朱建軍，胡 俊，李志偉，孫 倩，鄭萬基

1. 中南大學地球科學與信息物理學院，湖南 長沙 410083； 2. 有色金屬成礦預測與地質(zhì)環(huán)境監(jiān)測教育部重點實驗室(中南大學)，湖南 長沙 410083； 3. 湖南師范大學地理科學學院，湖南 長沙 410081

降雨、融雪、地震及人類工程活動，伴隨滑坡本身的重力作用，會使滑坡體的剪應力超過其抗剪強度，打破其本身的應力平衡狀態(tài)，致使滑坡變形加速，從而引發(fā)一系列地質(zhì)環(huán)境問題和災難(如山體崩塌、泥石流、堰塞湖和建構筑物損毀)。開展滑坡變形監(jiān)測對于了解滑坡致災因素，評估災害影響，分析滑坡變形機理具有至關重要的作用。傳統(tǒng)手段一般采取人工實地調(diào)查的方式，通過布設GNSS監(jiān)測點或地下測斜儀來實現(xiàn)滑坡形變監(jiān)測。這種方法雖然監(jiān)測精度高、時間采樣率快，但是只能監(jiān)測滑坡在某些點位上的形變情況，空間分辨率很低，不能反映滑坡整體的形變[1]。在一些人力難以到達的高陡山區(qū)往往會出現(xiàn)漏判的情況，致使一些“高位遠程”滑坡未能被有效地發(fā)現(xiàn)和監(jiān)測，從而引發(fā)意想不到的災難。此外，監(jiān)測儀器的布設往往是在地表產(chǎn)生了顯著變形后才開展，因此監(jiān)測結果無法追溯滑坡的歷史變形情況，制約了滑坡參數(shù)的反演和機理解譯工作。

合成孔徑雷達干涉測量技術(interferometric synthetic aperture radar,InSAR)是近50年來逐步發(fā)展起來的一種空間大地測量手段，該技術通過主動發(fā)射微波信號獲取地表相位，通過一系列的信號處理后得到地面高程或者地表形變信息。InSAR技術具備空間分辨率高、不受云霧影響、全天時監(jiān)測和覆蓋面積廣等特點，已被廣泛應用于包括地震、火山、地表沉降和冰川運動等領域的監(jiān)測工作中[2]。得益于該技術空間覆蓋廣的特點，在InSAR技術發(fā)展的早期，就有學者利用該技術進行滑坡監(jiān)測工作，并取得了良好效果，其監(jiān)測精度也在試驗中得到了很好的驗證[3]。然而，受限于早期SAR衛(wèi)星發(fā)展不成熟、SAR數(shù)據(jù)少、成像模式單一及軌道質(zhì)量不理想等原因，利用InSAR技術開展滑坡監(jiān)測僅在少數(shù)區(qū)域得到了應用。

近年來，隨著新一代SAR衛(wèi)星的入軌運行，InSAR技術在滑坡監(jiān)測領域呈現(xiàn)出了井噴式的發(fā)展，已逐步成為了滑坡監(jiān)測領域的常用手段之一。寬幅成像模式為實現(xiàn)廣域滑坡探測奠定了基礎，多星協(xié)同觀測帶來的超短重訪周期可以提供更多滑坡變化的細節(jié)，理想的軌道控制確保了全球陸域上都可以有豐富的觀測數(shù)據(jù)?；谶@一系列新特征，SAR工作者們在進行滑坡精細監(jiān)測[4-5]、滑坡參數(shù)反演[6-7]、滑坡預測預報[8-9]和滑坡機理解譯[7,10]等方面都做出了令人振奮的成果。

然而，受限于SAR成像幾何和微波電磁特性的影響，即使利用新一代SAR衛(wèi)星開展滑坡監(jiān)測，地形起伏導致的幾何畸變、密集植被覆蓋產(chǎn)生的失相關噪聲、水汽變化引起的大氣延遲誤差等因素依然制約著InSAR技術在滑坡監(jiān)測領域的應用。針對這一系列問題，國內(nèi)外學者在近年來開展了大量的攻關工作。為系統(tǒng)地梳理該領域的研究進展，本文總結了當前InSAR滑坡監(jiān)測技術在數(shù)據(jù)選擇、精度提升和維度擴展等方面的主要制約因素，并歸納目前主流的解決方案，進而探討目前InSAR滑坡監(jiān)測亟待攻克的技術難點及未來發(fā)展方向，以期為讀者提供一個了解該領域最新研究進展的途徑。

