ISSN 1003-8035 CN 11-2852/P
  • 中国科技核心期刊
  • CSCD收录期刊
  • Caj-cd规范获奖期刊
  • Scopus 收录期刊
  • DOAJ 收录期刊
  • GeoRef收录期刊
欢迎扫码关注“i环境微平台”

基于时序InSAR的西南科技大学地表形变监测与分析

鲁魏, 杨斌, 杨坤

鲁魏,杨斌,杨坤. 基于时序InSAR的西南科技大学地表形变监测与分析[J]. 中国地质灾害与防治学报,2023,34(2): 61-72. DOI: 10.16031/j.cnki.issn.1003-8035.202202060
引用本文: 鲁魏,杨斌,杨坤. 基于时序InSAR的西南科技大学地表形变监测与分析[J]. 中国地质灾害与防治学报,2023,34(2): 61-72. DOI: 10.16031/j.cnki.issn.1003-8035.202202060
LU Wei,YANG Bin,YANG Kun. Surface deformation monitoring and analysis of Southwest University of Science and Technology based on time series InSAR[J]. The Chinese Journal of Geological Hazard and Control,2023,34(2): 61-72. DOI: 10.16031/j.cnki.issn.1003-8035.202202060
Citation: LU Wei,YANG Bin,YANG Kun. Surface deformation monitoring and analysis of Southwest University of Science and Technology based on time series InSAR[J]. The Chinese Journal of Geological Hazard and Control,2023,34(2): 61-72. DOI: 10.16031/j.cnki.issn.1003-8035.202202060

基于时序InSAR的西南科技大学地表形变监测与分析

基金项目: 国家自然科学基金项目(41201541);四川省教育厅人文社会科学重点研究基地沱江流域高质量发展研究中心资助项目(TJGZL2019-12)
详细信息
    作者简介:

    鲁 魏(1998-),男,四川都江堰人,硕士研究生,主要从事InSAR形变监测研究。E-mail:18048535262@163.com

    通讯作者:

    杨 斌(1979-), 男,新疆石河子人,博士(后),教授,硕士生导师,主要从事遥感科学与技术在地学领域中的综合应用研究。E-mail:xjgis@126.com

  • 中图分类号: P642.26

Surface deformation monitoring and analysis of Southwest University of Science and Technology based on time series InSAR

  • 摘要: 以西南科技大学青义校区为研究区,利用SBAS-InSAR和PS-InSAR对52景升轨Sentinel-1A雷达影像,分别获取了研究区2017年6月至2020年11月的地表形变速率及时序形变量。结合相干性系数、形变速率、方差及标准差对两种时序InSAR结果进行检验对比,从自然、人为因素两方面探讨了研究区地表形变机理与演化过程。结果表明:研究区存在多处显著沉降,最大垂直沉降速率可达15 mm/a,地表形变与学生公寓楼、道路扩建等人为因素有关,地表沉降区与强降雨、岩性及地势地貌关联紧密,地层界线与地表形变不显著相关。相较而言,两种监测结果总体一致性较好,SBAS-InSAR相比PS-InSAR的监测结果稳健性更好。
    Abstract: Taking Qingyi campus of Southwest University of Science and Technology as the study area, the surface deformation rate and time sequence variables of the study area from June 2017 to November 2020 were obtained by using SBAS-InSAR and PS-InSAR on 52 scene ascending Sentinel-1A radar images. Combined with coherence coefficient, deformation rate, variance and standard deviation, the results of two Time Series InSAR are tested and compared, and the mechanism and evolution process of surface deformation in the study area are discussed from two aspects of natural and human factors. The results show that there are many significant settlements in the study area, and the maximum vertical settlement rate can reaches 15 mm/a. The surface deformation is related to the factors such as student apartment buildings and road expansion. The surface settlement area is closely related to heavy rainfall, lithology and topography, and the stratigraphic boundary is not significantly related to the surface deformation. In general, the two monitoring results are generally consistent, and the monitoring results of SBAS-InSAR are more robust than PS-InSAR.
  • 滑坡易发性评价是预防地质灾害、确保人类生命财产安全的重要一环。近年来,机器学习模型被大量应用于滑坡易发性评价,例如支持向量机模型(support vector machine, SVM)[1]、决策树模型(decision tree,DT)[2]、随机森林模型(random forest, RF)[3]、人工神经网络(artificial neural networks,ANN)[4]等。相比于传统的数学统计模型,机器学习模型精度更高,但模型性能高度依赖于样本质量,除了滑坡样本(正样本),还需要选取非滑坡样本(负样本)。

