKER H A. Measuring two-dimensional movements using a single InSAR pair[J]. Geophysical Research Letters, 2006, 33(16): L16311. DOI:10.1029/2006GL026883 |
| [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] |
LI Zhenhong, YU Chen, XIAO Ruya, et al. Entering a new era of InSAR: advanced techniques and emerging applications[J]. Journal of Geodesy and Geoinformation Science, 2022, 5(1): 1-4. DOI:10.11947/j.JGGS.2022.0101 |
| [17] |
王超. 利用航天飞机成象雷达干涉数据提取数字高程模型[J]. 遥感学报, 1997, 1(1): 46-49. WANG Chao. Using SIR-C interferometric data for DEM acquisition[J]. Journal of Remote Sensing, 1997, 1(1): 46-49. |
| [18] |
张景发, 邵芸. 干涉成像雷达(INSAR)技术及其应用现状[J]. 地震地质, 1998, 20(3): 277-288. ZHANG Jingfa, SHAO Yun. SAR interferometry and its application review[J]. Seismology and Geology, 1998, 20(3): 277-288. |
| [19] |
游新兆, 李澍荪, 杨少敏, 等. 长江三峡工程库首区InSAR测量的初步研究[J]. 地壳形变与地震, 2001, 21(4): 58-66. YOU Xinzhao, LI Shusun, YANG Shaomin, et al. InSAR investigation in the early stage of the Three Gorges project on the Yangtze River[J]. Crustal Deformation and Earthquake, 2001, 21(4): 58-66. DOI:10.3969/j.issn.1671-5942.2001.04.008 |
| [20] |
CHENG Xiao, XU Guanhua. The integration of JERS-1 and ERS SAR in differential interferometry for measurement of complex glacier motion[J]. Journal of Glaciology, 2006, 52(176): 80-88. DOI:10.3189/172756506781828881 |
| [21] |
程晓, 李小文, 邵芸, 等. 南极格罗夫山地区冰川运动规律DINSAR遥感研究[J]. 科学通报, 2006, 51(17): 2060-2067. CHENG Xiao, LI Xiaowen, SHAO Yun, et al. D-InSAR remote sensing study of glacier movement in the Groff Mountains, Antarctica[J]. Chinese Science Bulletin, 2006, 51(17): 2060-2067. DOI:10.3321/j.issn:0023-074X.2006.17.015 |
| [22] |
陈国浒, 单新建, MOON W M, 等. 基于InSAR、GPS形变场的长白山地区火山岩浆囊参数模拟研究[J]. 地球物理学报, 2008, 51(4): 1085-1092. CHEN Guohu, SHAN Xinjian, MOON W M, et al. A modeling of the magma chamber beneath the Changbai Mountains volcanic area constrained by InSAR and GPS derived deformation[J]. Chinese Journal of Geophysics, 2008, 51(4): 1085-1092. DOI:10.3321/j.issn:0001-5733.2008.04.017 |
| [23] |
LI Zhenhong. Correction of atmospheric water vapour effects on repeat-pass SAR interferometry using GPS, MODIS and MERIS data[D]. London: University of London, 2005.
|
| [24] |
ROSEN P A, HENSLEY S, JOUGHIN I R, et al. Synthetic aperture radar interferometry[J]. Proceedings of the IEEE, 2000, 88(3): 333-382. DOI:10.1109/5.838084 |
| [25] |
ZISK S H. A new, earth-based radar technique for the measurement of lunar topography[J]. The Moon, 1972, 4(3): 296-306. |
| [26] |
XIA Ye. Synthetic aperture radar interferometry[M]. Sciences of Geodesy-I. Springer, 2010: 415-74.
|
| [27] |
HANSSEN R F. Radar interferometry: data interpretation and error analysis[M]. Boston, MA: Kluwer Academic, 2001.
|
| [28] |
BVRGMANN R, ROSEN P A, FIELDING E J. Synthetic aperture radar interferometry to measure earth's surface topography and its deformation[J]. Annual Review of Earth and Planetary Sciences, 2000, 28(1): 169-209. DOI:10.1146/annurev.earth.28.1.169 |
| [29] |
ZEBKER H A, ROSEN P A, HENSLEY S. Atmospheric effects in interferometric synthetic aperture radar surface deformation and topographic maps[J]. Journal of Geophysical Research: Solid Earth, 1997, 102(B4): 7547-7563. DOI:10.1029/96JB03804 |
| [30] |
LI Zhenhong, LIU Yanxiong, ZHOU Xinghua, et al. Using small baseline interferometric SAR to map nonlinear ground motion: a case study in Northern Tibet[J]. Journal of Applied Geodesy, 2009, 3(3): 163-170. |
| [31] |
XIAO Ruya, YU Chen, LI Zhenhong, et al. General survey of large-scale land subsidence by GACOS-corrected InSAR stacking: case study in North China plain[J]. Proceedings of the International Association of Hydrological Sciences, 2020, 382: 213-218. DOI:10.5194/piahs-382-213-2020 |
| [32] |
WRIGHT T, PARSONS B, FIELDING E. Measurement of interseismic strain accumulation across the North Anatolian Fault by satellite radar interferometry[J]. Geophysical Research Letters, 2001, 28(10): 2117-2120. DOI:10.1029/2000GL012850 |
| [33] |
张成龙, 李振洪, 余琛, 等. 利用GACOS辅助下InSAR Stacking对金沙江流域进行滑坡监测[J]. 武汉大学学报(信息科学版), 2021, 46(11): 1649-1657. ZHANG Chenglong, LI Zhenhong, YU Chen, et al. Landslide detection of the Jinsha River region using GACOS assisted InSAR stacking[J]. Geomatics and Information Science of Wuhan University, 2021, 46(11): 1649-1657. |
| [34] |
YU Chen, LI Zhenhong, BAI Lin, et al. Successful applications of generic atmospheric correction online service for InSAR (GACOS) to the reduction of atmospheric effects on InSAR observations[J]. Journal of Geodesy and Geoinformation Science, 2021, 4(1): 109-115. DOI:10.11947/j.JGGS.2021.0113 |
| [35] |
FERRETTI A, PRATI C, 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 |
| [36] |
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. |
| [37] |
HOOPER A. A multi-temporal InSAR method incorporating both persistent scatterer and small baseline approaches[J]. Geophysical Research Letters, 2008, 35(16): L16302. DOI:10.1029/2008GL034654 |
| [38] |
JIANG Mi, DING Xiaoli, HANSSEN R F, et al. Fast statistically homogeneous pixel selection for covariance matrix estimation for multitemporal InSAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(3): 1213-1224. DOI:10.1109/TGRS.2014.2336237 |
| [39] |
WANG Guanya, XU Bing, LI Zhiwei, et al. A phase optimization method for DS-InSAR based on SKP decomposition from quad-polarized data[J]. IEEE Geoscience and Remote Sensing Letters, 2022, 19: 1-5. |
| [40] |
LAUKNES T R, ZEBKER H A, LARSEN Y. InSAR deformation time series using an L1-norm small-baseline approach[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(1): 536-546. DOI:10.1109/TGRS.2010.2051951 |
| [41] |
WERNER C L, STROZZI T, WEGMVLLER U. Deformation time-series of the lost hills oil field using a multi-baseline interferometric SAR inversion algorithm with finite-difference smoothing constraints[C]//Proceedings of 2012 American Geophysical Union Fall Meeting. San Francisco, CA: AGU, 2012.
|
| [42] |
SCHMIDT D A, BVRGMANN R. Time-dependent land uplift and subsidence in the Santa Clara valley, California, from a large interferometric synthetic aperture radar data set[J]. Journal of Geophysical Research: Solid Earth, 2003, 108(B9): 2416. |
| [43] |
DOIN M P, LODGE F, GUILLASO S, et al. Presentation of the small baseline NSBAS processing chain on a case example: the Etna deformation monitoring from 2003 to 2010 using Envisat data[C]//Proceedings of 2011 Fringe ESA Conference. Frascati, Italy: [s. n.], 2011.
