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

张路, 廖明生, 董杰, 许强, 龚健雅

张路, 廖明生, 董杰, 许强, 龚健雅. 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. DOI: 10.13203/j.whugis20180181
引用本文: 张路, 廖明生, 董杰, 许强, 龚健雅. 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. DOI: 10.13203/j.whugis20180181
ZHANG Lu, LIAO Mingsheng, DONG Jie, XU Qiang, GONG Jianya. 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. DOI: 10.13203/j.whugis20180181
Citation: ZHANG Lu, LIAO Mingsheng, DONG Jie, XU Qiang, GONG Jianya. 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. DOI: 10.13203/j.whugis20180181

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

基金项目: 

国家重点研发计划 2017YFB0502700

国家自然科学基金 61331016

国家自然科学基金 41774006

国家自然科学基金 41521002

国家重点基础研究发展计划(973计划) 2013CB733205

详细信息
    作者简介:

    张路, 博士, 教授, 主要从事雷达遥感的理论与方法研究。luzhang@whu.edu.cn

  • 中图分类号: P237

Early Detection of Landslide Hazards in Mountainous Areas of West China Using Time Series SAR Interferometry-A Case Study of Danba, Sichuan

Funds: 

The National Key Research and Development Program of China 2017YFB0502700

the National Natural Scien ce Foundation of China 61331016

the National Natural Scien ce Foundation of China 41774006

the National Natural Scien ce Foundation of China 41521002

the National Key Basic Research Program (973 Program) of China 2013CB733205

More Information
    Author Bio:

    ZHANG Lu, PhD, professor, specializes in the theories and methods of radar remote sensing. E-mail:luzhang@whu.edu.cn

  • 摘要: 滑坡是仅次于地震、发生最频繁、造成损失最严重的一种地质灾害,中国西部山区则是世界上滑坡灾害分布最密集的地区之一。广域范围内滑坡灾害隐患的早期识别是地质灾害防治工作中的一项关键任务,基于星载合成孔径雷达重复轨道观测的时间序列雷达干涉测量(interferometric synthetic aperture radar,InSAR)技术在此领域具有巨大的应用潜力,但以永久散射体干涉测量为代表的传统时序InSAR方法在西部山区应用中往往受到植被覆盖等不利因素的影响,滑坡探测识别的可靠性较差。针对这一问题,以大渡河上游丹巴县为例,采用自主研发的相干散射体时序InSAR(coherent scatterer InSAR,CSI)方法,从历史存档的ALOS PALSAR和ENVISAT ASAR数据集中成功识别出了17处持续变形中的不稳定坡体,通过与外部观测数据比对和实地调查核实等手段验证了CSI方法探测结果的有效性和优势,并探讨了影响时序InSAR方法滑坡监测应用效果的主要因素及未来的优先研究方向。
    Abstract: As the most frequent and devastating geohazard next to earthquakes, landslides are widely distributed in mountainous areas of west China, which makes early detection of landslides a vital task for geologic disaster prevention. Although time series SAR interferometry (InSAR) based on repeat-pass satellite SAR observations has shown a great potential in landslide detection, its performance is usually limited by factors such as vegetation coverage, which leads to low reliability of detection results. Aiming at this problem, we carry out a case study by employing the coherent scatterer InSAR (CSI) method to successfully detect 17 unstable slopes in Danba County in the upper reach of Dadu River Basin from archived ALOS PALSAR and ENVISAT ASAR datasets. The effectiveness and advantage of the CSI method are demonstrated by comparisons with other observation data as well as validation against field survey. And, major impact factors for the performance of time series InSAR analysis in landslide investigations and future research topics of high priority are summarized.
  • 滑坡是指斜坡上的岩土体在重力作用下,沿贯通破坏面向下滑动的灾害现象,同时也指那些处于不稳定状态,有可能演化形成滑坡灾害的斜坡[1]。滑坡作为一种主要的地质灾害,广泛分布于中国山区和峡谷地带,尤其是西南高山区和三峡库区被认为是滑坡灾害发生最频繁、造成损失最惨重的地区,因此这些地区也就成为了中国滑坡灾害防治工作的重点区域。然而,这些地区的滑坡灾害往往具有隐蔽性、突发性的特点,如2017年6月24日发生在四川省阿坝州茂县叠溪镇的新磨村滑坡,其滑源区位于海拔3 000多米的高位,无法开展人工地面调查,因此该灾害隐患在灾前完全不为人所知,这使得对灾害的主动防范十分困难[2-4]

    中国《“十三五”地质灾害防治规划》明确提出,计划到2020年要建成系统完善的地质灾害调查评价、监测预警、综合治理、应急防治4大体系。要实现这一目标,就必须借助现代科技手段,特别是充分利用遥感对地观测技术,对滑坡等地质灾害多发区域开展以普查-详查-核查为核心任务的调查评价工作,尽早识别确定潜在的灾害隐患,从而将防灾关口尽量前移[5]。合成孔径雷达干涉测量(interferometric synthetic aperture radar, InSAR)技术因具有全天时、全天候、大范围、高分辨率对地观测能力,能够实现对微小地表形变的高精度探测[6-13],近年来其在滑坡灾害普查和监测中的巨大应用潜力已逐渐得到认知和肯定,并在白龙江流域上游和三峡库区奉节-秭归段滑坡灾害调查中得到了成功应用[14-15]

    不过,在有植被覆盖、人工目标稀少的西部山区,传统的永久散射体干涉测量(persistent scatterer InSAR, PSI)方法往往难以提取到足够数量和分布密度的稳定点目标,使得形变反演结果的可靠性差甚至出现解算错误,导致无法实现对滑坡隐患的有效判别。针对这一问题,开展了面向西部山区滑坡灾害隐患早期识别的时间序列InSAR技术方法及其应用研究。本文简要介绍了时间序列InSAR分析方法,通过大渡河上游丹巴县滑坡隐患识别这一典型案例,验证了时序InSAR技术应用于滑坡灾害普查监测的可行性和有效性,并讨论了决定该技术实际应用效能的主要影响因素。

    时间序列InSAR分析方法是在经典雷达差分干涉测量(differential InSAR, D-InSAR)技术的基础上发展起来的一类高级的InSAR数据处理分析方法。传统D-InSAR处理得到的差分干涉相位Δφ除了包含地表形变信号(Δφdef)以外,还混杂了地形残余误差(Δφtopo)、大气传播延迟(Δφatm)、散射中心随机扰动(Δφscatt)、热噪声(Δφnoise)等与形变信息无关的相位成分,如以下数学表达式[16]

    $$ \begin{array}{*{20}{c}} {\Delta \varphi = }\\ {W\left\{ {\Delta {\varphi _{{\rm{topo}}}} + \Delta {\varphi _{{\rm{def}}}} + \Delta {\varphi _{{\rm{atm}}}} + \Delta {\varphi _{{\rm{scatt}}}} + \Delta {\varphi _{{\rm{noise}}}}} \right\}} \end{array} $$ (1)

    式中,W{·}表示相位缠绕运算符。正是这些相位成分的存在,使得仅利用一对干涉数据的D-InSAR处理难以获得高精度、高可信的形变测量结果。要提高形变测量的精度和可靠性,就必须利用多次重复轨道在稳定散射体目标上形成的冗余观测,实现形变相位与这些无关相位成分的相互分离,这就是时间序列InSAR分析方法的基本思想。

    根据稳定散射体目标类型、影像组合方式和参数估计策略不同,可将现有的时间序列InSAR分析方法归纳为3种类型:永久散射体InSAR(PSI)方法、小基线集(small baseline subset, SBAS)InSAR方法和混合时序InSAR分析方法。PSI方法形成于2000年左右,经过10余年发展已趋于完善,这类方法采用单一主影像组合形成序列干涉对,从中提取具有稳定散射相位的点目标,即永久散射体(persistent scatterer, PS),将识别到的PS点构建三角网观测网络,进而通过时空相位解缠和时空滤波来分离出各种相位成分,并解算估计线性形变速率、非线性形变序列、数字高程模型(digital elevation model, DEM)误差、大气延迟相位等参数[11, 17-18]。PS点大多依附于人造地物目标存在,因此PSI方法主要适用于城市场景,广泛应用于城市地面沉降和建筑物形变监测;相比之下,在自然场景中通常难以提取到足够数量的PS点,因而不适用于PSI方法。

    SBAS方法[19-21]最早由意大利学者于2002年提出,经过多国学者改进,其按照短时空基线原则组合生成多主影像的序列干涉图后,首先对差分干涉相位进行空间滤波,再基于平均空间相干性识别慢失相关滤波相位像素点(slowly-decorrelating filtered phase pixel, SDFP),然后进行三维相位解缠和奇异值分解,求解单主影像相位序列,最后采用时空滤波估计和去除大气延迟相位,得到地形高程误差和形变序列信息。SBAS方法利用的SDFP点实际上属于一类在短时间段内具有较强相干保持能力的分布式散射体(distributed scatterers, DS)目标,而DS目标在自然界中普遍存在,如沙地、裸土、草地等,因此SBAS方法比PSI方法更适用于自然场景的形变探测。

    在PSI和SBAS两类方法各自发展完善的基础上,科学家们又提出了混合时序InSAR分析方法。该类方法通过联合分析PS目标与DS目标来增加测量点空间密度,改善形变信号空间采样率,提升相位解缠的可靠性。其基本处理流程为:首先分别按照PSI和SBAS方法提取同一场景时序InSAR数据集中的PS和DS目标,然后对提取到的PS和DS目标统一构网,最后采用常规PSI或SBAS时序分析方法对PS/DS上的相位观测进行解缠和误差分离,得到形变速率与时序形变量等信息。这类方法的典型代表包括StaMPS/MTI(Stanford method for persistent scatterer/multi-temporal InSAR)方法[22]和SqueeSARTM方法[23],后者首次提出了采用基于同质像元识别和最优相位估计的DS目标提取方案,大大增加了可利用的测量点数量和密度,从而显著提高了形变测量结果的有效性和可靠性。

