EN中文

自然资源遥感 >

2025 , Vol. 37 >Issue 4: 232 - 240

DOI: https://doi.org/10.6046/zrzyyg.2024186

技术应用

基于SBAS-InSAR技术的中老铁路沿线地表形变空间分布研究——以景洪段为例

  • 靳婷婷 , 1 ,
  • 喜文飞 , 1, 2 ,
  • 钱堂慧 1 ,
  • 郭峻杞 1 ,
  • 洪文玉 1 ,
  • 丁子天 1 ,
  • 桂富羽 1
展开
  • 1.云南师范大学地理学部,昆明 650500
  • 2.云南省高原地理过程与环境变化重点实验室,昆明 650500
喜文飞(1984-),男,副教授,主要研究方向为雷达干涉测量、变形监测等。Email: 。

靳婷婷(1999-),女,硕士,主要研究方向为雷达干涉测量。Email: 。

Copy editor: 张仙

收稿日期: 2024-05-27

  修回日期: 2024-08-26

  网络出版日期: 2026-06-03

基金资助

云南省重大科技专项“面向云南自然资源生态环境监测及技术治理的关键技术研究”(202202AD080010)

云南师范大学研究生科研创新基金(YJSJJ25-B148)

收起

Exploring the spatial distribution of surface deformations along the China-Laos railway based on SBAS-InSAR technology: Taking the Jinghong section as an example

  • JIN Tingting , 1 ,
  • XI Wenfei , 1, 2 ,
  • QIAN Tanghui 1 ,
  • GUO Junqi 1 ,
  • HONG Wenyu 1 ,
  • DING Zitian 1 ,
  • GUI Fuyu 1
Expand
  • 1. Department of Geography, Yunnan Normal University,Kunming 650500,China
  • 2. The Key Laboratory of Plateau Geographic Process and Environmental Change in Yunnan Province,Kunming 650500,China

Received date: 2024-05-27

  Revised date: 2024-08-26

  Online published: 2026-06-03

Fold

摘要

地表形变对铁路的正常运营产生严重影响,研究中老铁路沿线地表形变空间分布,对铁路防灾减灾具有重要意义。该文利用2021年12月—2023年8月的Sentinel-1A 36景升轨与50景降轨影像,采用小基线差分干涉测量(small baseline subset interferometric synthetic aperture Radar,SBAS-InSAR)技术进行形变反演,以中老铁路景洪段为例进行地表形变空间分布统计分析。结果表明: ①铁路沿线整体形变呈现不均匀分布,北部山区存在隐患多处,选取的典型形变区中,北部山区形变速率达-108.718 mm/a,南部平原区抬升明显,形变速率达227.315 mm/a; ②铁路沿线雷达视线向(line of sight,LOS)地表形变速率范围为-319.811~321.638 mm/a,中老铁路沿线在普文镇、大渡岗乡具有明显沉降现象,在勐养镇、允景洪街道、嘎洒镇等城镇区有轻微沉降,在勐罕镇东南地区抬升明显; ③中老铁路沿线经过山区的形变主要集中在800~1 400 m处,形变区域的岩性多为软岩。文章可为铁路的安全运营与维护提供技术参考。

关键词： SBAS-InSAR; 地表形变; 中老铁路; 空间分布

本文引用格式

靳婷婷 , 喜文飞 , 钱堂慧 , 郭峻杞 , 洪文玉 , 丁子天 , 桂富羽 . 基于SBAS-InSAR技术的中老铁路沿线地表形变空间分布研究——以景洪段为例[J]. 自然资源遥感, 2025 , 37(4) : 232 -240 . DOI: 10.6046/zrzyyg.2024186