|
| [44] |
USAI S. A least squares database approach for SAR interferometric data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(4): 753-760. DOI:10.1109/TGRS.2003.810675 |
| [45] |
GEE D, SOWTER A, NOVELLINO A, et al. Monitoring land motion due to natural gas extraction: validation of the Intermittent SBAS (ISBAS) DInSAR algorithm over gas fields of North Holland, the Netherlands[J]. Marine and Petroleum Geology, 2016, 77: 1338-1354. DOI:10.1016/j.marpetgeo.2016.08.014 |
| [46] |
LANARI R, MORA O, MANUNTA M, et al. A small-baseline approach for investigating deformations on full-resolution differential SAR interferograms[J]. IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(7): 1377-1386. DOI:10.1109/TGRS.2004.828196 |
| [47] |
OJHA C, MANUNTA M, LANARI R, et al. The constrained-network propagation (C-NetP) technique to improve SBAS-DInSAR deformation time series retrieval[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(10): 4910-4921. DOI:10.1109/JSTARS.2015.2482358 |
| [48] |
SOWTER A, BATESON L, STRANGE P, et al. DInSAR estimation of land motion using intermittent coherence with application to the South Derbyshire and Leicestershire coalfields[J]. Remote Sensing Letters, 2013, 4(10): 979-987. DOI:10.1080/2150704X.2013.823673 |
| [49] |
CASU F, ELEFANTE S, IMPERATORE P, et al. SBAS-DInSAR parallel processing for deformation time-series computation[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(8): 3285-3296. DOI:10.1109/JSTARS.2014.2322671 |
| [50] |
SAMSONOV S, D'OREYE N. Multidimensional time-series analysis of ground deformation from multiple InSAR data sets applied to Virunga Volcanic Province[J]. Geophysical Journal International, 2012, 191(3): 1095-1108. |
| [51] |
CASU F, MANCONI A, PEPE A, et al. Deformation time-series generation in areas characterized by large displacement dynamics: the SAR amplitude pixel-offset SBAS technique[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(7): 2752-2763. DOI:10.1109/TGRS.2010.2104325 |
| [52] |
LI Zhenhong, FIELDING E J, CROSS P. Integration of InSAR time-series analysis and water-vapor correction for mapping postseismic motion after the 2003 bam (Iran) earthquake[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(9): 3220-3230. DOI:10.1109/TGRS.2009.2019125 |
| [53] |
YU Chen, LI Zhenhong, PENNA N T. Triggered afterslip on the southern Hikurangi subduction interface following the 2016 Kaikōura earthquake from InSAR time series with atmospheric corrections[J]. Remote Sensing of Environment, 2020, 251: 112097. DOI:10.1016/j.rse.2020.112097 |
| [54] |
PARK S W, HONG S H. Nonlinear modeling of subsidence from a decade of InSAR time series[J]. Geophysical Research Letters, 2021, 48(3): e2020GL090970. |
| [55] |
BIGGS J, WRIGHT T, LU Zhong, et al. Multi-interferogram method for measuring interseismic deformation: Denali Fault, Alaska[J]. Geophysical Journal International, 2007, 170(3): 1165-1179. DOI:10.1111/j.1365-246X.2007.03415.x |
| [56] |
ZHAO Chaoying, LU Zhong, ZHANG Qin, et al. Large-area landslide detection and monitoring with ALOS/PALSAR imagery data over Northern California and Southern Oregon, USA[J]. Remote Sensing of Environment, 2012, 124: 348-359. DOI:10.1016/j.rse.2012.05.025 |
| [57] |
MANCONI A, CASU F. Joint analysis of displacement time series retrieved from SAR phase and amplitude: impact on the estimation of volcanic source parameters[J]. Geophysical Research Letters, 2012, 39(14): L14301. |
| [58] |
SAMSONOV S. Three-dimensional deformation time series of glacier motion from multiple-aperture DInSAR observation[J]. Journal of Geodesy, 2019, 93(12): 2651-2660. DOI:10.1007/s00190-019-01325-y |
| [59] |
BVRGMANN R, HILLEY G, FERRETTI A, et al. Resolving vertical tectonics in the San Francisco Bay Area from permanent scatterer InSAR and GPS analysis[J]. Geology, 2006, 34(3): 221-224. DOI:10.1130/G22064.1 |
| [60] |
FUNNING G J, BVRGMANN R, FERRETTI A, et al. Creep on the rodgers creek fault, northern San Francisco bay Area from a 10 year PS-InSAR dataset[J]. Geophysical Research Letters, 2007, 34(19): L19306. DOI:10.1029/2007GL030836 |
| [61] |
HOOPER A, BEKAERT D, SPAANS K, et al. Recent advances in SAR interferometry time series analysis for measuring crustal deformation[J]. Tectonophysics, 2012, 514-517: 1-13. DOI:10.1016/j.tecto.2011.10.013 |
| [62] |
LAGIOS E, PAPADIMITRIOU P, NOVALI F, et al. Combined seismicity pattern analysis, DGPS and PSInSAR studies in the broader area of Cephalonia (Greece)[J]. Tectonophysics, 2012, 524-525: 43-58. DOI:10.1016/j.tecto.2011.12.015 |
| [63] |
MASSIRONI M, ZAMPIERI D, BIANCHI M, et al. Use of PSInSARTM data to infer active tectonics: clues on the differential uplift across the Giudicarie belt (Central-Eastern Alps, Italy)[J]. Tectonophysics, 2009, 476(1-2): 297-303. DOI:10.1016/j.tecto.2009.05.025 |
| [64] |
PELTIER A, BIANCHI M, KAMINSKI E, et al. PSInSAR as a new tool to monitor pre-eruptive volcano ground deformation: validation using GPS measurements on Piton de la Fournaise[J]. Geophysical Research Letters, 2010, 37(12): L12301. |
| [65] |
WERNER C, WEGMULLER U, WIESMANN A, et al. Interferometric point target analysis with JERS-1 L-band SAR data[C]//Proceedings of 2003 IGARSS 2003. 2003 IEEE International Geoscience and Remote Sensing Symposium. Toulouse, France: IEEE, 2003.
|
| [66] |
HOOPER A, SEGALL P, ZEBKER H. 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): B07407. |
| [67] |
PERISSIN D, WANG Teng. Repeat-pass SAR interferometry with partially coherent targets[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(1): 271-280. DOI:10.1109/TGRS.2011.2160644 |
| [68] |
BLANCO-SÁNCHEZ 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 |
| [69] |
CROSETTO M, MONSERRAT O, CUEVAS-GONZÁLEZ M, et al. Persistent scatterer interferometry: a review[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 115: 78-89. DOI:10.1016/j.isprsjprs.2015.10.011 |
| [70] |
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. ZHU Jianjun, LI Zhiwei, HU Jun. 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 |
| [71] |
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. JIANG Mi, DING Xiaoli, LI Zhiwei. Homogeneous pixel selection algorithm for multitemporal InSAR[J]. Chinese Journal of Geophysics, 2018, 61(12): 4767-4776. DOI:10.6038/cjg2018L0490 |
| [72] |
PARIZZI A, 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 |
| [73] |
GOEL K, ADAM N. 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 |
| [74] |
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. JIANG Mi, DING Xiaoli, HE Xiufeng, 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. DOI:10.6038/cjg20161007 |
| [75] |
FORNARO G, VERDE S, REALE D, et al. CAESAR: an approach based on covariance matrix decomposition to improve multibaseline-multitemporal interferometric SAR processing[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(4): 2050-2065. DOI:10.1109/TGRS.2014.2352853 |
| [76] |
WANG Yuanyuan, ZHU Xiaoxiang. Robust estimators for multipass SAR interferometry[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(2): 968-980. DOI:10.1109/TGRS.2015.2471303 |
| [77] |
ANSARI H, DE ZAN F, BAMLER R. Sequential estimator: a novel approach for efficient high-precision analysis of interferometric time series[C]//Proceedings of 2017 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). Fort Worth, TX, USA: IEEE, 2017.
|
| [78] |
ANSARI H, DE ZAN F, GOMBA G, et al. EMI: efficient temporal phase estimation and its impact on high-precision InSAR time series analysis[C]//Proceedings of 2019 IEEE International Geoscience and Remote Sensing Symposium. Yokohama, Japan: IEEE, 2019.
|
| [79] |
SCHEIBER R, MOREIRA A. Coregistration of interferometric SAR images using spectral diversity[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(5): 2179-2191. DOI:10.1109/36.868876 |
| [80] |
BEN-DOV N B, HERRING T A. Multiple aperture INSAR (MAI) with C-band and L-band data: noise and precision[R]. Cambridge, MA: Massachusetts Institute of Technology, 2012.
|
| [81] |
JIANG Houjun, FENG Guangcai, WANG Teng, et al. Toward full exploitation of coherent and incoherent information in Sentinel-1 TOPS data for retrieving surface displacement: application to the 2016 Kumamoto (Japan) earthquake[J]. Geophysical Research Letters, 2017, 44(4): 1758-1767. |
| [82] |
JO M J, JUNG H S, WON J S. Measurement of precise three-dimensional volcanic deformations via TerraSAR-X synthetic aperture radar interferometry[J]. Remote Sensing of Environment, 2017, 192: 228-237. DOI:10.1016/j.rse.2017.02.022 |
| [83] |
FENG Wanpeng, LI Zhenhong, ELLIOTT J R, et al. The 2011Mw 6.8 Burma earthquake: fault constraints provided by multiple SAR techniques[J]. Geophysical Journal International, 2013, 195(1): 650-660. DOI:10.1093/gji/ggt254 |
| [84] |
LIU Jihong, HU Jun, LI Zhiwei, et al. Complete three-dimensional coseismic displacements due to the 2021 Maduo earthquake in Qinghai Province, China from Sentinel-1 and ALOS-2 SAR images[J]. Science China Earth Sciences, 2022, 65(4): 687-697. DOI:10.1007/s11430-021-9868-9 |
| [85] |
LU Zhong, DZURISIN D, BIGGS J, et al. Ground surface deformation patterns, magma supply, and magma storage at Okmok volcano, Alaska, from InSAR analysis: 1. Intereruption deformation, 1997-2008[J]. Journal of Geophysical Research: Solid Earth, 1997, 115(B5): B00B02. |
| [86] |
SHI Xuguo, JIANG Houjun, ZHANG Lu, et al. Landslide displacement monitoring with split-bandwidth interferometry: a case study of the shuping landslide in the Three Gorges area[J]. Remote Sensing, 2017, 9(9): 937. DOI:10.3390/rs9090937 |
| [87] |
LUO Haibin, LI Zhenhong, CHEN Jiajun, et al. Integration of range split spectrum interferometry and conventional InSAR to monitor large gradient surface displacements[J]. International Journal of Applied Earth Observation and Geoinformation, 2019, 74: 130-137. DOI:10.1016/j.jag.2018.09.004 |
| [88] |
CURLANDER J C, MCDONOUGH R N. Synthetic aperture radar: systems and signal processing[M]. New York: Wiley, 1991.