    在SqueeSARTM方法发表后,各国学者相继提出了多种采用类似处理策略的分布式散射体时序InSAR分析方法[24-29]。其中,针对SqueeSARTM方法应用于短序列InSAR数据集时性能不佳的问题,文献[30]提出了一种相干散射体时序InSAR(coherent scatterer InSAR, CSI)分析方法。CSI方法的基本原理和步骤如下:首先按照标准PSI算法,利用幅度离差等判断准则从时序InSAR数据集中提取候选PS点,基于时间相干最大化准则对候选PS目标进行优化筛选;然后采用广义似然比假设检验,从时序InSAR数据集中每个像元的空间邻域内识别与其散射特性相似度高的同质像元,将同质像元个数不少于预设阈值(大于或等于20)的像元作为候选DS目标,在此基础上采用Phase Linking算法对DS目标的干涉相位进行优化估计,提高相位观测的信噪比;最后,综合PS和DS这两类散射体目标构建基线观测网络,按照标准PSI的处理流程进行三维相位解缠和误差相位分离,进而解算得到形变特征参数。

    本文研究的实验区——丹巴县位于四川省甘孜州东北部,属于青藏高原东南缘横断山区邛崃山脉,境内海拔高度最低1 700 m,最高5 820 m,相对高差达4 120 m,呈现典型的高山峡谷地貌。大金川河、小金川河等河流在丹巴县城汇流,下游始称大渡河。研究区域如图 1所示,黑色矩形框表示SAR影像覆盖范围。丹巴县境内地质环境脆弱,崩塌、滑坡、泥石流等地质灾害发生频繁。随着日益增多的人类活动,特别是大渡河梯级水电开发及相关的基建工程施工,区内地质灾害发育有加剧之势,多处滑坡复活变形,对当地居民生命财产安全构成了巨大威胁[31]

    图  1  研究区域:大渡河上游四川丹巴县境内
    Figure  1.  Sudy Area: Danba County of Sichuan Province in the Upper Reach of Dadu River

    选用的实验数据有3种星载SAR数据、参考DEM和GPS测量数据。SAR数据包括重轨获取的19景L波段ALOS PALSAR数据、9景C波段ENVISAT ASAR数据、升降轨各一对L波段ALOS-2 PALSAR-2数据。表 1列出了这些星载SAR数据的基本参数信息。

    表  1  丹巴实验区星载SAR数据基本参数
    Table  1.  Basic Parameters of Satellite SAR Datasets over Danba Area
    参数 SAR传感器
    PALSAR ASAR PALSAR-2
    轨道方向 升轨 升轨 升轨/降轨
    雷达波长/cm 23 5.6 23
    空间分辨率/m 10 20 10
    重访周期/d 46 35 14
    视角/(°) 34 38 32/36
    影像数量 19 9 2/2
    时间覆盖范围 2006-12-2011-01 2007-08-2008-06 2015-12-18和2016-12-16/
    2016-06-09和2017-06-08
    垂直基线分布范围/m -1 478~2 354 -326~60 91/124
    下载: 导出CSV 
    | 显示表格

    差分干涉处理选用30 m分辨率的ASTER GDEM作为参考DEM,其标称高程精度约为10~25 m[32]。为了定量化验证时序InSAR分析结果的精度,收集了成都地质矿产研究所在丹巴县甲居滑坡架设的22个静态GPS观测站(包括2个基准站和20个监测站)于2006-2013年期间按季度采集的位移监测数据[33]

    采用自主研发的相干散射体时序InSAR分析方法(CSI)对覆盖丹巴县的PALSAR和ASAR数据进行时序干涉处理,提取了2007-2010年间该地区的地表形变特征信息。考虑到两种数据覆盖范围不同,而且当地居民点主要分布在河流两岸的谷地和缓坡地上,因此仅裁剪出两组数据集都覆盖的大金川河-大渡河沿线区域进行处理分析,获得的雷达视线方向(line of sight, LOS)年平均形变速率如图 2所示。图 2中,红色负值表示地物目标位移沿着远离卫星方向,蓝色正值表示位移朝着卫星方向,黑色三角形标示的R1点为形变测量参考点,背景为从ASTER GDEM生成的山影图。

    图  2  丹巴县境内雷达视线方向平均形变速率图
    Figure  2.  Mean Velocity of Surface Displacements Along Radar Line-of-Sight Directions Within Danba Area

    从PALSAR数据集中共识别出包括PS/DS目标在内的4 227 593个测量点(measurement points, MPs),平均空间分布密度大于4 000 MPs/km2。依据前人研究结论[34],对于C波段SAR数据,当斜坡的LOS方向形变速率绝对值大于2 mm/a时,可认为该斜坡处于不稳定状态。鉴于InSAR形变测量精度与雷达波长成正比,对于L波段数据,可认为LOS方向形变速率大于8 mm/a时斜坡不稳定,该值约为C波段阈值的4倍。

    PALSAR处理结果中,约80%的测量点形变速率绝对值小于8 mm/a,说明大部分区域较为稳定。从PALSAR平均形变速率图中总共识别出17处不稳定坡体,在图 2(a)中标出了这些疑似滑坡的位置和名称,其详细特征信息见表 2。在这17处疑似滑坡体中,仅有甲居、梭坡和红军桥为已知滑坡,其他滑坡在本研究开展前均不为人所知。相比之下,从相同覆盖范围的ASAR数据集中仅探测到776 422个测量点,平均空间密度不足800 MPs/km2,从中仅能识别出其中7处滑坡,而大部分斜坡上测量点分布稀疏,无法判断斜坡稳定性。

    表  2  时序InSAR分析滑坡探测识别结果
    Table  2.  Summary of Landslide Detection Results by Time Series InSAR Analysis
    滑坡名称 坡向/(°) 坡度/(°) 面积/
    km2
    MP点密度/
    (MPs·km-2)
    最大LOS形变速率/(mm·a-1) 可探测数据集
    梭坡滑坡 220 20~30 1.1 3 659 80 A, P1, P2D
    聂呷复合滑坡 110 15~30 42.5 10 898 -120 A, P1, P2A, P2D
    五里牌滑坡 40 25~35 0.1 15 227 -44 P1, P2A
    格宗滑坡 60 25~35 5.1 13 586 -101 A, P1, P2A
    泽公滑坡 50 15~30 7.5 12 577 -63 A, P1, P2A
    白呷山滑坡 10 10~30 7.6 12 896 -35 A, P1, P2A
    红军桥滑坡 170 30~40 0.7 3 356 -16 P1, P2D
    东风滑坡 310 15~30 0.1 3 253 25 P1, P2D
    中路滑坡 300 15~35 9.1 4 574 -54 P1, P2D
    岳扎滑坡 100 20~30 1.3 5 820 -56 P1, P2A
    麻索寨滑坡 180 35~45 0.7 4 348 -42 P1, P2A
    齐支滑坡 80 25~35 3.4 12 610 -68 P1, P2A
    木纳山滑坡 120 25~40 4.8 6 259 -78 P1, P2A
    注:①A、P1、P2A和P2D分别代表ASAR、PALSAR、升轨PALSAR-2和降轨PALSAR-2数据;②聂呷复合滑坡由5个局部滑坡(甲居、高顶、聂拉村、聂呷坪、扎客)组成;③形变速率负值表示滑坡位移远离卫星方向;④坡向以正北方向为零度,顺时针记录
    下载: 导出CSV 
    | 显示表格

    针对上述时序InSAR分析得到的滑坡探测结果,采用以下3种途径来验证其有效性:①与PALSAR-2数据差分干涉处理结果进行定性比较;②赴实地现场调查核实;③与甲居滑坡GPS位移监测资料定量比对。

    PALSAR和ASAR存档数据仅能反映2007-2010年期间滑坡的历史活动状态,为了考察这些滑坡近期的活动状态,使用表 1中所列的两对PALSAR-2数据进行差分干涉处理,滤波后的差分干涉图如图 3所示。为了保证较好的视觉效果,对差分干涉图不作地理编码,而是保留在雷达坐标系下。两对PALSAR-2数据的观测时间间隔均为364 d,升轨和降轨干涉对的垂直基线分别为91 m和124 m,对于L波段数据来说足够短了。短垂直基线可以保证较小的几何去相干,并可降低DEM误差相位的影响。从差分干涉图中可以看出,大气对流层延迟影响较小,局部的相位突变除了部分由几何畸变引起外,更多的则反映了由滑坡表面形变造成的LOS方向位移。

    图  3  雷达坐标系下经过滤波的PALSAR-2差分干涉图
    Figure  3.  Filtered Differential Interferograms of PALSAR-2 in Radar Coordinate Systems

    升降轨PALSAR-2差分干涉结果表明,利用时序InSAR处理从历史存档PALSAR数据探测到的17处滑坡至今仍然处于活跃状态,大部分滑坡在升轨差分干涉图中可见,少部分在降轨差分干涉图中可见,如梭坡滑坡、东风滑坡、中路滑坡和红军桥滑坡,而甲居滑坡、高顶滑坡和聂拉村滑坡在升降轨干涉图中都可见。此外,PALSAR-2差分干涉结果还探测到了一些范围较小的微弱形变信号,如图 3中红色圈所示,这些可疑区域需要进一步现场确认和通过时序InSAR分析结果进行检验。

    为了验证InSAR滑坡探测识别结果,973计划项目“西部山区大型滑坡致灾因子识别、前兆信息获取与预警方法研究”于2017年4月组织了现场考察活动,对采用时序InSAR分析技术从PALSAR数据中识别出的丹巴县疑似滑坡进行现场勘查取证。本文结合PALSAR形变探测结果、Google EarthTM和现场考察情况,重点分析了两个典型滑坡,以评估InSAR滑坡早期识别结果的可靠性。

