2. 香港中文大学深圳研究院, 广东 深圳 518057;
3. 西南交通大学地球科学与环境工程学院, 四川 成都 611756;
4. 深圳市数字城市工程研究中心, 广东 深圳 518057
2. Shenzhen Research Institute, The Chinese University of Hong Kong, Shenzhen 518057, China;
3. Faculty of Geosciences and Environmental Engineering, Southwest Jiaotong University, Chengdu 611756, China;
4. Shenzhen Research Center of Digital City Engineering, Shenzhen 518057, China
星载合成孔径雷达干涉测量(synthetic aperture radar interferometry, InSAR)技术是近年来迅猛发展的一种空间对地观测技术，在InSAR基础上提出的多时相InSAR(multi-temporal InSAR，MT-InSAR)方法，利用同一地区的多景SAR影像对时序稳定点(persistent scatterer，PS)进行精确分析，极大地降低了大气延迟等带来的测量误差，使得形变监测精度达到了厘米级到毫米级，在角反射器的辅助下甚至可实现亚毫米级监测精度，相对于传统测量方法，可提取城市区域大范围、高精度的地表三维信息和形变信息。
城市基础设施是人居环境的重要组成部分，基础设施的结构健康问题直接关系城市环境和社会经济的可持续发展。然而近年来，由地下水抽取、地下空间开发等引起的地面沉降和基础设施形变问题日益严重，造成基础设施的结构变形和损毁，甚至造成人员伤亡事故。在《国家中长期科学和技术发展规划纲要》(2006—2020年)中，明确将“地质灾害的监测、预警和应急处置关键技术”列为了重点领域及优先主题。而近年来多分辨率、多频段SAR卫星的发射推动了基础设施健康卫星监测技术的发展，MT-InSAR技术的进步提高了监测的精细化和精准化，使得利用卫星从太空中给整个城市做“体检”成为可能。本文将集中介绍星载MT-InSAR技术在城市基础设施健康监测方面的技术发展和应用情况。城市基础设施健康泛指城市地面设施沉降和形变状况。
1 MT-InSAR发展综述多时相InSAR(MT-InSAR)是在InSAR基础上发展起来的一项利用多景SAR影像实现高精度、高密度测量点提取分析的技术，尤其适应于城市地面沉降和基础设施形变监测。InSAR发展初始是用来提取大范围地表高程信息的一项技术，其通过两幅SAR影像共轭相乘即可得到与高程相关的干涉条纹信息[1-2]，如NASA生产的全球DEM产品SRTM(shuttle radar topographic mission)就是由InSAR技术获取的[3]。InSAR相位信息除了与高程相关还与形变相关，因此在高程提取基础上，发展为差分InSAR技术(D-InSAR)用以获取地面微小形变信息，并在Seasat数据上进行了试验验证[4]。传统D-InSAR方法通过外部DEM数据，只利用两幅时序SAR影像即可获取两个时刻的地表形变信息。传统D-InSAR形变监测主要有两个误差源。去相干因子[5]和大气延迟效应[6]。去相干因子包括几何去相干和时间去相干，几何去相干指的是当两幅图像干涉的时候，由于对地成像的角度不同，在地距向到斜距向投影时会出现偏移，当偏移量大于距离向带宽时，干涉相对会出现完全失相干，此时的垂直基线称为极限基线。时间去相干是由于重轨两幅干涉影像由于拍摄时间不同，地物发生变化导致的去相干因子。大气延迟误差包括电离层和对流层引起的信号延迟，也是影响传统D-InSAR测量精度的最大的误差源，通常由沿高度向分层大气和局部湍流成分组成[7]，其中对流层中20%的湿度差异就会导致大约10 cm的形变误差，在多云多雨区域误差会更大[6]。为了消除大气延迟误差，很多学者在研究D-InSAR形变监测时利用外部数据模拟大气相位[8-9]，但只能去除大尺度的大气效应，适应于中低分辨率SAR数据。综上所述，在去相干因子和大气延迟效应的影响下，传统D-InSAR方法实现的形变监测精度一般不高，为分米到厘米级[10-11]，而工程上对基础设施的监测精度要求达到毫米级，因此D-InSAR在城市基础设施监测应用中还有很大的局限性。
为了克服传统D-InSAR受大气延迟、时间去相干等因子的影响，提高D-InSAR技术在基础设施监测中的应用能力，MT-InSAR技术慢慢发展起来并成为当前研究的热点[12]，见表 1。MT-InSAR技术利用多幅SAR影像，根据大气空间低通和时间高通的性质去除大气延迟误差，探测在SAR影像中永久散射体(persistent scatter，PS)点并估计形变信息，测量精度可以达到厘米到毫米级，在角反射器的辅助下甚至可实现亚毫米级监测精度[13]。MT-InSAR一开始利用干涉图stacking技术提取时序形变[14]，发展到现在比较有代表性的是以单一影像为主影像的永久散射体干涉(persistent scatterer InSAR，PSInSAR)方法[15-16]和以多幅影像为主影像的小基线(small baseline subsets，SBAS)方法[17]。
| MT-InSAR算法 | 基线配置 | 初选点方法 | 形变模型 | 解缠方法 |
| InSAR Stacking | 小基线 | 空间相干系数 | 空间相关形变，线性形变 | 一维(假设解缠)+二维(最小二乘) |
| PSInSAR | 单基线 | 幅度离差 | 线性形变 | 一维(周期图)+二维(平差集成) |
| SBAS | 小基线 | 空间相干系数 | 空间相关形变，线性形变 | 二维(MCF)+一维(SVD) |
| CT | 小基线 | 空间相干系数 | 线性+非线性形变 | 一维(周期图+SVD)+二维(平差集成) |
| IPTA | 单基线 | 幅度离差 | 线性形变 | 一维+二维(分块、分级构网) |
| STUN | 单基线 | 幅度离差+信噪比 | 线性+非线性形变 | 一维+二维(整体最小二乘+MCF) |
| StaMPS | 单基线/小基线 | 幅度离差 | 空间相关形变，线性形变 | 一维(周期图)+二维(基于概率模型) |
| PSP | 单基线 | 幅度离差 | 线性形变 | 一维(周期图)+二维(临近点逐步扩展) |
| SqueeSAR | 单基线 | 幅度离差+同质点滤波 | 线性形变 | 一维(周期图)+二维(平差集成) |
| TCP-InSAR | 小基线 | 幅度离差+空间相干系数 | 线性+非线性形变 | 一维(假设解缠，最小二乘)+二维(平差集成) |
| QPS | 基线子集 | 幅度离差 | 线性形变 | 一维(周期图)+二维(平差集成) |
| geodetic PSInSAR | 单基线 | 幅度离差 | 线性+非线性形变 | 一维+二维(整体最小二乘+假设检验) |
| PSIG | 小基线 | 幅度离差 | 空间相关形变 | 二维+一维 |
| SL1MMER | 单基线 | 强度 | 线性+非线性形变 | 提前去大气，一维(压缩感知算法+叠掩散射体) |
| Tomo-PSInSAR | 单基线 | 幅度离差+强度 | 线性+非线性形变 | 一维(波束形成法+叠掩散射体)+二维(岭估计平差) |
以单一主影像的MT-InSAR算法起源于PSInSAR，在其之上发展起来的算法主要包括IPTA[18]、STUN[19]、StaMPS[20-21]、PSP[22]、SqueeSAR[23]、QPS[24]、Geodetic PSInSAR[25]、SL1MMER[26]和Tomo-PSInSAR[27]等。所谓PS点指的是时序影像中相位稳定的像元点，其对应自然环境中的基础设施和裸露岩石等，PSInSAR(permanent scatterer interferometry)技术由Tele-Rilevamento Europa公司申请了专利，后面研究为了避免冲突通常使用Persistent Scatterer的叫法。相比传统D-InSAR技术，PSInSAR通过提取时序相干目标抑制了时间去相干和大气延迟的影响。在PSInSAR方法提出之后，大量的研究工作投入到PSInSAR技术的研究中用以提高PS的测量精度和空间分布密度。相干点目标分析法(interferometric point target analysis)通过对干涉图点目标的时空特征分析，提高了时序分析方法的稳健性[18]。在监测低相干区域(如山区)时，为了提高PS点空间分布密度，可以通过布设角反射器作为有效的人工PS点，以达到辅助监测的目的[28]。STUN技术将LAMBDA算法引入到PSInSAR中用于PS点的探测[19]，其使用二层构网方法实现了点的扩展，并引入了概率统计模型用于精度的评价。