img

官方微信

遥感技术与应用, 2023, 38(5): 1028-1041 doi: 10.11873/j.issn.1004-0323.2023.5.1028

InSAR专栏

面向地表形变高精度监测的GNSS-InSAR融合方法

柯福阳,1, 胡祥祥1, 明璐璐1, 刘学武2, 尹继鑫2, 刘宇航2

1.南京信息工程大学遥感与测绘工程学院,江苏 南京 210440

2.西宁市测绘院,青海 西宁 810000

GNSS-INSAR Fusion Method for High Precision Monitoring of Surface Deformation

KE Fuyang,1, HU Xiangxiang1, MING Lulu1, LIU Xuewu2, YIN Jixin2, LIU Yuhang2

1.School of Remote Sensing and Geomatics Engineering,Nanjing University of Information Science and Technology,Nanjing 210440,China

2.Xining Surveying and Mapping Institute,Xining 810000,China

收稿日期: 2022-05-30   修回日期: 2023-09-08  

基金资助: 2022年度第六期“333人才”培养支持资助项目.  BRA2022042
江苏省“六大人才高峰”高层次人才项目.  XYDDX⁃045
西宁市科技计划项目.  2019⁃Y⁃12

Received: 2022-05-30   Revised: 2023-09-08  

作者简介 About authors

柯福阳(1981-),男,福建惠安人,博士,教授,主要从事地质与气象灾害监测预警研究E⁃mail:kfy_0829@163.com , E-mail:kfy_0829@163.com

摘要

GNSS-InSAR数据融合进行监测地表形变是目前地表形变监测领域研究的热点问题,传统GNSS-InSAR数据融合方法融合简单、不能动态地反映地表形变特点,导致数据使用不充分、形变特征精度低等后果。提出了一种新的基于InSAR校正值和卡尔曼滤波的GNSS-InSAR融合方法。根据时间序列的GNSS观测值和InSAR校正观测值的时空相关性,通过卡尔曼滤波对两种数据进行融合,得到更精确的地表三维形变结果。利用2018年11月15日至2022年6月3日103景Sentinel-1A数据和同期13个GNSS点位数据进行处理,实验结果表明:校正后的InSAR观测值与GNSS观测值经卡尔曼滤波融合结果比未校正的InSAR观测值与GNSS观测值融合结果精度高45%,比InSAR观测值精度高57%。因此,基于InSAR校正值和卡尔曼滤波的GNSS-InSAR融合模型提高了InSAR变形监测的精度,拓展提升InSAR应用范围的广度和深度。

关键词: GNSS-InSAR融合 ; 拟合推估法 ; 卡尔曼方法 ; 地表三维形变测量 ; 地表形变

Abstract

Surface deformation is a geological phenomenon caused by natural or artificial factors, and its disaster-causing process is slow and irreversible. It is also a geological disaster with destructive solid power. Therefore, real-time and high-precision surface deformation monitoring is one of the most critical tasks in maintaining urban safety. However, due to the complex causes, long duration, wide range, and many triggering factors of surface deformation, there are many difficulties in monitoring surface deformation using single technology such as leveling, GNSS, INSAR, and optical remote sensing. Considering the characteristics and complementarities of InSAR and GNSS, the combination of InSAR and BeiDou/GNSS can improve the surface deformation monitoring capability in space and time at the same time. Unluckily, the traditional GNSS-InSAR data fusion method is simple to fuse and cannot dynamically reflect surface deformation characteristics, leading to insufficient data use and low accuracy of deformation features. A new fusion method is proposed based on the Kalman filter algorithm GNSS-InSAR correction values. The method mainly consists of two sequential processes, i.e., the a priori processing of GNSS and INSAR data and the fusion process of GNSS-InSAR correction values based on the Kalman filter algorithm. The a priori processing of GNSS and INSAR data is to obtain the a priori deformation results using the fitted estimation model to correct the systematic errors in the InSAR observations. The fusion process of GNSS-InSAR correction values based on the Kalman filtering algorithm is to fuse the two data through Kalman filtering based on the spatial and temporal correlation between the time-series GNSS observations and the InSAR correction observations. The experiment was processed using 103 views of sentinel-1A data from November 15, 2018, to June 3, 2022, and 13 GNSS point data during the same period. The experimental results show that the fusion result of the corrected InSAR observations and GNSS observations by the Kalman filter is 45% more accurate than the fusion result of the uncorrected InSAR observations and the GNSS observations, which is 45% 57% higher than the accuracy of InSAR observations. Therefore, the fusion method model based on the Kalman filter algorithm of GNSS-InSAR corrected values proposed in this paper improves the accuracy of InSAR deformation monitoring and expands the breadth and depth of InSAR applications.

