基于InSAR的广域地表及重要基础设施形变监测与预测

doi:10.13474/j.cnki.11-2246.2025.0717

测绘通报 ›› 2025, Vol. 0 ›› Issue (7): 104-109.doi: 10.13474/j.cnki.11-2246.2025.0717

基于InSAR的广域地表及重要基础设施形变监测与预测

刘艳霞¹, 王祥¹, 宗琴², 孙伟¹, 刘涛¹, 杨霞¹, 方金玲¹

1. 武汉市测绘研究院, 湖北武汉 430022;
2. 重庆建筑工程职业学院, 重庆 400072

收稿日期:2024-12-12 发布日期:2025-08-02
通讯作者: 宗琴。E-mail:576036493@qq.com
作者简介:刘艳霞(1987—),女,博士,研究方向为遥感影像城市测绘应用。E-mail:764871667@qq.com
基金资助:
重庆市城乡建设委员会科技项目(城科字2024第4-21号)

Deformation monitoring and prediction of wide-area land surface and important infrastructure based on InSAR

LIU Yanxia¹, WANG Xiang¹, ZONG Qin², SUN Wei¹, LIU Tao¹, YANG Xia¹, FANG Jinling¹

1. Wuhan Surveying and Mapping Research, Wuhan 430022, China;
2. Chongqing Jianzhu College, Chongqing 400072, China

Received:2024-12-12 Published:2025-08-02

摘要/Abstract

摘要： 基于InSAR能获取高精度、高空间分辨率、连续的地表形变信息,地面沉降及高精度形变信息对保障城市公共安全有重要意义。本文利用PS-InSAR和广域地表形变快速提取算法,基于2012年6月至2024年6月武汉市域范围内1600 km² COSMO-Skyed影像和2018年1月至2024年6月武汉市、鄂州市、黄冈市和黄石市32 177 km² Sentinel-1影像获取地表形变时空分布信息,并依据GNSS和水准测量数据进行形变精度评估。结果表明,COSMO和Sentinel-1数据形变速率均方根误差分别在2.3～5.8和2.99~6.29 mm/a; COSMO和Sentinel-1时序形变均方根误差分别为4.96和5.2 mm。同时,提取地铁沿线、地铁保护区、大跨度建筑和基坑等重要基础设施区域形变信息,并分析形变与工程段起止时间等的相关性。最后,利用Logistic形变预测模型,对武汉市、鄂州市、黄冈市和黄石市地表沉降进行未来两年内地表形变预测,每季度预测一期,共8期。

关键词: InSAR, 广域, 精度评定, 基础设施, 预测

Abstract: Based on InSAR,high-precision,high spatial resolution,and continuous surface deformation information can be obtained.Urban ground subsidence and high-precision deformation information are of great significance for ensuring public safety.This article uses PS-InSAR and wide area surface deformation fast extraction algorithm to obtain spatiotemporal distribution information of surface deformation based on 1600 km² COSMO Skyed images in Wuhan from June 2012 to June 2024 and 32 177 km² Sentinel-1 images in Wuhan,Ezhou,Huanggang,and Huangshi from January 2018 to June 2024.The deformation accuracy is evaluated based on GNSS and leveling measurement data.The results show that the root mean square error of deformation rate in COSMO data ranged from 2.3～5.8 mm/a,while the root mean square error of deformation rate in Sentinel-1 data ranged from 2.99～6.29 mm/a.The root mean square error of COSMO temporal deformation is 4.96 mm,and the root mean square error of Sentinel-1 temporal deformation is 5.20 mm.At the same time,extract deformation information of important infrastructure areas such as subway lines,subway protected areas,large-span buildings,and foundation pits,and analyze the correlation between deformation and the start and end time of engineering sections,etc.Finally,using the logistic deformation prediction model,the surface subsidence of Wuhan,Ezhou,Huanggang,and Huangshi is predicted for the next two years,with one prediction per quarter for a total of eight periods.

Key words: InSAR, wide area, accuracy evaluation, infrastructure, forecast

中图分类号:

P237

刘艳霞, 王祥, 宗琴, 孙伟, 刘涛, 杨霞, 方金玲. 基于InSAR的广域地表及重要基础设施形变监测与预测[J]. 测绘通报, 2025, 0(7): 104-109.

LIU Yanxia, WANG Xiang, ZONG Qin, SUN Wei, LIU Tao, YANG Xia, FANG Jinling. Deformation monitoring and prediction of wide-area land surface and important infrastructure based on InSAR[J]. Bulletin of Surveying and Mapping, 2025, 0(7): 104-109.