在STUN基础上又发展为基于大地测量理论的PSInSAR方法(geodetic PSInSAR)[25]，并将非线性模型自适应用于局部基础设施的形变反演。为了提高PSInSAR在低相干区域的监测能力，斯坦福永久散射体干涉算法(Stanford method for persistent scatterers algorithm, StaMPS)利用三维时空解缠算法获取目标的时序形变信息[20, 29]，主要适用于火山、地震监测，在城市应用中StaMPS主要用于提取区域性沉降信息。基于相邻像元大气一致假设，PSP(persistent scatterer pairs)算法通过解算相邻PS点不断往外扩展，利用不同的种子点进行误差控制，最终实现全局解算[22]。传统的PSInSAR只能探测人工建筑比较密集的区域，在PS点稀少的城市区域，如路面和草坪区，主要以分布式散射体(distributed scatterer，DS)点为主，SqueeSAR利用同质滤波提高DS点的相干性[23]，然后使用时序相位重估重新得到了DS点的相位信息，使得DS点可以和PS点联合解算，被称为第二代PSInSAR，很多学者又从同质滤波、参数估计等方面对DS点分析做了进一步研究[30-32]。监测在建工程设施时，通常会存在半相干点，即PS点在一定的时序子集内呈现稳定性，对于半相干点需要通过选择一定的子集进行探测[24]，但同时也需要更多的计算时间。高分辨率SAR卫星的发射提高了PS测量点的空间密度[33]，同时也加重了复杂城市环境中的叠掩现象，基础设施之间会产生大量的叠掩散射体，差分SAR层析(D-TomoSAR)方法通过沿高度向层析成像可将叠掩散射体分离[34]，尤其是近年来压缩感知算法的提出实现了超分辨率层析成像[35-36]，成为SAR层析领域研究的重点。为了解决超高层、高密度城市大气空间异质性的问题，Tomo-PSInSAR算法通过二层构网，在无需时空滤波去大气的条件下实现单散射体和叠掩散射体的探测，并引入稳健估计提高参数估计精度和稳健性，实现了PSInSAR和TomoSAR的有机结合[27]。
以多副SAR影像为主影像的SBAS算法主要适应于影像数量有限的情况，通过小的时间基线和空间基线干涉处理，减小了时间失相干和地形对相位的影响[17]，之后基于小基线理念发展起来的算法主要包括基于单视操作的SBAS[37]、CT[38]、StaMPS[20-21]、TCP-InSAR[39]、PSIG[40]等。SBAS多视处理会损失空间分辨率，因此提出了基于单视处理的SBAS算法用来探测点目标[37]。另外有基于相干系数选点的相干目标法(coherent target)[38]，并结合小基线干涉策略，适用于时序影像数量少的情况下PS点的提取。StaMPS在单基线配置基础上也提供了小基线策略下的形变估计方法。TCP-InSAR算法在小基线配置下假设弧段间DEM和大气噪声对相位贡献值都相对较小，可以直接利用最小二乘实现参数估计[39]，同时通过弧段质量检验剔除粗差。PSIG(PSI chain of the geomatics)方法利用2+1D解缠解算形变，适用于城区、非城区、植被区大范围的监测[40]。基于小基线理念的MT-InSAR算法一般需要二维解缠，但是由于城市区域干涉条纹复杂性比较高，二维解缠面临很大的挑战，另外在小基线配置下提取的高程误差较大，在城市应用中给PS点精确定位带来很大难度，因此小基线在城区只适应于大尺度的沉降漏斗反演，而在基础设施高精度细节监测方面还有很大局限。
国内也有许多学者先后利用MT-InSAR技术对城市区域性沉降和基础设施形变进行了研究，如对PSInSAR技术方法和应用前景的总结和展望为国内InSAR研究提供了参考[41]；PSInSAR技术应用在苏州地区沉降监测，其监测结果经与水准数据对比达到高度一致[42]；网络化思想引入到MT-InSAR研究中提高了解算的连通性[43]；大范围的区域性InSAR沉降监测结果为全国地面沉降调查提供了重要的参考资料[44]；多项式模型替代线性模型被引入到PSInSAR中，并对太原地区沉降进行了监测[45]；MT-InSAR技术用于监测青藏高原冻土沉降和青藏铁路的路基稳定性，并分析两者的相互影响关系[46]；小基线法分析了地下煤火引起的地面不稳定性问题[47]。目前MT-InSAR技术已经开始在各种基础设施监测中使用，包括铁路、公路、大坝、桥梁、房屋、机场、地下水开采区、人工边坡等，同时在不同类型的基础设施监测中又面临各种问题。
2 MT-InSAR城市应用关键问题MT-InSAR通过多景SAR影像干涉处理对城市基础设施形变进行连续观测，图 1为MT-InSAR示意图，其中两景SAR影像进行共轭相乘得到的干涉相位可以表示为
|
| 图 1 MT-InSAR卫星监测示意图 Fig. 1 The space-borne MT-InSAR monitoring diagram |
(1)
式中，φ表示原始干涉相位；
大气延迟误差是MT-InSAR基础设施形变监测中主要的误差源[48]，大气延迟主要集中在电离层和对流层[49-50]。目前，大气误差消除的方法主要分为3类：第1类基于辅助数据如大气压力、温度、水汽、对流层折射率等建立大气效应模型用于大气相位估计与纠正，如采用GPS数据对大气及水汽效应进行扰动模型建立及去除[8]和采用ENVI SATMERIS水汽数据可沉淀水汽校正模型或及多光谱数据中尺度气象模型进行大气误差改正[51]；第2类是根据一定的物理模型对大气相位进行估计和改正，如随机模型通常用于描述大气延迟的空间结构，而干涉SAR数据中的大气信号具有各向异性，因此各向异性模型目前常被用于大气信号估计[52]；第3类是考虑大气相位空间低频和时间高频特性，从而在SAR干涉相位成分估计时采用合适滤波步骤对其进行估计及去除，时空滤波方法相对于前两种方法是从SAR干涉图中直接估计大气并消除，是目前MT-InSAR中去除大气最有效的方法[16, 53]。
虽然InSAR领域中已经提出各种方法来消除大气误差，但在实际应用中大气误差的消除又面临各种挑战，尤其在多云多雨环境中利用高分辨率SAR影像监测城市基础设施时，大气相位时空分布复杂性增加，主要表现在：受多云多雨气候影响，大气延迟在SAR影像中时间变化频率和空间变化频率变高；高层建筑的大气分层效应导致大气延迟随着高度的变化而变化，表现在影像中是高楼顶端像元和临近的地面像元大气相位不一致，进一步增加了大气的空间异质性。大气的时空复杂性增加导致传统时空滤波去大气不能有效地去除大气噪声，因此提出了各种精密构网方法，通过临近点去大气来提高形变参数估算的稳健性[22, 27]。总之，大气效应在不同分辨率SAR影像、不同区域都显示出其独特的特性，如何提出大气消除的稳健性和普适性方法也将是InSAR领域今后一直研究的重点。
2.2 物理参数估计MT-InSAR估计的参数一般包括高度、平均形变速度和时序形变量，在非线性形变模型加入时还有非线性形变幅度，参数估算直接决定了最终测量精度。
在参数估算之前首选要选取有效的高相干候选点，SAR影像包括PS、DS、叠掩PS、半相干点、PS旁瓣和噪声点6种像元类型，其中除去噪声点都可以作为MT-InSAR监测中的有效点。目前提取候选点方法主要包括幅度离差法[15]、空间相干系数法[38]、强度阈值法[27]、信噪比阈值法[19]等。幅度离差法利用幅度稳定性和相位稳定性的关系通过计算幅度稳定性提取PS候选点，也是目前提取PS候选点最有效的方法，但此方法适用于幅度定标质量高的影像，如ERS、TerraSAR-X等。由于PS旁瓣和主瓣有相似的时序特征，利用幅度离差法提取的PS点可能会包含旁瓣点，这种情况可以利用旁瓣概率图剔除旁瓣点[54]。空间相干系数法可用于中低分辨率SAR影像PS候选点的选取，如Envisat-ASAR、ALOS等，提取的候选点包括PS、DS和PS旁瓣，空间相干系数法由于需要通过窗口处理因此会造成聚簇效应，所以也需要旁瓣去除。在选取叠掩PS点时由于叠掩PS点不具有幅度稳定和空间相干性质，因此提取叠掩PS点候选点需要通过强度阈值法来实现。
PSInSAR直接利用候选点进行参数解算，而SBAS则需要首先进行相位解缠再进行参数估算，形变参数估计算法主要包括下面几种：① 周期图法使用时序相干系数阈值来确定解算参数的精度并提取对应的参数[15-16]；② STUN将GPS中使用的LAMBDA算法引入PSInSAR，并提出整体最小二乘算法解算参数[19]；③ TCP InSAR假设弧段相位已解缠，提出利用最小二乘算法进行参数估计[39]；④ SL1MMER将压缩感知算法引入TomoSAR中进行参数估计[36]；⑤ Tomo-PSInSAR利用波束形成法和M估计器提高参数估计的稳健性[27]；⑥ SBAS算法中利用奇异值分解(SVD)方法估计形变参数[17]，为了提高参数估计精度和稳定性，L1范数也用在小基线中解算形变[55]。目前各种参数估计算法主要研究点就是如何在有噪声观测量的情况下提取正确的形变信息，因此近年来稳健估计算法(如M估计器、岭估计、L1范数等)成为研究的热点。