Keywords: GNSS-InSAR data fusion method ; Fitting estimation method ; Kalman filtering ; 3D surface deformation measurement ; The surface deformation

PDF (11136KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

柯福阳, 胡祥祥, 明璐璐, 刘学武, 尹继鑫, 刘宇航. 面向地表形变高精度监测的GNSS-InSAR融合方法. 遥感技术与应用[J], 2023, 38(5): 1028-1041 doi:10.11873/j.issn.1004-0323.2023.5.1028

KE Fuyang, HU Xiangxiang, MING Lulu, LIU Xuewu, YIN Jixin, LIU Yuhang. GNSS-INSAR Fusion Method for High Precision Monitoring of Surface Deformation. Remote Sensing Technology and Application[J], 2023, 38(5): 1028-1041 doi:10.11873/j.issn.1004-0323.2023.5.1028

1 引 言

随着城市基础设施建设规模的逐步扩大,地质灾害频发。常见的诸如泥石流、滑坡、地面沉陷等地质灾害多因为地表形变引起的1-2,由此对地表三维形变监测3具有重大现实意义。目前,地表形变监测方法主要有全球导航卫星定位系统 (GNSS) 和卫星雷达干涉测量4(InSAR)两种。其中,GNSS 技术的优势在于具有多方向、高精度、自动化观测等特点,但受限于监测设备,其GNSS点位稀疏,一些灾害点人工无法布设控制点5。InSAR技术的优势在于其具有大范围、高精度、不需要地面架设设备等特点6。人工无法布设控制点的地方,InSAR都可以覆盖到。但InSAR受SAR卫星观测周期的影响7,同一个位置监测周期长,且只能获取该位置视线向(LOS)上的一维形变,制约了InSAR监测精度8。如何利用两者不同优点进行融合,解决高时空分辨率、高精度的三维形变场问题成为地表形变监测领域研究的热点9-10。Bock等11率先提出GNSS和InSAR的融合思想,Ge等12提出双插双估计(DIDP)方法,该方法利用GNSS数据来提高InSAR观测值的精度,再利用InSAR反过来加密GNSS观测结果。罗海滨等13提出了直接分解法,该方法成功利用GNSS和InSAR的优点,算法简单,但是十分依赖GNSS的精度和GNSS插值的精度,若GNSS精度或GNSS插值精度较差,最后得到的结果会受到影响。胡俊等14提出了赫尔默特方差估计法,该方法根据GNSS和InSAR观测值方差的估计值反复定权,以达到两者观测值的权合理,其结果较最小二乘法有提高。汪友军等15利用应力应变模型结合方差分量估计算法,得到更高精度的三维地表形变结果。赵增鹏等16分析了对流层对InSAR的影响,通过GNSS数据处理InSAR数据中存在的对流层延迟误差,提高了D-InSAR的监测精度。江克贵等17提出了利用BK模型结合单视线D-InSAR的监测方法,但由于观测区域较远,可能导致了预计效果不佳。吕佳凝等18在直接分解法中进一步提出拟合推估法19。该方法同样利用了GNSS数据的特性,对InSAR影像中存在的系统误差进行校正,提高了融合精度。但是方法末尾结合了最小二乘法,当有较大粗差出现时,将不能得到较好的结果。熊陆云等20提出了一种基于贝叶斯定理的最大后验估计准则的虚拟观测迭代最小二乘( VOILS )方法来校正GPS位移内插过程引起的误差。其对垂直方向的改善尤为明显。雷坤超等21利用GNSS水平精度高和InSAR垂直精度高的原理,将GNSS水平位移测量与InSAR垂直观测结合,得到了北京平原区的地表三维形变场。但是,该方法降低了GNSS的时间分辨率和InSAR的空间分辨率。薛学明等22基于无迹卡尔曼滤波,结合GNSS和InSAR时间序列观测模拟了火山变形,GNSS和InSAR数据拟合结果在2~4 km深度处拟合的较好。武帅莹等23基于机器学习的GNSS大气建模方法对InSAR进行大气改正,提升InSAR监测精度。

常规GNSS-InSAR融合方法多为简单融合,不能时序地反映地表三维形变特征。已有的卡尔曼滤波融合方法,都没有很好的解决数据本身存在的误差,融合后结果精度较低。本文提出一种新的基于InSAR校正值和卡尔曼滤波的GNSS-InSAR融合方法。该方法通过GNSS数据和InSAR数据存在时空相关性,利用GNSS数据对InSAR观测值中存在的误差进行校正。然后利用GNSS、InSAR数据之间的时空关联建立方程,基于卡尔曼滤波模型融合GNSS、InSAR观测数据。使用西宁市的GNSS和InSAR数据进行了实测实验,实测实验证明了该方法的有效性。

2 融合模型技术原理

2.1 拟合推估法函数模型

拟合推估法是一种推估方法。该方法是通过一定的拟合法则,对数据进行推估。由于SAR卫星存在雷达参数、相位观测量和地形数据等不确定性,其误差会传播到形变结果中去24。若直接与GNSS数据融合,其结果也包含这些误差。但是,InSAR的系统误差与GNSS存在较高的空间相关性25,可通过GNSS数据进行削弱26-27。将高精度的GNSS观测值对InSAR观测值进行约束,得到同点位上GNSS和InSAR观测值的差值,通过拟合法则将差值拟合出来,将差值进行校正,最后得到精度较高的InSAR观测值28