|
| [89] |
JIANG Mi, DING Xiaoli, LI Zhiwei. Hybrid approach for unbiased coherence estimation for multitemporal InSAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(5): 2459-2473. DOI:10.1109/TGRS.2013.2261996 |
| [90] |
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. GE Daqing. Research on the key techniques of SAR interferometry for regional land subsidence monitoring[D]. Beijing: China University of Geosciences (Beijing), 2013. |
| [91] |
COLIN E, TITIN-SCHNAIDER C, TABBARA W. An interferometric coherence optimization method in radar polarimetry for high-resolution imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(1): 167-175. DOI:10.1109/TGRS.2005.859357 |
| [92] |
AHMED R, SIQUEIRA P, HENSLEY S, et al. A survey of temporal decorrelation from spaceborne L-band repeat-pass InSAR[J]. Remote Sensing of Environment, 2011, 115(11): 2887-2896. DOI:10.1016/j.rse.2010.03.017 |
| [93] |
SICA F, BRETZKE S, PULELLA A, et al. InSAR decorrelation at X-band from the joint TanDEM-X/PAZ constellation[J]. IEEE Geoscience and Remote Sensing Letters, 2021, 18(12): 2107-2111. DOI:10.1109/LGRS.2020.3014809 |
| [94] |
JUNG J, KIM D J, LAVALLE M, et al. Coherent change detection using InSAR temporal decorrelation model: a case study for volcanic ash detection[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(10): 5765-5775. DOI:10.1109/TGRS.2016.2572166 |
| [95] |
MASSONNET D, FEIGL K L. Radar interferometry and its application to changes in the Earth's surface[J]. Reviews of Geophysics, 1998, 36(4): 441-500. DOI:10.1029/97RG03139 |
| [96] |
JUNG H S, WON J S, KIM S W. An improvement of the performance of multiple-aperture SAR interferometry (MAI)[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(8): 2859-2869. DOI:10.1109/TGRS.2009.2016554 |
| [97] |
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 |
| [98] |
LIANG Cunren, AGRAM P, SIMONS M, et al. Ionospheric correction of InSAR time series analysis of C-band Sentinel-1 TOPS data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(9): 6755-6773. DOI:10.1109/TGRS.2019.2908494 |
| [99] |
HUANG M H, TUNG H, FIELDING E J, et al. Multiple fault slip triggered above the 2016Mw 6.4 MeiNong earthquake in Taiwan[J]. Geophysical Research Letters, 2016, 43(14): 7459-7467. DOI:10.1002/2016GL069351 |
| [100] |
GRAY A L, MATTAR K E, SOFKO G. Influence of ionospheric electron density fluctuations on satellite radar interferometry[J]. Geophysical Research Letters, 2000, 27(10): 1451-1454. DOI:10.1029/2000GL000016 |
| [101] |
JOUGHIN I, WINEBRENNER D, FAHNESTOCK M, et al. Measurement of ice-sheet topography using satellite-radar interferometry[J]. Journal of Glaciology, 1996, 42(140): 10-22. DOI:10.1017/S0022143000030483 |
| [102] |
ZHANG Bochen, ZHU Wu, DING Xiaoli, et al. A review of methods for mitigating ionospheric artifacts in differential SAR interferometry[J]. Geodesy and Geodynamics, 2022, 13(2): 160-169. DOI:10.1016/j.geog.2021.12.001 |
| [103] |
HE Yufang, ZHU Wu, LEI Yang, et al. A comparative study of ionospheric correction on SAR interferometry-a case study of L'Aquila earthquake[J]. Journal of Geodesy and Geoinformation Science, 2022, 5(1): 5-13. DOI:10.11947/j.JGGS.2022.0102 |
| [104] |
ZHU Wu, JUNG H S, CHEN Jingyuan. Synthetic aperture radar interferometry (InSAR) ionospheric correction based on Faraday rotation: two case studies[J]. Applied Sciences, 2019, 9(18): 3871. DOI:10.3390/app9183871 |
| [105] |
ZHANG Bochen, DING Xiaoli, ZHU Wu, et al. Mitigating ionospheric artifacts in coseismic interferogram based on offset field derived from ALOS-PALSAR data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(7): 3050-3059. DOI:10.1109/JSTARS.2016.2533441 |
| [106] |
ZHU Wu, LEI Yang, SUN Quan. Detection, estimation and compensation of ionospheric effect on SAR interferogram using azimuth shift[J]. Journal of Geodesy and Geoinformation Science, 2022, 5(1): 14-24. DOI:10.11947/j.JGGS.2022.0103 |
| [107] |
ZHANG Bochen, WANG Chisheng, DING Xiaoli, et al. Correction of ionospheric artifacts in SAR data: application to fault slip inversion of 2009 southern Sumatra earthquake[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 15(9): 1327-1331. DOI:10.1109/LGRS.2018.2844686 |
| [108] |
FATTAHI H, SIMONS M, AGRAM P. InSAR time-series estimation of the ionospheric phase delay: an extension of the split range-spectrum technique[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(10): 5984-5996. DOI:10.1109/TGRS.2017.2718566 |
| [109] |
GOMBA G, PARIZZI A, DE ZAN F, et al. Toward operational compensation of ionospheric effects in SAR interferograms: the split-spectrum method[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(3): 1446-1461. DOI:10.1109/TGRS.2015.2481079 |
| [110] |
JOLIVET R, AGRAM P S, LIN N Y, et al. Improving InSAR geodesy using global atmospheric models[J]. Journal of Geophysical Research: Solid Earth, 2014, 119(3): 2324-2341. DOI:10.1002/2013JB010588 |
| [111] |
DOIN M P, LASSERRE C, PELTZER G, et al. Corrections of stratified tropospheric delays in SAR interferometry: validation with global atmospheric models[J]. Journal of Applied Geophysics, 2009, 69(1): 35-50. DOI:10.1016/j.jappgeo.2009.03.010 |
| [112] |
LI Zhenhong, FIELDING E J, CROSS P, et al. Interferometric synthetic aperture radar atmospheric correction: GPS topography-dependent turbulence model[J]. Journal of Geophysical Research: Solid Earth, 2006, 111(B2): B02404. |
| [113] |
EBMEIER S K. Application of independent component analysis to multitemporal InSAR data with volcanic case studies[J]. Journal of Geophysical Research: Solid Earth, 2016, 121(12): 8970-8986. DOI:10.1002/2016JB013765 |
| [114] |
BEKAERT D P S, HOOPER A, WRIGHT T J. A spatially variable power law tropospheric correction technique for InSAR data[J]. Journal of Geophysical Research: Solid Earth, 2015, 120(2): 1345-1356. DOI:10.1002/2014JB011558 |
| [115] |
ONN F, ZEBKER H A. Correction for interferometric synthetic aperture radar atmospheric phase artifacts using time series of zenith wet delay observations from a GPS network[J]. Journal of Geophysical Research: Solid Earth, 2006, 111(B9): B09102. |
| [116] |
YU Chen, LI Zhenhong, PENNA N T. Interferometric synthetic aperture radar atmospheric correction using a GPS-based iterative tropospheric decomposition model[J]. Remote Sensing of Environment, 2018, 204: 109-121. DOI:10.1016/j.rse.2017.10.038 |
| [117] |
YU Chen, LI Zhenhong, PENNA N T, et al. Generic atmospheric correction model for interferometric synthetic aperture radar observations[J]. Journal of Geophysical Research: Solid Earth, 2018, 123(10): 9202-9222. DOI:10.1029/2017JB015305 |
| [118] |
李振洪, 张雪松. 一种结合GACOS的星载InSAR大气校正方法: 中国, 114415131A[P]. 2022-04-29. LI Zhenhong, ZHANG Xuesong. Reduction of atmospheric effects on InSAR observations through incorporation of GACOS and PCA into small baseline subset InSAR: CN, 114415131A[P]. 2022-04-29. |
| [119] |
YU Hanwen, LAN Yang, YUAN Zhihui, et al. Phase unwrapping in InSAR: a review[J]. IEEE Geoscience and Remote Sensing Magazine, 2019, 7(1): 40-58. DOI:10.1109/MGRS.2018.2873644 |
| [120] |
GOLDSTEIN R M, ZEBKER H A, WERNER C L. Satellite radar interferometry: two-dimensional phase unwrapping[J]. Radio Science, 1988, 23(4): 713-720. DOI:10.1029/RS023i004p00713 |
| [121] |
ZUO Chao, HUANG Lei, ZHANG Minliang, et al. Temporal phase unwrapping algorithms for fringe projection profilometry: a comparative review[J]. Optics and Lasers in Engineering, 2016, 85: 84-103. DOI:10.1016/j.optlaseng.2016.04.022 |
| [122] |
ZHOU Lifan, YU Hanwen, LAN Yang, et al. Artificial intelligence in interferometric synthetic aperture radar phase unwrapping: a review[J]. IEEE Geoscience and Remote Sensing Magazine, 2021, 9(2): 10-28. DOI:10.1109/MGRS.2021.3065811 |
| [123] |
TRIBOLET J. A new phase unwrapping algorithm[J]. IEEE Transactions on Acoustics, Speech, and Signal Processing, 1977, 25(2): 170-177. DOI:10.1109/TASSP.1977.1162923 |
| [124] |
BUCKLAND J R, HUNTLEY J M, TURNER S R E. Unwrapping noisy phase maps by use of a minimum-cost-matching algorithm[J]. Applied Optics, 1995, 34(23): 5100-5108. DOI:10.1364/AO.34.005100 |
| [125] |
QUIROGA J A, GONZÁLEZ-CANO A, BERNABEU E. Stable-marriages algorithm for preprocessing phase maps with discontinuity sources[J]. Applied Optics, 1995, 34(23): 5029-5038. DOI:10.1364/AO.34.005029 |
| [126] |
CUSACK R, HUNTLEY J M, GOLDREIN H T. Improved noise-immune phase-unwrapping algorithm[J]. Applied Optics, 1995, 34(5): 781-789. DOI:10.1364/AO.34.000781 |
| [127] |