2.3 非线性形变估计MT-InSAR算法在解算形变时需要假设时序形变模型函数进行时间维解缠，形变函数模型决定了在时序相位分析中模型拟合度，线性形变函数模型是目前描述地学运动中最重要和最通用的模型，也是MT-InSAR形变反演中最常用的模型[15-16]。但在城市地面沉降和基础设施形变监测时，不同地物目标在不同时期往往呈现出非线性形变特征，为了提高对非线性形变的拟合度，在时间维解缠时可以加入非线性函数进行拟合，目前MT-InSAR中使用的非线性形变模型主要包括二次项模型、三次项模型、三角函数模型、指数模型、温度模型等。如采用三次项模型对太原市进行形变反演，提高了反演的精度和空间点密度[45]，利用三角函数拟合由地下水周期性开采和回灌导致的季节性抬升和下沉[56]，利用指数模型来拟合填海区自然沉降过程[57]，通过引入温度模型分离了由温度变化引起的周期性热胀冷缩和线性形变[58-59]。
目前MT-InSAR中非线性形变模型的引入往往基于对地物目标运动规律的先验知识认识，如工程学和地质学相关知识，这个对InSAR从业者往往要求较高，这些先验知识一般来源于工程地质专家，因此也强调了InSAR在实际应用中跨学科研究的重要性。值得注意的是，非线性形变模型的错误引入有可能会导致参数的过度拟合和函数的耦合现象，尤其是非线性函数和线性函数的高相关性会导致形变参数的错误估计，一般来讲，在引入非线性形变函数估计中一般要求数据时间跨度足够大，才能降低非线性函数和线性函数的相关性。目前MT-InSAR非线性函数的引入并没有统一有效的方法，一般是基于案例分析的，如何在基础设施监测时自适应地加入非线性函数以此来提高形变反演精度也是今后研究的重点内容。
2.4 特殊散射体探测除了永久散射体点(PS)，城市区域的特殊散射体包括DS点、叠掩散射体和半相干点。DS点对应城市低相干区域，如路面和草坪等；叠掩散射体指同一像素内有多个PS点的像素，如楼房墙面和地面发生叠掩；半相干点指在一段时间内具有时序稳定性特征的目标，如在建基础设施。这些特殊散射体没有时序稳定性特征，单纯的PS点探测无法识别出来，在基础设施监测时会损失细节信息。
目前MT-InSAR中能探测低相干目标的方法主要包括SBAS[17]和DSInSAR[23]。SBAS基本思想是将所有SAR影像根据时间基线和空间基线在一定范围内的干涉对组合成小基线集，限制了时空去相干因子从而提高形变监测精度，但是目前SBAS一般需要通过最小费用流[60]和枝切法[61]等进行二维解缠，而城市中复杂的干涉条纹往往导致二维解缠很难有效地进行，影响了SBAS算法在城市中的应用。其中以SqueeSAR为代表的DSInSAR方法，通过同质滤波方法提取DS点，主要包括KS假设检验[23]、AD假设检验[62]、似然比检验[63]等，在保留PS点信息的同时实现了和DS点的联合探测，比SBAS更适应于城市低相干目标的探测。
在SAR斜距成像模式下，复杂城市环境中高密度、高层建筑设施会导致大面积的叠掩区，一个叠掩像元中可能会包含两个或两个以上的PS点，叠掩现象在高分辨率SAR影像中更为突出，传统PSInSAR技术只能处理一个像素中有单个PS点的情况，无法分离叠掩的多个PS点，因此容易造成形变细节信息的损失。最近发展起来的SAR层析成像(TomoSAR)技术是目前解决叠掩问题最有效的方法，用来SAR层析成像的算法称为谱分析方法，主要包括Beamforming[64]、Capon[34]、SVD[65]、MUSIC[66]、压缩感知[36]等，层析成像后可利用模式识别[26]算法提取最终的叠掩散射体。
MT-InSAR中对半相干点的探测一般通过选取一定时间内SAR影像的子集进行时序分析[24]，在子集内利用和PS探测相同的方法进行解算，理论相对简单，但是在搜索子集时需要花费大量的计算时间，因为不是所有的半相干点都在一个子集内，因此在实际应用当中除非研究区域有大量的在建设施，否则一般不必探测半相干点。
2.5 PS点精确定位及精度分析在MT-InSAR基础设施形变监测中，需要将提取的测量点对应到具体地物中，以便于后续解译和分析，随着高分SAR卫星(如TerraSAR-X)的发射，PS测量点密度相比中低分辨率数据(如Envisat)增加了100~200倍[33]，由于测量点本身不带有物理性质，因此，测量点的定位精度对于基础设施形变解译和精度验证具有重要的意义。一般来说，PS点的定位精度包括水平定位精度和垂直定位精度。水平定位精度与卫星数据分辨率和卫星轨道精度等相关，如TerraSAR-X在角反射器辅助下水平定位精度可以达到厘米级别[67]，而垂直定位精度一般与PS点高度解算的精度相关，高分辨率SAR影像PS点高度精度可达到亚米级水平[68]。在实际形变解译中，为了提高PS点定位精度，可以通过模拟的高分SAR影像和真实SAR影像匹配来实现[69]，另外PS点在光学影像、LiDAR等数据的辅助下进行精确匹配也成为当前PS点解译应用中的热点[70]。
InSAR测量结果的精度分析一般包括理论分析和与实地数据对比分析。欧空局组织的PSIC4和the Terrafirma Validation Project中，由不同的科学家小组对同一数据进行处理然后交叉验证，得出的形变速度差异标准差为0.4~0.5 mm/a，形变量标准差在1.1~4.0 mm。STUN算法基于随机模型提出利用协方差矩阵从理论上描述参数估计精度[19]。与实地数据对比，包括与水准、GPS、LiDAR等测量数据的对比，在角反射器辅助试验下，PS验证精度达到亚毫米级[13]，TerraSAR-X数据反演结果和水准点直接验证精度达到毫米级别[71]。值得一提的是，虽然与水准等测量数据的比对是目前验证InSAR监测结果最有效的方法，但是鉴于实际操作中测量点位置不一致和时间不一致会引起对比误差，另外，InSAR只能测量单一方向(LOS)形变，而LOS向形变只对东西向和垂直向形变敏感，虽然也可以利用偏移量跟踪[72]或MAI技术[73]进行南北向形变测量，但是一般误差较大，因此与水准等对比出的精度也需要客观评价。
3 城市基础设施健康监测应用案例城市基础设施是城市环境的重要组成部分，基础设施的结构安全问题直接关系城市环境和社会经济的可持续发展。然而近年来，由地下水抽取、地下空间开发等引起的地面沉降和基础设施形变问题日益严重，造成基础设施的结构变形和损毁，甚至造成人员伤亡事故，新型地质灾害已经成为自然和人类活动共同作用下的结果。凭借大范围同步和连续观测的优势，星载MT-InSAR技术可以为不同城市基础设施健康状况提供周期性监测服务，从而保障城市公共设施安全。
3.1 大型线状地物形变重大工程中大型线状人工地物(如公路、铁路、大坝、桥梁、输电线路等)已成为人地关系的重要标志，与人类生活紧密相连，犹如人类居住地球的动脉，永不停息地承载着能量和物质交换。大型线状人工地物安全运营、有效监测是防灾、减灾前提，并已刻不容缓。高分辨率商业SAR卫星的发射使得大型线状地物的常态化、精细化监测成为可能，如结合InSAR和GPS监测大型线状地物—青藏铁路，研究青藏铁路与冻土变化之间的关系[46]，利用TerraSAR-X数据研究高架桥的热证冷缩效应导致的水平移动[74]，利用TerraSAR-X影像对上海轨道交通网络的沉降进行了监测[75]，揭示了早期建成的路段稳定性高于晚期建成的路段，高架路段稳定性高于地下路段。由于大型线状地物独特的细长型结构，PS点空间分布不均，因此MT-InSAR需要精密的构网才能实现全局连通，另外由于MT-InSAR只对东西向和垂直向形变敏感，当线性地物主要形变呈现南北向时，单纯MT-InSAR形变监测面临很大挑战，需要结合多角度、多平台InSAR观测量或GNSS、水准等数据进行联合监测[76]。
图 2是对深圳湾大桥的监测结果，此结果利用的是香港中文大学自主研发的Skysense软件完成。由于桥梁受热胀冷缩效应明显，为了避免参数估计时相位模型的欠拟合，本次试验在形变估计时加入了季节性温度模型，利用季节性温度模型来拟合桥梁的热胀冷缩效应。图 2(a)是得到的桥梁的线性形变结果，代表了除去温度变化导致热胀冷缩的形变部分，图 2(b)是热膨胀幅度结果，代表了由温度变化引起的热胀冷缩部分。从图 2(b)热膨胀图中可以看出，大桥呈现出周期性变化特征，这是由于当温度变化时桥体发生热证冷缩产生水平移动，每隔一段桥体都有一个热膨胀缝用于承载热胀冷缩导致的水平移动，由于水平积累效应形变的幅度在接缝处最大，最大达到LOS向2 mm/℃，热膨胀幅度与桥梁材料的热膨胀系数和桥体长度相关，因此在热膨胀幅度图上呈现出周期性特征，形变跳变的位置就对应热膨胀缝的位置。从线性形变图中可以看出，大桥除了热胀冷缩外无其他明显变形，因此深圳湾大桥主要缓慢变形就是温度变化引起的热胀冷缩。
|
| 图 2 线性形变速度与热膨胀幅度 Fig. 2 Linear deformation velocity map and thermal amplitude map |