    1) 聂呷复合滑坡

    聂呷复合滑坡是一个巨型堆积体滑坡,东西向长为7.4 km,南北向宽为10 km,海拔高度范围为1 900~4 600 m。大金川河和省道S211从滑坡脚下穿过。从图 4(a)所示的PALSAR LOS形变速率图上可以探测到5处局部变形区,分别为扎客滑坡、甲居滑坡、聂呷坪滑坡、聂拉村滑坡和高顶滑坡,其中甲居滑坡和聂拉村滑坡的最大形变速率均超过了120 mm/a,呈现强烈的变形特征。现场考察中,在甲居滑坡后缘的柏油路面发现了10 cm宽的裂缝,如图 4(b)所示。甲居滑坡坡脚受到大金川河水流常年冲蚀,破坏严重,这是该滑坡体持续变形的主要诱因。为此,当地政府部门采取了在坡脚河岸堆放钢筋石笼等措施进行排险加固,如图 4(c)所示。图 4(d)显示聂拉村滑坡体上道路破坏十分严重,由于变形很大,无法进行硬化处理。

    图  4  聂呷复合滑坡,包括扎客滑坡、甲居滑坡、聂呷坪滑坡、聂拉村滑坡和高顶滑坡
    Figure  4.  4 Niexia Complex Landslide is Comprised of Five Landslides, Including Zhake, Jiaju, Niexiaping, Nielacun and Gaoding

    扎客滑坡和聂呷坪滑坡的平均形变速率约为20 mm/a,高顶滑坡位于山顶高位,形变速率为20~60 mm/a。图 4(e)绘出了甲居滑坡上P1点的形变序列及同一位置的GPS站点位移观测序列。为了对二者进行定量比较,将三维GPS位移观测矢量投影到PALSAR数据的LOS方向,并采用样条曲线插值法插值到与InSAR观测同步的时间点上。InSAR与GPS测量结果吻合较好,相关系数为0.98,年平均形变速率的均方根偏差为13 mm/a。

    2) 五里牌滑坡

    五里牌滑坡范围较小,长度为480 m,宽度为200 m,因近10余年来房地产开发等工程施工活动中对坡脚开挖,导致古滑坡复活。图 5(a)所示的时序InSAR探测结果表明,2007-2010年期间,该滑坡上部形变速率明显大于下部,LOS方向最大形变速率为44 mm/a,滑坡上部P2点形变序列如图 5(b)所示,整体呈线性趋势;滑坡后缘拉裂缝在现场照片中清晰可见,如图 5(c)所示;滑坡底部的挡墙也出现了若干条纵横分布的裂缝,如图 5(d)所示,说明坡脚变形已经很严重了,很可能意味着该滑坡滑动面已接近贯通,发生失稳下滑的风险较大。

    图  5  五里牌滑坡
    Figure  5.  Wulipai Landslide

    五里牌滑坡的复活对山脚下居民的人身财产安全及高层建筑物稳定构成了巨大的威胁。2017年,四川省国土厅决定采取紧急措施对该滑坡进行加固治理。采用时间序列InSAR技术对该滑坡开展持续跟踪监测,可为滑坡治理提供决策信息支持,并可用于评估治理后坡体的稳定性及其动态变化趋势。

    §4.1和§4.2通过与PALSAR-2差分干涉结果比对和实地调查核实,对PALSAR数据的时序InSAR分析滑坡识别结果的有效性开展了定性评价和验证。本节利用甲居滑坡上安装的20个GPS观测站点获取的2006-2013年间滑坡表面位移监测资料,对InSAR滑坡形变探测结果进行定量评价。

    为了方便比对,将GPS测量的三维位移矢量投影到PALSAR数据的LOS方向。以每个GPS监测站为中心,计算半径50 m以内所有InSAR测量点的平均形变速率和形变时间序列。对InSAR平均形变速率与投影后的GPS平均形变速率作统计相关分析,二者构成的散点图如图 6所示,相关系数为0.969,吻合度较高,二者之间偏差的均方根(root mean square error, RMSE)为10.5 mm/a,相对于上百mm/a量级的甲居滑坡平均形变速率来说,这一偏差已经很小了。

    图  6  PALSAR与GPS观测形变速率散点图
    Figure  6.  Scatter Plot of Displacement Velocities Measured by PALSAR and GPS

    对比了20个GPS监测站上InSAR和GPS的累积形变序列。将2006年12月23日作为InSAR和GPS形变序列统一的参考零基准时间,计算各观测时刻的累积形变量。作为示例,图 7给出了其中有代表性的4个GPS站点InSAR与GPS的累积形变序列,Δ为GPS与InSAR测量平均形变速率之差。在选取的4个GPS站点中,G5位于滑坡体北侧上部靠近后缘处,G9在整个滑坡体中部偏北侧,G15位于滑坡体南侧下部靠近前缘处,G17位于滑坡体北侧下部靠近前缘处。从形变序列来看,甲居滑坡呈现前缘比后缘变形更快、北侧比南侧滑动变形更强烈的空间分布格局。

    图  7  代表性GPS站点InSAR与GPS测量累积形变序列图
    Figure  7.  Cumulative Displacements at Typical GPS Stations Measured by InSAR and GPS

    在大部分监测站点上,InSAR与GPS形变序列的趋势一致性较好。具体地,20个GPS站点中有13个站点的速率差值小于10 mm/a,4个站点的速率差值在10~15 mm/a,仅有3个站点(G12、G18和G22)的速率差值超过15 mm/a。不过,尽管InSAR与GPS测量的形变趋势吻合度较高,但二者仍然存在一定偏差。可能导致偏差的原因包括:①InSAR测量点与GPS监测站位置不重合,甲居滑坡空间形变梯度较大,几十米的距离偏差可能会导致较大的形变量差异;②PALSAR数据观测获取时间与GPS测量采集时间不同步,滑坡形变并非理想的线性形变,也会导致偏差。

    §4通过多种途径对PALSAR数据时间序列InSAR分析结果的验证表明,时序InSAR技术应用于大渡河上游丹巴县能够有效地识别处于持续变形中的不稳定坡体。但其应用效能还取决于使用的数据、采用的处理方法、针对的研究对象及环境条件等,本节将对此展开讨论分析。

    以甲居滑坡为例,分别采用PSI、SBAS和本文提出的CSI这3种时序InSAR分析方法对PALSAR数据集进行了处理,得到的平均形变速率图如图 8所示。很显然,SBAS方法提取到的测量点密度(1 329 MPs/km2)略高于PSI方法的提取结果(823 MPs/km2),而CSI方法得到的测量点密度(25 533 MPs/km2)远高于其他两种方法。

    图  8  3种时序InSAR分析方法得到的甲居滑坡平均形变速率图
    Figure  8.  Mean Displacement Velocities of Jiaju Landslide Derived by Three Time Series InSAR Methods

    PSI和SBAS方法提取的测量点数量偏少而且分布很不均匀,特别是在滑坡下部大片区域仅有很稀疏的有效测量点,导致相位解缠错误,进而造成形变速率的低估。相比之下,CSI方法提取到的测量点数量高很多,而且分布更为均匀,因此保证了滑坡下部大形变区域相位的正确解缠,避免了形变速率的低估问题。另外,从CSI处理结果中不难看出,甲居滑坡北侧不稳定的区域大大超过了由前人研究给出的滑坡边界(黑色曲线)[35],根据CSI得到的平均形变速率分布图,甲居滑坡北侧边界(即滑坡后缘)应该更新定位到向后600 m处。

    大渡河上游丹巴县的实验结果证明了CSI方法在滑坡早期识别中的有效性及优势,具备了在西部山区大范围推广应用的潜力,但其实际应用效果受到以下因素的影响。

    1) 雷达波长

    现有的民用雷达卫星通常工作于X波段(波长3.1 cm)、C波段(波长5.6 cm)或L波段(波长23.6 cm)。对于InSAR形变测量来说,雷达波长决定测量灵敏度,波长越短,灵敏度越高,反之波长越长,灵敏度越低。但在复杂山区环境中,特别是在植被覆盖情况下,短波长的X波段和C波段难以穿透植被冠层,时间相干性保持能力弱;波长更长、穿透能力更强的L波段,InSAR观测数据往往具有更好的相干性,在西部山区滑坡普查监测应用中具有明显优势。

    2) 几何畸变

    星载SAR系统采用的侧视距离成像方式在观测山区时容易产生几何畸变现象,造成无效的观测盲区。一般来说,朝向卫星的斜坡在雷达影像中形成透视收缩或叠掩的概率较大,多个分辨单元的散射回波信号相互混叠,使得难以提取到有效的形变信息;而背向卫星的斜坡处于有利观测条件,成像分辨率较高,更适合于探测坡体稳定性。不过,几何畸变的程度取决于传感器与斜坡的相对几何关系,与雷达入射角、坡向、坡度等特征参数密切相关。通过加大入射角,可有效减少透视收缩和叠掩现象,但可能会以增加阴影的产生为代价。此外,联合升轨和降轨观测可大大减少观测盲区,提升滑坡的有效探测率。

    3) 一维形变

    InSAR技术仅能探测到沿着雷达视线(即LOS方向)的一维形变,民用雷达卫星均为沿近南北方向飞行的极轨卫星,使得星载InSAR观测仅对东西和垂直方向的形变敏感,而当滑坡的主要位移方向与LOS方向近似垂直时,InSAR难以有效探测其形变信息。对于工程地质应用来说,通常需要完整的三维形变信息才能对滑坡状态作出全面准确的判断。因此,联合多平台、多轨道观测数据或与多孔径干涉测量、偏移量追踪等不同方法联合提取三维形变场已成为InSAR技术领域的研究热点之一[36-37]