    对于非滑坡点的选取,目前业界尚无统一的标准。传统方法通常从整个研究区或人为划分的特定区域随机选取非滑坡样本,比如低坡度区域[5]或距滑坡一定距离以外的区域[6],这些方法所选取的非滑坡样本普遍存在准确性低、代表性差的问题。为此,一些学者利用数学统计模型无需负样本就能进行滑坡易发性区划的特性,开展易发性分区的初步划分,尝试从它划分的较低和极低易发区中获取更高质量的非滑坡样本。陈飞等[7]从信息量模型划分的较低和极低易发区随机选取非滑坡点;在此基础上,周晓亭等[8]加入从全区、低坡度区域选取非滑坡点作为对比;陈芯宇等[9]采用确定性系数模型选取非滑坡点。他们的研究着重对比一种数学统计模型与传统方法所选取的负样本效果,并未探究不同数学统计模型在选取负样本方面的效果,找到选取非滑坡样本的最优方案。

    针对机器学习模型负样本选取问题,本文以四川省汶川县、理县和茂县为研究区,将距滑坡点1 km以内的区域设为缓冲区,分别从信息量模型(information,I)、证据权模型(weight of evidence,WOE)、确定性系数模型(certainty factor,CF)和频率比模型(frequency ratio,FR)划分的滑坡较低和极低易发区以及缓冲区外(buffer,B)和整个研究区(globe,G)随机选取非滑坡样本,建立基于不同非滑坡样本选取方法的SVM模型(I-SVM、WOE-SVM、CF-SVM、FR-SVM、B-SVM、G-SVM,见表1)进行滑坡易发性评价,旨在验证数学统计模型在非滑坡样本选取方面的有效性,找到选取非滑坡样本的最优方案,为当地地质灾害评估和预防治理提供依据。

    表  1  基于不同非滑坡样本选取方法的SVM模型
    Table  1.  SVM model based on different non-landslide sample selection methods
    模型名称 非滑坡样本选取方法:基于数学统计模型(4种) 非滑坡样本选取方法:常规(2种)
    I-SVM WOE-SVM CF-SVM FR-SVM B-SVM G-SVM
    模型编号 1 2 3 4 5 6
    命名规则 前面字母代表着选取非滑坡样本的方法,后面字母代表着所使用的SVM模型
    非滑坡样本
    选取区域
    信息量模型划分的
    较低、极低易发区
    证据权模型划分的
    较低、极低易发区
    确定性系数模型划分的
    较低、极低易发区
    频率比模型划分的
    较低、极低易发区
    将距滑坡点1 km以内地区设为
    缓冲区,从缓冲区外随机选取
    整个
    研究区
    下载: 导出CSV 
    | 显示表格

    本文选取汶川县、理县和茂县为研究对象,研究区域位于四川省阿坝藏族羌族自治州东南部,地处四川盆地西北部边缘,总面积约12257.63 km2,属温带大陆性季风气候。研究区海拔762~5981 m,高差悬殊,地势起伏不平,西北高东南低,地形以高山峡谷为主,峰峦叠嶂,河谷深邃。地质构造复杂,地震活动频繁,进一步造成大量滑坡的发生。研究区地表水系为岷江和涪江,主要支流有岷江河、黑水河、杂谷脑河、草坡河和寿江等。研究区内历史滑坡点共有176个(图1),为便于统计与计算,将研究区按照30 m×30 m的栅格单元进行划分,共计13619588个栅格单元。

    图  1  研究区滑坡分布图
    Figure  1.  Landslide distribution map of the study area

    本文研究采用的数据源主要:1. 四川省自然资源厅和国家地球系统科学数据中心(http://www.geodata.cn)的176处滑坡点分布数据;2. 地理空间数据云平台(http://www.gscloud.cn)30 m分辨率的数字高程数据,用于提取高程信息;3. 全国地理信息资源目录服务系统(http://www.webmap.cn)的1∶25万全国基础地理数据库的矢量水系数据和30 m全球地表覆盖数据;4. 比例尺为1∶50000的区域地质构造图,用于提取岩性因子信息。

    技术路线见图2,过程详述如下:

    图  2  技术路线图
    Figure  2.  Technology road mapping

    步骤1:收集滑坡分布数据和评价因子数据,采用皮尔逊相关系数和信息增益比筛选评价因子,并采用K-均值聚类法对评价因子进行分级。

    步骤2 :先采用I、WOE、CF和FR模型(如表1所示,模型编号1—4)进行初始滑坡易发性分区,从上述模型划分的滑坡较低和极低易发区中随机选取176个非滑坡点;对比试验将研究区距滑坡1 km以内的区域设为缓冲区,分别从缓冲区外(如表1所示,模型编号5)和整个研究区(如表1所示,模型编号6)随机选取176个非滑坡点,非滑坡点之间距离大于1 km;将滑坡点赋值为1,非滑坡点赋值为0,作为模型输入参数;将176个滑坡点和选取的非滑坡点按7∶3分为训练集和测试集。