Abstract

Surface deformations pose significant threats to the normal operation of railways. Investigating the spatial distribution of surface deformations along the China-Laos railway holds great significance for disaster prevention and mitigation. Based on 36 scenes of ascending orbit and 50 scenes of descending orbit images from Sentinel-1A satellite from December 2021 to August 2023, this study conducted deformation inversion using the small baseline subset interferometric synthetic aperture Radar (SBAS-InSAR) technique. Besides, this study conducted spatial distribution statistics and analysis of surface deformations along the Jinghong section of the China-Laos railway. The results indicate that the overall deformation along the railway exhibits a heterogeneous distribution, with multiple potential hazards in the northern mountainous area. Among the selected typical deformation zones, the maximum subsidence rate in the northern mountainous area reaches -108.718 mm/a, whereas the southern plain area shows significant uplift with a rate of 227.315 mm/a. Along the railway, the surface deformation rates in the line of sight (LOS) direction ranged from -319.811 mm/a to 321.638 mm/a. Obvious subsidence occurred in Puwen Town and Dadugang Township. Conversely, minor subsidence was observed in urban areas like Mengyang town, Yunjinghong subdistrict, and Gasa town, with pronounced uplifts in the southeastern part of Menghan town. Along the railway, deformations in mountainous areas were primarily concentrated at elevations ranging from 800 m to 1400 m, with soft rocks prevailing in these deformed areas. InSAR-based analysis of the spatial distribution of the surface deformations along the railway is of significant value for the safe operation of the railway.

Key words： small baseline subset interferometric synthetic aperture Radar (SBAS-InSAR); surface deformation; China-Laos railway; spatial distribution

0 引言

中老铁路北起中国云南昆明市,南至老挝万象,是连接两国的重要通道。铁路沿线以山地为主,桥隧占比大,构造活动强烈。受隧道开凿、长时间降雨与断层活动影响,铁路沿线易发生地表形变、滑坡、崩塌等地质灾害,进而危及轨道结构的完整性,导致潜在的安全隐患和服务中断,对铁路基础设施构成重大威胁[1-3]。因此对铁路沿线地表形变监测具有重要意义。
目前,铁路地表形变监测方法分为3类。第一类是传统监测,如精密水准仪、全站仪及全球定位系统(global positioning system,GPS)野外测量。这类监测方法精度高,但在大面积空间区域提供全面、及时的信息方面存在局限性,且工作量巨大,成本高,周期长,安全性低,观测范围小[4-6]。第二类是光学遥感监测,与传统监测方法相比,光学遥感技术具备高分辨率、覆盖范围广、信息量丰富等特点。结合地形地貌特征,可快速检测出已发生的古滑坡及具有显著变形特征的区域。但对于没有明显痕迹的形变,光学遥感技术识别难度大,且易受云雾天气影响[7-8]。第三类是合成孔径雷达干涉测量技术(interferometric synthetic aperture Radar,InSAR)的地表形变监测,InSAR可以提供全球范围内高分辨率的地表位移监测。在地表沉降,滑坡灾害识别领域广泛运用[9-10]。如葛鹏飞等[11]用时序InSAR技术发现京雄城际铁路河北段地面沉降南北分布差异明显,根据空间自相关分析沉降分布格局,发现沉降与地下水埋线有关; 陈宝山等[12]利用小基线集InSAR(small baseline subset-InSAR,SBAS-InSAR)技术监测兰州铁路的形变情况并分析原因; Heleno等[13]利用永久散射体InSAR(persistent scatterer-InSAR,PS-InSAR)技术在铁路和公路监测时,发现了线路旁新形成的沉降区; 张学东等[14]将SBAS-InSAR与PS-InSAR相结合分析地铁沿线与公路的形变情况,得到较好的监测结果。其中,SBAS-InSAR技术凭借其高时空分辨率、大范围监测、低成本、长时间序列观测和高精度的形变监测及对地表变化的高灵敏性,成为了解决大范围地质灾害监测的理想选择[15-18]。大多研究表明,SBAS-InSAR技术在铁路地表沉降[12]、滑坡早期识别[19]、地质体形变识别[20]等领域应用广泛。因此,利用SBAS-InSAR技术对中老铁路地表形变监测可以为铁路安全维护提供技术支撑。
本文利用SBAS-InSAR技术监测中老铁路沿线1 km范围内的地表形变。结合海拔高程、地层岩性、距断层距离和距水系距离数据探索该区域形变空间分布特征,进一步统计形变空间分布规律。

1 研究区概况

本文以景洪段(图1)为研究区,该区域属于热带与亚热带季风区,植被覆盖茂盛,降雨充沛,沿线多山,有澜沧江经过,位于断层区,构造运动强烈。
图1 研究区位置

Fig.1 Location of the study area

2 数据与方法

2.1 数据

本实验利用Sentinel-1卫星(欧洲航天局发射)升降轨数据,升轨影像时间为2021年12月10日—2023年8月14日,降轨影像时间2021年12月7日—2023年8月23日; 选择干涉宽幅(interferometric wideswath,IW)模式的单视复数影像(single look complex,SLC)数据,VV极化方式。同时利用精密轨道数据纠正轨道误差和SRTM数字高程模型数据去除干涉过程中由地形起伏因素导致的地形相位。