    4) 最大可探测形变梯度

    基于相位观测的InSAR技术能够探测的空间形变梯度和时间形变速率是有上限的。可靠的相位解缠要求空间上相邻测量点之间的相对形变差值不超过雷达波长的1/4(即λ/4)。最大时间形变速率除了与空间形变梯度有关外,还取决于SAR数据采集的时间间隔Δt,表达式为λ/(4Δt)[38]。长波段传感器和高空间分辨率可同时提升可探测的最大空间形变梯度和最大时间形变速率,短重访周期能够提升最大时间形变速率。值得注意的是,形变量较大很可能引起时间失相干,使得无法提取到相干散射体。对于超出最大可探测梯度的滑坡形变现象,通常可采用子带干涉或偏移量追踪等方法进行探测提取[39-40]

    5) 大气对流层传播延迟效应

    对于重复轨道InSAR技术来说,由大气对流层中水汽含量分布的时空变化引起的雷达回波传播延迟构成了差分相位测量中的主要误差源,因此对大气延迟相位进行定量估计和补偿是形变信息提取过程中的重要环节之一。经典的时间序列InSAR分析方法通常假定大气延迟相位是一种空间上高度自相关、时间上随机分布的信号,因而采用时间维高通、空间维低通的组合滤波器来加以估计。

    然而,这一假设条件仅适用于地形较为平坦的区域,在类似大渡河流域的高山峡谷地区,与地形起伏相关的对流层垂直分层延迟相位往往占据主导地位,而且具有时间相关性并呈现季节性波动的趋势,使得采用传统的时空滤波手段难以对其进行准确估计和去除。因此,高山峡谷地区大气延迟相位的有效估计和去除已成为时序InSAR技术应用于山区滑坡灾害普查监测中的主要瓶颈,亟需开展相应的方法研究[41]

    中国西部山区地质环境破碎,地质构造活动频繁,气象条件复杂多变,因此滑坡、崩塌、泥石流等地质灾害广泛发育,对当地居民生命财产安全和社会经济可持续发展构成了严重威胁。要预防减少滑坡等灾害发生可能造成的损失,最有效的途径是尽可能早地发现、识别和确定具有成灾风险的地质灾害隐患,为进一步开展监测预警、综合治理或搬迁避让提供决策信息支持。

    利用星载SAR系统重复轨道获取的观测数据集进行时间序列InSAR分析,可为滑坡灾害隐患的早期识别提供有效的技术手段。本文以大渡河上游丹巴县为实验区,探讨了时序InSAR分析方法在滑坡早期识别中的应用潜力。采用相干散射体干涉测量(CSI)方法,从历史存档的L波段ALOS PALSAR数据集中成功探测识别出了17处不稳定坡体,通过将疑似滑坡识别结果与PALSAR-2差分干涉结果和GPS位移监测资料比对、实地调查核实等途径,评估验证了时序InSAR方法用于滑坡隐患识别的有效性及优势,并总结了影响时序InSAR方法滑坡监测应用效果的主要因素以及需要继续探索的研究方向。

    致谢: 本研究中使用的ALOS PALSAR和ALOS-2 PALSAR-2数据由日本宇航局ALOS RA项目(1247, 1440, 3248)提供,ENVISAT ASAR数据由中欧合作“龙”计划项目(32278)提供。
  • 图  1   研究区域:大渡河上游四川丹巴县境内

    Figure  1.   Sudy Area: Danba County of Sichuan Province in the Upper Reach of Dadu River

    图  2   丹巴县境内雷达视线方向平均形变速率图

    Figure  2.   Mean Velocity of Surface Displacements Along Radar Line-of-Sight Directions Within Danba Area

    图  3   雷达坐标系下经过滤波的PALSAR-2差分干涉图

    Figure  3.   Filtered Differential Interferograms of PALSAR-2 in Radar Coordinate Systems

    图  4   聂呷复合滑坡,包括扎客滑坡、甲居滑坡、聂呷坪滑坡、聂拉村滑坡和高顶滑坡

    Figure  4.   4 Niexia Complex Landslide is Comprised of Five Landslides, Including Zhake, Jiaju, Niexiaping, Nielacun and Gaoding

    图  5   五里牌滑坡

    Figure  5.   Wulipai Landslide

    图  6   PALSAR与GPS观测形变速率散点图

    Figure  6.   Scatter Plot of Displacement Velocities Measured by PALSAR and GPS

    图  7   代表性GPS站点InSAR与GPS测量累积形变序列图

    Figure  7.   Cumulative Displacements at Typical GPS Stations Measured by InSAR and GPS

    图  8   3种时序InSAR分析方法得到的甲居滑坡平均形变速率图

    Figure  8.   Mean Displacement Velocities of Jiaju Landslide Derived by Three Time Series InSAR Methods

    表  1   丹巴实验区星载SAR数据基本参数

    Table  1   Basic Parameters of Satellite SAR Datasets over Danba Area

    参数 SAR传感器
    PALSAR ASAR PALSAR-2
    轨道方向 升轨 升轨 升轨/降轨
    雷达波长/cm 23 5.6 23
    空间分辨率/m 10 20 10
    重访周期/d 46 35 14
    视角/(°) 34 38 32/36
    影像数量 19 9 2/2
    时间覆盖范围 2006-12-2011-01 2007-08-2008-06 2015-12-18和2016-12-16/
    2016-06-09和2017-06-08
    垂直基线分布范围/m -1 478~2 354 -326~60 91/124
    下载: 导出CSV

    表  2   时序InSAR分析滑坡探测识别结果

    Table  2   Summary of Landslide Detection Results by Time Series InSAR Analysis

    滑坡名称 坡向/(°) 坡度/(°) 面积/
    km2
    MP点密度/
    (MPs·km-2)
    最大LOS形变速率/(mm·a-1) 可探测数据集
    梭坡滑坡 220 20~30 1.1 3 659 80 A, P1, P2D
    聂呷复合滑坡 110 15~30 42.5 10 898 -120 A, P1, P2A, P2D
    五里牌滑坡 40 25~35 0.1 15 227 -44 P1, P2A
    格宗滑坡 60 25~35 5.1 13 586 -101 A, P1, P2A
    泽公滑坡 50 15~30 7.5 12 577 -63 A, P1, P2A
    白呷山滑坡 10 10~30 7.6 12 896 -35 A, P1, P2A
    红军桥滑坡 170 30~40 0.7 3 356 -16 P1, P2D
    东风滑坡 310 15~30 0.1 3 253 25 P1, P2D
    中路滑坡 300 15~35 9.1 4 574 -54 P1, P2D
    岳扎滑坡 100 20~30 1.3 5 820 -56 P1, P2A
    麻索寨滑坡 180 35~45 0.7 4 348 -42 P1, P2A
    齐支滑坡 80 25~35 3.4 12 610 -68 P1, P2A
    木纳山滑坡 120 25~40 4.8 6 259 -78 P1, P2A
    注:①A、P1、P2A和P2D分别代表ASAR、PALSAR、升轨PALSAR-2和降轨PALSAR-2数据;②聂呷复合滑坡由5个局部滑坡(甲居、高顶、聂拉村、聂呷坪、扎客)组成;③形变速率负值表示滑坡位移远离卫星方向;④坡向以正北方向为零度,顺时针记录
    下载: 导出CSV
  • [1] 黄润秋, 许强.中国典型灾难性滑坡[M].北京:科学出版社, 2008

    Huang Runqiu, Xu Qiang. Catastrophic Landslide Disasters in China[M]. Beijing:Science Press, 2008

    [2] 许强, 李为乐, 董秀军, 等.四川茂县叠溪镇新磨村滑坡特征与成因机制初步研究[J].岩石力学与工程学报, 2017, 11:2612-2628 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=QKC20172017112900068973

    Xu Qiang, Li Weile, Dong Xiujun, et al. The Xinmocun Landslide on June 24, 2017 in Diexi Mao-xian, Sichuan:Characteristics and Failure Mechanism[J]. Chinese Journal of Rock Mechanics and Engineering, 2017, 11:2612-2628 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=QKC20172017112900068973

    [3] 殷跃平, 王文沛, 张楠, 等.强震区高位滑坡远程灾害特征研究——以四川茂县新磨滑坡为例[J].中国地质, 2017, 44(5):827-841 http://www.cqvip.com/QK/90050X/201705/7000404302.html

    Yin Yueping, Wang Wenpei, Zhang Nan, et al.Long Runout Geological Disaster Initiated by the Ridge-Top Rockslide in a Strong Earthquake Area:A Case Study of the Xinmo Landslide in Maoxian County, Sichuan Province[J]. Geology in China, 2017, 44(5):827-841 http://www.cqvip.com/QK/90050X/201705/7000404302.html

    [4]

    Su L, Hu K, Zhang W, et al. Characteristics and Triggering Mechanism of Xinmo Landslide on June 242017 in Sichuan, China[J]. Journal of Mountain Science, 2017, 14(9):1689-1700 doi: 10.1007/s11629-017-4609-3

    [5] 许强, 汤明高, 黄润秋.大型滑坡监测预警与应急处置[M].北京:科学出版社, 2015

    Xu Qiang, Tang Minggao, Huang Runqiu. Monitoring, Early Warning and Emergency Disposal of Large Landslides[M]. Beijing:Science Press, 2015

    [6] 郭华东.雷达对地观测理论与应用[M].北京:科学出版社, 2000

    Guo Huadong. Theory and Application of Earth Observation by Radar[M]. Beijing:Science Press, 2000

    [7] 廖明生, 王腾.时间序列InSAR技术与应用[M].北京:科学出版社, 2014

    Liao Mingsheng, Wang Teng. Time Series InSAR Technology and Its Applications[M]. Beijing:Scie-nce Press, 2014