    步骤3 :使用训练集构建基于不同非滑坡样本选取方法的SVM模型,并采用网格搜索法获取模型的最优参数。

    步骤4 :基于最优模型再次对研究区进行滑坡易发性制图。

    步骤5 :使用测试集评价模型性能,验证数学统计模型在非滑坡样本选取方面的有效性,并找到选取非滑坡样本的最优方案。

    SVM是一种基于统计学习理论的分类和回归方法,其基本思想是通过将输入向量映射到高维特征空间,构造一个最优的分类面或回归函数,实现对数据的学习和预测[10]

    SVM模型能够通过选取合适的核函数处理非线性和多分类问题,具有模型依赖的支持向量少、预测速度快等优点。在实际应用中,可通过寻优算法获得模型的最优参数,在提高模型精度的同时,提高模型的泛化程度。

    I的理论基础源于概率论、信息论和工程类比法[11],根据已知的滑坡分布资料和收集到的影响因子实测值计算出各个影响因子的信息量,将不同影响因子的数据转化为可以统一度量的信息量值[12]。信息量模型计算公式如下:

    Ii=i=1nlnAi/ASi/S (1)

    式中:Ii——评价单元总信息量;

    Ai——xi因子区域内发生滑坡面积;

    A——全区发生滑坡总面积;

    Si——全区含有xi所占面积;

    S——全区总面积。

    其中,当信息量值大于0时,表示该影响因子对滑坡发生有促进作用;反之,该影响因子对滑坡发生有抑制作用。

    证据权模型的原理基于贝叶斯定理,它通过将历史滑坡点与各种影响因子进行空间关联,计算得到影响因子在分类区间内的证据权值[13]。证据权值的计算公式如下:

    Wi+=ln((Ai/A)/(Bi/B)) (2)
    Wi=ln((ai+/A)/(ai/B)) (3)
    Wfi=Wi+Wi (4)

    式中:Wi+Wi——分别为xi因子区域内的正相关、负 相关权重值;

    Wfi——综合权重,表示xi因子对滑坡变形失稳的 权重;

    Bi——表示xi因子内未发生滑坡面积;

    B——表示所有未发生滑坡的面积。

    ai+ai——分别表示其他因子区域内发生滑坡面 积、未发生滑坡面积;

    CF基于滑坡发生的概率函数,通过计算影响因子的确定系数来评估其对滑坡发生的贡献程度[14],其计算公式如下:

    CF={PPiPPsPPs(1PPi)(PPi<PPs)PPiPPsPPi(1PPs)(PPiPPs) (5)
    PPi=NiSi (6)
    PPs=NS (7)

    式中:CF——滑坡发生的确定性系数;

    PPi——i因子范围内滑坡数量与i因子所占面积 比值;

    PPs——滑坡总数与研究区总面积之比;

    Ni——xi因子区域内发生滑坡数量/处;

    N——全区发生滑坡总数量/处。

    CF值的取值范围为[−1, 1],CF值越接近于1,越容易发生滑坡;CF值越接近于0,越难发生滑坡;CF值为0时,无法确定是否将发生滑坡。

    频率比模型基于研究区域已发生滑坡点的分布和各影响因子之间的关系进行分析,提取不同等级下影响因子对滑坡发生的影响程度[15]

    FiR=i=1nAi/ASi/S (8)

    式中:FiR——评价单元总频率比值。

    频率比值大于1,表示该因子有利于滑坡的发生;频率比值小于1,表明该因子不利于滑坡的发生。

    在评价因子的选取上,周萍等[16]选取高程、坡度、坡向、河网密度、距断层距离、降水量等因子对理县进行滑坡易发性评价;付智勇等[17]选取高程、坡度、坡向、剖面曲率、地层岩性和距断层距离分析汶川—映秀区域滑坡易发性。Wang等[18]的研究显示,在汶川地区短时间内降雨量过大容易引发山体滑坡,但并不意味着在任何情况下降雨量越大越容易发生滑坡,在植被覆盖度良好、地质条件稳定的高海拔地区,即便年降雨量大于807.88 mm,滑坡依然很少发生。

    基于上述分析,本文选取坡度、坡向、高程、地层岩性、距断层距离、距水系距离和土地利用类型为研究区滑坡灾害易发性评价因子。考虑到研究区大部分为山区,缺乏准确的降水资料,故不考虑降雨因子对滑坡的影响。采用K-均值聚类对评价因子分级,结果见图3