3.2 地下和半地下空间开发引起的地面设施沉降
随着城市化速度的加快，为了满足城市需求，大量的基础设施正在建设，尤其是地下和半地下空间开发，会对地面稳定性造成影响，地下、半地下工程会通过改变地下空隙压力和地下结构引发地面及周边区域沉降甚至坍塌危险。MT-InSAR对于地下工程建设造成的地面隐伏灾害监测具有重要意义，如SqueeSAR技术用于监测伦敦Jubilee线路在挖掘过程中发生的沉降，反演的沉降线路与Jubilee挖掘线路一致，沉降量大约在2 cm左右[77]，COSMO-SkyMed数据用于监测上海新建地铁9号线和10号线沉降[78]，还有研究MT-InSAR用于监测隧道挖掘对地面稳定性的影响[79]。图 3是利用COSMO-SkyMed数据对深圳市某基坑建设期间周边基础设施的监测结果，图 3中矩形范围为基坑位置，从平均形变速度图中可以看出基坑建设期间周边地面明显发生了沉降(红色点)，从图 3中时序曲线结果中可以看出，在基坑建设之前地面呈稳定状态，而建设期间地面明显发生了沉降，最大沉降量达到20 mm，建成之后基坑又达到了稳定状态，MT-InSAR有效地监测了基坑建设引起的地面沉降。
|
| 图 3 基坑建设引起的地面沉降 Fig. 3 Subsidence caused by underground construction |
3.3 沿海城市填海区沉降
为了解决土地资源稀少的问题，沿海城市通常会通过填海造陆扩大土地面积，填海区在地面压实过程会产生沉降，从而可能影响地面建筑设施的稳定性，造成基础设施的结构变形和损毁，而填海区大量的地下工程建设和高层建筑的重力载荷，会进一步加剧填海区沉降和形变地质灾害发生的可能性。因此，对填海区基础设施进行长期的监测，尤其是对重大基础设施及周边变形进行有效地监测与分析，从而对潜在的危险进行预警和辅助决策，显得尤为必要。例如，Envisat-ASAR数据用于对填海型机场沉降的提取，获得了与水准数据一致的结果[80-81]；针对填海区逐渐减速的沉降特征，通过引入非线性模型提高了对填海区沉降相位的拟合度[57]。填海区在一开始时期沉降量比较大，会导致地面失相干，MT-InSAR监测时可能无法提取有效的PS点，可以借助传统D-InSAR技术辅助分析较大沉降区域，另外填海区一般位于沿海城市，大气效应比较明显，如何有效地去除大气误差也是研究的热点问题。
3.4 地下水开采区沉降过度的地下水开采是地面沉降和基础设施形变的一个主要诱因，传统的基于点的测量手段对于沉降的范围和程度描述都有一定的局限性，MT-InSAR凭借其大范围高密度的测量点分布在地下水开采导致的沉降监测中有独特的优势。例如，PSInSAR技术对Las Vegas Valley由于长时间周期性抽水造成的地面沉降进行了反演，分别提取了3个时间段的地面沉降信息来进行分析和对比验证[82]；Envisat-ASAR数据用于提取北京市2003—2010年的沉降，揭示了最大沉降速度达到11 cm/年，证明了地下水抽取是北京沉降的主要诱因[83]；通过对德州地区InSAR沉降监测结果的分析得出了该地区地面沉降主要受地下水季节性开采及年降水量变化的控制，形成了每年3—8月快速下降，9月至翌年2月逐步回弹的变化特征[84]。地下水开采导致的地面沉降一般是大范围的区域性沉降，如何提取区域内基础设施的差异性沉降是判断结构安全的重要指标。
3.5 采煤区、采矿区和采油区沉降煤炭、矿产、石油等能源的开采产生了巨大的经济和社会效益，但同时也对当地的地质和生态环境产生了严重破坏，容易造成采空区而导致地面沉降和基础设施形变灾害。为保证能源开采区经济建设顺利发展，在开采过程中必须对地面沉降的原因、过程、趋势进行全面的监测，常规的以点为基础的测量方法尽管精度高，但成本高、采样少、测量时间周期长，已无法满足能源开采区监测要求，而InSAR具有大面积同步测量的优势，已经应用在采煤区、采矿区和采油区沉降监测，例如，监测露天矿和地下矿对地表稳定性的影响[77]，利用DInSAR技术提取峰峰矿区地表沉降监测结果[85]。采煤区、采矿区和采油区一般人工建筑比较少，大部分属于低相干区域，传统PSInSAR技术往往获取的测量点较少，DSInSAR技术在这些区域地面和设施监测中会发挥巨大的优势。
3.6 山体滑坡和人工边坡位移城市中有大量的边坡设施，一旦发生边坡位移或山体滑坡会对周边的居民生命财产造成很大的危害。MT-InSAR技术已经应用于滑坡和边坡的监测，例如，PSInSAR技术用于对缓慢性滑坡的运动反演，分析了滑坡和厄尔尼诺现象的相关关系，证明了滑坡位移主要是受降水的影响[86]，SBAS算法用于分析香港大屿山边坡位移[87]。MT-InSAR进行城市边坡和滑坡监测时，往往受地面植被覆盖影响，造成干涉信号中有很大的噪声，为了解决这个问题，一方面可以利用具有一定穿透能力的长波段卫星数据(如L波段的ALOS数据)进行监测，另一方面可以通过布设角反射器提高地面信号的信噪比，用以辅助滑坡监测[86]，也可以结合GPS技术对边坡稳定性进行联合监测[88]。
4 未来展望MT-InSAR在城市地面沉降和基础设施健康监测领域已经有了很多的成功案例，但由于影响InSAR监测的因子很多，目前多以试验研究为主，距离真正的工程化应用尚有一段距离，除了MT-InSAR自身技术的发展外，如何与其他先进技术手段进行结合而更好地对地面和基础设施健康进行监测成为以后发展的方向。
4.1 融合天-空-地多源数据构建全方位立体监测网星载MT-InSAR作为一项对地观测技术，其优势在于大范围、高密度、同步性和连续测量，但是还无法做到实时定点精准观测，并且还可能因为SAR影像阴影的存在出现监测盲点。为了做到城市基础设施的全方位监测，可以结合其他测量手段，如GNSS、水准、物联网等构建天-空-地全方位立体监测网，为城市公共设施安全保驾护航。
4.2 星载SAR大数据处理系统随着国外SAR卫星数据的开放，国产高分三号卫星的成功发射及多颗国产SAR卫星的立项，尤其是欧空局Sentinel-1数据的免费开放，现在SAR数据以每天TB量级接收，未来会达到每天PB的量级，如何将海量SAR数据进行快速分布式处理，是实现城市基础设施健康常态化监测非常重要的方面。
4.3 借助SAR形变数据进行灾害信息的深度挖掘及早期预警MT-InSAR能够及时提取基础设施已经发生的变形信息，但是如何利用这些信息进行灾害预警还需要结合当地的水文、工程、气象等专家知识进行进一步同化与信息挖掘，随着人工智能、尤其是深度学习的快速发展，利用MT-InSAR监测的形变信息进行基础设施危险的早期预警已经成为未来重要的研究方向。
| [1] | 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 |
| [2] | 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 |
| [3] | JARVIS A, REUTER H I, NELSON A, et al. Hole-filled SRTM for the Globe Version 4[EB/OL].[2017-04-15].http://srtm.Csi.Cgiar.org. |
| [4] | 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 |
| [5] | ZEBKER H A, VILLASENOR J. Decorrelation in Interferometric Radar Echoes[J]. IEEE Transactions on Geoscience and Remote Sensing, 1992, 30(5): 950–959. DOI:10.1109/36.175330 |
| [6] | 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 |
| [7] | 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 |
| [8] | LI Zhenhong, MULLER J P, CROSS P, et al. Interferometric Synthetic Aperture Radar (InSAR) Atmospheric Correction:GPS, Moderate Resolution Imaging Spectroradiometer (MODIS), and InSAR Integration[J]. Journal of Geophysical Research:Solid Earth, 2005, 110(B3): B03410. |