2.2 SBAS-InSAR技术

SBAS-InSAR最早于2002年由Berardino等[21]提出,它是利用合成孔径雷达(synthetic aperture Radar,SAR),通过发射微波脉冲并记录其返回的信号来生成高分辨率的雷达图像。SBAS-InSAR方法的主要原理是通过对获取到的大量SAR数据进行组合,得到一系列较短空间基线的差分干涉图,能够较好地克服空间去相干。后基于形变速率的最小范数准则,通过矩阵的奇异值分解方法解算参数,即可获取相干目标的平均形变速率或位移时间序列[22]。
将研究区的N+1幅影像参照一定的空间基线和时间基线设置阈值后,共组成 Y个干涉对,干涉对取值范围为:
N 2 ≤ Y ≤ N ( N + 1 ) 2。
设任意第k个(k = 1,2,…,Y)干涉对的主辅影像时间为tc和td(td>tc),且已经消除了干涉相位中的形变部分,则干涉对相位有:
Δ ∂ k ( t c , t d ) = ∂ t c - ∂ t d。
用矩阵形式来表示Y个形变相位,即
Δ ∂ = [ Δ ∂ 1 , Δ ∂ 2 , … , Δ ∂ Y ] T。
每个干涉都有一个观测方程,根据式(2)和式(3),共组成Y个观测方程组,有N个未知数待求,矩阵为:
H ∂ = Δ ∂
式中H为Y×N的系数矩阵。
如果H的秩r(H)大于N,用最小二乘法求解式(4),即
∂ = (H T H ) - 1 H T Δ ∂
在实际计算下,r(H) 通常小于N,这样不能求HTH的逆矩阵,这时要对H进行奇异值分解,公式为:
H = Z E I T
式中: Z为Y×Y阶正交矩阵,由HHT的特征向量组成; E为Y阶对角矩阵; I为由HTH的特征向量组成的N×Y阶正交矩阵。进而可得:
H + = I E + Z T
∂ = H + Δ ∂
式中H+和E+分别为H和E的广义逆矩阵。将求出的∂(形变量),除以其所对应的时间间隔,即可求出形变速率。

2.3 数据处理

选取铁路开通2 a的36景经镶嵌、配准和裁剪后的升轨和50景经配准、裁剪后的降轨影像。铁路位于云南省西南部,山地显著,为减少SBAS-InSAR处理过程中的数据冗余,控制干涉对的质量,保证反演的精度,时间基线阈值设置为108 d和84 d,空间基线阈值设置为10%,共生成143和203对干涉像对。多视比为1∶4,利用Minimum Cost Flow解缠方法和Goldstein进行干涉处理,得到部分较为理想的干涉结果(图2)。
图2 部分干涉结果图

Fig.2 Partial interference results

进一步利用精炼轨道和重去平去除解缠相位中的残余相位,纠正相位偏差。最后运用最小二值法和奇异值矩阵分解进行反演,经编码处理得到时间序列形变位移结果(图3)。
图3 LOS向形变速率

Fig.3 LOS direction deformation rate

由于缺乏同期的水准测量数据,采用升降轨交叉对比验证方法验证SBAS-InSAR 技术监测结果的准确性。抽取若干研究区同名点,分别以升降轨视线(line of sight,LOS)方向形变速率值为横轴纵轴进行回归分析。如图4所示,两者的相关系数 R2 为0.81,表明形变监测结果具有较高的一致性。
图4 升降轨形变速率验证图

Fig.4 Verification diagram of the deformation rate of the lifting rail

3 结果与分析

3.1 铁路沿线地表形变识别

利用SBAS-InSAR技术获取铁路沿线2021年12月—2023年8月的升降轨年平均形变速率(图3),区域形变值为-319.811~321.638 mm/a。去除耕地引起形变,从升轨数据中选取16个形变区,降轨数据中选取21个形变区(图5)。将铁路沿线形变程度划分为明显沉降区,轻微沉降区与明显抬升区[4]。从图中可发现整个铁路沿线存在多处地面沉降,明显沉降区集中分布在普文镇、大渡岗乡,轻微沉降区分布在勐养镇、允景洪街道、嘎洒镇北部地区; 嘎洒镇东南区域内有抬升,抬升明显区主要分布在勐罕镇东南部。进一步结合Google Earth高分遥感影像与现场调查资料发现,北部山区所选的多个形变区,多表现出地表裂缝、滑塌、堆积体等典型地质灾害迹象,表明该区域地质活动频繁、坡体不稳定性强,具备一定地质灾害隐患。
图5 形变区选取