为了对InSAR观测值进行校正,需要将GNSS观测值投影到LOS向:

LGPSlos=Sx*E+Sy*N+Sz*U

其中:LGPSlos为监测点GNSS视线向形变量;ENU为监测点东西向、南北向、垂直向上的形变量;SxSySz分别是InSAR观测值的单位投影矢量。其中α是卫星航向方位角(以正北方向为起点顺时针旋转),θ是雷达入射角。Sx=-sinθ*sinα-32πSy=-sinθ*cosα-32πSz=cosθ

用GNSS观测值对InSAR观测值进行约束后得到两者的差值,如式(2),利用式(3)将差值进行拟合:

V=LGPSlos-LInSARlos
V=a0+a1*B+a2*L+a3*B2+a4*L2+a5*B*L+Δ

其中:LInSARlos为InSAR观测值;B为监测点的纬度;L为监测点的经度;V为GNSS归算值与InSAR的差值;a0a1a2a3a4a5为二次拟合模型参数;Δ为观测噪声。

通过上述公式解方程组即可解算得到待求参数a0a1a2a3a4a5,将任一点位的经纬度带入上述公式后,即可得到该点的差值,然后将InSAR观测值进行补偿得到改正后的InSAR视线向观测值L¯InSARlos

2.2 基于卡尔曼滤波的GNSS-InSAR融合模型

卡尔曼滤波是一种能对系统状态进行最优估计的算法。利用卡尔曼滤波对GNSS和InSAR数据进行融合,首先需要建立卡尔曼滤波观测方程和状态方程。其观测方程如下:

Lk=A*Xk+Δ

其中:Lk=LGPSE LGPSN LGPSU LInSART为观测量;Xk=de dn du ve vn vuT为状态矢量;Δ为观测噪声。其中d为监测点的形变量,v为监测点的变形速率,3个状态向量通过最小二乘法求得29A=I30*I3S06*6为观测方程设计矩阵,I3为一个3×3的单位阵。

其状态方程如下所示:

Xk=φkk-1*Xk-1+Γk-1*Wk-1

其中:Φkk-1=I3Δt*I30I36*6为状态转移矩阵;Γk-1=12*Δt2*I3Δt*I36*3为系统动态过程噪声分布矩阵,Wk-1为系统动态过程噪声向量;Wk-1=1  1  1T或者取3个方向加速度的平均值;经验证Wk-1的改变对结果影响不大。

在状态方程和观测方程建好后,需给定系统初始状态。取初始时刻的形变量及方差为0,初始时刻的X0及对应的方差矩阵Σx0为GNSS和InSAR数据平差后的形变速率和方差。观测噪声的方差阵30Σw=4Δtk-40

2.3 融合模型流程

图1所示,先利用拟合推估模型对InSAR观测值中的系统误差进行校正,将校正后的InSAR观测值与对应的GNSS观测值进行基于卡尔曼滤波的融合,最后得到地表三维形变结果。

图1

图1   融合流程图

Fig.1   Flow chart of fusion algorithm


3 研究区域及研究数据

3.1 研究区域

西宁位于中国西北,四面环山,东西呈条带状。湟水两岸(分别为南山和北山)沟壑纵横,地形切割强烈,人类工程活动强烈,生态地质环境脆弱,崩塌、滑坡、泥石流等突发性地质灾害发育,特别是滑坡、崩塌高发,对坡脚居民的生命财产构成严重威胁31-32。研究区和GNSS站点分布如图2所示。

图2

图2   研究区及GNSS站点示意图

Fig.2   Schematic diagram of the research area and GNSS site


3.2 SAR数据

研究采用的数据是由欧空局(ESA)发布的2018年11月15日至2022年6月3日103景Sentinel-1A卫星降轨数据以及美国国家航空航天局发布的分辨率为90 m的SrtmV4DEM数据,相邻影像时间间隔为12 d。影像覆盖范围如图2黄色方框。InSAR卫星传感器相关数据见表1

表1   InSAR卫星相关数据

Table 1  InSAR satellite related data

入射角方位角极化方式轨道时间间隔
34.039193.223VV降轨20181115~20220603

新窗口打开| 下载CSV


3.3 GNSS数据

研究使用的GNSS数据来自课题组承担的西宁市南山滑坡体自动化监测项目。为了缓解城区交通压力,西宁市规划设计了凤凰山快速路,快速路穿越南山山体。为保证南山隧道周边建筑和人民生命财产安全,在南山西坡布置了GNSS监测站,对南山滑坡体进行自动化变形监测。GNSS站点如图2所示。GNSS数据平面精度±2.5+1×10-6×Dmm,高程精度±5+1×10-6×Dmm,其中D为基线距离(单位:km)。基于开源rtklib开发的高精度GNSS变形监测软件,在剔除一些粗差较大和数据缺失的点位后,得到了与InSAR同步观测的13个GNSS变形结果。