    图  3  环境因子分级
    Figure  3.  Maps of the landslide conditioning factors

    (1)坡度、坡向、高程

    研究区内的地形因子包括坡度、坡向和高程坡度被分为了9类,在24.6°~37.1°区间内的滑坡数量和面积最大;坡向被分为了5类,273°~360°范围内滑坡发生较多;高程间接影响滑坡灾害的发育,0~1704 m范围内滑坡面积最大,随着高程的增加,滑坡面积逐渐减小,见图3(a)—(c)。

    (2)距水系距离

    河流的存在会影响周围岩土体的物理和力学性质,水流的持续冲刷进一步破坏了岩土体的稳定性,导致滑坡的发生。研究区内滑坡点距水系距离最远为1972 m,距水系的距离被分为5类,滑坡大多发生于距水系0~314 m范围内,距水系距离越远,滑坡数量和滑坡面积逐渐减小,见图3(d)。

    (3)距断层距离

    构造断层是影响滑坡分布的主要因素之一。距断层距离被分为8类,研究区内滑坡多发生于距断层0~1454 m的范围内,距断层越远,滑坡面积整体呈下降趋势,这表明断层对滑坡的发生有一定影响,见图3(e)。

    (4)岩性

    岩性控制着滑坡的分布,地层年代影响着岩石的分化程度。根据岩石坚硬程度,本文将研究区岩性分为5类:1. 坚硬岩石;2. 较硬岩石;3. 软硬相间岩石;4. 较软岩石;5. 软岩。分类结果见图3(f)。

    (5)土地类型

    根据全国地理信息资源目录服务系统提供的地表覆盖数据,将研究区土地类型分为4类:1. 耕地;2. 林地;3. 人类活动;4. 其他用地。分类结果见图3(g),研究区大部分位于山区,植被茂密,人类活动面积较小,滑坡多发生于耕地和林地。

    为了剔除冗余因子,本文采用了皮尔逊相关系数检验因子相关性。皮尔逊相关系数[19](Pearson correlation coefficient,PCC)是一种用于度量2个连续变量之间线性关系程度的统计量,取值范围为[−1, 1]。PCC的绝对值越接近于1时,表明两个变量间相关性越强。PCC计算结果如图4所示,PCC的绝对值均小于0.5,可认为评价因子间不存在显著相关性。

    图  4  皮尔逊相关系数
    Figure  4.  Pearson correlation coefficients

    为了衡量评价因子对滑坡发生的影响程度,本文采用信息增益比进行因子重要性分析。信息增益比[20](information gain ratio, IGR)是用于特征选择的一种指标,反映了影响因子对滑坡发生的重要程度,计算结果如图5所示。7个影响因子的IGR值均大于0,表明选取的影响因子对滑坡发生均有影响。其中,土地类型对滑坡发生影响最大,其次是坡向、距断层距离、岩性、距水系距离和高程,坡度对滑坡发生影响最小。

    图  5  信息增益比
    Figure  5.  Information gain ratio

    综合考虑PCC和IGR,保留所有影响因子进行后续研究。

    本研究区滑坡绝大部分发生在坡度小于55°的地区,当坡度大于55°时,随着坡度的增加,发生的滑坡越少,因此不从低坡度区域选取非滑坡点。本文采取6种方式选取非滑坡样本:使用I、WOE、CF和FR模型进行滑坡易发性分区(图6),再从他们划分的极低易发区和较低易发区中随机选取;对比试验将距滑坡点1 km以内地区设为缓冲区,分别从缓冲区外和整个研究区随机选取。

    图  6  不同模型的滑坡易发性分区
    Figure  6.  Landslide susceptibility zoning by different models

    SVM模型的构建,是在Python环境下实现的[21]。其中,SVM模型采用了径向基函数(radial basis function,RBF)作为核函数,该模型性能受参数Gamma和惩罚因子(C)影响很大。Gamma控制径向基函数核的大小,C控制边界线的硬度。为了提高模型的精度,减少过拟合,本文采取网格搜索法获取了各个SVM模型的最优参数,如表2所示。

    表  2  不同模型的最优参数
    Table  2.  Optimal parameters for different models
    参数 I-SVM WOE-SVM CF-SVM FR-SVM B-SVM G-SVM
    Gamma 0.01 0.01 0.02 0.1 0.01 0.02
    C 160 180 8 2 40 1
    下载: 导出CSV 
    | 显示表格