| [9] | NICO G, TOME R, CATALAO J, et al. On the Use of the WRF Model to Mitigate Tropospheric Phase Delay Effects in SAR Interferograms[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(12): 4970–4976. DOI:10.1109/TGRS.2011.2157511 |
| [10] | BAMLER R, HARTL P. Synthetic Aperture Radar Interferometry[J]. Inverse Problems, 1998, 14(4): R1–R54. DOI:10.1088/0266-5611/14/4/001 |
| [11] | 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 |
| [12] | 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 |
| [13] | FERRETTI A, SAVIO G, BARZAGHI R, et al. Submillimeter Accuracy of InSAR Time Series:Experimental Validation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(5): 1142–1153. DOI:10.1109/TGRS.2007.894440 |
| [14] | 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 |
| [15] | 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 |
| [16] | 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 |
| [17] | BERARDINO P, FORNARO G, LANARI R, et al. A New Algorithm for Surface Deformation Monitoring Based on Small Baseline Differential SAR Interferograms[J]. IEEE Transactions on Geoscience and Remote Sensing, 2002, 40(11): 2375–2383. DOI:10.1109/TGRS.2002.803792 |
| [18] | WERNER C, WEGMULLER U, STROZZI T, et al. Interferometric Point Target Analysis for Deformation Mapping[C]//Proceedings of the 2003 IEEE International Geoscience and Remote Sensing Symposium. Toulouse, France:IEEE, 2003:4362-4364. |
| [19] | KAMPES B M. Radar Interferometry:Persistent Scatterer Technique[M]. Dordrecht, The Netherlands: Springer, 2006. |
| [20] | 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. |
| [21] | 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. |
| [22] | COSTANTINI M, FALCO S, MALVAROSA F, et al. A New Method for Identification and Analysis of Persistent Scatterers in Series of SAR Images[C]//Proceedings of the IEEE International Geoscience and Remote Sensing Symposium. Boston, MA:IEEE, 2008:Ⅱ-449-Ⅱ-452. |
| [23] | 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 |
| [24] | 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 |
| [25] | VAN LEIJEN F J. Persistent Scatterer Interferometry Based on Geodetic Estimation Theory[D]. Delft:Delft University of Technology, 2014. https://zenodo.org/record/45568#.WfGtSVMnbjA |
| [26] | ZHU Xiaoxiang, BAMLER R. Super-Resolution Power and Robustness of Compressive Sensing for Spectral Estimation with Application to Spaceborne Tomographic SAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(1): 247–258. DOI:10.1109/TGRS.2011.2160183 |
| [27] | MA Peifeng, LIN Hui. Robust Detection of Single and Double Persistent Scatterers in Urban Built Environments[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(4): 2124–2139. DOI:10.1109/TGRS.2015.2496193 |
| [28] | YE Xia, KAUFMANN H, GUO X F. Landslide Monitoring in the Three Gorges Area Using D-InSAR and Corner Reflectors[J]. Photogrammetric Engineering & Remote Sensing, 2004, 70(10): 1167–1172. |
| [29] | 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. |
| [30] | GOEL K, ADAM N. A Distributed Scatterer Interferometry Approach for Precision Monitoring of Known Surface Deformation Phenomena[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(9): 5454–5468. DOI:10.1109/TGRS.2013.2289370 |
| [31] | 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 |
| [32] | WANG Yuanyuan, ZHU Xiaoxiang, BAMLER R. Retrieval of Phase History Parameters from Distributed Scatterers in Urban Areas Using Very High Resolution SAR Data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2012, 73: 89–99. DOI:10.1016/j.isprsjprs.2012.06.007 |
| [33] | GERNHARDT S, ADAM N, EINEDER M, et al. Potential of Very High Resolution SAR for Persistent Scatterer Interferometry in Urban Areas[J]. Annals of GIS, 2010, 16(2): 103–111. DOI:10.1080/19475683.2010.492126 |
| [34] | LOMBARDINI F. Differential Tomography:A New Framework for SAR Interferometry[J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(1): 37–44. DOI:10.1109/TGRS.2004.838371 |