4 数据处理与分析

研究使用ENVI SARScape软件,利用短基线集技术(Small Baseline Subset,SBAS)对所得103景Sentinel-1A卫星降轨数据和对应精轨数据进行处理。①设置时间基线、空间基线33阈值等相关参数。②对像对进行干涉处理并利用DRTMV4作为外部DEM数据去除干涉对地形效应。③估算和去除残余的恒定相位和解缠34后还存在的相位坡道35。④若解缠结果不理想,会对干涉图做二次解缠来优化。其中,线性模型最为稳定。⑤大气延迟是InSAR中主要误差源。利用定制的高通滤波和低通滤波去除大气相位。⑥将所得SBAS结果进行编码并对位移速率图进行分析。图3为基于SBAS-InSAR技术的LOS方向2018年11月15日至2022年6月3日间地表平均形变速率图36,黑色椭圆区域为GNSS布置区。图4为同期的地表位移时间序列图。

图3

图3   基于SBAS-InSAR技术的LOS方向时间序列形变速率场(2018年11月15日至2022年6月3日)

Fig.3   Deformation rate field of LOS direction time series based on SBAS-InSAR technology (November 15, 2018 to June 3, 2022)


图4

图4   基于SBAS-InSAR技术的LOS方向时间序列形变场(2018 年 11 月 15 日至 2022 年 6月3 日)

Fig.4   Deformation field of LOS direction time series based on SBAS-InSAR technology(November 15, 2018 to June 3, 2022)


图3图4所示,南山研究区山体陡峭,南山隧道正位于山脚之下,山体滑坡将会对南山隧道造成严重威胁。研究区内最大形变速率-41.6 mm/a,最大位移形变-75.6 mm,威胁着南山隧道周边建筑和人民生命财产安全。

4.1 拟合推估法分析

InSAR处理生成的矢量点带有经纬度坐标信息,根据GNSS点的经纬度坐标和envi定位工具,找到对应位置的矢量点。为比较GNSS和InSAR的监测结果,利用公式(1)将GNSS测得方向转换成LOS向,如图5所示。黑色曲线表示InSAR的LOS向累积形变值,红色曲线表示GNSS投影到LOS方向的累积形变值。表2给出了各点绝对误差和均方根误差统计结果。

图5

图5   2018 年 11 月 15 日至 2022 年 6月3 日监测点视线向位移变化曲线

Fig.5   Change curve of LOS direction displacement at monitoring points from November 15, 2018 to June 3, 2022


表2   InSAR监测结果精度统计/mm

Table 2  Accuracy statistics of InSAR monitoring results/mm

点号最大绝对误差最小绝对误差平均绝对误差均方根误差
Jc0114.71.97.68.2
Jc0210.00.13.45.0
Jc039.50.00.34.0
Jc0519.60.211.112.4
Jc0620.00.29.412.0
Jc088.40.11.34.4
Jc0913.30.52.64.7
Jc1010.30.02.64.1
Jc1110.70.25.26.5
Jc129.50.25.56.3
Jc139.50.41.54.2
Jc1611.00.07.38.3
Jc1818.40.010.011.6

新窗口打开| 下载CSV


图5可知,GNSS视线向形变量呈周期性变化,InSAR视线向形变量周期性较弱。InSAR和GNSS监测曲线的方向大致相同37,但仍存在一些点位的InSAR和GNSS监测结果有明显差距,如5号、6号和18号点。这些点位可能是由于SAR卫星轨道误差、大气延迟等误差影响,导致与同期GNSS监测结果有差距。为了对InSAR观测值进行校正,在研究区同期观测的13个GNSS站中均匀选择7个GNSS点位作为先验点参与模型解算,剩余6个点位参与精度评定。如图6所示,黑色曲线表示InSAR视线向累积形变值,红色曲线表示投影到LOS方向的GNSS累积形变值,蓝色曲线表示经校正后InSAR累积形变值。

图6

图6   2018 年 11 月 15 日至 2022 年 6月3 日6个站点InSAR观测值、InSAR校正值和GNSS视线向观测值值趋势对比图

Fig.6   Comparison Diagram of InSAR Observation Values, InSAR Correction Values and GNSS Line-of-sight Observation Values at Six Stations from November 15, 2018 to June 3, 2022


图6可以看出,校正后的InSAR观测值与GNSS观测值差值明显减少,尤其是12号和16号,校正后的InSAR观测值曲线十分接近GNSS观测值曲线,在一定程度上也表现出明显的周期性。6号点校正结果稍差,但仍比未校正之前的结果要好,这是由于先验点的选择和数量不同,所求得的模型参数不同,无法适配所有点位,导致某些点的校正效果稍差。由表3可以看出,9号和12号校正后最大误差和均方根差不超过3 mm,校正效果最好。6号点校正后最大误差13.0 mm,均方根误差7.6 mm,也同比校正前减少了4.4 mm。6个点最大误差平均减少了3.4 mm,均方差根平均减少了3.5 mm。表4为校正前后InSAR整体监测结果精度对比表。