GUTMANN B, WEBER H. Phase unwrapping with the branch-cut method: role of phase-field direction[J]. Applied Optics, 2000, 39(26): 4802-4816. DOI:10.1364/AO.39.004802 |
| [128] |
KAROUT S A, GDEISAT M A, BURTON D R, et al. Residue vector, an approach to branch-cut placement in phase unwrapping: theoretical study[J]. Applied Optics, 2007, 46(21): 4712-4727. DOI:10.1364/AO.46.004712 |
| [129] |
ZHENG Dongliang, DA Feipeng. A novel algorithm for branch cut phase unwrapping[J]. Optics and Lasers in Engineering, 2011, 49(5): 609-617. DOI:10.1016/j.optlaseng.2011.01.017 |
| [130] |
HOOPER A, ZEBKER H A. Phase unwrapping in three dimensions with application to InSAR time series[J]. Journal of the Optical Society of America A, 2007, 24(9): 2737-2747. DOI:10.1364/JOSAA.24.002737 |
| [131] |
GHIGLIA D C, ROMERO L A. Minimum Lp-norm two-dimensional phase unwrapping[J]. Journal of the Optical Society of America A, 1996, 13(10): 1999-2013. DOI:10.1364/JOSAA.13.001999 |
| [132] |
FLYNN T J. Two-dimensional phase unwrapping with minimum weighted discontinuity[J]. Journal of the Optical Society of America A, 1997, 14(10): 2692-2701. DOI:10.1364/JOSAA.14.002692 |
| [133] |
COSTANTINI M. A novel phase unwrapping method based on network programming[J]. IEEE Transactions on Geoscience and Remote Sensing, 1998, 36(3): 813-821. DOI:10.1109/36.673674 |
| [134] |
CHEN C W, ZEBKER H A. Network approaches to two-dimensional phase unwrapping: intractability and two new algorithms[J]. Journal of the Optical Society of America A, 2000, 17(3): 401-414. DOI:10.1364/JOSAA.17.000401 |
| [135] |
CHEN C W, ZEBKER H A. Two-dimensional phase unwrapping with use of statistical models for cost functions in nonlinear optimization[J]. Journal of the Optical Society of America A, 2001, 18(2): 338-351. DOI:10.1364/JOSAA.18.000338 |
| [136] |
戴可人, 张乐乐, 宋闯, 等. 川藏铁路沿线Sentinel-1影像几何畸变与升降轨适宜性定量分析[J]. 武汉大学学报(信息科学版), 2021, 46(10): 1450-1460. DAI Keren, ZHANG Lele, SONG Chuang, et al. Quantitative analysis of Sentinel-1 imagery geometric distortion and their suitability along Sichuan-Tibet railway[J]. Geomatics and Information Science of Wuhan University, 2021, 46(10): 1450-1460. |
| [137] |
SUN Qian, HU Jun, ZHANG Lei, et al. Towards slow-moving landslide monitoring by integrating multi-sensor InSAR time series datasets: the Zhouqu case study, China[J]. Remote Sensing, 2016, 8(11): 908. DOI:10.3390/rs8110908 |
| [138] |
KROPATSCH W G, STROBL D. The generation of SAR layover and shadow maps from digital elevation models[J]. IEEE Transactions on Geoscience and Remote Sensing, 1990, 28(1): 98-107. DOI:10.1109/36.45752 |
| [139] |
ZHANG Peng, CHEN Lifu, LI Zhenhong, et al. Automatic extraction of water and shadow from SAR images based on a multi-resolution dense encoder and decoder network[J]. Sensors, 2019, 19(16): 3576. DOI:10.3390/s19163576 |
| [140] |
李振洪, 宋闯, 余琛, 等. 卫星雷达遥感在滑坡灾害探测和监测中的应用: 挑战与对策[J]. 武汉大学学报(信息科学版), 2019, 44(7): 967-979. LI Zhenhong, SONG Chuang, YU Chen, et al. Application of satellite radar remote sensing to landslide detection and monitoring: challenges and solutions[J]. Geomatics and Information Science of Wuhan University, 2019, 44(7): 967-979. |
| [141] |
GRANDIN R, KLEIN E, MÉTOIS M, et al. Three-dimensional displacement field of the 2015Mw 8.3 Illapel earthquake (Chile) from across-and along-track Sentinel-1 TOPS interferometry[J]. Geophysical Research Letters, 2016, 43(6): 2552-2561. DOI:10.1002/2016GL067954 |
| [142] |
LI Xing, JÓNSSON S, CAO Yunmeng. Interseismic deformation from Sentinel-1 burst-overlap interferometry: application to the southern dead sea fault[J]. Geophysical Research Letters, 2021, 48(16): e2021GL093481. |
| [143] |
LIU Jihong, HU Jun, LI Zhiwei, et al. Three-dimensional surface displacements of the 8 January 2022Mw 6.7 Menyuan earthquake, China from Sentinel-1 and ALOS-2 SAR observations[J]. Remote Sensing, 2022, 14(6): 1404. DOI:10.3390/rs14061404 |
| [144] |
FIALKO Y, SIMONS M, AGNEW D. The complete (3-D) surface displacement field in the epicentral area of the 1999Mw 7.1 Hector Mine Earthquake, California, from space geodetic observations[J]. Geophysical Research Letters, 2001, 28(16): 3063-3066. DOI:10.1029/2001GL013174 |
| [145] |
WRIGHTT J, PARSONS B E, LU Zhong. Toward mapping surface deformation in three dimensions using InSAR[J]. Geophysical Research Letters, 2004, 31(1): L01607. DOI:10.1029/2003GL018827 |
| [146] |
SAMSONOV S, D'OREYE N, SMETS B. Ground deformation associated with post-mining activity at the French-German border revealed by novel InSAR time series method[J]. International Journal of Applied Earth Observation and Geoinformation, 2013, 23: 142-154. DOI:10.1016/j.jag.2012.12.008 |
| [147] |
朱建军, 杨泽发, 李志伟. InSAR矿区地表三维形变监测与预计研究进展[J]. 测绘学报, 2019, 48(2): 135-144. ZHU Jianjun, YANG Zefa, LI Zhiwei. Recent progress in retrieving and predicting mining-induced 3D displace-ments using InSAR[J]. Acta Geodaetica et Cartographica Sinica, 2019, 48(2): 135-144. DOI:10.11947/j.AGCS.2019.20180188 |
| [148] |
LI Zhiwei, YANG Zefa, ZHU Jianjun, et al. Retrieving three-dimensional displacement fields of mining areas from a single InSAR pair[J]. Journal of Geodesy, 2015, 89(1): 17-32. DOI:10.1007/s00190-014-0757-1 |
| [149] |
HU Jun, LIU Jihong, LI Zhiwei, et al. Estimating three-dimensional coseismic deformations with the SM-VCE method based on heterogeneous SAR observations: selection of homogeneous points and analysis of observation combinations[J]. Remote Sensing of Environment, 2021, 255: 112298. DOI:10.1016/j.rse.2021.112298 |
| [150] |
刘计洪, 胡俊, 李志伟, 等. InSAR三维同震地表形变监测-窗口优化的SM-VCE算法[J]. 测绘学报, 2021, 50(9): 1222-1239. LIU Jihong, HU Jun, LI Zhiwei, et al. Estimation of 3D coseismic deformation with InSAR: an improved SM-VCE method by window optimization[J]. Acta Geodaetica et Cartographica Sinica, 2021, 50(9): 1222-1239. DOI:10.11947/j.AGCS.2021.20200610 |
| [151] |
SCHOLZ C H. Earthquakes and friction laws[J]. Nature, 1998, 391(6662): 37-42. DOI:10.1038/34097 |
| [152] |
ELLIOTT J R, WALTERS R J, WRIGHT T J. The role of space-based observation in understanding and responding to active tectonics and earthquakes[J]. Nature Communications, 2016, 7(1): 13844. DOI:10.1038/ncomms13844 |
| [153] |
SALVI S, STRAMONDO S, FUNNING G J, et al. The Sentinel-1 mission for the improvement of the scientific understanding and the operational monitoring of the seismic cycle[J]. Remote Sensing of Environment, 2012, 120: 164-174. DOI:10.1016/j.rse.2011.09.029 |
| [154] |
王超, 刘智, 张红, 等. 张北-尚义地震同震形变场雷达差分干涉测量[J]. 科学通报, 2000, 45(23): 2550-2554. WANG Chao, LIU Zhi, ZHANG Hong, et al. The coseismic displacement field of the Zhangbei-Shangyi earthquake mapped by differential radar interferometry[J]. Chinese Science Bulletin, 2000, 45(23): 2550-2554. DOI:10.3321/j.issn:0023-074X.2000.23.017 |
| [155] |
张红, 王超, 单新建, 等. 基于SAR差分干涉测量的张北-尚义地震震源参数反演[J]. 科学通报, 2001, 46(21): 1837-1841. ZHANG Hong, WANG Chao, SHAN Xinjian, et al. Focal mechanism analysis and parameter estimation of Zhangbei-Shangyi earthquake from differential SAR interferometry[J]. Chinese Science Bulletin, 2001, 46(21): 1837-1841. DOI:10.3321/j.issn:0023-074X.2001.21.017 |
| [156] |
冯万鹏, 李振洪. InSAR资料约束下震源参数的PSO混合算法反演策略[J]. 地球物理学进展, 2010, 25(4): 1189-1196. FENG Wanpeng, LI Zhenhong. A novel hybrid PSO/simplex algorithm for determining earthquake source parameters using InSAR data[J]. Progress in Geophysics, 2010, 25(4): 1189-1196. DOI:10.3969/j.issn.1004-2903.2010.04.007 |
| [157] |
LI Zhenhong, ELLIOTT J R, FENG Wanpeng, et al. The 2010Mw 6.8 Yushu (Qinghai, China) earthquake: constraints provided by InSAR and body wave seismology[J]. Journal of Geophysical Research: Solid Earth, 2011, 116(B10): B10302. DOI:10.1029/2011JB008358 |
| [158] |
李永生, 冯万鹏, 张景发, 等. 2014年美国加州纳帕Mw 6.1地震断层参数的Sentinel-1A InSAR反演[J]. 地球物理学报, 2015, 58(7): 2339-2349. LI Yongsheng, FENG Wanpeng, ZHANG Jingfa, et al. Coseismic slip of the 2014Mw 6.1 Napa, California Earthquake revealed by Sentinel-1A InSAR[J]. Chinese Journal of Geophysics, 2015, 58(7): 2339-2349. |
| [159] |
单新建, 屈春燕, 龚文瑜, 等. 2017年8月8日四川九寨沟7.0级地震InSAR同震形变场及断层滑动分布反演[J]. 地球物理学报, 2017, 60(12): 4527-4536. SHAN Xinjian, QU Chunyan, GONG Wenyu, et al. Coseismic deformation field of the Jiuzhaigou Ms 7.0 earthquake from Sentinel-1 A InSAR data and fault slip inversion[J]. Chinese Journal of Geophysics, 2017, 60(12): 4527-4536. DOI:10.6038/cjg20171201 |
| [160] |
季灵运, 刘传金, 徐晶, 等. 九寨沟Ms 7.0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. JI Lingyun, LIU Chuanjin, XU Jing, et al. InSAR observation and inversion of the seismogenic fault for the 2017 Jiuzhaigou Ms 7.0 earthquake in China[J]. Chinese Journal of Geophysics, 2017, 60(10): 4069-4082. DOI:10.6038/cjg20171032 |