参考文献

[1] 马张烽.长时序Sentinel-1InSAR形变监测关键算法研究[J].测绘学报,2024,53(2):397-397.
[2] 彭米米.时序InSAR地表形变监测预测与地下水反演研究[D].西安: 长安大学,2023.
[3] 丁帮宁,黄海兰,邹进贵.基于SBAS-InSAR技术的武汉市地表形变监测研究[J].测绘通报,2022(S2): 81-84.
[4] 黄佳宾,郭云开,罗伟茂.利用Sentinel-1监测武汉市地面沉降[J].测绘通报,2021(9): 53-58.
[5] 杨建成,何阳,刘一鸣,等.InSAR技术支持下的长沙市2015—2021年地面沉降监测分析[J].测绘通报,2023(7): 125-130.
[6] 吴培洪,钟少忠,罗澍然,等.基于时序InSAR的珠江三角洲形变区自动识别与监测[J].测绘通报,2024(9): 80-86.
[7] 秦晓琼.时间序列D-InSAR城市基础设施精细形变测量研究[D].武汉: 武汉大学,2019.
[8] 叶勇超.基于时序InSAR的郑州市地铁沿线地面沉降时空特征分析与预测[D].郑州: 郑州大学,2021.
[9] 张通德,冯晓,党升,等.基于时序InSAR的成都地铁沿线形变时空特征分析[J].测绘工程,2024,33(2):28-32.
[10] 靳婷婷,喜文飞,钱堂慧,等.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/OL].自然资源遥感,1-9[2025-04-23].http://kns.cnki.net/kcms/detail/10.1759.P.20241112.0834.004.html.
[11] 乔申,孙承志,毕凌宇.基于时序InSAR技术的南京市地铁沿线沉降监测分析[J].测绘通报,2024(10):64-70.
[12] 王冬萍,梁钊雄,麦倩文,等.基于合成孔径雷达干涉测量的佛山市地铁沿线地面沉降监测[J].测绘通报,2024(S1):274-278.
[13] 张金华.上海市地铁沿线地面沉降预测研究[J].测绘科学,2024,49(4):114-122.
[14] 王舜瑶.InSAR广域地表形变监测关键技术研究[D].武汉:武汉大学.2023.
[15] 徐子兴,季民,张过,等.基于SBAS-InSAR技术和Logistic模型的矿区沉降动态预测方法[J].自然资源遥感,2022,34(2):20-29.

基于InSAR的广域地表及重要基础设施形变监测与预测

Deformation monitoring and prediction of wide-area land surface and important infrastructure based on InSAR

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	熊春宝, 安贺雯, 苏广利. 大型引水工程地面沉降PS-InSAR监测与分析[J]. 测绘通报, 2025, 0(7): 19-25,72.
[2]	李若凡, 李勇发, 左小清, 黄成, 邢明泽, 李永宁, 张荐铭, 石超, 顾晓娜. 兰坪县InSAR形变监测与滑坡灾害早期识别[J]. 测绘通报, 2025, 0(7): 40-45.
[3]	李文东, 叶禹, 李霞, 魏伟, 辛存林. 融合SBAS-InSAR形变与机器学习模型的滑坡易发性评价[J]. 测绘通报, 2025, 0(7): 126-131,146.
[4]	汪晨煜, 彭军还, 薛跃明, 李旭, 张炎. 融合InSAR与信息量-逻辑回归耦合模型的滑坡动态危险性评价[J]. 测绘通报, 2025, 0(6): 43-48.
[5]	高浩亮, 李德伟, 李朋朋, 李晓红, 狄桂栓. 黄河三角洲海岸线变化与地面沉降监测分析[J]. 测绘通报, 2025, 0(6): 103-108,122.
[6]	王身丽, 刘毅, 韩昊, 杜勇. 联合SBAS-InSAR和DS-InSAR的特高压输电通道形变监测与预测[J]. 测绘通报, 2025, 0(6): 130-135,141.
[7]	杨洋, 贾洪果, 柏铮航, 刘宇辰. 联合机器学习与SBAS-InSAR的青藏高原冻土形变监测[J]. 测绘通报, 2025, 0(4): 45-50.
[8]	邵亚璇, 马晶, 韩莉莉, 姚冠宇. 基于SBAS-InSAR技术的地表沉降时间序列分析与预测[J]. 测绘通报, 2025, 0(4): 51-57,62.
[9]	尚依炜, 熊俊楠, 贾倩, 罗思远, 王启盛, 曹依帆. 融合升降轨SBAS-InSAR技术的冕宁县滑坡隐患识别与分析[J]. 测绘通报, 2025, 0(4): 58-62.
[10]	周天翔, 董景龙, 沈强. 基于SBAS-InSAR技术的济南市地铁沿线地表沉降时空分析[J]. 测绘通报, 2025, 0(4): 109-113.
[11]	郭捷, 张功海, 宋烨炜, 白宇兴, 胡纪元, 王杰, 吴文豪, 葛子轩. 联合Sentinel-1A升降轨的DS-InSAR金川矿区形变提取[J]. 测绘通报, 2025, 0(3): 1-7.
[12]	彭毅博, 杨维芳, 闫香蓉, 高墨通, 侯宇豪, 张德龙. 基于SMA-CNN-GRU-Attention组合模型的矿区地表三维形变预测[J]. 测绘通报, 2025, 0(3): 8-14,20.
[13]	张昱鑫, 袁希平, 甘淑, 彭翔, 王松. 时序InSAR技术在矿区地表沉降监测与时空演化分析中的应用[J]. 测绘通报, 2025, 0(3): 15-20.
[14]	张双成, 李思洁子, 任志鹏, 司锦钊, 胡兴群. 融合时序InSAR与ESMD的高填方膨胀土机场隐患识别与形变监测[J]. 测绘通报, 2025, 0(3): 39-45.
[15]	徐青松, 胡君, 崔文刚, 刘绥华, 胡丹, 宁飞, 李蔓. 基于陆探一号SAR卫星的北盘江光照水电站滑坡隐患识别[J]. 测绘通报, 2025, 0(3): 71-75,132.