多源数据辅助下的苏州市时序InSAR地表沉降监测与成因分析

doi:10.13474/j.cnki.11-2246.2026.0513

测绘通报 ›› 2026, Vol. 0 ›› Issue (5): 72-79.doi: 10.13474/j.cnki.11-2246.2026.0513

• 学术研究 • 上一篇

多源数据辅助下的苏州市时序InSAR地表沉降监测与成因分析

李子豪¹, 孙承志^1,2, 毕凌宇¹, 乔申¹

1. 南京信息工程大学遥感与测绘工程学院, 江苏南京 210044;
2. 自然资源部遥感导航一体化应用工程技术创新中心, 江苏南京 210044

收稿日期:2026-01-06 发布日期:2026-06-09
通讯作者: 孙承志。E-mail:003453@nuist.edu.cn
作者简介:李子豪(2000—),男,硕士生,主要研究方向为InSAR形变监测。E-mail:202312480150@nuist.edu.cn
基金资助:
国家重点研发计划(2023YFB3906103)

Time-series InSAR monitoring and cause analysis of surface subsidence in Suzhou supported by multi-source data

LI Zihao¹, SUN Chengzhi^1,2, BI Lingyu¹, QIAO Shen¹

1. School of Remote Sensing and Geomatics Engineering, Nanjing University of Information Science and Technology, Nanjing 210044, China;
2. Engineering Innovation Center for Integrated Remote Sensing and Navigations, Ministry of Natural Re-sources, Nanjing 210044, China

Received:2026-01-06 Published:2026-06-09

摘要/Abstract

摘要： [目的]日益频发的城市地表沉降现象会对地表或地下构建物造成破坏,阻碍地区建设和资源开发,有效的地表形变监测对城市地面沉降的治理和预防至关重要。[方法]本文利用覆盖苏州市主城区的2021年1月—2023年12月的36景Sentinel-1A影像,基于SBAS-InSAR技术对苏州市主城区地面沉降进行了监测,获得了苏州市在该时间段的年均形变速率和累计沉降量;同时,结合历史光学影像、地铁建设数据、降水数据等对研究区域内的沉降原因进行了详细分析。[结果]研究结果表明,研究区整体形变速率范围为-42.6～21.9 mm/a,最大累计沉降量达127 mm,地面沉降受自然因素和人为因素共同影响。[结论]苏州市地面沉降受多源要素共同影响。其中,自然因素包括软土分布、降雨等;人为因素包括地铁建设和运营、建筑荷载的增加、道路施工等。

关键词: SBAS-InSAR, 地面沉降, Sentinel-1A, 苏州市

Abstract: [Purposes]The increasingly frequent occurrence of urban surface subsidence can damage above-ground or underground structures,hinder regional construction and resource development,and effective monitoring of surface deformation is crucial for the management and prevention of urban ground subsidence.[Methods]This study uses 36 Sentinel-1A images covering the main urban area of Suzhou from January 2021 to December 2023.Based on SBAS-InSAR technology,ground subsidence in the main urban area of Suzhou was monitored,obtaining the annual average deformation rate and cumulative subsidence during this period.In addition,combining historical optical images,subway construction data,and precipitation data,the causes of subsidence in the study area were analyzed in detail.[Findings]The results show that the overall deformation rate in the study area ranges from -42.6 to 21.9 mm/a,with a maximum cumulative subsidence of 127 mm,and ground subsidence is influenced by both natural and human factors.[Conclusions]Ground subsidence in Suzhou is affected by multiple factors.Natural factors include the soft soil distribution and rainfall,while human factors include subway construction and operation,increased building loads,and road construction.

Key words: SBAS-InSAR, ground subsidence, Sentinel-1A, Suzhou

中图分类号:

P237

李子豪, 孙承志, 毕凌宇, 乔申. 多源数据辅助下的苏州市时序InSAR地表沉降监测与成因分析[J]. 测绘通报, 2026, 0(5): 72-79.

LI Zihao, SUN Chengzhi, BI Lingyu, QIAO Shen. Time-series InSAR monitoring and cause analysis of surface subsidence in Suzhou supported by multi-source data[J]. Bulletin of Surveying and Mapping, 2026, 0(5): 72-79.