| [161] |
周成, 马张烽, 蒋弥. 影像大地测量技术再探伊朗桑塞菲德2017年Mw 6.1地震盲断层倾向[J]. 地球物理学报, 2021, 64(6): 1987-2000. ZHOU Cheng, MA Zhangfeng, JIANG Mi. Re-exploration of fault dipping direction in Iran Sang sefid 2017Mw 6.1 earthquake using imaging geodesy[J]. Chinese Journal of Geophysics, 2021, 64(6): 1987-2000. |
| [162] |
YU Chen, LI Zhenhong, SONG Chuang. Geodetic constraints on recent subduction earthquakes and future seismic hazards in the southwestern coast of Mexico[J]. Geophysical Research Letters, 2021, 48(13): e2021GL094192. |
| [163] |
李振洪, 韩炳权, 刘振江, 等. InSAR数据约束下2016年和2022年青海门源地震震源参数及其滑动分布[J]. 武汉大学学报(信息科学版), 2022, 47(6): 887-897. LI Zhenhong, HAN Bingquan, LIU Zhenjiang, et al. Source parameters and slip distributions of the 2016 and 2022 Menyuan, Qinghai earthquakes constrained by InSAR observations[J]. Geomatics and Information Science of Wuhan University, 2022, 47(6): 887-897. |
| [164] |
STEIN R S, BARKA A A, DIETERICH J H. Progressive failure on the North Anatolian fault since 1939 by earthquake stress triggering[J]. Geophysical Journal International, 1997, 128(3): 594-604. DOI:10.1111/j.1365-246X.1997.tb05321.x |
| [165] |
徐晶, 邵志刚, 刘静, 等. 基于库仑应力变化分析巴颜喀拉地块东端的强震相互关系[J]. 地球物理学报, 2017, 60(10): 4056-4068. XU Jing, SHAO Zhigang, LIU Jing, et al. Analysis of interaction between great earthquakes in the Eastern Bayan Har block based on changes of Coulomb stress[J]. Chinese Journal of Geophysics, 2017, 60(10): 4056-4068. DOI:10.6038/cjg20171031 |
| [166] |
BARBOT S, FIALKO Y, BOCK Y. Postseismic deformation due to the Mw 6.02004 Parkfield earthquake: stress-driven creep on a fault with spatially variable rate-and-state friction parameters[J]. Journal of Geophysical Research: Solid Earth, 2009, 114(B7): B07405. |
| [167] |
BVRGMANN R, DRESEN G. Rheology of the lower crust and upper mantle: evidence from rock mechanics, geodesy, and field observations[J]. Annual Review of Earth and Planetary Sciences, 2008, 36(1): 531-567. DOI:10.1146/annurev.earth.36.031207.124326 |
| [168] |
FREED A M, BVRGMANN R. Evidence of power-law flow in the Mojave desert mantle[J]. Nature, 2004, 430(6999): 548-551. DOI:10.1038/nature02784 |
| [169] |
FREED A M. Afterslip (and only afterslip) following the 2004 Parkfield, California, earthquake[J]. Geophysical Research Letters, 2007, 34(6): L06312. |
| [170] |
PELTZER G, ROSEN P, ROGEZ F, et al. Postseismic rebound in fault step-overs caused by pore fluid flow[J]. Science, 1996, 273(5279): 1202-1204. DOI:10.1126/science.273.5279.1202 |
| [171] |
JÓNSSON S. Importance of post-seismic viscous relaxation in southern Iceland[J]. Nature Geoscience, 2008, 1(2): 136-139. DOI:10.1038/ngeo105 |
| [172] |
WEN Yangmao, LI Zhenhong, XU Caijun, et al. Postseismic motion after the 2001Mw 7.8 Kokoxili earthquake in Tibet observed by InSAR time series[J]. Journal of Geophysical Research: Solid Earth, 2012, 117(B8): B08405. |
| [173] |
BIE Lidong, RYDER I, NIPPRESS S E J, et al. Coseismic and post-seismic activity associated with the 2008Mw 6.3 Damxung earthquake, Tibet, constrained by InSAR[J]. Geophysical Journal International, 2014, 196(2): 788-803. DOI:10.1093/gji/ggt444 |
| [174] |
BARNHART W D, BRENGMAN C M J, LI Shaoyang, et al. Ramp-flat basement structures of the Zagros Mountains inferred from co-seismic slip and afterslip of the 2017Mw 7.3 Darbandikhan, Iran/Iraq earthquake[J]. Earth and Planetary Science Letters, 2018, 496: 96-107. DOI:10.1016/j.epsl.2018.05.036 |
| [175] |
CAKIR Z, AKOGLU A M, BELABBES S, et al. Creeping along the Ismetpasa section of the north Anatolian Fult (Western Turkey): rate and extent from InSAR[J]. Earth and Planetary Science Letters, 2005, 238(1-2): 225-234. DOI:10.1016/j.epsl.2005.06.044 |
| [176] |
FIALKO Y. Interseismic strain accumulation and the earthquake potential on the southern San Andreas Fault system[J]. Nature, 2006, 441(7096): 968-971. DOI:10.1038/nature04797 |
| [177] |
CHAUSSARD E, BVRGMANN R, FATTAHI H, et al. Interseismic coupling and refined earthquake potential on the Hayward-Calaveras fault zone[J]. Journal of Geophysical Research: Solid Earth, 2015, 120(12): 8570-8590. DOI:10.1002/2015JB012230 |
| [178] |
HUSSAIN E, WRIGHTT J, WALTERS R J, et al. Constant strain accumulation rate between major earthquakes on the north Anatolian Fault[J]. Nature Communications, 2018, 9(1): 1392. DOI:10.1038/s41467-018-03739-2 |
| [179] |
WEISS J R, WALTERS R J, MORISHITA Y, et al. High-resolution surface velocities and strain for anatolia from Sentinel-1 InSAR and GNSS data[J]. Geophysical Research Letters, 2020, 47(17): e2020GL087376. |
| [180] |
孙凯, 孟国杰, 洪顺英, 等. 联合InSAR和GPS研究鲜水河断裂带炉霍-道孚段震间运动特征[J]. 地球物理学报, 2021, 64(7): 2278-2296. SUN Kai, MENG Guojie, HONG Shunying, et al. Interseismic movement along the Luhuo-Daofu section of the Xianshuihe Fault from InSAR and GPS observations[J]. Chinese Journal of Geophysics, 2021, 64(7): 2278-2296. |
| [181] |
ROUET-LEDUC B, JOLIVET R, DALAISON M, et al. Autonomous extraction of millimeter-scale deformation in InSAR time series using deep learning[J]. Nature Communications, 2020, 12(1): 6480. |
| [182] |
BRIOLE P, MASSONNET D, DELACOURT C. Post-eruptive deformation associated with the 1986-87 and 1989 lava flows of Etna detected by radar interferometry[J]. Geophysical Research Letters, 1997, 24(1): 37-40. DOI:10.1029/96GL03705 |
| [183] |
LUNDGREN P, USAI S, SANSOSTI E, et al. Modeling surface deformation observed with synthetic aperture radar interferometry at Campi Flegrei caldera[J]. Journal of Geophysical Research: Solid Earth, 2001, 106(B9): 19355-19366. DOI:10.1029/2001JB000194 |
| [184] |
PEPE A, MANZO M, CASU F, et al. Surface deformation of active volcanic areas retrieved with the SBAS-DInSAR technique: an overview[J]. Annals of Geophysics, 2008, 51(1): 247-263. |
| [185] |
FOURNIER T J, PRITCHARD M E, RIDDICK S N. Duration, magnitude, and frequency of subaerial volcano deformation events: new results from Latin America using InSAR and a global synthesis[J]. Geochemistry, Geophysics, Geosystems, 2010, 11(1): Q01003. |
| [186] |
ANANTRASIRICHAI N, BIGGS J, ALBINO F, et al. Application of machine learning to classification of volcanic deformation in routinely generated InSAR data[J]. Journal of Geophysical Research: Solid Earth, 2018, 123(8): 6592-6606. |
| [187] |
LIANG Hongyu, LI Xin, CHEN Roufei. Mapping surface deformation over tatun volcano group, northern taiwan using multitemporal InSAR[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 14: 2087-2095. DOI:10.1109/JSTARS.2021.3050644 |
| [188] |
MOGI K. Relations between the eruptions of various volcanoes and the deformations of the ground surfaces around them[J]. Bulletin of the Earthquake Research Institute, 1958, 36(2): 99-134. |
| [189] |
YANG Xuemin, DAVIS P M, DIETERICH J H. Deformation from inflation of a dipping finite prolate spheroid in an elastic half-space as a model for volcanic stressing[J]. Journal of Geophysical Research: Solid Earth, 1988, 93(B5): 4249-4257. DOI:10.1029/JB093iB05p04249 |
| [190] |
OKADA Y. Surface deformation due to shear and tensile faults in a half-space[J]. Bulletin of the Seismological Society of America, 1985, 75(4): 1135-1154. DOI:10.1785/BSSA0750041135 |
| [191] |
FIALKO Y, KHAZAN Y, SIMONS M. Deformation due to a pressurized horizontal circular crack in an elastic halfspace, with applications to volcano geodesy[J]. Geophysical Journal International, 2001, 146(1): 181-190. DOI:10.1046/j.1365-246X.2001.00452.x |
| [192] |
AMELUNG F, JÓNSSON S, ZEBKER H, et al. Widespread uplift and'trapdoor'faulting on Galápagos volcanoes observed with radar interferometry[J]. Nature, 2000, 407(6807): 993-996. DOI:10.1038/35039604 |
| [193] |
LU Zhong, MANN D, FREYMUELLER J T, et al. Synthetic aperture radar interferometry of Okmok volcano, Alaska: radar observations[J]. Journal of Geophysical Research: Solid Earth, 2000, 105(B5): 10791-10806. DOI:10.1029/2000JB900034 |
| [194] |
LU Zhong, MASTERLARK T, DZURISIN D. Interferometric synthetic aperture radar study of Okmok volcano, Alaska, 1992-2003:magma supply dynamics and postemplacement lava flow deformation[J]. Journal of Geophysical Research: Solid Earth, 2005, 110(B2): B02403. |
| [195] |
WRIGHT T J, EBINGER C, BIGGS J, et al. Magma-maintained rift segmentation at continental rupture in the 2005 Afar dyking episode[J]. Nature, 2006, 442(7100): 291-294. DOI:10.1038/nature04978 |
| [196] |
LU Zhong, DZURISIN D. InSAR imaging of Aleutian volcanoes: monitoring a volcanic arc from space[M]. Berlin, Heidelberg: Springer, 2014.
