针对传统的单幅主影像生成的相干图在干涉叠加过程中相干性低的问题, 文章提出了一种基于多幅主影像的合成孔径雷达差分干涉测量(differential interferometric synthetic aperture radar, D-InSAR)加权叠加的方法. 该方法利用较少的合成孔径雷达(synthetic aperture radar, SAR)图像生成干涉图集, 采用加权叠加方法避免相干性低的相干图参与叠加, 从而实现对某一区域高精度长时间的形变监测. 首先选取多幅主影像生成多个干涉图集合; 其次将得到的多组相干图按权重进行叠加; 最终得到多个不同时段的地表形变平均速率图. 文中选取美国圣迭戈县地区2019年7月至2019年12月9景Sentinel-1A数据进行实验验证, 通过将实验结果与地下水监测数据对比验证实验精度. 实验结果表明, 这种方法不仅减少了实验所需影像数量, 同时也提高了参与叠加的干涉图质量, 在提高监测精度上获得比传统D-InSAR更好的监测结果.
To solve the problem of low coherence in the interference superposition of the coherence map generated by the traditional single main image, this study proposes a weighted superposition method based on the differential interferometric synthetic aperture radar (D-InSAR) with multiple main images. This method uses fewer SAR images to generate interferograms, and relies on the weighted superposition method to avoid the involvement of coherence maps with low coherence in the superposition, so as to achieve high-accuracy and long-time deformation monitoring in a certain area. Firstly, multiple main images are selected to generate multiple interferogram sets. Secondly, the multiple sets of coherence maps are superposed according to the weight. Finally, the average velocity maps of surface deformation in different time periods are obtained. In this study, Sentinel-1A data of 9 scenarios from July 2019 to December 2019 were selected from San Diego City in the United States for experimental verification, and the experimental accuracy was verified by the comparison of the experimental results with groundwater monitoring data. The experimental results show that this method not only reduces the number of images required for the experiment, but also improves the quality of the interferograms involved in the superposition. It produces better monitoring results than the traditional D-InSAR in improving the monitoring accuracy.
地面沉降是在自然变化和人类活动综合影响下, 引起地壳表面标高缓慢变化的一种局部工程地质现象. 随着全球城市化进展不断加快, 城市扩张和人口快速增长, 城市基础设施的大量修建和地下资源的过度开采, 导致城市地面沉降日益严重. 地面沉降可对建筑物和生产设施造成严重破坏, 不利于城市建设和资源勘测开发, 甚至可能在沿海地区造成海水倒灌, 对人民生命财产安全和基础设施安全造成了重大安全隐患[
InSAR技术最早被应用于地形测绘领域, 文献[
我国将InSAR技术应用于地面形变监测较晚, 但也取得了许多成果. 文献[
传统的干涉图叠加方法(interferogram stacking)[
综上所述, 本文提出一种面向地面沉降的基于多幅主影像干涉图加权叠加的方法. 该方法通过选取多幅主影像, 并在传统Stacking法上在加入图像质量权重的方法对地表进行形变监测, 相对传统的监测方法提高监测精度.
本文的其余章节将简要安排如下: 第1节介绍研究区域以及数据. 第2节介绍多幅主影像干涉图加权叠加方法的基本原理, 并就所提方法的主要思想、流程及计算公式进行详细介绍. 第3节就监测结果从主观和客观两个方面进行评价并给出分析, 总结部分将在第4节给出.
美国的加利福尼亚州一直以来存在着不同程度的沉降. 在2014年加利福尼亚州出现了近50年来最严重的地面沉降, 后续预计地面沉降将继续恶化.
选取圣迭戈县作为实验区域, 圣迭戈县的地形较为复杂, 其西侧是蜿蜒的海岸线, 东北侧主要是大雪覆盖的雪峰, 而东部则为大片的金黄色沙漠. 因此这次实验主要选取城区监测沉降, 避开山脉, 沙漠等相干性低的区域.
选用的实验数据包括哨兵1A (Sentinel-1A)数据、数字高程模型(digital elevation model, DEM)、以及地下水监测数据, 这一数据来自美国地质调查局(United States geological survey, USGS).
Sentinel-1A卫星是欧洲航天局于2014年发射的首颗地球观测卫星, 载有C波段合成孔径雷达, 可以在各种环境条件下提供影像. 对同一区域的重访周期为12天. Sentinel-1A数据基本参数见
Sentinel-1A卫星4种工作模式基本参数
工作模式 | SM | IW | EW | WV |
幅宽 (km) | 80 | 250 | 400 | 20 |
入射角范围 (°) | 18.3~46.8 | 29.1~46.0 | 18.9~47.0 | 21.6~25.1, 34.8~38.0 |
极化方式 | HH+HV, VV+VH, HH, VV | HH+HV, VV+VH, HH, VV | HH+HV, VV+VH, HH, VV | HH, VV |
分辨率 (m) | 5×5 | 5×20 | 25×40 | 5×5 |
干涉测量 | 否 | 是 | 是 | 否 |
应用 | 该成像模式具有高分辨率、入射角可选的特点, 可用于城市管理, 灾害应急管理 | 该成像模式具有范围覆盖广、中等分辨率的特点, 可用于海洋监测、陆地监测及灾害应急管理 | 适用于大范围覆盖和短重访周期的区域, 可用于如海洋、冰川、极地监测等 | 用于海洋参数的获取, 是观测海洋的默认模式, 可监测海洋风场 |
考虑到多幅主影像干涉图加权叠加方法监测形变的优越性, 选择圣迭戈县城区作为试验区, 避免相干性低的区域, 以提高监测精度. 采用2019年7月至2019年12月Sentinel-1A的9景IW模式的SLC (single looking complex)数据进行试验.