    [8] 廖明生, 张路, 史绪国, 等.滑坡变形雷达遥感监测方法与实践[M].北京:科学出版社, 2017

    Liao Mingsheng, Zhang Lu, Shi Xuguo, et al. Methodology and Practice of Landslide Deformation Monitoring with SAR Remote Sensing[M]. Beijing:Science Press, 2017

    [9]

    Rosen P A, Hensley S, Joughin I R, et al. Synthetic Aperture Radar Interferometry[J]. Proc of IEEE, 2000, 88(3):333-382 doi: 10.1109/5.838084

    [10]

    Hooper A, Bekaert D, Spaans K, et al. Recent Advances in SAR Interferometry Time Series Analysis for Measuring Crustal Deformation[J].Tectonophysics, 2012, 514:1-13 http://www.sciencedirect.com/science/article/pii/S0040195111004343

    [11]

    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

    [12] 杨成生, 张勤, 赵超英, 等.短基线集InSAR技术用于大同盆地地面沉降、地裂缝及断裂活动监测[J].武汉大学学报·信息科学版, 2014, 39(8):945-950 http://ch.whu.edu.cn/CN/abstract/abstract3049.shtml

    Yang Chengsheng, Zhang Qin, Zhao Chaoying, et al. Small Baseline Subset InSAR Technology Used in Datong Basin Ground Subsidence, Fissure and Fault Zone Monitoring[J]. Geomatics and Information Science of Wuhan University, 2014, 39(8):945-950 http://ch.whu.edu.cn/CN/abstract/abstract3049.shtml

    [13] 李鹏, 李振洪, 李陶, 等.宽幅InSAR大地测量学与大尺度形变监测方法[J].武汉大学学报·信息科学版, 2017, 42(9):1195-1202 http://ch.whu.edu.cn/CN/abstract/abstract5817.shtml

    Li Peng, Li Zhenhong, Li Tao, et al. Wide-Swath InSAR Geodesy and Its Applications to Large-Scale Deformation Monitoring[J]. Geomatics and Information Science of Wuhan University, 2017, 42(9):1195-1202 http://ch.whu.edu.cn/CN/abstract/abstract5817.shtml

    [14]

    Zhang Y, Meng X, Chen G, et al. Detection of Geohazards in the Bailong River Basin Using Synthetic Aperture Radar Interferometry[J].Landslides, 2016, 13(5):1273-1284 doi: 10.1007/s10346-015-0660-8

    [15]

    Shi X, Liao M, Li M, et al. Wide-Area Landslide Deformation Mapping with Multi-path ALOS PALSAR Data Stacks:A Case Study of Three Gorges Area, China[J]. Remote Sensing, 2016, 8(2):136 doi: 10.3390/rs8020136

    [16]

    Hanssen R F. Radar Interferometry, Data Interpretation and Error Analysis[M]. Netherlands:Springer, 2001

    [17]

    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

    [18]

    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

    [19]

    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

    [20]

    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

    [21]

    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

    [22]

    Hooper A. A Multi-temporal InSAR Method Incorporating Both Persistent Scatterer and Small Baseline Approaches[J].Geophysical Research Letter, 2008, 35:L16302 doi: 10.1029/2008GL034654

    [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]

    Wang Y, Zhu X, 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(9):89-99 http://www.sciencedirect.com/science/article/pii/S0924271612001219

    [25]

    Goel K, Adam N. A Distributed Scatterer Interfero-metry 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

    [26]

    Lv X, Yazici B, Zeghal M, et al. Joint-Scatterer Processing for Time-Series InSAR[J].IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(11):7205-7221 doi: 10.1109/TGRS.2014.2309346

    [27]

    Ng A H M, Ge L, Li X. Assessments of Land Subsidence in the Gippsland Basin of Australia Using ALOS PALSAR Data[J]. Remote Sensing of Environment, 2015, 159:86-101 doi: 10.1016/j.rse.2014.12.003

    [28]

    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

    [29]

    Cao N, Lee H, Jung H C. A Phase-Decomposition-Based PSInSAR Processing Method[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(2):1074-1090 doi: 10.1109/TGRS.2015.2473818

    [30]

    Dong J, Zhang L, Tang M, et al. Mapping Landslide Surface Displacements with Time Series SAR Interferometry by Combining Persistent and Distri-buted 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

    [31] 李明辉, 郑万模, 陈启国.丹巴县地质灾害发育特征及成因探讨[J].自然灾害学报, 2008, 17(1):49-53 doi: 10.3969/j.issn.1004-4574.2008.01.009

    Li Minghui, Zheng Wanmo, Chen Qiguo. Development Characteristic of Geological Hazard in Danba County and Its Cause Discussion[J].Journal of Natural Disasters, 2008, 17(1):49-53 doi: 10.3969/j.issn.1004-4574.2008.01.009

    [32]

    Fujisada H, Bailey G B, Kelly G G, et al. ASTER DEM Performance[J].IEEE Transactions on Geoscie-nce and Remote Sensing, 2005, 43(12):2707-2714 doi: 10.1109/TGRS.2005.847924

    [33] 敖萌, 张勤, 赵超英, 等.改进的CR-InSAR技术用于四川甲居滑坡形变监测[J].武汉大学学报·信息科学版, 2017, 42(3):377-383 http://ch.whu.edu.cn/CN/abstract/abstract5689.shtml

    Ao Meng, Zhang Qin, Zhao Chaoying, et al. An Improved CR-InSAR Technology Used for Deforma-tion Monitoring in Jiaju Landslide, Sichuan[J]. Geomatics and Information Science of Wuhan University, 2017, 42(3):377-383 http://ch.whu.edu.cn/CN/abstract/abstract5689.shtml

    [34]

    Colesanti C, Wasowski J. Investigating Landslides with Space-Borne Synthetic Aperture Radar (SAR) Interferometry[J]. Engineering Geology, 2006, 88(3):173-199 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=76e04e80aa3b1d5c4a0e9e7422064125

    [35]

    Yin Y, Zheng W, Liu Y, et al. Integration of GPS with InSAR to Monitoring of the Jiaju Landslide in Sichuan, China[J]. Landslides, 2010, 7(3):359-365 doi: 10.1007/s10346-010-0225-9

    [36]

    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

    [37]

    Shi X, Zhang L, Zhou C, et al. Retrieval of Time Series Three-Dimensional Landslide Surface Displacements from Multi-angular SAR Observations[J]. Landslides, 2018, 15(5):1015-1027 doi: 10.1007/s10346-018-0975-3

    [38]

    Wasowski J, Bovenga F. Investigating Landslides and Unstable Slopes with Satellite Multi Temporal Interfero-metry:Current Issues and Future Perspectives[J]. Engineering Geology, 2014, 174:103-138 doi: 10.1016/j.enggeo.2014.03.003

    [39]

    Shi X, Zhang L, 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

    [40]

    Shi X, Jiang H, Zhang L, 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

    [41]

    Bekaert D P S, Walters R J, Wright T J, et al. Statistical Comparison of InSAR Tropospheric Correction Techniques[J]. Remote Sensing of Environment, 2015, 170:40-47 doi: 10.1016/j.rse.2015.08.035

  • 期刊类型引用(141)