|
| [197] |
BOUNTOS N I, PAPOUTSIS I, MICHAIL D, et al. Self-supervised contrastive learning for volcanic unrest detection[J]. IEEE Geoscience and Remote Sensing Letters, 2022, 19: 3003905. |
| [198] |
LU Zhong, MASTERLARK T, DZURISIN D, et al. Magma supply dynamics at Westdahl volcano, Alaska, modeled from satellite radar interferometry[J]. Journal of Geophysical Research: Solid Earth, 2003, 108(B7): 2354. |
| [199] |
JI Lingyun, LU Zhong, DZURISIN D, et al. Pre-eruption deformation caused by dike intrusion beneath Kizimen volcano, Kamchatka, Russia, observed by InSAR[J]. Journal of Volcanology and Geothermal Research, 2013, 256: 87-95. DOI:10.1016/j.jvolgeores.2013.02.011 |
| [200] |
胡羽丰, 李振洪, 王乐, 等. 2022年汤加火山喷发的综合遥感快速解译分析[J]. 武汉大学学报(信息科学版), 2022, 47(2): 242-251. HU Yufeng, LI Zhenhong, WANG Le, et al. Rapid interpretation and analysis of the 2022 eruption of hunga tonga-hunga ha'apai volcano with integrated remote sensing techniques[J]. Geomatics and Information Science of Wuhan University, 2022, 47(2): 242-251. |
| [201] |
RICHTER N, FROGER J L. The role of interferometric synthetic aperture radar in detecting, mapping, monitoring, and modelling the volcanic activity of piton de la fournaise, la réunion: a review[J]. Remote Sensing, 2020, 12(6): 1019. DOI:10.3390/rs12061019 |
| [202] |
SAITO M. Evidental study on forecasting occurrence of slope failure[J]. OYO Technical Report, 1979, 1: 1-23. |
| [203] |
XU Qiang, YUAN Yong, ZENG Yuping, et al. Some new pre-warning criteria for creep slope failure[J]. Science China Technological Sciences, 2011, 54(1): 210-220. |
| [204] |
OKAMOTO T, LARSEN J O, MATSUURA S, et al. Displacement properties of landslide masses at the initiation of failure in quick clay deposits and the effects of meteorological and hydrological factors[J]. Engineering Geology, 2004, 72(3-4): 233-251. DOI:10.1016/j.enggeo.2003.09.004 |
| [205] |
许强, 汤明高, 徐开祥, 等. 滑坡时空演化规律及预警预报研究[J]. 岩石力学与工程学报, 2008, 27(6): 1104-1112. XU Qiang, TANG Minggao, XU Kaixiang, et al. Research on space-time evolution laws and early warning-prediction of landslides[J]. Chinese Journal of Rock Mechanics and Engineering, 2008, 27(6): 1104-1112. DOI:10.3321/j.issn:1000-6915.2008.06.003 |
| [206] |
许强, 曾裕平. 具有蠕变特点滑坡的加速度变化特征及临滑预警指标研究[J]. 岩石力学与工程学报, 2009, 28(6): 1099-1106. XU Qiang, ZENG Yuping. Research on acceleration variation characteristics of creep landslide and early-warning prediction indicator of critical sliding[J]. Chinese Journal of Rock Mechanics and Engineering, 2009, 28(6): 1099-1106. DOI:10.3321/j.issn:1000-6915.2009.06.003 |
| [207] |
许强, 曾裕平, 钱江澎, 等. 一种改进的切线角及对应的滑坡预警判据[J]. 地质通报, 2009, 28(4): 501-505. XU Qiang, ZENG Yuping, QIAN Jiangpeng, et al. Study on a improved tangential angle and the corresponding landslide pre-warning criteria[J]. Geological Bulletin of China, 2009, 28(4): 501-505. DOI:10.3969/j.issn.1671-2552.2009.04.011 |
| [208] |
PALMER J. Creeping earth could hold secret to deadly landslides[J]. Nature, 2017, 548(7668): 384-386. DOI:10.1038/548384a |
| [209] |
THIEBES B. Landslide analysis and early warning systems: local and regional case study in the Swabian Alb, Germany[M]. New York, NY: Springer, 2012.
|
| [210] |
FAN Xuanmei, XU Qiang, ALONSO-RODRIGUEZ A, et al. Successive landsliding and damming of the Jinsha River in eastern Tibet, China: prime investigation, early warning, and emergency response[J]. Landslides, 2019, 16(5): 1003-1020. DOI:10.1007/s10346-019-01159-x |
| [211] |
ROSI A, TOFANI V, TANTERI L, et al. The new landslide inventory of Tuscany (Italy) updated with PS-InSAR: geomorphological features and landslide distribution[J]. Landslides, 2018, 15(1): 5-19. DOI:10.1007/s10346-017-0861-4 |
| [212] |
陆会燕, 李为乐, 许强, 等. 光学遥感与InSAR结合的金沙江白格滑坡上下游滑坡隐患早期识别[J]. 武汉大学学报(信息科学版), 2019, 44(9): 1342-1354. LU Huiyan, LI Weile, XU Qiang, et al. Early detection of landslides in the upstream and downstream areas of the baige landslide, the Jinsha River based on optical remote sensing and InSAR technologies[J]. Geomatics and Information Science of Wuhan University, 2019, 44(9): 1342-1354. |
| [213] |
LIU Xiaojie, ZHAO Chaoying, ZHANG Qin, et al. Integration of Sentinel-1 and ALOS/PALSAR-2 SAR datasets for mapping active landslides along the Jinsha River corridor, China[J]. Engineering Geology, 2021, 284: 106033. DOI:10.1016/j.enggeo.2021.106033 |
| [214] |
SHI Xuguo, ZHANG Lu, BALZ T, et al. Landslide deformation monitoring using point-like target offset tracking with multi-mode high-resolution TerraSAR-X data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 105: 128-140. DOI:10.1016/j.isprsjprs.2015.03.017 |
| [215] |
WU Zhipeng, WANG Teng, WANG Yingjie, et al. Deep learning for the detection and phase unwrapping of mininginduced deformation in large-scale interferograms[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 60: 5216318. |
| [216] |
PRADHAN B, LEE S. Delineation of landslide hazard areas on Penang Island, Malaysia, by using frequency ratio, logistic regression, and artificial neural network models[J]. Environmental Earth Sciences, 2010, 60(5): 1037-1054. DOI:10.1007/s12665-009-0245-8 |
| [217] |
PRADHAN B. A comparative study on the predictive ability of the decision tree, support vector machine and neurofuzzy models in landslide susceptibility mapping using GIS[J]. Computers&Geosciences, 2013, 51: 350-365. |
| [218] |
WU Zhipeng, WANG Teng, WANG Yingjie, et al. Deep-learning-based phase discontinuity prediction for 2D phase unwrapping of SAR interferograms[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 5216516. |
| [219] |
HILLEY G E, BVRGMANN R, FERRETTI A, et al. Dynamics of slow-moving landslides from permanent scatterer analysis[J]. Science, 2004, 304(5679): 1952-1955. DOI:10.1126/science.1098821 |
| [220] |
SONG Chuang, YU Chen, LI Zhenhong, et al. Landslide geometry and activity in Villa de la Independencia (Bolivia) revealed by InSAR and seismic noise measurements[J]. Landslides, 2021, 18(8): 2721-2737. DOI:10.1007/s10346-021-01659-9 |
| [221] |
COHEN-WAEBER J, BVRGMANN R, CHAUSSARD E, et al. Spatiotemporal patterns of precipitation-modulated landslide deformation from independent component analysis of InSAR time series[J]. Geophysical Research Letters, 2018, 45(4): 1878-1887. DOI:10.1002/2017GL075950 |
| [222] |
HU Xie, LU Zhong, PIERSON T C, et al. Combining InSAR and GPS to determine transient movement and thickness of a seasonally active low-gradient translational landslide[J]. Geophysical Research Letters, 2018, 45(3): 1453-1462. DOI:10.1002/2017GL076623 |
| [223] |
DAI Keren, LI Zhenhong, TOMÁS R, et al. Monitoring activity at the Daguangbao mega-landslide (China) using Sentinel-1 TOPS time series interferometry[J]. Remote Sensing of Environment, 2016, 186: 501-513. DOI:10.1016/j.rse.2016.09.009 |
| [224] |
DAI Keren, LI Zhenhong, XU Qiang, et al. Entering the era of earth observation-based landslide warning systems: a novel and exciting framework[J]. IEEE Geoscience and Remote Sensing Magazine, 2020, 8(1): 136-153. DOI:10.1109/MGRS.2019.2954395 |
| [225] |
MILILLO P, FIELDING E J, SHULZ W H, et al. COSMO-SkyMed spotlight interferometry over rural areas: the slumgullion landslide in Colorado, USA[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(7): 2919-2926. DOI:10.1109/JSTARS.2014.2345664 |
| [226] |
QU Feifei, LU Zhong, KIM J W, et al. Identify and monitor growth faulting using InSAR over northern Greater Houston, Texas, USA[J]. Remote Sensing, 2019, 11(12): 1498. DOI:10.3390/rs11121498 |
| [227] |
BAYUAJI L, SUMANTYO J T S, KUZE H. ALOS PALSAR D-InSAR for land subsidence mapping in Jakarta, Indonesia[J]. Canadian Journal of Remote Sensing, 2010, 36(1): 1-8. DOI:10.5589/m10-023 |
| [228] |
CHAUSSARD E, WDOWINSKI S, CABRAL-CANO E, 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 |
| [229] |
QU Feifei, ZHANG Qin, LU Zhong, et al. Land subsidence and ground fissures in Xi'an, China 2005-2012 revealed by multi-band InSAR time-series analysis[J]. Remote Sensing of Environment, 2014, 155: 366-376. DOI:10.1016/j.rse.2014.09.008 |
| [230] |
PENG Mimi, ZHAO Chaoying, ZHANG Qin, et al. Research on spatiotemporal land deformation (2012-2018) over Xi'an, China, with multi-sensor SAR datasets[J]. Remote Sensing, 2019, 11(6): 664. DOI:10.3390/rs11060664 |
| [231] |
LIU Yuanyuan, ZHAO Chaoying, ZHANG Qin, et al. Land subsidence in Taiyuan, China, monitored by InSAR technique with multisensor SAR datasets from 1992 to 2015[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(5): 1509-1519. DOI:10.1109/JSTARS.2018.2802702 |