参考文献

[1] 侯靖钥,夏元平.江西萍乡时序InSAR形变监测[J].北京测绘,2022,36(11):1514-1518.
[2] 游洪,米鸿燕,左小清,等.基于PS与SBAS的InSAR技术对贵阳市主城区沉降监测分析[J].城市勘测,2020(4):74-78.
[3] 董少春,种亚辉,胡欢,等.基于时序InSAR的常州市2015—2018年地面沉降监测[J].南京大学学报(自然科学),2019,55(3):370-380.
[4] 毕凌宇,孙承志,乔申.基于SBAS-InSAR与MA-PSO-BP的南京河西地区地表沉降监测及预测分析[J].测绘通报,2024(4):48-53.
[5] 仝云霄,胡晓佳,杨俊泉,等.基于SBAS-InSAR技术的天津地区地表沉降监测研究[J].地球学报,2025,46(4):875-888.
[6] 丁伟,陈展鹏,许兵,等.基于SBAS-InSAR技术的广州市白云区长时序地表形变监测与成因分析[J].测绘通报,2023(4):167-171.
[7] YI Shouyong,LAI Guilin,WANG Min,et al.Risk assessment of ground subsidence in Foshan (China)based on the integration of SBAS-InSAR observations and inducing factors[J].Remote Sensing,2025,17(1):108.
[8] 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[J].测绘通报,2021(7):98-102.
[9] 刘洋,许才军,温扬茂.门源Mw5.9级地震形变InSAR观测及区域断裂带深部几何形态[J].武汉大学学报(信息科学版),2019,44(7):1035-1042.
[10] 郝嘉宇,宋闯,能懿菡,等.InSAR观测揭示的杂多MW5.7地震地表形变及发震断层模型[J/OL].大地测量与地球动力学,1-11[2025-12-31].https://doi.org/10.14075/j.jgg.2025.03.108.
[11] 曾学宏,赵义花.利用SBAS-InSAR技术分析西宁市地面沉降监测及驱动因素[J].测绘通报,2022(6):137-142.
[12] 陈媛媛,魏浩翰,翁建.基于PS-InSAR技术的城市沉降监测与空间分析[J].现代测绘,2018,41(6):10-12.
[13] 朱邦彦,唐超,任志忠,等.基于PS-InSAR技术的珠海市地表形变监测与驱动力分析[J].测绘通报,2022(6):108-113.
[14] 李达,邓喀中,高晓雄,等.基于SBAS-InSAR的矿区地表沉降监测与分析[J].武汉大学学报(信息科学版),2018,43(10):1531-1537.
[15] LU Yanyan,CHEN Deliang,CHEN Yuanyuan.Analysis of spatiotemporal land subsidence patterns of Suzhou city,China,over the past 15years based on multisource SAR data[J].Journal of the Indian Society of Remote Sensing,2022,50(7):1347-1369.
[16] ZHANG Peng,GUO Zihao,GUO Shuangfeng,et al.Land subsidence monitoring method in regions of variable radar reflection characteristics by integrating PS-InSAR and SBAS-InSAR techniques[J].Remote Sensing,2022,14(14):3265.
[17] ZHOU Lv,LI Xinyi,PAN Yuanjin,et al.Deformation monitoring of long-span railway bridges based on SBAS-InSAR technology[J].Geodesy and Geodynamics,2024,15(2):122-132.
[18] 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.

多源数据辅助下的苏州市时序InSAR地表沉降监测与成因分析

Time-series InSAR monitoring and cause analysis of surface subsidence in Suzhou supported by multi-source data

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]	郑淑龙, 孙承志, 乔申. 联合SBAS-InSAR与LSTM-ARIMA的矿区排土场边坡形变监测与预测[J]. 测绘通报, 2026, 0(4): 153-160.
[2]	陈元非, 王磊. 基于SBAS-InSAR和水准数据融合的采动沉陷盆地边界稳健识别方法[J]. 测绘通报, 2026, 0(2): 60-67.
[3]	林羊, 于冰, 田馨, 张冠军, 刘成, 甘俊, 李广宇. 京雄城际铁路沿线InSAR地表沉降监测与影响因素分析[J]. 测绘通报, 2026, 0(2): 46-53.
[4]	李鹏豪, 李爱国, 张诗玉. 基于SBAS与DS-SBAS的小浪底库区沉降监测对比[J]. 测绘通报, 2026, 0(2): 12-17.
[5]	曹芮菡, 李新, 周定杰, 喜文飞, 黄广才, 王瑞亭, 郭蓁. 联合ALOS-2和Sentinel-1的复杂山区潜在滑坡识别[J]. 测绘通报, 2026, 0(1): 65-71.
[6]	李景洮, 张双成, 盛磊, 张毅, 强菲, 聂腾, 刘宁, 闻繁. 时序InSAR与普适型GNSS用于西安地面沉降监测研究[J]. 测绘通报, 2026, 0(1): 18-24,46.
[7]	莫丹丹, 火久元. 基于SBAS-InSAR技术的喀喇昆仑公路盖孜河谷段形变监测与影响因子分析[J]. 测绘通报, 2025, 0(8): 32-42.
[8]	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.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	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.
[14]	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.
[15]	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.