| [35] | ZHU Xiaoxiang, BAMLER R. Very High Resolution Spaceborne SAR Tomography in Urban Environment[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(12): 4296–4308. DOI:10.1109/TGRS.2010.2050487 |
| [36] | ZHU Xiaoxiang, BAMLER R. Tomographic SAR Inversion by L1-Norm Regularization-The Compressive Sensing Approach[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(10): 3839–3846. DOI:10.1109/TGRS.2010.2048117 |
| [37] | 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 |
| [38] | MORA O, MALLORQUI J J, BROQUETAS A. Linear and Nonlinear Terrain Deformation Maps from a Reduced Set of Interferometric SAR Images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(10): 2243–2253. DOI:10.1109/TGRS.2003.814657 |
| [39] | ZHANG Lei, DING Xiaoli, LU Zhong. Modeling PSInSAR Time Series without Phase Unwrapping[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(1): 547–556. DOI:10.1109/TGRS.2010.2052625 |
| [40] | DEVANTHÉRY N, CROSETTO M, MONSERRAT O, et al. An Approach to Persistent Scatterer Interferometry[J]. Remote Sensing, 2014, 6(7): 6662–6679. DOI:10.3390/rs6076662 |
| [41] | 李德仁, 廖明生, 王艳. 永久散射体雷达干涉测量技术[J]. 武汉大学学报(信息科学版), 2004, 29(8): 664–668. LI Deren, LIAO Mingsheng, WANG Yan. Progress of Permanent Scatterer Interferometry[J]. Geomatics and Information Science of Wuhan University, 2004, 29(8): 664–668. |
| [42] | 汤益先, 张红, 王超. 基于永久散射体雷达干涉测量的苏州地区沉降研究[J]. 自然科学进展, 2006, 16(8): 1015–1020. TANG Yixian, ZHANG Hong, WANG Chao. Study on Settlement of Suzhou Area Based on Permanent Scatterer Interferometry[J]. Progress in Natural Science, 2006, 16(8): 1015–1020. |
| [43] | LIU Guoxiang, LUO Xiaojun, CHEN Qiang, et al. Detecting Land Subsidence in Shanghai by PS-Networking SAR Interferometry[J]. Sensors, 2008, 8(8): 4725–4741. DOI:10.3390/s8084725 |
| [44] | 葛大庆, 郭小方, 张玲. 华北平原地面沉降区InSAR监测[R]. 北京: 中国国土资源航空物探遥感中心, 2010. GE Daqing, GUO Xiaofang, ZHANG Ling. InSAR Monitoring of Ground Subsidence Area in North China Plain[R]. Beijing:China Aero Geophysical Surveying and Remote Sensing Center for Land and Resources, 2010. |
| [45] | 张永红, 吴宏安, 孙广通. 时间序列InSAR技术中的形变模型研究[J]. 测绘学报, 2012, 41(6): 864–869, 876. ZHANG Yonghong, WU Hongan, SUN Guangtong. Deformation Model of Time Series Interferometric SAR Techniques[J]. Acta Geodaetica et Cartographica Sinica, 2012, 41(6): 864–869, 876. |
| [46] | CHEN Fulong, LIN Hui, LI Zhen, et al. Interaction between Permafrost and Infrastructure along the Qinghai-Tibet Railway Detected via Jointly Analysis of C-and L-band Small Baseline SAR Interferometry[J]. Remote Sensing of Environment, 2012, 123: 532–540. DOI:10.1016/j.rse.2012.04.020 |
| [47] | JIANG Liming, LIN Hui, MA Jianwei, et al. Potential of Small-Baseline SAR Interferometry for Monitoring Land Subsidence Related to Underground Coal Fires:Wuda (Northern China) Case Study[J]. Remote Sensing of Environment, 2011, 115(2): 257–268. DOI:10.1016/j.rse.2010.08.008 |
| [48] | IANNINI L, GUARNIERI A M. Atmospheric Phase Screen in Ground-based Radar:Statistics and Compensation[J]. IEEE Geoscience and Remote Sensing Letters, 2011, 8(3): 537–541. DOI:10.1109/LGRS.2010.2090647 |
| [49] | HANSSEN R F. Radar Interferometry:Data Interpretation and Error Analysis[M]. Netherlands: Springer, 2001. |
| [50] | 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 |
| [51] | PUYSSÉGUR B, MICHEL R, AVOUAC J P. Tropospheric Phase Delay in Interferometric Synthetic Aperture Radar Estimated from Meteorological Model and Multispectral Imagery[J]. Journal of Geophysical Research:Solid Earth, 2007, 112(B5): B05419. |
| [52] | CHAABANE F, AVALLONE A, TUPIN F, et al. A Multitemporal Method for Correction of Tropospheric Effects in Differential SAR Interferometry:Application to the Gulf of Corinth Earthquake[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(6): 1605–1615. DOI:10.1109/TGRS.2007.894026 |