| [232] |
HU Leyin, DAI Keren, XING Chengqi, et al. Land subsidence in Beijing and its relationship with geological faults revealed by Sentinel-1 InSAR observations[J]. International Journal of Applied Earth Observation and Geoinformation, 2019, 82: 101886. DOI:10.1016/j.jag.2019.05.019 |
| [233] |
GUO Lin, GONG Huili, LI Jiwei, et al. Understanding uneven land subsidence in Beijing, China, using a novel combination of geophysical prospecting and InSAR[J]. Geophysical Research Letters, 2020, 47(16): e2020GL088676. |
| [234] |
ZHANG Tengxu, SHEN Wenbin, WU Wenhao, et al. Recent surface deformation in the Tianjin area revealed by Sentinel-1A data[J]. Remote Sensing, 2019, 11(2): 130. DOI:10.3390/rs11020130 |
| [235] |
ZHOU Lyu, ZHAO Yizhan, ZHU Zilin, et al. Spatial and temporal evolution of surface subsidence in Tianjin from 2015 to 2020 based on SBAS-InSAR technology[J]. Journal of Geodesy and Geoinformation Science, 2022, 5(1): 60-72. DOI:10.11947/j.JGGS.2022.0107 |
| [236] |
COSTANTINI M, FERRETTI A, MINATI F, et al. Analysis of surface deformations over the whole Italian territory by interferometric processing of ERS, Envisat and COSMO-SkyMed radar data[J]. Remote Sensing of Environment, 2017, 202: 250-275. DOI:10.1016/j.rse.2017.07.017 |
| [237] |
ZHAO Chaoying, ZHANG Qinyuan, YANG Chengsheng, et al. Different scale land subsidence and ground fissure monitoring with multiple InSAR techniques over Fenwei basin, China[J]. Proceedings of the International Association of Hydrological Sciences, 2015, 372: 305-309. DOI:10.5194/piahs-372-305-2015 |
| [238] |
ZHANG Yonghong, WU Hong'an, KANG Yonghui, et al. Ground subsidence in the Beijing-Tianjin-Hebei region from 1992 to 2014 revealed by multiple SAR stacks[J]. Remote Sensing, 2016, 8(8): 675. DOI:10.3390/rs8080675 |
| [239] |
YANG Chengsheng, LV Sen, HOU Zuhang, et al. Monitoring of land subsidence and ground fissure activity within the Su-Xi-Chang area based on time-series InSAR[J]. Remote Sensing, 2022, 14(4): 903. DOI:10.3390/rs14040903 |
| [240] |
JOUGHIN I, SMITH B E, ABDALATI W. Glaciological advances made with interferometric synthetic aperture radar[J]. Journal of Glaciology, 2010, 56(200): 1026-1042. DOI:10.3189/002214311796406158 |
| [241] |
JAWAK S D, BIDAWE T G, LUIS A J. A review on applications of imaging synthetic aperture radar with a special focus on cryospheric studies[J]. Advances in Remote Sensing, 2015, 4(2): 163-175. DOI:10.4236/ars.2015.42014 |
| [242] |
JOUGHIN I, GRAY L, BINDSCHADLER R. Tributaries of west Antarctic ice streams revealed by RADARSAT interferometry[J]. Science, 1999, 286(5438): 283-286. DOI:10.1126/science.286.5438.283 |
| [243] |
BELL R E, STUDINGER M, SHUMAN C A, et al. Large subglacial lakes in east Antarctica at the onset of fast-flowing ice streams[J]. Nature, 2007, 445(7130): 904-907. DOI:10.1038/nature05554 |
| [244] |
JOUGHIN I R, WINEBRENNER D P, FAHNESTOCK M A. Observations of ice-sheet motion in Greenland using satellite radar interferometry[J]. Geophysical Research Letters, 1995, 22(5): 571-574. DOI:10.1029/95GL00264 |
| [245] |
RIGNOT E, JEZEK K C, SOHN H G. Ice flow dynamics of the Greenland Ice Sheet from SAR interferometry[J]. Geophysical Research Letters, 1995, 22(5): 575-578. DOI:10.1029/94GL03381 |
| [246] |
LUCKMAN A, QUINCEY D, BEVAN S. The potential of satellite radar interferometry and feature tracking for monitoring flow rates of Himalayan glaciers[J]. Remote Sensing of Environment, 2007, 111(2-3): 172-181. DOI:10.1016/j.rse.2007.05.019 |
| [247] |
LI Shusun, BENSON C, GENS R, et al. Motion patterns of Nabesna Glacier (Alaska) revealed by interferometric SAR techniques[J]. Remote Sensing of Environment, 2008, 112(9): 3628-3638. DOI:10.1016/j.rse.2008.05.015 |
| [248] |
REINOSCH E, GERKE M, RIEDEL B, et al. Rock glacier inventory of the western Nyainqêntanglha Range, Tibetan Plateau, supported by InSAR time series and automated classification[J]. Permafrost and Periglacial Processes, 2021, 32(4): 657-672. DOI:10.1002/ppp.2117 |
| [249] |
BRENCHER G, HANDWERGER A L, MUNROE J S. InSAR-based characterization of rock glacier movement in the Uinta Mountains, Utah, USA[J]. The Cryosphere, 2021, 15(10): 4823-4844. DOI:10.5194/tc-15-4823-2021 |
| [250] |
ZHANG Xuefei, FENG Min, ZHANG Hong, et al. Detecting rock glacier displacement in the central Himalayas using multi-temporal InSAR[J]. Remote Sensing, 2021, 13(23): 4738. DOI:10.3390/rs13234738 |
| [251] |
SÁNCHEZ-GÁMEZ P, NAVARRO F J. Glacier surface velocity retrieval using D-InSAR and offset tracking techniques applied to ascending and descending passes of Sentinel-1 data for southern ellesmere ice caps, Canadian Arctic[J]. Remote Sensing, 2017, 9(5): 442. DOI:10.3390/rs9050442 |
| [252] |
AIZEN V B, KUZMICHENOK V A, SURAZAKOV A B, et al. Glacier changes in the Tien Shan as determined from topographic and remotely sensed data[J]. Global and Planetary Change, 2007, 56(3-4): 328-340. DOI:10.1016/j.gloplacha.2006.07.016 |
| [253] |
BERTHIER E, ARNAUD Y, VINCENT C, et al. Biases of SRTM in high-mountain areas: implications for the monitoring of glacier volume changes[J]. Geophysical Research Letters, 2006, 33(8): L08502. |
| [254] |
ROTT H, FLORICIOIU D, WUITE J, et al. Mass changes of outlet glaciers along the Nordensjk ld Coast, northern Antarctic Peninsula, based on TanDEM-X satellite measurements[J]. Geophysical Research Letters, 2014, 41(22): 8123-8129. DOI:10.1002/2014GL061613 |
| [255] |
DEHECQ A, MILLAN R, BERTHIER E, et al. Elevation changes inferred from TanDEM-X data over the Mont-Blanc area: impact of the X-band interferometric bias[J]. IEEE Journal of Selected Topics in Applied Earth Observationsand Remote Sensing, 2016, 9(8): 3870-3882. DOI:10.1109/JSTARS.2016.2581482 |
| [256] |
RANKL M, BRAUN M. Glacier elevation and mass changes over the central Karakoram region estimated from TanDEM-X and SRTM/X-SAR digital elevation models[J]. Annals of Glaciology, 2016, 57(71): 273-281. DOI:10.3189/2016AoG71A024 |
| [257] |
LIU Lin, JIANG Liming, JIANG Houjun, et al. Accelerated glacier mass loss (2011-2016) over the Puruogangri ice field in the inner Tibetan Plateau revealed by bistatic InSAR measurements[J]. Remote Sensing of Environment, 2019, 231: 111241. DOI:10.1016/j.rse.2019.111241 |
| [258] |
BEVAN S L, LUCKMAN A, KHAN S A, et al. Seasonal dynamic thinning at Helheim Glacier[J]. Earthand Planetary Science Letters, 2015, 415: 47-53. DOI:10.1016/j.epsl.2015.01.031 |
| [259] |
WANG Teng, PERISSIN D, ROCCA F, et al. Three Gorges Dam stability monitoring with time-series InSAR image analysis[J]. Science China Earth Sciences, 2011, 54(5): 720-732. DOI:10.1007/s11430-010-4101-1 |
| [260] |
TOMÁS R, CANO M, GARCÍA-BARBA J, et al. Monitoring an earthfill dam using differential SAR interferometry: La Pedrera dam, Alicante, Spain[J]. Engineering Geology, 2013, 157: 21-32. DOI:10.1016/j.enggeo.2013.01.022 |
| [261] |
MILILLO P, PERISSIN D, SALZER J T, et al. Monitoring dam structural health from space: insights from novel InSAR techniques and multi-parametric modeling applied to the Pertusillo dam Basilicata, Italy[J]. International Journal of Applied Earth Observationand Geoinformation, 2016, 52: 221-229. DOI:10.1016/j.jag.2016.06.013 |
| [262] |
ZHOU Wei, LI Shaolin, ZHOU Zhiwei, et al. InSAR observation and numerical modeling of the earth-dam displacement of Shuibuya dam (China)[J]. Remote Sensing, 2016, 8(10): 877. DOI:10.3390/rs8100877 |
| [263] |
AL-HUSSEINAWI Y, LI Zhenhong, CLARKE P, et al. Evaluation of the Stability of the Darbandikhan dam after the 12 November 2017Mw 7.3 Sarpol-E Zahab (Iran-Iraq border) earthquake[J]. Remote Sensing, 2018, 10(9): 1426. DOI:10.3390/rs10091426 |
| [264] |
BAMLER R, EINEDER M, ADAM N, et al. Interferometric potential of high resolution spaceborne SAR[J]. Photogrammetrie-Fernerkundung-Geoinformation, 2009, 5: 407-419. |
| [265] |
GERNHARDT S, BAMLER R. Deformation monitoring of single buildings using meter-resolution SAR data in PSI[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2012, 73: 68-79. DOI:10.1016/j.isprsjprs.2012.06.009 |
| [266] |
YANG Kui, YAN Li, HUANG Guoman, et al. Monitoring building deformation with InSAR: experiments andvalidation[J]. Sensors, 2016, 16(12): 2182. DOI:10.3390/s16122182 |
| [267] |
ZHANG Qingyun, LI Yongsheng, ZHANG Jingfa, et al. InSAR technique applied to the monitoring of the Qinghai-Tibet Railway[J]. Natural Hazards and Earth System Sciences, 2019, 19(10): 2229-2240. DOI:10.5194/nhess-19-2229-2019 |