    1. 王勇,邢振涛,李锁,闫勇,司甜. 基于SBAS-InSAR和光学遥感的天津市北部山区潜在滑坡识别研究. 灾害学. 2025(01): 30-35 . 百度学术
    2. 张雪,魏云杰,杨成生,刘勇,杨佳艺. 云南昭通地区滑坡隐患InSAR广域识别与监测. 地球科学与环境学报. 2025(01): 128-142 . 百度学术
    3. 龚翔,许强,蒲川豪,陈婉琳,修德皓,纪续. 兰州新区平山造城竣工后地表形变InSAR时序监测与分析. 武汉大学学报(信息科学版). 2024(02): 236-245 . 百度学术
    4. 邓志德,邱锦安,刘燕辉,金炯球,卢琪愿. 基于InSAR技术的岩溶塌陷区地表形变监测应用研究. 资源信息与工程. 2024(01): 34-40 . 百度学术
    5. 李启亮,孙永彬,王诜,汪冰,邓国武,张策. 基于InSAR技术溪洛渡库区活动滑坡形变特征研究. 矿产勘查. 2024(02): 311-319 . 百度学术
    6. 董玉娟,左小清,李勇发,张荐铭,陈科. 基于DS-InSAR的西南某电站库区形变监测及滑坡体识别. 遥感信息. 2024(01): 104-111 . 百度学术
    7. 仲鹏宇,张王菲,戴可人,郭世鹏,许政勇. 基于相位恢复的SBAS-InSAR技术与光学影像结合的攀枝花地区滑坡早期识别. 山东科技大学学报(自然科学版). 2024(02): 58-67 . 百度学术
    8. 闵希超,薛东剑,张凌煜. 基于时序InSAR技术的西山黄土滑坡形变特征分析. 自然资源信息化. 2024(01): 42-49 . 百度学术
    9. 危洪波,龚珺,夏元平,王霞迎,陈帅强,杨雨媚,折育霖,储小东. 融合多源遥感的滑坡隐患识别及形变监测——以井冈山下茅坪水库滑坡为例. 东华理工大学学报(自然科学版). 2024(03): 286-293 . 百度学术
    10. 彭一桂,艾东,曾斌,刘诗雅. 基于联合时序InSAR技术的矿区沉降隐患区识别. 自然灾害学报. 2024(03): 191-201 . 百度学术
    11. 刘城成,尹永明,廖煜恒,王宝亮,罗刚. 强风化长雨季条件下矿山GNSS与合成孔径雷达技术的适用性研究. 矿产勘查. 2024(S1): 235-242 . 百度学术
    12. 张超伟,刘运才,左世诚,李思慧,来尚婧,董杰,廖明生. 利用时序InSAR技术开展大型调水工程变形监测. 地理空间信息. 2024(07): 76-79+124 . 百度学术
    13. 沈毅,韩梦思,贺保斌,沈石凯,李旺,张一菡,张兵兵. 基于时序InSAR技术的信阳市中心城区地面沉降监测. 信阳师范学院学报(自然科学版). 2024(03): 286-291 . 百度学术
    14. 魏统彪,石鹏卿,高子雁,周小龙. 基于DeepLabv3+算法的黄土地区地质灾害隐患形变区识别技术研究. 甘肃科学学报. 2024(04): 18-25 . 百度学术
    15. 董继红,王猛,余天彬,代力,黄细超,刘文. 基于多源数据的宜宾市采空形变区监测与分析. 北京测绘. 2024(07): 992-997 . 百度学术
    16. 李昊,李叶繁,魏长婧,王磊杰,康利军,姜川. 基于SBAS-InSAR技术的登封市潜在地质灾害识别研究. 河南科学. 2024(08): 1170-1178 . 百度学术
    17. 高永琪,胡亚. 基于改进SBAS-InSAR技术的西南山区铁路沿线地表形变监测方法研究. 铁道标准设计. 2024(08): 58-64+85 . 百度学术
    18. 武德宏,郝利娜,严丽华,唐烽顺,郑光. 金沙江滑坡群InSAR探测与形变因素分析. 自然资源遥感. 2024(03): 259-266 . 百度学术
    19. 李先乐,刘东烈,张明,郭金城,杨龙,刘涛. 黔西南石漠化地区散点状块石变形机理与InSAR早期识别方法. 安全与环境工程. 2024(05): 153-162 . 百度学术
    20. 曾小龙,张双成,樊茜佑,王雄飞,牛玉芬,王杰,姜楗文. 时序InSAR与数值模拟用于公路滑坡灾前风险评估. 测绘科学. 2024(07): 66-75 . 百度学术
    21. 赵琰,赵凌君,张思乾,计科峰,匡纲要. 自监督解耦动态分类器的小样本类增量SAR图像目标识别. 电子与信息学报. 2024(10): 3936-3948 . 百度学术
    22. 廖凇,任博宇,殷梦希,张守红,于伯华,曹云锋. 北京市山体滑坡空间格局与分异机制——以门头沟区“23·7”暴雨事件为例. 中国水土保持科学(中英文). 2024(05): 53-62 . 百度学术
    23. 杨隽,汪娟,郭金城,谢杭,冯瀚. 陆探一号在地质灾害隐患探测中的应用研究. 测绘科学. 2024(09): 174-182 . 百度学术
    24. 余文秀,李秀珍,郑玲静,龚俊豪,李泉林. 基于SBAS-InSAR技术的中巴公路KKH沿线潜在滑坡区识别研究. 工程地质学报. 2024(05): 1597-1606 . 百度学术
    25. 林明明,赵勇,王坤,张帆,刘晓蕾,李金鑫. 基于多源时序InSAR技术的滑坡隐患早期识别. 西北地质. 2024(06): 268-277 . 百度学术
    26. 杨芳,丁仁军,李勇发. 基于SBAS-InSAR技术的金沙江流域典型滑坡时空演化特征分析. 测绘通报. 2024(11): 102-107 . 百度学术
    27. 陈跨越,王保云,王婷. 升降轨Sentinel-1A数据在高山峡谷区地质灾害监测中的适用性研究. 昆明学院学报. 2024(06): 120-128 . 百度学术
    28. 陈志欣,黄其欢,吴忠明,周辉. 考虑可视性的双轨SAR库岸滑坡识别与监测. 水力发电. 2023(01): 30-34+52 . 百度学术
    29. 牛敏杰,师芸,吕杰,赵侃,石龙龙. 基于SBAS-InSAR技术的广安村滑坡形变监测分析. 地理空间信息. 2023(01): 79-84 . 百度学术
    30. 廉旭刚,韩雨,刘晓宇,胡海峰,蔡音飞. 无人机低空遥感矿山地质灾害监测研究进展及发展趋势. 金属矿山. 2023(01): 17-29 . 百度学术
    31. 王庆芳,郑志军,董继红,余天彬,刘文,黄细超. 基于多源遥感技术的红层滑坡识别与监测研究. 人民长江. 2023(01): 111-118 . 百度学术
    32. 张领旗,谢酬,陈蜜,田帮森,杨知,朱玉. 时序InSAR技术在三峡库区特高压输电通道滑坡隐患识别的应用. 测绘通报. 2023(02): 97-103 . 百度学术
    33. 吴明堂,姚富潭,杨建元,陈建强,姚义振,董秀军. 基于倾斜摄影测量与InSAR技术的库区滑坡识别. 人民长江. 2023(03): 130-137 . 百度学术
    34. 潘建平,蔡卓言,赵瑞淇,付占宝,袁雨馨. 基于InSAR和GRU神经网络的不稳定斜坡地表形变预测. 测绘通报. 2023(03): 33-38 . 百度学术
    35. 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. 中国地质灾害与防治学报. 2023(02): 61-72 . 百度学术
    36. 顿佳伟,冯文凯,易小宇,张国强,吴明堂. 白鹤滩库区蓄水前活动性滑坡InSAR早期识别研究——以葫芦口镇至象鼻岭段为例. 工程地质学报. 2023(02): 479-492 . 百度学术
    37. 毛嘉骐,李素敏,崔文东,廖园欢,成睿. 天水中部地区滑坡隐患早期识别及安全性分析. 贵州大学学报(自然科学版). 2023(03): 47-53+99 . 百度学术
    38. 王洪明,李如仁,高建,陈振炜. 时间序列InSAR技术广域地表形变监测——以湖北省为例. 贵州地质. 2023(01): 36-42 . 百度学术
    39. 张娅娣,师芸,王佳运,颉昕宇,石龙龙. 新疆伊犁地区滑坡隐患InSAR识别与发育特征研究. 遥感技术与应用. 2023(02): 496-507 . 百度学术
    40. 张林梵. 基于时序InSAR的黄土滑坡隐患早期识别——以白鹿塬西南区为例. 西北地质. 2023(03): 250-257 . 百度学术
    41. 韦意,庾露,罗国玮. 基于PS-InSAR技术的北海市沿海地区地表沉降监测. 海洋测绘. 2023(02): 30-34 . 百度学术
    42. 许强,董秀军,朱星,邓博,戴可人. 基于实景三维的天-空-地-内滑坡协同观测. 工程地质学报. 2023(03): 706-717 . 百度学术
    43. 贺鸣,樊柱军,段毅,赵顺阳,朱凯. 基于短基线集干涉测量时序分析技术的煤矿采空区输电线路勘测选线. 电力勘测设计. 2023(07): 66-71 . 百度学术
    44. 员鸿燕,潘峰,吴年华,蒙君文. 基于无人机的矿区采动裂缝遥感解译方法研究与应用. 山西煤炭. 2023(02): 103-108 . 百度学术
    45. 曾帅,马志刚,赵聪,杨磊,张肃,董继红,梁京涛,鄢圣武. 青藏高原东部大渡河流域太平桥乡古滑坡群复活特征多源遥感识别. 现代地质. 2023(04): 994-1003 . 百度学术
    46. 王允,王松鹏,王宁涛. 时序InSAR技术在尼泊尔中央发展区北部地区地质灾害隐患早期识别中的应用. 华南地质. 2023(03): 536-547 . 百度学术
    47. 巨淑君,高志良,蒋明成,高强,屈向阳. 震后大渡河流域丹巴—乐山段地质灾害隐患. 山地学报. 2023(03): 411-421 . 百度学术
    48. 赖嘉宁,何卫军,梁明月,杨倩. 浅谈SAOCOM雷达在广西北部山区地质灾害识别中的应用. 世界有色金属. 2023(13): 46-48 . 百度学术
    49. 吴明堂,房云峰,沈月,戴可人,姚义振,陈建强,冯文凯. 基于短基线DInSAR的白鹤滩库区蓄水期滑坡隐患广域快速动态识别. 遥感技术与应用. 2023(05): 1054-1061 . 百度学术
    50. 闫斌,董建军,梅媛,刘士乙. 高海拔石灰石排土场汛期潜在滑移区域的D-InSAR评价研究. 安全与环境工程. 2023(06): 162-168 . 百度学术