    将研究区输入已训练好的SVM模型,获得了研究区的滑坡易发性指数。利用自然断点法对模型计算出的滑坡易发性指数进行分级,将研究区划分为极低、较低、中等、较高、极高易发区5个等级,结果如图7所示。各个模型预测的滑坡易发性分级面积和滑坡面积占比如表3所示。由图7表3可知:I-SVM和WOE-SVM预测趋势基本吻合,能够精确地划分滑坡易发区;CF-SVM在部分区域识别表现不佳,比如研究区的东南区域;FR-SVM对极高易发区识别效果较差,存在将非滑坡区域识别为潜在滑坡区域情况;B-SVM和G-SVM均存在将潜在滑坡区域识别为非滑坡区域情况,预测效果较差。

    图  7  基于SVM模型的滑坡易发性分区
    Figure  7.  Landslide susceptibility zoning generated based on SVM model
    表  3  易发性分级面积及滑坡面积占比
    Table  3.  Classification area of susceptibility and proportion of landslide area
    易发性分级 极低 较低 中等 较高 极高
    易发性
    分级面积/km2
    I-SVM2696.752244.362006.252189.493120.79
    WOE-SVM3058.402250.931869.581984.893093.82
    CF-SVM3190.051975.341817.332060.213214.70
    FR-SVM2780.172293.442265.992454.952463.09
    B-SVM2647.253111.233095.242299.571104.34
    G-SVM1381.983186.953089.522652.011947.17
    滑坡面积
    占比/%
    I-SVM0.110.594.0613.1582.10
    WOE-SVM1.031.194.9820.7872.01
    CF-SVM0.105.414.7519.5570.19
    FR-SVM0.212.5615.6610.9470.64
    B-SVM1.585.8518.1442.9831.45
    G-SVM3.3111.4625.8213.9745.44
    下载: 导出CSV 
    | 显示表格

    B-SVM划分的极高易发区面积为1104.34 km2,对应的滑坡面积占比为31.45%,低于其他模型。这是由于从缓冲区外选取非滑坡点仅考虑到了滑坡空间分布情况,没有考虑到非滑坡区域的特征。但实际工作中无法完全统计研究区内所有滑坡区域与潜在滑坡区域,且缓冲区的设置依赖于人工判断和专家经验,不可避免地存在从潜在滑坡区域选取非滑坡点,导致B-SVM预测更偏向于非滑坡区域,而对滑坡高易发区识别效果不佳。在综合考虑较高和极高易发区的情况下,B-SVM的滑坡面积占比达到了74.43%,优于G-SVM的59.41%,说明从缓冲区外随机选取非滑坡点在一定程度上提高了非滑坡样本的准确性,从而提高了模型的预测精度。

    为了检验评价结果的准确性和合理性,采用测试数据集评价模型性能,并选取ROC曲线、混淆矩阵、准确性、精确率、召回率和F1分数等6个参数作为评价指标。图8为各个模型的ROC曲线,图9展示了各个模型使用测试数据集的性能。由图8图9可知:6种模型预测精度由高到低依次为:I-SVM>WOE-SVM>CF-SVM>FR-SVM>B-SVM>G-SVM。

    图  8  不同模型的ROC曲线
    Figure  8.  ROC curve of different models

    G-SVM是从未发生滑坡区域随机选取非滑坡样本,这种方法避免了人为选择干扰,其正负样本预测效果也比较均匀,但该方法存在一定随机性,不可避免地在部分地质条件下过多或过少地选择了非滑坡点,使所选样本在空间上不稳定,不能很好地代表整个研究区的非滑坡点特征,导致模型精度下降。

    数学统计模型在进行滑坡易发性评价时考虑了滑坡在各个因子的不同分级下的分布情况,其划分的滑坡较低、极低易发区更好地反映了非滑坡区域的特征,所选取的负样本准确性更高,因此I-SVM、WOE-SVM、CF-SVM、FR-SVM模型精度和预测结果均优于B-SVM和G-SVM。其中,I-SVM精度最高,信息量模型是选取非滑坡样本的最优方案。

    在操作难度方面,从整个研究区随机选取非滑坡样本是最容易的;从缓冲区外选取非滑坡点也比较方便,但依赖于专家经验确定缓冲区范围;与前两种方法相比,使用数学统计模型预分区选取非滑坡点效果最好,但需要先对研究区进行滑坡易发性预分区,增加了很多工作量。

    图  9  模型性能评价指标
    Figure  9.  Evaluation index of the model performance

    (1)相比于传统方法从整个研究区或人为划分的区域选取负样本,采用数学统计模型选取的负样本准确性更高,其中信息量模型是选取非滑坡样本的最优方案。

    (2)6种模型(I-SVM、WOE-SVM、CF-SVM、FR-SVM、B-SVM、G-SVM)的滑坡易发性分区图表现出一定的相似性,研究区极高和较高易发区主要分布在高程较低的山谷地区,多为耕地和林地区域,越接近河流和断层发生滑坡风险越大。