1 InSAR滑坡監(jiān)測的數(shù)據(jù)選擇

滑坡往往發(fā)生在地形起伏較大、植被覆蓋茂密的山區(qū)，由于SAR衛(wèi)星側視成像幾何的固有限制及植被體的高動態(tài)特性，InSAR技術在山區(qū)滑坡形變監(jiān)測中更容易受到幾何畸變和時間失相干的制約，導致觀測失敗或結果不可靠[11]。因此，在開展InSAR滑坡形變監(jiān)測前，選擇合適的SAR數(shù)據(jù)至關重要。針對滑坡區(qū)地形和地面覆蓋類型，需要考慮不同的因素，對其進行可行性分析，選擇最合適的數(shù)據(jù)，從而充分發(fā)揮InSAR技術在滑坡形變監(jiān)測中的最大性能。例如，當滑坡面向東面時，選用升軌、小入射角的衛(wèi)星監(jiān)測更有利；當植被覆蓋茂密時，長波SAR數(shù)據(jù)比短波SAR數(shù)據(jù)具有更強的穿透性，能夠更好地抵御時間失相干。鑒于此，本節(jié)將詳細闡述地形和植被對InSAR滑坡形變監(jiān)測結果的影響，為數(shù)據(jù)選擇提供參考依據(jù)。

1.1 幾何畸變的影響：成像幾何的選擇

幾何畸變的形成是由于SAR衛(wèi)星固有的側視成像模式所導致的，根據(jù)衛(wèi)星和地面的相對幾何關系，可將其劃分為透視收縮、疊掩、陰影和分辨率增強4種類別[11]。當滑坡面向衛(wèi)星時，如果入射角大于坡度角，會導致投影到SAR影像上的斜坡長度被壓縮，形成透視收縮(圖1(a)中AB)，且入射角越小，透視收縮越嚴重；如果入射角小于坡度角，會導致投影到SAR影像上的斜坡頂部和底部顛倒，產(chǎn)生主動疊掩(圖1(b)中EF)。此外，受到主動疊掩的影響，相鄰區(qū)域也會產(chǎn)生被動疊掩現(xiàn)象，其中，靠近衛(wèi)星的區(qū)域稱為近被動疊掩(圖1(b)中DE)，遠離衛(wèi)星的區(qū)域稱為遠被動疊掩(圖1(b)中FG)。由于疊掩導致更多的散射回波相互混疊在一起，疊掩區(qū)域會在SAR圖像上表現(xiàn)得比周圍更亮。當滑坡背向衛(wèi)星時，如果入射角小于坡度角的余角，會導致投影到SAR影像上的斜坡長度被拉長，導致分辨率增強(圖1(a)中BC)，且入射角越小，分辨率增加越明顯；如果入射角大于坡度角的余角，會導致衛(wèi)星無法照射到背坡區(qū)，因而產(chǎn)生主動陰影(圖1(c)中HI)；另一方面，由于傳感器和地表之間存在障礙而無法獲取到有效信號的區(qū)域稱為被動陰影(圖1(c)中IJ)，陰影在SAR圖像上表現(xiàn)為黑色。在InSAR滑坡形變監(jiān)測中，分辨率增強區(qū)能夠獲得最好的結果；透視收縮區(qū)由于分辨率降低，可能會導致形變監(jiān)測結果質(zhì)量下降；而疊掩和陰影區(qū)域由于信號混疊或缺失，導致干涉相位不連續(xù)，會造成相位解纏誤差[12](表1)。由此可見，準確識別幾何畸變區(qū)域的范圍，能夠有效輔助InSAR滑坡形變監(jiān)測的數(shù)據(jù)選擇，提高形變監(jiān)測結果的質(zhì)量。

圖1 幾何畸變示意Fig.1 Illustrations of geometric distortion

表1 不同幾何條件下InSAR觀測性能

近年來，國內(nèi)外大量學者對幾何畸變區(qū)域的有效識別和提取進行了更為深入的研究，主要有兩種不同的策略。第1種策略直接通過傳感器和地表的相對幾何關系來精確確定幾何畸變的范圍，具有代表性的方法是疊掩陰影圖法(LSM)[13]、斜距指數(shù)法(R-Index)[14]和相鄰梯度法(P-NG)[15]，后兩種方法是在前者的基礎上發(fā)展而來的。LSM方法能夠通過衛(wèi)星位置、方位角和地面高程等參數(shù)來模擬幾何畸變主動區(qū)和被動區(qū)，但該方法計算較為復雜，效率較低[13]。R-Index法是通過定義雷達斜距和地距的比值來識別幾何畸變區(qū)域[14]。隨后經(jīng)過其他學者的不斷改進，R-Index法已經(jīng)發(fā)展得較為完善，能夠較準確地識別幾何畸變范圍[12]。P-NG方法是基于幾何關系和相鄰像素的梯度來確定幾何畸變的范圍[15]。R-Index和P-NG兩種方法效果相當，不同之處在于R-Index法效率更高，但在結果中將疊掩和陰影區(qū)合并，沒有對兩者進行明確的區(qū)分，也沒有區(qū)分主動區(qū)和被動區(qū)；而P-NG方法將主動區(qū)和被動區(qū)準確區(qū)分開來，同時還考慮了幾何畸變區(qū)域的多重混疊，但缺點是逐像素運算效率較低。第2種策略基于SAR信號的統(tǒng)計特性。文獻[16]基于疊掩區(qū)域信號滿足高斯分布的假設來識別疊掩區(qū)域。文獻[17]利用核密度函數(shù)與恒虛警率相結合的方法來確定幾何畸變范圍?；诮y(tǒng)計的方法雖然能夠取得一定效果，卻無法避免閾值的設置，因此基于幾何的方法更為準確可靠。此外，除了以上兩種策略，還有GIS模型法[18]、光譜技術[19]等方法。目前，準確識別幾何畸變范圍的方法已經(jīng)相對成熟，能夠有效避免SAR數(shù)據(jù)的錯誤選擇。