Fig.5 Selection of the variable areas

该区域地质环境复杂,形变诱因较多,尤其在铁路北侧受隧道开凿及海拔高度影响,地层岩性多为软岩类岩石,在降雨促发下存在大量不稳定区域,形变程度较大。铁路中部地表透水性减弱,沉降减缓,但城区建筑物增多,随着铁路开通运营,地面荷载加重。铁路南段地区海拔较低,地表植被覆盖茂盛,受岩性以及河流水系影响,部分呈现抬升现象。

3.2 地表形变空间分布统计

地形地貌对地质灾害的发生有着重要影响[23],通过对影响形变的主要因子(海拔、距水系距离、距断层距离、工程地质岩组)进行统计,得到形变空间分布规律(图6和表1)。分析可知,研究区内识别的山区的形变区域海拔集中分布在800~1 400 m范围内,占比70%左右。此外,山区形变区的岩性主要为碳酸盐沉积岩、硅质碎屑岩沉积岩、混合沉积岩等软岩类岩石,平原及城镇区主要为软岩和松散沉积物,结构松散,受水文作用影响显著,易发生变形。
图6 形变区统计结果

Fig.6 Statistical results of the variable areas

表1 形变区统计

Tab.1 Statistics of the deformation areas

因子 分级 形变区数量/个 占比/%
海拔 [400,600) m 2 5.4
[600,800) m 5 13.5
[800,1 000) m 12 32.4
[1 000,1 200) m 7 18.9
[1 200,1 400) m 10 27.0
≥1 400 m 1 2.7
距水系距离 <1 000 m 6 16.2
≥1 000 m 31 83.8
距断层距离 <1 000 m 5 13.5
≥1 000 m 32 86.5
工程地质
岩组		 坚硬岩类 3 5.4
较硬岩类 2 8.1
软岩类 30 81.1
极软岩类 2 5.4

3.3 形变特征分析

据3.1中的形变区,沿铁路从北至南方向依次选取典型形变区X7,B1,X25和X30进行分析,其中X7位于北部山区,B1和X30位于平原,X25位于城镇。分别在形变区中选取特征点,引入研究区植被覆盖度(fractional vegetation cover,FVC)与降水数据,绘制特征点时间形变曲线。同时结合光学遥感影像和实地调查结果分析形变特征。
X7位于北部山区隧道区,形变速率如图7(a)所示,形变速率范围在-108.718~64.070 mm/a之间,分别选取特征点L1与L2,L2位于坡体顶部,L1位于坡体中部。加入植被覆盖数据和降水数据构建时间序列曲线如图7(b)所示。L1与L2形变趋势一致,形变总体加剧。L1在2022年4—9月进入雨季,FVC持续上升,形变加剧,速率达-72.800 mm/a。表明降水是主导因素,短期内植被增长难以有效抑制滑动。L2在2022年12月出现滞后于雨季的峰值,达到-96.300 mm/a。验证发现图7形变区为软岩类岩石,呈现一个坡体状,主要为坡地风化物及松散堆积的土体,自进入雨季后,降水增加,坡体在雨季滑动速率增大。
图7 X7形变特征

Fig.7 Deformation characteristics of X7 area

B1位于勐罕镇,如图8(a)所示形变速率范围为-39.212~227.315 mm/a。选取的特征点L2位于坡顶,L1位于坡体中部,引入FVC与降水数据构建时间序列曲线如图8(b)所示。L1与L2形变曲线一致,总体处于抬升状态。2023年5—8月,降水增加,FVC呈上升趋势,期间形变加剧,达200 mm/a以上,后趋于减缓,表明短期形变对降水的敏感性高于植被覆盖的影响。经调查,图8地区属于软岩类岩体,土质疏松,遇到降雨天气后,区域变得极为松软。斜坡地下水类型为残坡积孔隙水,补给来源为大气降水。大气降水渗入松散层形成孔隙水。雨季含水性较高,蠕动性较强。其上有少量的植被覆盖,目前没有明显的滑坡后壁、滑坡侧壁等特征,但有部分冲沟特征,因此雨季降水冲刷破面沿裂缝渗入改变土体结构,图中也显示在雨季特征点形变加剧。
图8 B1形变特征