| [268] |
XIONG Siting, WANG Chisheng, QIN Xiaoqiong, et al. Time-series analysis on persistent scatter-interferometric synthetic aperture radar (PS-InSAR) derived displacements of the Hong Kong-Zhuhai-Macao bridge (HZMB) from Sentinel-1A observations[J]. Remote Sensing, 2021, 13(4): 546. DOI:10.3390/rs13040546 |
| [269] |
CHANG Ling, DOLLEVOET R P B J, HANSSEN R F. Nationwide railway monitoring using satellite SAR interferometry[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2017, 10(2): 596-604. DOI:10.1109/JSTARS.2016.2584783 |
| [270] |
LI Zhenhong, MULLER J P, CROSS P, et al. Assessment of the potential of MERIS near-infrared water vapour products to correct ASAR interferometric measurements[J]. International Journal of Remote Sensing, 2006, 27(2): 349-365. DOI:10.1080/01431160500307342 |
| [271] |
HANSSEN R F, WECKWERTH T M, ZEBKER H A, et al. High-resolution water vapor mapping from interferometric radar measurements[J]. Science, 1999, 283(5406): 1297-1299. DOI:10.1126/science.283.5406.1297 |
| [272] |
HAMMOND W C, BLEWITT G, LI Zhenhong, et al. Contemporary uplift of the Sierra Nevada, western United States, from GPS and InSAR measurements[J]. Geology, 2012, 40(7): 667-670. DOI:10.1130/G32968.1 |
| [273] |
ALSHAWAF F. A new method for reconstructing absolute water vapor maps from persistent scatterer InSAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 58(7): 4951-4957. DOI:10.1109/TGRS.2020.2969459 |
| [274] |
MATEUS P, MIRANDA P M A, NICO G, et al. Assimilating InSAR maps of water vapor to improve heavy rainfall forecasts: a case study with two successive storms[J]. Journal of Geophysical Research: Atmospheres, 2018, 123(7): 3341-3355. DOI:10.1002/2017JD027472 |
| [275] |
HEUBLEIN M, ALSHAWAF F, ERDNVß B, et al. Compressive sensing reconstruction of 3D wet refractivity based on GNSS and InSAR observations[J]. Journal of Geodesy, 2019, 93(2): 197-217. DOI:10.1007/s00190-018-1152-0 |
| [276] |
LI Zhiwei, CAO Yunmeng, WEI Jianchao, et al. Time-series InSAR ground deformation monitoring: atmospheric delay modeling and estimating[J]. Earth-Science Reviews, 2019, 192: 258-284. DOI:10.1016/j.earscirev.2019.03.008 |
| [277] |
LI Zhiwei, DUAN Meng, CAO Yunmeng, et al. Mitigation of time-series InSAR turbulent atmospheric phase noise: a review[J]. Geodesy and Geodynamics, 2022, 13(2): 93-103. DOI:10.1016/j.geog.2021.12.002 |
| [278] |
KRIEGER G, MOREIRA A, FIEDLER H, et al. TanDEM-X: a satellite formation for high-resolution SAR interferometry[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(11): 3317-3341. DOI:10.1109/TGRS.2007.900693 |
| [279] |
RINCON R F, VEGA M A, BUENFIL M, et al. NASA's L-band digital beamforming synthetic aperture radar[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(10): 3622-3628. DOI:10.1109/TGRS.2011.2157971 |
| [280] |
ZHAO Qingchao, ZHANG Yi, WANG Wei, et al. On the frequency dispersion in DBF SAR and digital scalloped beamforming[J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 58(5): 3619-3632. DOI:10.1109/TGRS.2019.2958863 |
| [281] |
WANG Xiangyu, WANG R, DENG Yunkai, et al. Precise calibration of channel imbalance for very high resolution SAR with stepped frequency[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(8): 4252-4261. DOI:10.1109/TGRS.2017.2688728 |
| [282] |
WANG Hui, ZHANG Hui, DAI Shoulun, et al. Azimuth multichannel GMTI based on Ka-band DBF-SCORE SAR system[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 15(3): 419-423. DOI:10.1109/LGRS.2018.2791622 |
| [283] |
ZHAO Shuo, WANG R, DENG Yunkai, et al. Modifications on multichannel reconstruction algorithm for SAR processing based on periodic nonuniform sampling theory and nonuniform fast Fourier transform[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(11): 4998-5006. DOI:10.1109/JSTARS.2015.2421303 |
| [284] |
LUO Xiulian, WANG R, XU Wei, et al. Modification of multichannel reconstruction algorithm on the SAR with linear variation of PRI[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(7): 3050-3059. DOI:10.1109/JSTARS.2014.2298242 |
| [285] |
HUANG Lijia, QIU Xiaolan, HU Donghui, et al. Focusing of medium-earth-orbit SAR with advanced nonlinear chirp scaling algorithm[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(1): 500-508. DOI:10.1109/TGRS.2010.2053211 |
| [286] |
王振力, 钟海. 国外先进星载SAR卫星的发展现状及应用[J]. 国防科技, 2016, 37(1): 19-24. WANG Zhenli, ZHONG Hai. The nowaday development and application of oversea advanced spaceborne SAR[J]. National Defense Science&Technology, 2016, 37(1): 19-24. |
| [287] |
NAFTALY U, LEVY-NATHANSOHN R. Overview of the TecSAR satellite hardware and mosaic mode[J]. IEEE Geoscience and Remote Sensing Letters, 2008, 5(3): 423-426. DOI:10.1109/LGRS.2008.915926 |
| [288] |
LONG Teng, HU Cheng, DING Zegang, et al. Geosynchronous SAR: system and signal processing[M]. Singapore: Springer, 2018.
|
| [289] |
GUARNIERI A M, LEANZA A, RECCHIA A, et al. Atmospheric phase screen in GEO-SAR: estimation and compensation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(3): 1668-1679. DOI:10.1109/TGRS.2017.2766084 |
| [290] |
HAJNSEK I, KUGLER F, LEE S K, et al. Tropical-forest-parameter estimation by means of Pol-InSAR: the INDREX-II campaign[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(2): 481-493. DOI:10.1109/TGRS.2008.2009437 |
| [291] |
LEE S K, KUGLER F, HAJNSEK I, et al. Multi-baseline Pol-InSAR forest height estimation in the presence of temporal decorrelation[C]//Proceedings of the 8th European Conference on Synthetic Aperture Radar. Aachen, Germany: [s. n.], 2010.
|
| [292] |
SUN Xiaofan, WANG Bingnan, XIANG Maosheng, et al. Machine-learning inversion of forest vertical structure based on 2-D-SGVBVoG model for P-band Pol-InSAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 5225115. |
| [293] |
ZHANG Qi, GE Linlin, HENSLEY S, et al. PolGAN: adeep-learning-based unsupervised forest height estimation based on the synergy of PolInSAR and LiDAR data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2022, 186: 123-139. DOI:10.1016/j.isprsjprs.2022.02.008 |
| [294] |
ZHANG Jianshuang, ZHANG Yangjian, FAN Wenyi, et al. A modified two-steps three-stage inversion algorithm for forest height inversion using single-baseline L-band PolInSAR data[J]. Remote Sensing, 2022, 14(9): 1986. DOI:10.3390/rs14091986 |
| [295] |
LIN Jiayuan, CHEN Decao, WU Wenjian, et al. Estimating aboveground biomass of urban forest trees with dual-source UAV acquired point clouds[J]. Urban Forestry&Urban Greening, 2022, 69: 127521. |
| [296] |
CARSTAIRS H, MITCHARD E T A, MCNICOL I, et al. An effective method for InSAR mapping of tropical forest degradation in hilly areas[J]. Remote Sensing, 2022, 14(3): 452. DOI:10.3390/rs14030452 |
| [297] |
MERCHANT M A, OBADIA M, BRISCO B, et al. Applying machine learning and time-series analysis on Sentinel-1A SAR/InSAR for characterizing Arctic tundra hydro-ecological conditions[J]. Remote Sensing, 2022, 14(5): 1123. DOI:10.3390/rs14051123 |
| [298] |
WANG Ruijie, ZHANG Jiameng, LIU Xianglei. A most-unfavorable-condition method for bridge-damage detection and analysis using PSP-InSAR[J]. Remote Sensing, 2022, 14(1): 137. |
| [299] |
SHAHZAD M, ZHU Xiaoxiang. Automatic detection and reconstruction of 2D/3D building shapes from spaceborne TomoSAR point clouds[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(3): 1292-1310. DOI:10.1109/TGRS.2015.2477429 |
| [300] |
BUDILLON A, SCHIRINZI G. Remote monitoring of civil infrastructure based on TomoSAR[J]. Infrastructures, 2022, 7(4): 52. DOI:10.3390/infrastructures7040052 |
| [301] |
SHI Yilei, BAMLER R, WANG Yuanyuan, et al. High quality large-scale 3-D urban mapping with multi-master TomoSAR[C]//Proceedings of the 13th European Conference on Synthetic Aperture Radar. IEEE, 2021.
|
| [302] |
FORNARO G, SERAFINO F, REALE D. 4-D SAR imaging: the case study of Rome[J]. IEEE Geoscience and Remote Sensing Letters, 2010, 7(2): 236-240. DOI:10.1109/LGRS.2009.2032133 |
| [303] |
CHEN Fulong, WU Yuhua, ZHANG Yimeng, et al. Surface motion and structural instability monitoring of Ming Dynasty city walls by two-step Tomo-PSInSAR approach in Nanjing city, China[J]. Remote Sensing, 2017, 9(4): 371. DOI:10.3390/rs9040371 |
| [304] |
JONES C E, OSMANOGLU B, TORBICK N. NISAR'scapabilities in support of the applications community[C]//Proceedings of 2021 IEEE International Geoscience and Remote Sensing Symposium. Brussels, Belgium: IEEE, 2021: 539-542.
|