  • 图  1   研究区地理位置及卫星影像

    Figure  1.   Geographical location and satellite images of the study area

    图  2   PS-InSAR和SBAS-InSAR时空基线图

    Figure  2.   Spatiotemporal baselines of PS-InSAR and SBAS-InSAR

    图  3   两种InSAR技术的基本流程图

    Figure  3.   Flow chart of two InSAR

    图  4   2017年至2020年研究区地表垂向形变速率

    Figure  4.   Vertical surface deformation rate of the study area from 2017 to 2020

    图  5   两种InSAR形变结果的统计直方图

    Figure  5.   Statistical histograms of deformation results of two InSAR

    图  6   相干性系数图

    Figure  6.   Diagram of coherence coefficient

    图  7   SBAS-InSAR和水准监测结果对比

    Figure  7.   Comparison of SBAS-InSAR and Leveling Monitoring Results

    图  8   四个区域对应的时序形变量

    Figure  8.   Time series deformation of the four regions

    图  9   研究区的地表形变演化特征

    Figure  9.   Evolution characteristics of surface deformation on the campus of SWUST

    图  10   绵阳2017—2020年降雨变化趋势图

    Figure  10.   Rainfall trend in Mianyang from 2017 to 2020

    图  11   区域2、区域3和区域4时序形变量

    Figure  11.   Time series deformation for region 2, region 3 and region 4

    图  12   区域A工程建设空间演化过程

    Figure  12.   Spatial evolution process of project construction in region A

    图  13   区域A时序形变量

    Figure  13.   Time series deformation of region A

    图  14   西南科技大学校本部地层界线与地表形变的叠加图

    Figure  14.   Superposition of strata boundary and surface deformation at the campus of SWUST

    图  15   AA'地质剖面图

    Figure  15.   AA' geological profile

    表  1   实验数据参数

    Table  1   Parameters of the experimental data

    数据名称参数
    Sentinel-1A极化方式VV
    轨道方向升轨
    分辨率/m25×20
    入射角/(°)39
    重访周期/d12
    雷达波长/cm5.63
    幅宽/km250
    时间间隔2017-06-07—2020-11-06
    SRTM空间分辨率/m30
    中国气象数据网气象站56196
    下载: 导出CSV

    表  2   形变矢量结果统计

    Table  2   Statistics of deformation vector results

    时序InSAR矢量
    点数/个
    平均速率
    /(mm·a−1
    相干性
    系数均值
    方差标准差
    SBAS-InSAR180110.7210.6081.3581.165
    PS-InSAR121440.4410.5831.3951.181
    下载: 导出CSV
  • [1] 侯安业,张景发,刘斌,等. PS-InSAR与SBAS-InSAR监测地表沉降的比较研究[J]. 大地测量与地球动力学,2012,32(4):125 − 128. [HOU Anye,ZHANG Jingfa,LIU Bin,et al. Comparative study on monitoring surface subsidence with PS-InSAR and SBAS-InSAR[J]. Journal of Geodesy and Geodynamics,2012,32(4):125 − 128. (in Chinese with English abstract) DOI: 10.3969/j.issn.1671-5942.2012.04.029
    [2] 史绪国,张路,许强,等. 黄土台塬滑坡变形的时序InSAR监测分析[J]. 武汉大学学报(信息科学版),2019,44(7):1027 − 1034. [SHI Xuguo,ZHANG Lu,XU Qiang,et al. Monitoring slope displacements of loess terrace using time series InSAR analysis technique[J]. Geomatics and Information Science of Wuhan University,2019,44(7):1027 − 1034. (in Chinese with English abstract)
    [3]

    DONG Jie,ZHANG Lu,TANG Minggao,et al. Mapping landslide surface displacements with time series SAR interferometry by combining persistent and distributed scatterers:A case study of Jiaju landslide in Danba,China[J]. Remote Sensing of Environment,2018,205:180 − 198. DOI: 10.1016/j.rse.2017.11.022