首先从这9幅SAR影像中择优选取3幅作为主影像, 使其余影像与其配准并生成干涉对, 可利用综合函数模型来进行确定.
其中,
基于D-InSAR的具体工作流程, 首先选取027961、028836、029711共3幅影像作为干涉主影像, 选取027961作为参考影像. 并将所有的图像配准到参考影像上; 接着使用精密卫星轨道数据消除卫星轨道残余相位误差; 选择所有空间垂直基线中小于50 m的11个干涉对进行干涉处理, 以抑制空间去相关引起的相位误差, 生成的干涉像对见
Sentinel-1A影像和其构成的干涉像对
获取日期 | 轨道号 | 027961 | 028311 | 028836 | 029186 | 029361 | 029711 | 030061 | 030236 | 030586 |
注: 加粗数值是时间基线值, 单位是天; 未加粗数值是空间垂直基线值, 单位是米. | ||||||||||
2019-07-04 | 027961 | — | — | 26.57 | — | — | — | 30.19 | 27.33 | — |
2019-07-28 | 028311 | — | — | — | — | — | 33.01 | — | — | — |
2019-09-02 | 028836 | — | — | — | 31.98 | — | — | 0.76 | 23.70 | |
2019-09-26 | 029186 | — | — | — | — | — | 46.06 | — | — | — |
2019-10-08 | 029361 | — | — | — | — | — | 38.83 | — | — | — |
2019-11-01 | 029711 | — | — | — | 31.22 | 8.27 | ||||
2019-11-25 | 030061 | — | — | — | — | — | — | — | — | |
2019-12-07 | 030236 | — | — | — | — | — | — | |||
2019-12-31 | 030586 | — | — | — | — | — | — | — |
差分干涉图集
多幅主影像干涉图加权叠加方法是选择较优的多幅主影像, 剩余的影像与主影像进行配准, 对配准到同一主影像生成的干涉像对筛选出时空基线较短的干涉对生成不同的集合, 各个集合之间的基线较长, 通过最小二乘法得到每个集合的地面形变信息, 再使用奇异分解法将各个集合联合后求解. 这种方法可以在数据集较少的基础上获得较高的监测精度.
多幅主影像干涉图加权叠加方法数据的处理流程如
在地表形变速率计算过程中, 对于任一幅经过相位解缠的干涉图, 其干涉相位可表示为:
其中,
在D-InSAR处理过程中,
多幅主影像干涉图加权叠加方法流程图
在干涉图叠加过程中, 会将所有经过解缠后的干涉图进行相位叠加, 但这样也会让相干性差的干涉图参与相位叠加过程, 导致解算出的形变量产生较大误差, 降低监测精度. 因此, 需要对干涉图叠加时各图像的权重进行合理的设定, 以剔除相干性差的干涉图. 首先需要基于干涉处理过程中生成的相干图来统计相干点的数量, 然后计算相干图中各相干点的相干值, 根据平均相干值来设置权重. 将平均相干值最大的相干图权重
干涉图相位叠加的数学模型可表述为:
其中,
经过干涉叠加后的累积相位值
时间累积值
根据平均相干值给干涉图设定权重
时间累积值
多幅主影像的干涉图加权叠加方法得到的平均形变相位变化速率
其中,
由于SAR影像中的大气延迟相位是随机分布, 干涉像对经差分处理生成的干涉图中大气延迟相位也随机分布. 根据误差传播定律, 在对所有干涉图进行叠加后, 高质量的相干点受到的大气延迟影响可表示为:
其中,
将所有干涉图加权叠加后, 对于高质量相干点, 大气延迟对线性形变速率的影响可表示为:
由式(8)和式(10)可得, 像元
从式(11)可以看出, 叠加后平均形变速率中, 形变相位信息与大气延迟间的信噪比得到了提高.
为了验证方法的有效性, 收集相干图制成相干图集, 如
将以上符合要求的相位解缠图叠加解算, 解算得到平均沉降速率图并叠加在Google Earth上, 如
相干图集
像素点相干值分布图
为了验证结果的准确性, 采用传统的D-InSAR方法对2019年7月4日和2019年12月31日两景SAR数据进行形变监测, 结果如
地下水监测结合了不同类型的水位观测测量(周期的、连续的和实时的), 并结合这些记录来提供井底随时间变化的响应的评估, 所以使用USGS网站地下水网络数据进行验证.