| [53] | ROCCA F, PRATI C, FERRETTI A. Space-borne SARs:Impact of Wavelengths and Scan Modes on Ground Motion Studies[J]. Annals of GIS, 2010, 16(2): 69–79. DOI:10.1080/19475683.2010.492124 |
| [54] | IGLESIAS R, MALLORQUI J J. Side-lobe Cancelation in DInSAR Pixel Selection with SVA[J]. IEEE Geoscience and Remote Sensing Letters, 2013, 10(4): 667–671. DOI:10.1109/LGRS.2012.2217935 |
| [55] | 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 |
| [56] | COLESANTI C, FERRETTI A, NOVALI F, et al. SAR Monitoring of Progressive and Seasonal Ground Deformation Using The Permanent Scatterers Technique[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(7): 1685–1701. DOI:10.1109/TGRS.2003.813278 |
| [57] | KIM S W, WDOWINSKI S, DIXON T H, et al. Measurements and Predictions of Subsidence Induced by Soil Consolidation Using Persistent Scatterer InSAR and a Hyperbolic Model[J]. Geophysical Research Letters, 2010, 37(5): L05304. |
| [58] | MA Peifeng, LIN Hui, LAN Hengxing, et al. Multi-dimensional SAR Tomography for Monitoring the Deformation of Newly Built Concrete Buildings[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 106: 118–128. DOI:10.1016/j.isprsjprs.2015.04.012 |
| [59] | MONSERRAT O, CROSETTO M, CUEVAS M, et al. The Thermal Expansion Component of Persistent Scatterer Interferometry Observations[J]. IEEE Geoscience and Remote Sensing Letters, 2011, 8(5): 864–868. DOI:10.1109/LGRS.2011.2119463 |
| [60] | REFICE A, SATALINO G, STRAMAGLIA S, et al. Weights Determination for Minimum Cost Flow InSAR Phase Unwrapping[C]//Proceedings of the IEEE 1999 International Geoscience and Remote Sensing Symposium. Hamburg:IEEE, 1999, 2:1342-1344. |
| [61] | 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 |
| [62] | 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 |
| [63] | 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 |
| [64] | REIGBER A, MOREIRA A. First Demonstration of Airborne SAR Tomography Using Multibaseline L-Band Data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(5): 2142–2152. DOI:10.1109/36.868873 |
| [65] | FORNARO G, REALE D, SERAFINO F. Four-Dimensional SAR Imaging for Height Estimation and Monitoring of Single and Double Scatterers[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(1): 224–237. DOI:10.1109/TGRS.2008.2000837 |
| [66] | GINI F, LOMBARDINI F, MONTANARI M. Layover Solution in Multibaseline SAR Interferometry[J]. IEEE Transactions on Aerospace and Electronic Systems, 2002, 38(4): 1344–1356. DOI:10.1109/TAES.2002.1145755 |
| [67] | ZHU Xiaoxiang, MONTAZERI S, GISINGER C, et al. Geodetic SAR Tomography[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(1): 18–35. DOI:10.1109/TGRS.2015.2448686 |
| [68] | MA Peifeng, LIN Hui, LAN Hengxing, et al. On the Performance of Reweighted L1 Minimization for Tomographic SAR Imaging[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(4): 895–899. DOI:10.1109/LGRS.2014.2365613 |
| [69] | AUER S, GERNHARDT S, BAMLER R. Investigations on the Nature of Persistent Scatterers Based on Simulation Methods[C]//Proceedings of the 2011 Joint Urban Remote Sensing Event (JURSE). Munich:IEEE, 2011:61-64. |
| [70] | WANG Yuanyuan, ZHU Xiaoxiang, ZEISL B, et al. Fusing Meter-resolution 4D InSAR Point Clouds and Optical Images for Semantic Urban Infrastructure Monitoring[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(1): 14–26. DOI:10.1109/TGRS.2016.2554563 |
| [71] | LIU Guoxiang, JIA Hongguo, NIE Yunju, et al. Detecting Subsidence in Coastal Areas by Ultrashort-baseline TCPInSAR on the Time Series of High-resolution TerraSAR-X Images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(4): 1911–1923. DOI:10.1109/TGRS.2013.2256428 |