    51. 何佳阳,巨能攀,解明礼,文艳,佐旭明,邓明东. 高山峡谷地区地质灾害隐患InSAR识别技术对比. 地球科学. 2023(11): 4295-4310 . 百度学术
    52. 杨沛璋,崔圣华,裴向军,何双,王慧,梁玉飞. 基于SBAS-InSAR和光学遥感影像的大型倾倒变形体变形演化. 地质科技通报. 2023(06): 63-75 . 百度学术
    53. 王宁,姜德才,郑向向,钟昶. 基于多源异构数据斜坡地质灾害隐患易发性评价——以深圳市龙岗区为例. 自然资源遥感. 2023(04): 122-129 . 百度学术
    54. 赵华伟,周林,谭明伦,汤明高,童庆刚,秦佳俊,彭宇辉. 基于光学遥感和SBAS-InSAR的川渝输电网滑坡隐患早期识别. 自然资源遥感. 2023(04): 264-272 . 百度学术
    55. 易邦进,黄成,傅涛,孙技星,朱宝权,钟成. 基于SBAS-InSAR 技术的中缅边境山区地质灾害隐患探测. 自然资源遥感. 2023(04): 186-191 . 百度学术
    56. 何丽,吴先谭,陈欣,罗芳,何政伟,薛东剑,白文倩,康桂川,张雨祥. 基于SBAS-InSAR的西宁市滑坡识别和形变监测分析. 物探化探计算技术. 2023(06): 812-823 . 百度学术
    57. 刘辉,赵文飞,刘先林,刘俊国,刘文锴,刘雪梅,秦臻. 南水北调中线工程高填方渠道PS-InSAR形变监测. 华北水利水电大学学报(自然科学版). 2023(06): 1-9 . 百度学术
    58. 王君鹭,富志鹏. 基于PS-InSAR技术的黄土高边坡形变监测. 公路交通科技. 2023(11): 27-33+60 . 百度学术
    59. 王欢欢,王斌,张伟,周立鹏. 利用InSAR与光学遥感识别削坡建房诱发灾害风险. 遥感信息. 2023(06): 110-116 . 百度学术
    60. 闫少杰,樊恒通,黄其欢,姜丙波. 星载InSAR技术在库岸边坡稳定性识别与监测中的应用. 工程勘察. 2022(01): 61-64 . 百度学术
    61. 高霞霞,李素敏,陈朋弟,袁利伟,黄然. 时序InSAR边坡滑移监测下输电杆塔失稳机理研究. 贵州大学学报(自然科学版). 2022(01): 43-50 . 百度学术
    62. 李克冲,董张玉,杨学志. 面向地面沉降InSAR干涉图加权叠加方法. 计算机系统应用. 2022(01): 21-28 . 百度学术
    63. 程绳,马思捷,董晓虎,颜伸,辛巍,金哲,刘杰,李陶. 基于高分光学卫星影像的滑坡体变形导致输电铁塔倒塌演化研究. 电力信息与通信技术. 2022(02): 1-7 . 百度学术
    64. 许强,陆会燕,李为乐,董秀军,郭晨. 滑坡隐患类型与对应识别方法. 武汉大学学报(信息科学版). 2022(03): 377-387 . 百度学术
    65. 罗刚,程谦恭,沈位刚,凌斯祥,张晓宇,邹鹏,赵永杰. 高位高能岩崩研究现状与发展趋势. 地球科学. 2022(03): 913-934 . 百度学术
    66. 唐尧,王立娟,廖军,邓琮. 基于InSAR技术的川西高山峡谷区地质灾害早期识别研究——以小金川河流域为例. 中国地质调查. 2022(02): 119-128 . 百度学术
    67. 董佳慧,牛瑞卿,亓梦茹,丁赞,徐航,何睿. InSAR技术和孕灾背景指标相结合的地灾隐患识别. 地质科技通报. 2022(02): 187-196 . 百度学术
    68. 王洪明,李如仁,覃怡婷,刘竹青,顾骏. 时间序列InSAR技术在矿区地表形变监测中的应用——以内蒙古霍林河露天矿区为例. 中国地质灾害与防治学报. 2022(02): 71-78 . 百度学术
    69. 张晓伦,甘淑,袁希平,宗慧琳,梁昌献,赵振峰. 基于“天-空-地”一体化的东川区沙坝村滑坡体时序监测与分析. 云南大学学报(自然科学版). 2022(03): 533-540 . 百度学术
    70. 赵淑芬,曾润强,张宗林,王鸿,孟兴民. 黄河上游潜在滑坡早期识别及影响因素. 山地学报. 2022(02): 249-264 . 百度学术
    71. 周定义,左小清,喜文飞,肖波,毕瑞,范馨. 基于SBAS-InSAR技术的深切割高山峡谷区滑坡灾害早期识别. 中国地质灾害与防治学报. 2022(02): 16-24 . 百度学术
    72. 许广河,何小锋,王国瑞,扈志勇,程霞,李小琼. 黄河流域宁夏(西吉县)段滑坡灾害的InSAR识别及成因分析. 测绘通报. 2022(06): 104-107 . 百度学术
    73. 周定义,左小清,喜文飞,肖波,刘馨雨. 顾及大气误差和相位解缠误差的LiCSBAS方法对高山峡谷地区地质灾害的探测. 测绘通报. 2022(06): 114-120+147 . 百度学术
    74. 卓冠晨,戴可人,周福军,沈月,陈晨,许强. 川藏交通廊道典型工点InSAR监测及几何畸变精细判识. 地球科学. 2022(06): 2031-2047 . 百度学术
    75. 吴明,严珊,王金硕,杨敏,张晨蕾,王玥明. 基于InSAR技术对陕西矿区塌陷地震早期预警的研究. 华北地震科学. 2022(01): 64-70 . 百度学术
    76. 张文龙,张童康. 集成InSAR与高分影像的地质灾害隐患早期识别与应用研究. 能源与环保. 2022(07): 9-14+21 . 百度学术
    77. 许强,朱星,李为乐,董秀军,戴可人,蒋亚楠,陆会燕,郭晨. “天-空-地”协同滑坡监测技术进展. 测绘学报. 2022(07): 1416-1436 . 百度学术
    78. 武维毓,周建波,王光辉,张玲,黄会宝,巨淑君. 基于卫星遥感的水电站边坡安全风险识别及应用研究. 大坝与安全. 2022(03): 10-14 . 百度学术
    79. 梁京涛,赵聪,马志刚. 多源遥感技术在地质灾害早期识别应用中的问题探讨——以西南山区为例. 中国地质调查. 2022(04): 92-101 . 百度学术
    80. 程绳,马思捷,董晓虎,刘杰,辛巍,金哲,颜伸,李陶. 多源SAR卫星监测湖北巴东跨江高压输电线路滑坡地质灾害研究. 电力信息与通信技术. 2022(10): 9-16 . 百度学术
    81. 戴可人,沈月,吴明堂,冯文凯,董秀军,卓冠晨,易小宇. 联合InSAR与无人机航测的白鹤滩库区蓄水前地灾隐患广域识别. 测绘学报. 2022(10): 2069-2082 . 百度学术
    82. 朱建军,胡俊,李志伟,孙倩,郑万基. InSAR滑坡监测研究进展. 测绘学报. 2022(10): 2001-2019 . 百度学术
    83. 向淇文,郭金城,汪娟,刘东烈,岳发政. 时序InSAR在贵州区域地质灾害隐患识别的应用. 测绘科学. 2022(09): 112-119 . 百度学术
    84. 易邦进,吴帆,傅涛,黄成,钟成. SBAS/PS-InSAR技术在复杂山区地质灾害探测中的对比研究——以云南省福贡县为例. 贵州师范大学学报(自然科学版). 2022(06): 54-61 . 百度学术
    85. 余斌,李松,谢凌霄,贾洪果,亢邈迒,刘雨鑫,廖明杰,张瑞. 改进TS-InSAR方法的白格滑坡灾前-灾后形变演化特征分析. 测绘通报. 2022(11): 8-12 . 百度学术
    86. 朱智富,甘淑,张荐铭,袁希平,王睿博,张晓伦. 结合SBAS-InSAR技术及信息熵的苍山地质滑坡隐患识别. 测绘通报. 2022(11): 13-19 . 百度学术
    87. 简小婷,赵康,左小清,朱琪,朱文. 基于Faster R-CNN目标检测的滑坡隐患识别——以福贡县城区为例. 化工矿物与加工. 2022(12): 19-24+29 . 百度学术
    88. 李名语,李政,姚京川,冯海龙,毛文飞,张瑞. 基于ISBAS-InSAR的京雄城际铁路建设期区域沉降监测及气候因子相关性分析. 铁道学报. 2022(11): 71-81 . 百度学术
    89. 周胜森,李为乐,陈俊伊,蒋瑜阳,王毅. 西昌—香格里拉拟建高速公路廊道不良地质体遥感识别. 中国地质灾害与防治学报. 2022(06): 90-102 . 百度学术
    90. 吴琼,葛大庆,于峻川,张玲,李曼,刘斌,王艳,马燕妮,刘宏娟. 广域滑坡灾害隐患InSAR显著性形变区深度学习识别技术. 测绘学报. 2022(10): 2046-2055 . 百度学术
    91. 杨洪健,卓冠晨,刘晨,吴明堂,戴可人. InSAR单体滑坡精细监测中滤波影响分析——以王家山滑坡为例. 测绘. 2022(04): 147-152 . 百度学术
    92. 闫怡秋,郭长宝,钟宁,李雪,李彩虹. 基于InSAR形变监测的四川甲居古滑坡变形特征. 地球科学. 2022(12): 4681-4697 . 百度学术
    93. 廖明生,董杰,李梦华,敖萌,张路,史绪国. 雷达遥感滑坡隐患识别与形变监测. 遥感学报. 2021(01): 332-341 . 百度学术
    94. 张佳佳,高波,刘建康,陈龙,黄海,李杰. 基于SBAS-InSAR技术的川藏铁路澜沧江段滑坡隐患早期识别. 现代地质. 2021(01): 64-73 . 百度学术
    95. 李晓恩,周亮,苏奋振,吴文周. InSAR技术在滑坡灾害中的应用研究进展. 遥感学报. 2021(02): 614-629 . 百度学术
    96. 张晓伦,杨永平,陈占,邵妍妍,陈国平,万保峰,李东升. 基于D-InSAR的东川城区周边滑坡灾害识别. 昆明冶金高等专科学校学报. 2021(01): 38-44 . 百度学术
    97. 代聪,李为乐,陆会燕,杨帆,许强,简季. 甘肃省舟曲县城周边活动滑坡InSAR探测. 武汉大学学报(信息科学版). 2021(07): 994-1002 . 百度学术
    98. 蒲川豪,许强,赵宽耀,蒋亚楠,刘佳良,寇平浪. 利用小基线集InSAR技术的延安新区地面抬升监测与分析. 武汉大学学报(信息科学版). 2021(07): 983-993 . 百度学术
    99. 许强,蒲川豪,赵宽耀,何攀,张含悦,刘佳良. 延安新区地面沉降时空演化特征时序InSAR监测与分析. 武汉大学学报(信息科学版). 2021(07): 957-969 . 百度学术