表3   校正后InSAR监测结果精度统计/mm

Table 3  Accuracy statistics of InSAR monitoring results after correction/mm

点号最大绝对误差最小绝对误差平均绝对误差均方根误差
Jc0613.00.75.07.6
Jc094.60.01.62.5
Jc124.20.01.01.6
Jc134.60.12.83.5
Jc167.60.01.93.5
Jc1811.00.75.77.3

新窗口打开| 下载CSV


表4   校正前后InSAR整体监测结果精度表/mm

Table 4  Precision table of InSAR overall monitoring results before and after correction/mm

改正前改正后
平均绝对误差均方根误差平均绝对误差均方根误差
整体优化精度6.47.83.04.3

新窗口打开| 下载CSV


表4精度检验显示,校正后的InSAR观测值更适合参与到GNSS-InSAR数据的融合解算中。校正后InSAR观测值的平均误差和均方根误差均比校正前误差小,其参与校正的6个点位,形变监测精度改善极为显著。整体平均误差校正后提高了约53%,均方根误差提高了约44%,说明使用拟合推估方法较好地抵制了InSAR 观测值中因变形不均所引起的系统误差,更有效的减弱观测值中的系统误差的影响。

4.2 卡尔曼滤波分析

为便于开展实验准确性的验证,首先将7个参与InSAR观测值校正的GNSS点除去,然后剩余6个GNSS点位的观测结果进行卡尔曼滤波的融合解算。根据采集数据的时间分布滤波计算了102期。图7所示是监测点在ENU方向上不同方法得到的融合观测值。其中,黑色曲线表示GNSS观测值,红色曲线表示未校正的InSAR观测值和GNSS观测值融合后的观测值,蓝色曲线表示校正后的InSAR观测值和GNSS观测值融合后的观测值。图8是本文方法在E、N、U方向拟合精度和拟合残差分布图。

图7

图7   E、N、U 3个方向上GNSS观测值、直接融合值和校正正后融合值对比图

Fig.7   Comparison of GNSS observed value, direct fusion value and fusion value after correction of the Remaining Stations in the Three Directions E, N and U


图8

图8   E、N、U方向拟合残差分布图

Fig.8   Residual distribution maps were fitted in E, N and U directions


图7可以看出,经校正的InSAR观测值和GNSS观测值融合后在ENU 3个方向上的曲线更接近GNSS观测值,周期性也更明显。而未校正的InSAR观测值和GNSS观测值融合后与GNSS观测值仍有较大误差。说明拟合推估顾及到观测区内不符的整体变化趋势,可以高精度的拟合区域内的不符值从而削弱 InSAR 观测值中的系统误差的影响。同时,GNSS-InSAR 数据通过卡尔曼滤波融合后,充分地利用InSAR、GNSS观测数据,动态地反映地表形变特点,得到更精确的地表三维形变结果。

图8图9可以看出,ENU 3个方向拟合残差最稳定且最小的是N方向,残差变化最大的是U方向上。E方向上的拟合精度初始值最大,但随着卡尔曼滤波期数的增加,E方向上的拟合残差逐渐减小,这是由于卡尔曼滤波的初始状态往往难以确定,利用经验给定,导致误差较大。但是随着滤波进行,之后各期拟合残差较之前变小。UN方向上的拟合残差从开始到结束基本趋于稳定。

图9

图9   E、N、U方向拟合精度

Fig.9   E, N, U direction fitting accuracy


为说明在GNSS-InSAR融合前对InSAR进行校正的必要性,分别用已校正的InSAR观测值和未校正的InSAR观测值与GNSS观测值融合,图10为InSAR校正前后与GNSS融合的均方根误差统计结果。表5为两者均方根误差统计结果。

图10

图10   InSAR校正前后与GNSS融合在E、N、U方向上均方根误差比较(单位:mm)

Fig.10   Comparison of root mean square error between InSAR and GNSS fusion in E, N and U directions before and after calibration(Units:mm)


表5   整体均方根误差比较(LOS向)/mm

Table 3  Comparison of global root mean square error (LOS direction) /mm

点位Klman滤波InSAR(未校正)-GNSS融合值Klman滤波InSAR(校正后)-GNSS融合值
jc069.46.1
jc093.21.8
jc124.71.2
jc133.42.8
jc166.72.4
jc189.45.9

新窗口打开| 下载CSV


图10可以看出,未校正的InSAR观测值和GNSS融合后,NU方向均方根差很大,尤其是N方向,说明未校正InSAR数据存在着一系列的系统误差。将InSAR观测值校正后,NU方向上的均方根差明显降低。从表5可以看出,误差较大的6号点在校正前后均方根差变化最为明显,其余点的均方根差也有明显变化,这说明InSAR观测值中系统误差的存在会大大降低GNSS-InSAR数据融合解算的精度,而InSAR观测值经过系统误差的校正后,融合结果的精度也会显著增加。