Fig.8 Deformation characteristics of B1 area

X25位于嘎洒镇,图9(a)显示形变速率介于-0.116~13.351 mm/a之间,地表整体形变程度较小,左侧沉降较大,右侧抬升明显。选取特征点L1和L2引入降水构建时间序列曲线,如图9(b)所示。2022年9月—2023年7月,L1与L2地表形变速率介于-8~4 mm/a之间。经验证发现,图9位于城镇中心,岩性为较软与极软类岩石,地下水主要为分布不均匀的裂隙水,裂隙空间分布及水流特征存在差异。影像显示右侧小部分存在耕地与绿化区,左侧多为不透水面。根据时序结果分析,城区形变较小,L1为不透水面,时序分析发现L1呈现波动抬升趋势,L2为绿植区,2022年10月前呈现波动下降趋势,之后呈现波动抬升趋势。
图9 X25形变特征

Fig.9 Deformation characteristics of X25 area

X30海拔在700 m以下,属于岸边坡,L1位于河岸边,L2位于坡体中部,如图10(a)所示,形变速率范围为-109.822~217.258 mm/a。选取特征点L1与L2分析,加入FVC与降水数据绘制数据序列曲线,如图10(b)所示。由图可知,2022年2月植被急剧增加,L2形变速率逐渐减缓,截止2022年6月形变速率达到9.600 mm/a; 随雨季到来形变增加,强降水诱发坡体不稳定,下滑趋势明显,截至8月为-26.200 mm/a。经验证,X30为不稳定边坡,岩体属于软岩类岩石,整体植被覆盖低,但夏季植被覆盖茂盛,受降雨影响,坡体形变速率增加,多处发生局部坡面下滑。上部物质为坡面上的岩土质混合,碎屑流沿着降雨形成的冲沟顺流而下,此外区域内也分布着小型的局部滑塌,若遇强降雨会引发较大的滑坡风险。
图10 X30形变特征

Fig.10 X30 deformation characteristics

以上选取的几个典型形变区形变特征总结如表2所示。分析表明,铁路沿线地表形变整体呈现不均匀分布特征,铁路北部山区形变明显,形变速率可达-108.718 mm/a,该区域主要为隧道开凿与高海拔地区,整体土体松软,且受降水影响,从而形变加剧。城镇区形变较小,不透水面增加,选取的城镇区形变速率介于-0.166~13.351 mm/a之间。平原区抬升明显,多为软体岩石,受降水影响,形变加剧,导致坡体滑落堆叠,最大形变速率达227.315 mm/a。
表2 典型区形变特征

Tab.2 Description of deformation characteristics

形变区 位置 地理环境 形变特点
X7 勐养镇 海拔1 250 m以上,岩体为硅质碎屑岩沉积岩 整体呈现沉降趋势
B1 勐罕镇 海拔800 m以下,属于软岩类岩体,土质疏松 整体以抬升为主
X25 嘎洒镇 左侧存在耕地与绿植区,右侧多为不透水面,下部主要为软岩 整体形变程度较小,呈现上下波动状态
X30 勐罕镇 属于构造剥蚀中山地貌,节理裂隙发育,岩石破碎,发育多组纵向节理 整体以沉降为主,2023年4—5月形变急剧

4 结论

本文联合升降轨SAR数据,利用SBAS-InSAR技术进行地表形变监测,同时结合地形地貌数据统计形变分布规律,结果表明:
1)利用InSAR数据监测铁路沿线地表形变,得到铁路沿线沿LOS向最大沉降值为319.811 mm/a,最大抬升值为321.638 mm/a。发生的形变集中分布海拔在800~1 400 m之间,岩性为硅质碎屑岩沉积岩、混合沉积岩和碳酸盐沉积岩等软岩。
2)铁路沿线沉降区主要分布在普文镇、大渡岗乡、勐养镇、嘎洒镇、允景洪街道,抬升明显区主要发生在嘎洒镇东部以及勐罕镇东南地区。
3)形变分析表明,地表沿线形变分布不均匀,选取的典型形变区中,铁路北部沉降较大,形变速率达-108.718 mm/a; 平原区抬升明显,形变速率最大达227.315 mm/a。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
刘凯斯, 宫辉力, 陈蓓蓓. 基于InSAR数据的北京地铁6号线地面沉降监测分析[J]. 地球信息科学学报, 2018, 20(1):128-137.