    100. 吴绿川,王剑辉,符彦. 基于InSAR技术和光学遥感的贵州省滑坡早期识别与监测. 测绘通报. 2021(07): 98-102 . 百度学术
    101. 孙伟,刘峻峰,高海英,刘新,宋盼盼. 输油管道重点区段SBAS-InSAR地质灾害监测研究. 石油与天然气化工. 2021(04): 140-146 . 百度学术
    102. Cong Dai,Weile Li,Dong Wang,Huiyan Lu,Qiang Xu,Ji Jian. Active Landslide Detection Based on Sentinel-1 Data and InSAR Technology in Zhouqu County, Gansu Province, Northwest China. Journal of Earth Science. 2021(05): 1092-1103 . 必应学术
    103. 朱同同,史绪国,周超,蒋厚军,张路,廖明生. 利用2016—2020年Sentinel-1数据监测与分析三峡库区树坪滑坡稳定性. 武汉大学学报(信息科学版). 2021(10): 1560-1568 . 百度学术
    104. 戴可人,张乐乐,宋闯,李振洪,卓冠晨,许强. 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. 武汉大学学报(信息科学版). 2021(10): 1450-1460 . 百度学术
    105. 焦志平,江利明,牛富俊,郭瑞,周志伟. 藏东冻土区滑坡形变时序InSAR监测分析——以317国道矮拉山为例. 冰川冻土. 2021(05): 1312-1322 . 百度学术
    106. 周定义,左小清,喜文飞,肖波,游洪. 联合SBAS-InSAR和PSO-BP算法的高山峡谷区地质灾害危险性评价. 农业工程学报. 2021(23): 108-116 . 百度学术
    107. 李万林,周英帅. 基于D-InSAR技术的地质灾害和监测预警. 测绘工程. 2021(01): 66-70 . 百度学术
    108. 王之栋,文学虎,唐伟,刘晖,王德富. 联合多种InSAR技术的龙门山-大渡河区域地灾隐患早期探测. 武汉大学学报(信息科学版). 2020(03): 451-459 . 百度学术
    109. 朱邦彦,姚冯宇,孙静雯,王晓. 利用InSAR与地质数据综合分析南京河西地面沉降的演化特征和成因. 武汉大学学报(信息科学版). 2020(03): 442-450 . 百度学术
    110. 解明礼,赵建军,巨能攀,何朝阳,王俊. 多源数据滑坡时空演化规律研究——以黄泥坝子滑坡为例. 武汉大学学报(信息科学版). 2020(06): 923-932 . 百度学术
    111. 朱崇浩,张建经,马东华,刘阳,向波. 基于DInSAR-BP神经网络的震后区域滑坡危险性综合评价研究. 工程地质学报. 2020(03): 530-540 . 百度学术
    112. 戴可人,铁永波,许强,冯也,卓冠晨,史先琳. 高山峡谷区滑坡灾害隐患InSAR早期识别——以雅砻江中段为例. 雷达学报. 2020(03): 554-568 . 百度学术
    113. 向淇文,潘建平,张广泽,徐正宣,张定凯,涂文丽. 基于SBAS技术的川藏铁路折多山地区地表形变监测与分析. 测绘工程. 2020(04): 48-54+59 . 百度学术
    114. 高海英,赵争,章彭. 时序InSAR的贵州地质灾害监测. 测绘科学. 2020(07): 91-99 . 百度学术
    115. 张金盈,崔靓,刘增珉,王新田,林琳,徐凤玲. 利用Sentinel-1 SAR数据及SBAS技术的大区域地表形变监测. 测绘通报. 2020(07): 125-129 . 百度学术
    116. 张福浩,朱月月,赵习枝,张杨,石丽红,刘晓东. 地理因子支持下的滑坡隐患点空间分布特征及识别研究. 武汉大学学报(信息科学版). 2020(08): 1233-1244 . 百度学术
    117. 姚鑫,邓建辉,刘星洪,周振凯,姚佳明,戴福初,任开瑀,李凌婧. 青藏高原泛三江并流区活动性滑坡InSAR初步识别与发育规律分析. 工程科学与技术. 2020(05): 16-37 . 百度学术
    118. 张荐铭,甘淑,袁希平. 基于SBAS-InSAR技术和Sentinel数据分析东川泥石流沟边坡稳定性. 工程勘察. 2020(10): 53-59 . 百度学术
    119. 巨袁臻,许强,金时超,李为乐,董秀军,郭庆华. 使用深度学习方法实现黄土滑坡自动识别. 武汉大学学报(信息科学版). 2020(11): 1747-1755 . 百度学术
    120. 蒲川豪,许强,蒋亚楠,赵宽耀,何攀,张含悦,李骅锦. 延安新区地面沉降分布及影响因素的时序InSAR监测分析. 武汉大学学报(信息科学版). 2020(11): 1728-1738 . 百度学术
    121. 王鹏,高雅萍,蒋亚楠,尚嘉宁. 基于PS-InSAR和SBAS-InSAR技术的延安新区地面沉降监测研究. 河南科学. 2020(11): 1806-1813 . 百度学术
    122. LIAN Xu-gang,LI Zou-jun,YUAN Hong-yan,LIU Ji-bo,ZHANG Yan-jun,LIU Xiao-yu,WU Yan-ru. Rapid identification of landslide, collapse and crack based on low-altitude remote sensing image of UAV. Journal of Mountain Science. 2020(12): 2915-2928 . 必应学术
    123. 王童童,赵争,高海英,姚云长. 利用ALOS PALSAR-2数据对六盘水市进行滑坡监测. 北京测绘. 2020(11): 1549-1554 . 百度学术
    124. 王洲,章传银. InSAR非形变信息分离方法研究——以台州地区为例. 测绘科学. 2020(12): 81-87+130 . 百度学术
    125. 侯燕军,周小龙,石鹏卿,郭富赟. “空-天-地”一体化技术在滑坡隐患早期识别中的应用——以兰州普兰太公司滑坡为例. 中国地质灾害与防治学报. 2020(06): 12-20 . 百度学术
    126. 蔡杰华,张路,董杰,董秀军,廖明生,许强. 九寨沟震后滑坡隐患雷达遥感早期识别与形变监测. 武汉大学学报(信息科学版). 2020(11): 1707-1716 . 百度学术
    127. 史绪国,张路,许强,赵宽耀,董杰,蒋厚军,廖明生. 黄土台塬滑坡变形的时序InSAR监测分析. 武汉大学学报(信息科学版). 2019(07): 1027-1034 . 百度学术
    128. 赵超英,刘晓杰,张勤,彭建兵,许强. 甘肃黑方台黄土滑坡InSAR识别、监测与失稳模式研究. 武汉大学学报(信息科学版). 2019(07): 996-1007 . 百度学术
    129. 李朝奎,陈建辉,魏振伟,周倩,周访滨. 显式统计预警模型下地质灾害预警方法及应用. 武汉大学学报(信息科学版). 2019(07): 1020-1026 . 百度学术
    130. 唐尧,王立娟,马国超,贾虎军,李洪梁,尹恒. 基于“高分+”的金沙江滑坡灾情监测与应用前景分析. 武汉大学学报(信息科学版). 2019(07): 1082-1092 . 百度学术
    131. 刘琦,岳国森,丁孝兵,杨坤,冯光财,熊志强. 佛山地铁沿线时序InSAR形变时空特征分析. 武汉大学学报(信息科学版). 2019(07): 1099-1106 . 百度学术
    132. 郭瑞,李素敏,陈娅男,袁利伟. 基于SBAS-InSAR的矿区采空区潜在滑坡综合识别方法. 地球信息科学学报. 2019(07): 1109-1120 . 百度学术
    133. 王虎. 区域环境滑坡岩土特征分析对环境灾害治理的指导作用. 住宅与房地产. 2019(21): 256 . 百度学术
    134. 陆会燕,李为乐,许强,董秀军,代聪,王栋. 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. 武汉大学学报(信息科学版). 2019(09): 1342-1354 . 百度学术
    135. 王栋,张广泽,徐正宣,赵志祥. 基于时间序列InSAR技术的铁路地质灾害识别研究. 地质灾害与环境保护. 2019(03): 85-91 . 百度学术
    136. 徐郡,胡晋山,康建荣,华怡颖,陈丹. 基于SBAS-InSAR的矿区村庄地面沉降监测与分析. 金属矿山. 2019(10): 74-80 . 百度学术
    137. 戴可人,卓冠晨,许强,李振洪,李为乐,管威. 雷达干涉测量对甘肃南峪乡滑坡灾前二维形变追溯. 武汉大学学报(信息科学版). 2019(12): 1778-1786+1796 . 百度学术
    138. 朱庆,曾浩炜,丁雨淋,谢潇,刘飞,张利国,李海峰,胡翰,张骏骁,陈力,陈琳,张鹏程,何华贵. 重大滑坡隐患分析方法综述. 测绘学报. 2019(12): 1551-1561 . 百度学术
    139. 杨曦璃,陈谦,任光明,吕学海,乔云池. InSAR应用于地质灾害早期识别的研究现状及趋势. 人民长江. 2019(S2): 80-84 . 百度学术
    140. 葛大庆,戴可人,郭兆成,李振洪. 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. 武汉大学学报(信息科学版). 2019(07): 949-956 . 百度学术
    141. 李为乐,许强,陆会燕,董秀军,朱要强. 大型岩质滑坡形变历史回溯及其启示. 武汉大学学报(信息科学版). 2019(07): 1043-1053 . 百度学术

    其他类型引用(118)

图(8)  /  表(2)
计量
  • 文章访问数:  4115
  • HTML全文浏览量:  548
  • PDF下载量:  923
  • 被引次数: 259
出版历程
  • 收稿日期:  2018-09-03
  • 发布日期:  2018-12-04

目录

/

返回文章
返回