基于InSAR校正值和卡尔曼滤波的GNSS-InSAR融合方法得到的E、N、U方向上时序三维形变场如图11所示。

图11

图11   E、N、U时序三维形变场

Fig.11   3D deformation fields of E, N and U time series


图11得到的西宁南山E方向时序三维形变场可以看出,南山西南部地区有向东运动趋势,从各期形变速率大小可以看出这种运动趋势相对稳定。从N方向时序三维形变场可以看出,南山西南部地区有明显向南运动趋势,且形变速率较快。从U方向时序三维形变场可以看出,南山中部区域有下沉趋势,从各期形变速率大小可以看出这种运动趋势相对稳定,南山东部有上升趋势。整体上看,南山西南区域呈东南运动趋势,中部地区下沉。

5 总 结

常规GNSS、InSAR数据在联合解算过程中,无法充分利用GNSS、InSAR数据之间强互补性,降低了两者的时间分辨率。在融合算法中较多的考虑到算法本身,忽略了GNSS、InSAR数据本身的系统误差,导致精度结果无法达到最优。本文通过对拟合推估和卡尔曼滤波模型的研究,设计了拟合推估法来校正InSAR数据中的存在的系统误差。利用卡尔曼滤波将系统校正后的InSAR观测值和GNSS观测值融合解算,得到了精度更高的地表三维形变结果。

以西宁地区为例,利用西宁的103景sentinel-1A影像和同期GNSS监测数据,将GNSS观测数据和InSAR数据进行融合研究。实验结果表明:通过拟合推估法校正的InSAR观测值比未校正的InSAR观测值整体平均误差提高了大约53%,均方根误差提高了约44%。校正后的InSAR观测值与GNSS观测值经卡尔曼滤波融合结果比未校正的InSAR观测值与GNSS观测值融合结果精度高45%,比InSAR观测值精度高57%。本文方法先对InSAR数据进行了校正,利用卡尔曼滤波对两种数据进行融合,在充分利用数据的前提下,动态地反映地表形变特点,提高了形变精度,对国家防灾减灾工作具有现实意义。

参考文献

WEI GangYIN ZhiqiangSHI Liqunet al.

Geological characteristics and stability analysis of linjiaya landslide in Beishan area, Xining City

[J]. Geology and Resources,2015242):146-151.

[本文引用: 1]

魏刚殷志强史立群.

西宁市北山地区林家崖滑坡发育特征及稳定性分析

[J].地质与资源,2015242):146-151.

[本文引用: 1]

HU XiangxiangKE FuyangZHANG Zhishanet al.

Landslide evolution law considering multiple dynamic environmental factors:A case study of nine landslide areas in Xining city

[J].Bulletin of Surveying and Mapping,20235):21-2643.

[本文引用: 1]

胡祥祥柯福阳张志山.

顾及多动态环境因子的滑坡演化规律研究——以西宁市9大滑坡区为例

[J].测绘通报,20235):21-2643.

[本文引用: 1]

GE DaqingDAI KerenGUO Zhaochenget al.

Early identification of serious geological hazards with integrated remote sensing technologies:Thoughts and recommendations

[J]. Geomatics and Information Science of Wuhan University, 2019447): 949-956.

[本文引用: 1]

葛大庆戴可人郭兆成.

重大地质灾害隐患早期识别中综合遥感应用的思考与建议

[J].武汉大学学报(信息科学版),2019447):949-956.

[本文引用: 1]

LI ZhenhongSONG ChuangYU Chenet al.

Application of satellite radar remote Sensing to landslide detection and monitoring: Challenges and solutions

[J]. Geomatics and Information Science of Wuhan University, 2019447): 967-979.

[本文引用: 1]

李振洪宋闯余琛.

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),2019447):967-979.

[本文引用: 1]

WANG Aoguo

Data fusing method of land subsidence monitoring based on leveling and InSAR

[J]. Science of Surveying and Mapping, 2015404): 121-125.

[本文引用: 1]

王爱国.

运用水准和InSAR的地面沉降监测数据融合方法

[J].测绘科学,2015404):121-125.

[本文引用: 1]

XIAO RuyaHE Xiufeng.

Deformation monitoring of reservoirs and dams using time-series InSAR

[J]. Geomatics and Information Science of Wuhan University,2019449):1334-1341.

[本文引用: 1]

肖儒雅何秀凤.

时序InSAR水库大坝形变监测应用研究

[J].武汉大学学报(信息科学版),2019449):1334-1341.

[本文引用: 1]

ZHU JianjunLI ZhiweiHU Jun.

Research progress and methods of InSAR for deformation monitoring

[J].Journal of Geodesy and Geoinformation Science,20174610):1717-1733.

[本文引用: 1]

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,20174610):1717-1733.

[本文引用: 1]

CAO HaikunZHAO LihuaBI Yanlei.

Three-dimensional deformation field based on GPS-INSAR comprehensive deformation model with additional system parameters

[J]. Geodesy and Geodynamics,2017374):344-348.

[本文引用: 1]

曹海坤赵丽华毕研磊.

利用附加系统参数的GPS-InSAR综合形变模型建立三维形变场

[J].大地测量与地球动力学,2017374):344-348.

[本文引用: 1]

ZHU JianjunYANG ZefaLI ZhiweiRecent progress in retrieving and predicting mining-induced 3

D displace-ments using InSAR

[J].Journal of Geodesy and Geoinformation Science,2019482):135-144.