DOI

Liu K S, Gong H L, Chen B B. Monitoring and analysis of land subsidence of Beijing Metro Line 6 based on InSAR data[J]. Journal of Geo-Information Science, 2018, 20(1):128-137.

[2]
罗三明, 杜凯夫, 万文妮, 等. 利用PSInSAR方法反演大时空尺度地表沉降速率[J]. 武汉大学学报(信息科学版), 2014, 39(9):1128-1134.

Luo S M, Du K F, Wan W N, et al. Ground subsidence rate inversion of large temporal and spatial scales based on extended PSInSAR method[J]. Geomatics and Information Science of Wuhan University, 2014, 39(9):1128-1134.

[3]
赵国堂, 赵如锋, 刘俊飞. 高速铁路路基工后沉降变形源、变形传递与轨道不平顺控制方法[J]. 铁道学报, 2020, 42(12):127-134.

Zhao G T, Zhao R F, Liu J F. Deformation source,deformation transmission of post-construction settlement and control methods of track irregularity for high-speed railway subgrade[J]. Journal of the China Railway Society, 2020, 42(12):127-134.

[4]
刘春雷, 张媛静, 陆晨明, 等. 基于时序InSAR的九龙江河口地区地面沉降时空演变规律及成因分析[J]. 应用海洋学学报, 2024, 43(1):116-125.

Liu C L, Zhang Y J, Lu C M, et al. Spatial-temporal variation characteristics and causes analysis of ground deformation in Jiulong River Estuary area by time series InSAR[J]. Journal of Applied Oceanography, 2024, 43(1):116-125.

[5]
范军, 左小清, 李涛, 等. PS-InSAR和SBAS-InSAR技术对昆明主城区地面沉降监测的对比分析[J]. 测绘工程, 2018, 27(6):50-58.

Fan J, Zuo X Q, Li T, et al. Analysis and comparison of PS-InSAR and SBAS-InSAR for ground subsidence monitoring in the main city of Kunming[J]. Engineering of Surveying and Mapping, 2018, 27(6):50-58.

[6]
朱军桃, 兰荣添, 李海林, 等. 基于时序InSAR的厦门市地面沉降监测与分析[J]. 海洋测绘, 2023, 43(5):56-60,66.

Zhu J T, Lan R T, Li H L, et al. Monitoring and analysis of land subsidence in Xiamen City based on time-series InSAR[J]. Hydrographic Surveying and Charting, 2023, 43(5):56-60,66.

[7]
曹景峰, 刘洪铖. 基于Quickbird影像的水库库岸滑坡遥感解译研究[J]. 吉林水利, 2017(12):4-6,10.

Cao J F, Liu H C. Study on interpretation of the reservoir landslide based on QuickBird remote sensing images[J]. Jilin Water Resources, 2017(12):4-6,10.

[8]
朱怡飞, 姚鑫, 姚磊华, 等. 基于InSAR和光学遥感的贵州鬃岭采煤滑坡识别与危险性评价[J]. 地质力学学报, 2022, 28(2):268-280.

Zhu Y F, Yao X, Yao L H, et al. Identification and risk assessment of coal mining-induced landslides in Guizhou Province by InSAR and optical remote sensing[J]. Journal of Geomechanics, 2022, 28(2):268-280.

[9]
卫达宁, 王世杰. 基于时序InSAR技术的西安地铁沿线沉降监测及预测分析[J]. 地球物理学进展, 2024, 39(2):498-509.

Wei D N, Wang S J. Settlement monitoring and analysis along Xi’an metro line based on time series InSAR technology[J]. Progress in Geophysics, 2024, 39(2):498-509.

[10]
王艳, 廖明生, 李德仁, 等. 利用长时间序列相干目标获取地面沉降场[J]. 地球物理学报, 2007, 50(2):598-604.

Wang Y, Liao M S, Li D R, et al. Subsidence velocity retrieval from long-term coherent targets in Radar interferometric stacks[J]. Chinese Journal of Geophysics, 2007, 50(2):598-604.

[11]
葛鹏飞, 刘辉, 陈蜜, 等. 时序InSAR监测京雄城际铁路河北段地面沉降[J]. 测绘通报, 2022(7):64-70.