年平均形变速率图
因城市地下水的抽取而引起地下水位的变化不是产生地表形变的唯一因素, 同时还有人类活动和其他因素也会对地表形变造成影响, 使得实验结果在数值上同地下水观测数据具有一定的偏差.
本文在传统D-InSAR监测方法的基础上, 提出一种基于较少影像实现时间序列监测的多幅主影像干涉图加权叠加方法.
传统D-InSAR监测结果图
地下水数据精度验证
地下水位监测点水位与地面沉降数据表 (mm)
监测日期 | 地下水位变化 | 累积形变 |
2019-07-04 | 0.00 | 0.00 |
2019-07-28 | −0.15 | −0.19 |
2019-09-02 | −2.85 | −2.63 |
2019-09-26 | −0.90 | −0.37 |
2019-10-08 | −0.30 | 0.72 |
2019-11-01 | 0.15 | 1.28 |
2019-11-25 | 2.10 | 2.89 |
2019-12-07 | 1.35 | 2.42 |
2019-12-31 | 1.27 | 2.36 |
该方法首先综合考虑了垂直空间基线、时间基线和多普勒质心频率差异的影响, 利用综合函数模型选取3幅主影像, 削弱主影像大气延迟影响, 为后续干涉图加权叠加过程提供更多数量的相干图, 然后对相干图质量(依据平均相干值)进行定权, 解决低相干影像图对监测结果的负面影响, 通过加权叠加后, 提高了相位图的形变信息与大气噪声之间的信噪比, 最后提取形变信息, 实现对目标区域的时序形变监测.
综上所述, 本文提出的方法通过采用圣迭戈县城区的9景Sentinel-1A影像与传统监测方法进行对比分析, 实验结果表明, 本文所提方法所得地表形变监测结果与地下水监测数据的线性拟合程度为0.941, 监测结果明显优于传统D-InSAR方法得到的结果. 这种方法弥补了D-InSAR技术不能进行时间序列监测的缺点, 解决了时序InSAR技术对数据量要求较多的问题, 降低了传统Stacking方法中低相干影像参与叠加带来的不利影响, 提高了监测精度, 方法有效可行. 同时, 本文方法在长时间序列形变监测中具有重要研究意义, 后续将会收集更多资料进行进一步研究.
Rahmati O, Golkarian A, Biggs T,
Zhou CF, Gong HL, Chen BB,
刘欢欢, 张有全, 王荣, 等. 京津高铁北京段地面沉降监测及结果分析. 地球物理学报, 2016, 59(7): 2424–2432.
Hung WC, Hwang C, Chang CP,
秦同春, 程国明, 王海刚. 国际地面沉降研究进展的启示. 地质通报, 2018, 37(2): 503–509.
Bawden GW, Thatcher W, Stein RS,
Hooper A, Bekaert D, Spaans K,
张路, 廖明生, 董杰, 等. 基于时间序列InSAR分析的西部山区滑坡灾害隐患早期识别——以四川丹巴为例. 武汉大学学报·信息科学版, 2018, 43(12): 2039–2049.
Massonnet D, Rossi M, Carmona C,
Zebker HA, Goldstein RM. Topographic mapping from interferometric synthetic aperture radar observations. Journal of Geophysical Research: Solid Earth, 1986, 91(B5): 4993–4999.
Ghazifard A, Akbari E, Shirani K,
Rosi A, Tofani V, Tanteri L,
Govorčin M, Pribičević B, Wdowinski S. Surface deformation analysis of the wider Zagreb area (Croatia) with focus on the Kašina fault, investigated with small baseline InSAR observations. Sensors, 2019, 19(22): 4857.
王茹, 杨天亮, 杨梦诗, 等. PS-InSAR技术对上海高架路的沉降监测与归因分析. 武汉大学学报·信息科学版, 2018, 43(12): 2050–2057.
史绪国, 徐金虎, 蒋厚军, 等. 时序InSAR技术三峡库区藕塘滑坡稳定性监测与状态更新. 地球科学, 2019, 44(12): 4284–4292.
高二涛, 范冬林, 付波霖, 等. 基于PS-InSAR和SBAS技术监测南京市地面沉降. 大地测量与地球动力学, 2019, 39(2): 158–163.
Williams S, Bock Y, Fang P. Integrated satellite interferometry: Tropospheric noise, GPS estimates and implications for interferometric synthetic aperture radar products. Journal of Geophysical Research: Solid Earth, 1998, 103(B11): 27051–27067.
et al. Measurement of slow uniform surface displacement with mm/year accuracy. IGARSS 2000. IEEE 2000 International Geoscience and Remote Sensing Symposium. Taking the Pulse of the Planet: The Role of Remote Sensing in Managing the Environment. Proceedings (Cat. No. 00CH37120). Honolulu: IEEE, 2000. 2239–2241.]]>
Raucoules D, Maisons C, Carnec C,
陈强, 丁晓利, 刘国祥. PS-DInSAR公共主影像的优化选取. 测绘学报, 2007, 36(4): 395–399.