    [4] 张凯翔. 基于“3S”技术的地质灾害监测预警系统在我国应用现状[J]. 中国地质灾害与防治学报,2020,31(6):1 − 11. [ZHANG Kaixiang. Review on geological disaster monitoring and early warning system based on “3S” technology in China[J]. The Chinese Journal of Geological Hazard and Control,2020,31(6):1 − 11. (in Chinese with English abstract)
    [5] 潘光永,陶秋香,陈洋,等. 基于SBAS-InSAR的山东济阳矿区沉降监测与分析[J]. 中国地质灾害与防治学报,2020,31(4):100 − 106. [PAN Guangyong,TAO Qiuxiang,CHEN Yang,et al. Monitoring and analysis of sedimentation in Jiyang mining area of Shandong Province based on SBAS-InSAR[J]. The Chinese Journal of Geological Hazard and Control,2020,31(4):100 − 106. (in Chinese with English abstract) DOI: 10.16031/j.cnki.issn.1003-8035.2020.04.13
    [6] 李丹,杨斌,陈财. 基于Sentinel-1A数据反演九寨沟地震地表形变场[J]. 遥感技术与应用,2018,33(6):1141 − 1148. [LI Dan,YANG Bin,CHEN Cai. Obtaining coseismic deformation field of Jiuzhai earthquake with sentinel-1A[J]. Remote Sensing Technology and Application,2018,33(6):1141 − 1148. (in Chinese with English abstract)
    [7] 李军,褚宏亮,李滨,等. 基于高分影像与InSAR解译的西藏林芝则隆弄高位链式地质灾害发育特征分析[J]. 中国地质灾害与防治学报,2021,32(3):42 − 50. [LI Jun,CHU Hongliang,LI Bin,et al. Analysis of development characteristics of high-elevationchain geological hazard in Zelongnong,Nyingchi,Tibet based on high resolution image and InSAR interpretation[J]. The Chinese Journal of Geological Hazard and Control,2021,32(3):42 − 50. (in Chinese with English abstract)
    [8] 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. (in Chinese with English abstract) DOI: 10.11947/j.AGCS.2017.20170350
    [9]

    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

    [10]