DOI

Ge P F, Liu H, Chen M, et al. Monitoring land subsidence of Hebei section of Beijing-Xiongan intercity railway by time-series InSAR[J]. Bulletin of Surveying and Mapping, 2022(7):64-70.

[12]
陈宝山, 张立峰, 何毅, 等. 兰新高速铁路军马场-民乐段地表形变监测及成因[J]. 兰州大学学报(自然科学版), 2022, 58(2):222-228,238.

Chen B S, Zhang L F, He Y, et al. Surface deformation monitoring and cause analysis of the section from the army horse ranch to Minle station of the Lanxin high-speed railway[J]. Journal of Lanzhou University (Natural Sciences), 2022, 58(2):222-228,238.

[13]
Heleno S I N, Oliveira L G S, Henriques M J, et al. Persistent Scatterers Interferometry detects and measures ground subsidence in Lisbon[J]. Remote Sensing of Environment, 2011, 115(8):2152-2167.

[14]
张学东, 葛大庆, 肖斌, 等. 多轨道集成PS-InSAR监测高速公路沿线地面沉降研究——以京沪高速公路(北京—河北)为例[J]. 测绘通报, 2014(10):67-69,104.

Zhang X D, Ge D Q, Xiao B, et al. Study on multi-track integration PS-InSAR monitoring the land subsidence along the highway—Taking Jinghu highway(Beijing-Hebei) as an example[J]. Bulletin of Surveying and Mapping, 2014(10):67-69,104.

[15]
He Y, Chen Y, Wang W, et al. TS-InSAR analysis for monitoring ground deformation in Lanzhou New District,the loess Plateau of China,from 2017 to 2019[J]. Advances in Space Research, 2021, 67(4):1267-1283.

[16]
Wang W, He Y, Zhang L, et al. Analysis of surface deformation and driving forces in Lanzhou[J]. Open Geosciences, 2020, 12(1):1127-1145.

[17]
陈有东, 何毅, 张立峰, 等. 联合升降轨Sentinel-1A的地表形变监测技术研究[J]. 海洋测绘, 2020, 40(4):59-64.

Chen Y D, He Y, Zhang L F, et al. Research on ground deformation monitoring technique of jointing ascending and descending Sentinel-1A[J]. Hydrographic Surveying and Charting, 2020, 40(4):59-64.

[18]
王文辉, 何毅, 张立峰, 等. 基于PS-InSAR和GeoDetector的兰州主城区地表变形监测与驱动力分析[J]. 兰州大学学报(自然科学版), 2021, 57(3):382-388,394.

Wang W H, He Y, Zhang L F, et al. Ground deformation monitoring and driving force analysis of the main city area in Lanzhou based on PS-InSAR and GeoDetector[J]. Journal of Lanzhou University (Natural Sciences), 2021, 57(3):382-388,394.

[19]
张诗茄, 蒋建军, 缪亚敏, 等. 基于SBAS技术的岷江流域潜在滑坡识别[J]. 山地学报, 2018, 36(1):91-97.

Zhang S J, Jiang J J, Miao Y M, et al. Application of the SBAS technique in potential landslide identification in the Minjiang watershed[J]. Mountain Research, 2018, 36(1):91-97.

[20]
李凌婧, 姚鑫, 张永双, 等. 基于SBAS-InSAR技术的中巴公路(公格尔—墓士塔格段)地质体缓慢变形识别研究[J]. 工程地质学报, 2014, 22(5):921-927.

Li L J, Yao X, Zhang Y S, et al. SBAS-InSAR technology based identification of slow deformation of geologic mass along section of China-Pakistan highway[J]. Journal of Engineering Geology, 2014, 22(5):921-927.

[21]
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.

[22]
何清, 魏路, 肖永红. 基于SBAS-InSAR技术的安徽亳州市地面沉降时空分布特征与影响因素分析[J]. 中国地质灾害与防治学报, 2023, 34(5):81-90.

He Q, Wei L, Xiao Y H. Analysis of spatial-temporal distribution characteristics and influencing factors of land subsidence in Bozhou City,Anhui Province based on SBAS-InSAR technology[J]. The Chinese Journal of Geological Hazard and Control, 2023, 34(5):81-90.

[23]
Su X J, Zhang Y, Meng X M, et al. Landslide mapping and analysis along the China-Pakistan Karakoram Highway based on SBAS-InSAR detection in 2017[J]. Journal of Mountain Science, 2021, 18(10):2540-2564.

Options
文章导航

/

〈 〉