| [72] | MICHEL R, AVOUAC J P, TABOURY J. Measuring Ground Displacements from SAR Amplitude Images:Application to the Landers Earthquake[J]. Geophysical Research Letters, 1999, 26(7): 875–878. DOI:10.1029/1999GL900138 |
| [73] | 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 |
| [74] | CROSETTO M, MONSERRAT O, CUEVAS-GONZÁLEZ M, et al. Measuring Thermal Expansion Using X-band Persistent Scatterer Interferometry[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 100: 84–91. DOI:10.1016/j.isprsjprs.2014.05.006 |
| [75] | 秦晓琼, 杨梦诗, 王寒梅, 等. 高分辨率PS-InSAR在轨道交通形变特征探测中的应用[J]. 测绘学报, 2016, 45(6): 713–721. QIN Xiaoqiong, YANG Mengshi, WANG Hanmei, et al. Application of High-resolution PS-InSAR in Deformation Characteristics Probe of Urban Rail Transit[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(6): 713–721. DOI:10.11947/j.AGCS.2016.20150440 |
| [76] | HU J, LI Z W, DING X L, et al. Resolving Three-dimensional Surface Displacements from InSAR Measurements:A Review[J]. Earth-Science Reviews, 2014, 133: 1–17. DOI:10.1016/j.earscirev.2014.02.005 |
| [77] | COLOMBO D, TRE E. Measuring Deformation from Space. InSAR as An Operational Tool for Mining Sector[C]//SASGI Proceedings 2013.[S.l.]:[s.n.], 2013. |
| [78] | PERISSIN D, WANG Zhiying, LIN Hui. Shanghai Subway Tunnels and Highways Monitoring through Cosmo-SkyMed Persistent Scatterers[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2012, 73: 58–67. DOI:10.1016/j.isprsjprs.2012.07.002 |
| [79] | BARLA G, TAMBURINI A, DEL CONTE S, et al. InSAR Monitoring of Tunnel Induced Ground Movements[J]. Geomechanics and Tunnelling, 2016, 9(1): 15–22. DOI:10.1002/geot.v9.1 |
| [80] | JIANG Liming, LIN Hui. Integrated Analysis of SAR Interferometric and Geological Data for Investigating Long-Term Reclamation Settlement of Chek Lap Kok Airport, Hong Kong[J]. Engineering Geology, 2010, 110(3-4): 77–92. DOI:10.1016/j.enggeo.2009.11.005 |
| [81] | ZHAO Qing, LIN Hui, GAO Wei, et al. InSAR Detection of Residual Settlement of an Ocean Reclamation Engineering Project:A Case Study of Hong Kong International Airport[J]. Journal of Oceanography, 2011, 67(4): 415–426. DOI:10.1007/s10872-011-0034-3 |
| [82] | BELL J W, AMELUNG F, FERRETTI A, et al. Permanent Scatterer InSAR Reveals Seasonal and Long-Term Aquifer-System Response to Groundwater Pumping and Artificial Recharge[J]. Water Resources Research, 2008, 44(2): W02407. |
| [83] | CHEN Mi, TOMÁS R, LI Zhenhong, et al. Imaging Land Subsidence Induced by Groundwater Extraction in Beijing (China) Using Satellite Radar Interferometry[J]. Remote Sensing, 2016, 8(6): 468. DOI:10.3390/rs8060468 |
| [84] | 葛大庆, 殷跃平, 王艳, 等. 地面沉降-回弹及地下水位波动的InSAR长时序监测——以德州市为例[J]. 国土资源遥感, 2014, 26(1): 103–109. GE Daqing, YIN Yueping, WANG Yan, et al. Seasonal Subsidence-Rebound and Ground Water Level Changes Monitoring by Using Coherent Target InSAR Technique:A Case Study of Dezhou, Shandong[J]. Remote Sensing for Land & Resources, 2014, 26(1): 103–109. DOI:10.6046/gtzyyg.2014.01.18 |
| [85] | 刘广, 郭华东, HANSSENR, 等. InSAR技术在矿区沉降监测中的应用研究[J]. 国土资源遥感, 2008, 20(2): 51–55. LIU Guang, GUO Huadong, HANSSEN R, et al. The Application of InSAR Technology to Mining Area Subsidence Monitoring[J]. Remote Sensing for Land & Resources, 2008, 20(2): 51–55. DOI:10.6046/gtzyyg.2008.02.13 |
| [86] | 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 |
| [87] | CHEN Fulong, LIN Hui, HU Xianzhi. Slope Superficial Displacement Monitoring by Small Baseline SAR Interferometry Using Data from L-band ALOS PALSAR and X-band TerraSAR:A Case Study of Hong Kong, China[J]. Remote Sensing, 2014, 6(2): 1564–1586. DOI:10.3390/rs6021564 |
| [88] | AKBARIMEHR M, MOTAGH M, HAGHSHENAS-HAGHIGHI M. Slope Stability Assessment of the Sarcheshmeh Landslide, Northeast Iran, Investigated Using InSAR and GPS Observations[J]. Remote Sensing, 2013, 5(8): 3681–3700. DOI:10.3390/rs5083681 |