利用时序SAR影像集监测开采沉陷的试验研究

研究了一种利用时序合成孔径雷达(SAR)影像集监测矿区开采沉陷的新方法。详细分析了参考影像的选取、差分干涉图的获取、相干点目标的选取、沉降模型的建立与解算及非线性形变率的分离等处理步骤。以江苏某矿的条带开采区域作为研究对象,对12景1995-1998年获取的ERS1/ERS2影像进行了处理,初步获取了该矿3 a年间的地表沉降平均速率。     

多源SAR影像监测矿区建筑物三维位移场

合成孔径雷达差分干涉(差分InSAR)技术仅能获取雷达视线向(LoS)一维形变信息.通过分析LoS向形变的三维空间合成模型,研究了融合多源合成孔径雷达(SAR)影像求解建筑物三维形变的模型与算法.该算法利用具有不同空间几何的SAR影像获取目标在不同LoS向的形变信息,联合求解目标三维形变场.结果表明:三维算法反演的垂直向位移(即下沉)与水准数据相互吻合,均方根误差为士10 mm;东西向水平位移场符合开采沉陷规律.由于卫星采用极轨飞行,使得三维算法对南北向位移不敏感,反演精度差;由三维位移场计算的倾斜值以及东西向水平变形与实测值间的均方根误差分别为±0.21,±0.06 mm/m.     

基于多源SAR影像矿区三维形变场的监测

针对DInSAR(differential interferometric synthetic aperture radar)技术仅能获取雷达视线向(line of sight,LoS)形变的不足,研究了融合多卫星平台求解三维形变场的模型与算法。该算法基于多卫星轨道模式下具有不同成像几何的多源SAR影像联合求解矿区地表形变场。研究结果表明:采用该算法反演的下沉值与水准测量结果相互吻合,均方根误差为±4 mm,吻合程度优于单一影像源反演结果;垂直向位移场与等值线均表明下沉盆地向老采空区偏移,说明老采空区可能活化;东西向水平位移场与等值线符合开采沉陷地表移动规律,而且对于不同的成像模式,东西向水平移动的影响亦不同;由于卫星航向角的正弦值近乎为0,使得三维算法对南北向位移不敏感。     

基于改进MT-InSAR的日兰高铁巨野煤田段沉降监测

日兰高铁巨野煤田段农田遍布,合成孔径雷达干涉(InSAR)的时间失相干严重,可用于时序InSAR(MT-InSAR)分析的永久散射体(PS)稀少。将SAR数据限制在失相干影响较弱的10月至次年4月初并联合PS和分布式散射体(DS)有望解决该问题。然而,受限于SAR卫星的重访周期,仅采用10月至次年4月初的SAR影像会导致数据量变少。而当SAR数据较少、相干性较低时,难以准确估计协方差矩阵和相干矩阵,使得现有的DS相位估计方法误差较大。为此,提出了一种基于Fisher信息量的DS相位优化估计算法,利用Fisher信息量调节各干涉对的权重,抑制低相干干涉对的影响。通过模拟数据和真实数据验证了算法的可靠性和可行性。另外,构建了联合PS和DS的小基线(SBAS)干涉处理框架,在增加观测方程的同时保证干涉对的相干质量,从而实现形变信息的稳健估计。利用2020年10月至2021年4月间的Sentinel-1 SAR数据获取了日兰高铁巨野煤田段地表沉降,并结合已有的监测资料分析了地表沉降的成因及时空演化信息。研究结果表明：采用上述方法,能够根据10月至次年4月初的少量SAR数据监测高铁沿线沉降情况;...     

中天山穆什科托夫冰川跃动特征及控制机理分析

天山地区孕育着大量的跃动型冰川,目前该地区冰川跃动过程及跃动控制机制尚不明确。利用Landsat、Sentinel-1A、TerraSAR-X/TanDEM-X等多源遥感数据获得了中天山穆什科托夫冰川跃动前后的表面特征、流速和高程变化。结果表明：(1)该冰川主干表面流速从2017年夏末开始增加,在冬季流速达到最大峰值,约为4.4 m d^-1,2018年夏末急剧减小;(2)2000—2012年冰川积蓄区平均增厚9.23±4.62 m,跃动前锋形成,而冰舌部分是以减薄为主;2012—2014年冰舌部分持续减薄,中上游仍以积累为主,增厚约1.23±0.91 m;2014—2018年冰川积蓄区出现明显减薄,最大减薄42.6±1.82 m,接收区高程显著增加,最高隆起75.6±1.82 m。根据冰川表面流速及高程变化特征,确认2017—2018年为该冰川跃动活跃期;结合冰川流动定律,认为穆什科托夫冰川跃动主要受冰下水文控制。根据现有的资料及数据,推断该冰川跃动间隔约为60 a。     

基于时序SAR技术的采空区上方高速公路变形监测及预测方法

为掌握采空区上方所建高速公路的变形趋势,解决老采空区上方地表变形监测数据较少,不易建立时序沉降预测模型的问题,利用D-InSAR（Differential Interferometric Synthetic Aperture Radar）技术对某高速公路进行了变形监测和分析,同时将其结果同地面实测数据相融合,并以LS-SVM(Least Squares-Support Vector Machine)为基础,建立了采空区上方高速公路变形预计模型,通过实例,验证了模型的正确性。具体过程：处理融合数据为等时间间隔,并将其趋势项去除,对余项进行平稳性、正态性及零均值处理;利用Cao方法计算嵌入维数,建立训练样本集,并进行LS-SVM学习训练;最后,采用训练好的模型对未来地表沉降进行预计。以511号监测点为研究对象,建立滚动预计方法,结果显示其最大下沉绝对误差3 mm,最大相对误差2.2%,取得了较为可靠的预计成果。