[本文引用: 1]

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,2019482):135-144.

[本文引用: 1]

WANG Zhiwei,Research on resolving of three-dimensional displacement from multi-source InSAR data

[J]. Journal of Geodesy and Geoinformation Science,2019489):1206.王志伟.基于多源InSAR数据的三维地表形变解算方法研究[J].测绘学报,2019,489):1206.

[本文引用: 1]

BOCK YWILLIAMS S.

Integrated satellite interferometry in southern california

[J]. Eos, Transactions American Geophysical Union,19977829).DOI:10.1029/97EO00192

[本文引用: 1]

GE L L, HAN S W.

The Double Interpolation and Double Prediction(DIDP) Approach for InSAR and GPS Integration

[C]∥19th Int.Society of Photogrammetry and Remote Sensing Congress and Exhibition, Amsterdam, The Netherlands,2000.

[本文引用: 1]

LUO HaibinHE Xiufeng.

Improved weighting method and simulation analysis of GPS DInSAR integrated monitoring

[J].Journal of China Coal Society,20123710):1612-1617.

[本文引用: 1]

罗海滨何秀凤.

GPS-DInSAR集成监测的改进定权方法与仿真实验分析

[J].煤炭学报,20123710):1612-1617.

[本文引用: 1]

HU JLI Z WSUN Qet al.

Three-dimensional surface displacements from InSAR and GPS measurements with variance component estimation

[J]. IEEE Geoscience and Remote Sensing Letters,201294):754-758. DOI:10.1109/LGRS. 2011.2181154

[本文引用: 1]

WANG YoujunHU JunLIU Jihonget al.

Three-dimensional ddeformation monitoring based on InSAR and GNSS: An improved SISTEM method using variance component estimation

[J].Geomatics and Information Science of Wuhan University,20214610):1598-1608.

[本文引用: 1]

汪友军胡俊刘计洪.

融合InSAR和GNSS的三维形变监测:利用方差分量估计的改进SISTEM方法

[J].武汉大学学报(信息科学版),20214610):1598-1608.

[本文引用: 1]

ZHAO ZengpengZHANG Ziwen.

Application of InSAR and GPS data fusion in deformation monitoring

[J]. Geomatics & Spatial Information Technology,2020437):37-4044.

[本文引用: 1]

赵增鹏张子文.

InSAR与GPS数据融合在变形监测中的应用研究

[J].测绘与空间地理信息,2020437):37-4044.

[本文引用: 1]

WANG LeiJIANG ChuangZHANG Xiannial et

Monitoring method of surface subsidence induced by inclined coal seam mining based on single line of sight D-InSAR

[J]. Geomatics and Information Science of Wuhan University, 2023484):620-630.

[本文引用: 1]

江克贵王磊滕超群.

融合单视线D-InSAR和BK模型的煤矿地表三维变形动态监测方法研究

[J].武汉大学学报(信息科学版),2023484):620-630.

[本文引用: 1]

Jianing .

Research on 3d surface deformation model based on GPS-InSAR data fusion

[D]. Xi'anChang 'an University2020.

[本文引用: 1]

吕佳凝.

基于GPS-InSAR数据融合的地表三维形变模型建立方法研究

[D].西安长安大学2020.

[本文引用: 1]

FAN QingsongTANG CuilianCHEN Yuet al.

Application of GPS and InSAR technology in landslide monitoring

[J]. Science of Surveying and Mapping,20065):60-625

[本文引用: 1]

范青松汤翠莲陈于.

GPS与InSAR技术在滑坡监测中的应用研究

[J].测绘科学,200605):60-625.

[本文引用: 1]

XIONG LXU CLIU Yet al.

3D displacement field of wenchuan earthquake based on iterative least squares for virtual observation and GPS/InSAR Observations

[J]. Remote Sensing, 2020126):977.DOI:10.3390/rs12060977

[本文引用: 1]

LEI KunchaoMA FengshanCHEN Beibeiet al.

Characteristics of three-dimensional surface deformation field in Beijing plain based on InSAR and GPS technology

[J]. Journal of Engineering Geology,2022302):417-431.

[本文引用: 1]

雷坤超马凤山陈蓓蓓.

基于时序InSAR和GPS技术的北京平原区地表三维形变场特征

[J].工程地质学报,2022302):417-431.

[本文引用: 1]

XUE XFREYMUELLER JLU Z.

Modeling the posteruptive deformation at okmok based on the GPS and InSAR time series: Changes in the shallow magma storage system

[J]. Journal of Geophysical Research:Solid Earth,2020125.DOI:10.1029/2019JB017801

[本文引用: 1]

WU ShuaiyingLIU GuoxiangJIA Hongguoet al.

An InSAR atmospheric correction method based on GNSS and machine learning

[J].Geomatics and Information Science of Wuhan University,2023,DOI:10.13203/j.whugis20220191.武帅莹,刘国祥,贾洪果等.一种基于GNSS和机器学习的InSAR大气改正方法[J].武汉大学学报(信息科学版),2023,DOI:10.13203/j.whugis20220191

[本文引用: 1]

ZHANG YaliYOU YangshengLAN Jingsong.