    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

    [11] 赵富萌,张毅,孟兴民,等. 基于小基线集雷达干涉测量的中巴公路盖孜河谷地质灾害早期识别[J]. 水文地质工程地质,2020,47(1):142 − 152. [ZHAO Fumeng,ZHANG Yi,MENG Xingmin,et al. Early identification of geological hazards in the Gaizi Valley near the Karakoran Highway based on SBAS-InSAR technology[J]. Hydrogeology & Engineering Geology,2020,47(1):142 − 152. (in Chinese with English abstract) DOI: 10.16030/j.cnki.issn.1000-3665.201902020
    [12] 潘建平,邓福江,徐正宣,等. 基于轨道精炼控制点精选的极艰险区域时序InSAR地表形变监测[J]. 中国地质灾害与防治学报,2021,32(5):98 − 104. [PAN Jianping,DENG Fujiang,XU Zhengxuan,et al. Time series InSAR surface deformation monitoring in extremely difficult area based on track refining control points selection[J]. The Chinese Journal of Geological Hazard and Control,2021,32(5):98 − 104. (in Chinese with English abstract) DOI: 10.16031/j.cnki.issn.1003-8035.2021.05-12
    [13] 张红峰,刘瀛. 基于改进PSInSAR技术的非城区地表形变监测[J]. 大地测量与地球动力学,2021,41(6):568 − 571. [ZHANG Hongfeng,LIU Ying. Non-urban surface deformation monitoring based on improved PSInSAR[J]. Journal of Geodesy and Geodynamics,2021,41(6):568 − 571. (in Chinese with English abstract)
    [14] 张本浩,魏云杰,杨成生,等. 西藏然乌地区地质灾害隐患点InSAR识别与监测[J]. 中国地质灾害与防治学报,2022,33(1):18 − 26. [ZHANG Benhao,WEI Yunjie,YANG Chengsheng,et al. InSAR identification and monitoring of geological hazards in Ranwu region of Tibet[J]. The Chinese Journal of Geological Hazard and Control,2022,33(1):18 − 26. (in Chinese with English abstract) DOI: 10.16031/j.cnki.issn.1003-8035.2022.01-03
    [15] 许强,蒲川豪,赵宽耀,等. 延安新区地面沉降时空演化特征时序InSAR监测与分析[J]. 武汉大学学报(信息科学版),2021,46(7):957 − 969. [XU Qiang,PU Chuanhao,ZHAO Kuanyao,et al. Time series InSAR monitoring and analysis of spatiotemporal evolution characteristics of land subsidence in Yan’an new district[J]. Geomatics and Information Science of Wuhan University,2021,46(7):957 − 969. (in Chinese with English abstract)
    [16] 董廷旭,可华明. 绵阳市涪城区耕地景观格局时空演变特征分析[J]. 西南科技大学学报,2013,28(3):16 − 23. [DONG Tingxu,KE Huaming. The temporal evolution of landscape pattern for cultivated land in hilly area of northwest Sichuan[J]. Journal of Southwest University of Science and Technology,2013,28(3):16 − 23. (in Chinese with English abstract) DOI: 10.3969/j.issn.1671-8755.2013.03.004
    [17] 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[J]. 武汉大学学报(信息科学版),2018,43(12):2039 − 2049. [ZHANG Lu,LIAO Mingsheng,DONG Jie,et al. Early detection of landslide hazards in mountainous areas of west China using time series SAR interferometry:A case study of Danba,Sichuan[J]. Geomatics and Information Science of Wuhan University,2018,43(12):2039 − 2049. (in Chinese with English abstract)
    [18] 蒲川豪,许强,赵宽耀,等. 利用小基线集InSAR技术的延安新区地面抬升监测与分析[J]. 武汉大学学报(信息科学版),2021,46(7):983 − 993. [PU Chuanhao,XU Qiang,ZHAO Kuanyao,et al. Land uplift monitoring and analysis in Yan’an new district based on SBAS-InSAR technology[J]. Geomatics and Information Science of Wuhan University,2021,46(7):983 − 993. (in Chinese with English abstract)
    [19] 胡波,汪汉胜. 用PSInSAR技术监测地面沉降研究[J]. 大地测量与地球动力学,2010,30(2):34 − 39. [HU Bo,WANG Hansheng. Monitoring ground subsidence with permanent scatterers interferometry[J]. Journal of Geodesy and Geodynamics,2010,30(2):34 − 39. (in Chinese with English abstract) DOI: 10.3969/j.issn.1671-5942.2010.02.008
    [20] 冯文凯,顿佳伟,易小宇,等. 基于SBAS-InSAR技术的金沙江流域沃达村巨型老滑坡形变分析[J]. 工程地质学报,2020,28(2):384 − 393. [FENG Wenkai,DUN Jiawei,YI Xiaoyu,et al. Deformation analysis of Woda Village old landslide in Jinsha River Basin using SBAS-InSAR technology[J]. Journal of Engineering Geology,2020,28(2):384 − 393. (in Chinese with English abstract) DOI: 10.13544/j.cnki.jeg.2019-411
    [21] 马德云,南锟,宋佳,等. 某超期深基坑对周边建筑物沉降影响的研究[J]. 建筑科学,2014,30(11):112 − 116. [MA Deyun,NAN Kun,SONG Jia,et al. Study on influence of deep foundation pit excavation to adjacent building[J]. Building Science,2014,30(11):112 − 116. (in Chinese with English abstract) DOI: 10.13614/j.cnki.11-1962/tu.2014.11.021
    [22] 于军,武健强,王晓梅,等. 基于“区域分解”思想的苏锡常地区地面沉降相关预测模型研究[J]. 水文地质工程地质,2004,31(4):92 − 95. [YU Jun,WU Jianqiang,WANG Xiaomei,et al. Research on the correlative prediction model with a regional decompo-sition base of the land subsidence in the Suzhou-Wuxi-Changzhou area[J]. Hydrogeology and Engineering Geology,2004,31(4):92 − 95. (in Chinese with English abstract) DOI: 10.3969/j.issn.1000-3665.2004.04.018
  • 期刊类型引用(5)

    1. 李永威,徐林荣,商拥辉,陈舒阳. 考虑拦挡坝抗灾能力的泥石流危险性评价. 地球科学. 2024(08): 2839-2850 . 百度学术
    2. 雷青青,向灵芝,罗亮,张济燕. 基于信息量与灾害熵的泥石流危险性评价对比研究——以成兰铁路松潘段为例. 防灾减灾工程学报. 2024(04): 921-932 . 百度学术
    3. 杨柳青,陈容,贺拿,罗南会. 四川凉山州冕宁县彝海镇“6·26”大型泥石流成因分析. 中国地质灾害与防治学报. 2023(01): 94-101 . 本站查看
    4. 朱云波,马国超,马松,刘欢. 重大地质灾害应急救援策略研究. 中国应急救援. 2023(02): 26-30 . 百度学术
    5. 于开宁,吴涛,魏爱华,武玉璞,代锋刚,刘煜. 基于AHP-突变理论组合模型的地质灾害危险性评价——以河北平山县为例. 中国地质灾害与防治学报. 2023(02): 146-155 . 本站查看

    其他类型引用(9)

图(15)  /  表(2)
计量
  • 文章访问数:  1698
  • HTML全文浏览量:  1575
  • PDF下载量:  244
  • 被引次数: 14
出版历程
  • 收稿日期:  2022-02-26
  • 修回日期:  2022-08-01
  • 网络出版日期:  2023-03-01
  • 刊出日期:  2023-04-24

目录

/

返回文章
返回