Error analysis of baseline phase and atmosphere delay in InSAR data processing

[J].Remote Sensing Technology and Application,2010253):399-403.

[本文引用: 1]

张亚利游扬声兰敬松

基线误差、相位误差和大气延迟误差对InSAR数据处理的影响分析

[J].遥感技术与应用,2010253):399-403.

[本文引用: 1]

LU JuanWU JicangCHEN Yanling.

Correction of InSAR deformation field for the 2011 Tohoku earthquake using GPS displacement data

[J].Journal of Geodesy and Geodynamics,2017377):726-731.

[本文引用: 1]

卢娟伍吉仓陈艳玲.

利用GPS位移数据校正2011日本Tohoku地震的InSAR形变场

[J].大地测量与地球动力学,2017377):726-731.

[本文引用: 1]

HUXTABLEBARTON DCHOTOOet al.

The influence of equatorial scintillation on L-Band SAR image quality and phase

[J]. IEEE Transactions on Geoscience and Remote Sensing,2016542):869-880.DOI:10.1109/TGRS. 2015. 2468573

[本文引用: 1]

FERRETTI APRATI CROCCA F.

Permanent scatterers in SAR interferometry

[J]. IEEE Transactions on Geoscience & Remote Sensing,2001391):8-20. DOI:10.1109/36. 898661

[本文引用: 1]

CAO Haikun.

Joint calculation of 3d surface deformation field by GPS and InSAR data

[D]. Xi'anChang 'an University2017.

[本文引用: 1]

曹海坤.

GPS、InSAR数据联合解算地表三维形变场

[D].西安长安大学2017.

[本文引用: 1]

HU JunLI ZhiweiZHU Jianjunet al.

Three-dimensional surface deformation monitoring based on BFGS method and InSAR and GPS technology

[J]. Chinese Journal of Geophysics (in Chinese),2013561):117-126.

[本文引用: 1]

胡俊李志伟朱建军.

基于BFGS法融合InSAR和GPS技术监测地表三维形变

[J].地球物理学报,2013561):117-126.

[本文引用: 1]

ZHANG Qin. Processing and application of modern surveying data [M]. Surveying and Mapping Publishing House2011.

[本文引用: 1]

张勤. 近代测量数据处理与应用[M]. 测绘出版社2011.

[本文引用: 1]

SUN Yi.

Development characteristics and stability analysis of loess landslide in Xining city

[D]. Xi'anChang 'an University2013.

[本文引用: 1]

孙毅.

西宁市黄土滑坡发育特征及稳定性分析

[D]. 西安长安大学2013.

[本文引用: 1]

AN BingqiLUO HaibinDING Haiyonget al.

Surface deformation monitoring based on SBAS-InSAR technology in Xining

[J]. Remote Sensing Technology and Application, 201364):838-846.

[本文引用: 1]

安炳琪罗海滨丁海勇.

基于SBAS-InSAR技术的西宁地表形变监测

[J].遥感技术与应用,2021364):838-846.

[本文引用: 1]

QU ChunyanSHAN XinjianZHANG Guohonget al.

Effect of interference baseline on seismic deformation field: A case study of coseismo-post-seismic deformation field of mani earthquake

[J]. Seismology and Geology, 2012344): 672-683.

[本文引用: 1]

屈春燕单新建张国宏

干涉基线对地震形变场的影响——以玛尼地震同震-震后形变场为例

[J]. 地震地质,2012344):672-683.

[本文引用: 1]

XU CaijunWANG Hua.

Comparison of InSAR phase unwrapping algorithms and error analysis

[J]. Geomatics and Information Science of Wuhan University,2004291): 67-71.

[本文引用: 1]

许才军王华.

InSAR相位解缠算法比较及误差分析

[J].武汉大学学报(信息科学版),2004291):67-71.

[本文引用: 1]

XU BLI Z WWANG Q Jet al.

A refined strategy for removing composite errors of SAR interferogram

[J]. IEEE Geoscience & Remote Sensing Letters,2013111):143-147.DOI:10.1109/LGRS.2013.2250903

[本文引用: 1]

LAN QinlongZOU Jingui.

Application of SBAS technology in land subsidence monitoring: A case study of Wuhan city

[J].Bulletin of Surveying and Mapping,2018S1):278-282.

[本文引用: 1]

蓝秦隆邹进贵.

SBAS技术在地面沉降监测中的应用——以武汉市为例

[J].测绘通报,2018S1):278-282.

[本文引用: 1]

HE XiufengGAO ZhuangXIAO Ruyaet al.

Monitoring and analysis of subsidence along Lian-Yan railway using multi-temporal Sentinel-1A InSAR

[J]. Acta Geodaetica Et Cartographica Sinica, 201505):600-611.

[本文引用: 1]

何秀凤高壮肖儒雅.

多时相Sentinel-1A InSAR的连盐高铁沉降监测分析

[J].测绘学报,2021505):600-611.

[本文引用: 1]

/