克服幾何畸變影響的方法主要有兩種。一種是有效識別幾何畸變區(qū)的范圍，并對疊掩和陰影區(qū)域進行掩模，以降低這些區(qū)域?qū)ο辔唤饫p的影響，然而這種方法必然會導致監(jiān)測范圍的降低[20]。另一種方法是利用升降軌數(shù)據(jù)疊掩和陰影區(qū)的互補性來擴大監(jiān)測范圍[21-22]。圖2為甘肅省舟曲的Sentinel-1衛(wèi)星升降軌的幾何畸變結果。圖2(a)為升軌數(shù)據(jù)的幾何畸變結果，圖2(b)為降軌數(shù)據(jù)的幾何畸變結果。由圖2可以看出，升軌和降軌的幾何畸變區(qū)域相互補充，融合兩者能夠有效擴大監(jiān)測范圍。然而，仍有部分區(qū)域難以同時獲取升降軌數(shù)據(jù)，該方法依舊存在很大的挑戰(zhàn)。一般而言，分辨率增強區(qū)的質(zhì)量最好，透視收縮區(qū)的分辨率降低，可能會導致監(jiān)測結果不可靠，如何準確評估透視收縮區(qū)與分辨率增強區(qū)的信號水平及其可用性，尚缺少相關研究。此外，隨著極化SAR技術和立體SAR技術的發(fā)展，目前已有部分研究試圖通過統(tǒng)計信號分離[23]、SAR三維重建[24]等技術來恢復疊掩區(qū)的觀測信號，但尚未發(fā)展成熟，因此如何準確恢復疊掩區(qū)的混疊信號仍然是當前研究的難點。

圖2 P-NG方法獲取的甘肅舟曲地區(qū)的幾何畸變結果Fig.2 Illustrations of geometric distortions based on P-NG method in Zhouqu, Gansu province

1.2 植被覆蓋的影響：數(shù)據(jù)波段的選擇

滑坡災害頻發(fā)區(qū)往往被植被所覆蓋，植被冠層引起的微波信號衰減、植被高動態(tài)變化引起的時間失相干都會導致InSAR技術無法準確捕捉到植被覆蓋層下的滑坡形變信號，極易出現(xiàn)監(jiān)測盲區(qū)。由植被引起時間失相干的原因有很多，包括植被的季節(jié)性生長變化、自然風所導致的植被姿態(tài)擾動、降雨引起的介電常數(shù)變化、人為活動或自然災害所引起的土地變遷(例如伐木、林火)等[25]。此外，研究證明，植被區(qū)的失相干程度隨著樹木的高度和密度的增加而增加[26]。因此，如何實現(xiàn)植被區(qū)InSAR滑坡形變監(jiān)測是當前亟待解決的難題。

在研究中，學者們發(fā)現(xiàn)，長波SAR數(shù)據(jù)具有更強的穿透能力及抵御時間去相干的能力，可以獲取植被層下更加豐富的信息，有利于相干性的準確估計。文獻[27]證明了在高植被覆蓋下滑坡形變監(jiān)測中，L波段比C波段具有更強的穿透性，能夠更好地抵御失相干的影響，獲得更高質(zhì)量的形變結果。文獻[28]在對美國加州植被區(qū)進行失相干分析時發(fā)現(xiàn)，L波段的ALOS數(shù)據(jù)在森林區(qū)能夠在超過兩年的時間內(nèi)保持較高的相干性，而C波段的ERS數(shù)據(jù)則不到6個月就會產(chǎn)生嚴重的失相干。文獻[29]分析了L、C和X 3個不同波段數(shù)據(jù)在草地環(huán)境下的失相干速率，證實了L波段數(shù)據(jù)能夠獲得更高的相干性，且高重訪周期和高分辨率條件也能夠提高相干性。文獻[30]分別使用C波段的RADARSAT、ENVISAT數(shù)據(jù)和L波段的ALOS數(shù)據(jù)對荷蘭芬丹地區(qū)的農(nóng)田進行了監(jiān)測，結果表明穿透性更強的L波段數(shù)據(jù)可以更好地克服時間去相干的影響，相比C波段數(shù)據(jù)更適宜用于植被區(qū)地表形變監(jiān)測。文獻[31]使用L波段數(shù)據(jù)，采用相干散射體測量的方法識別了四川丹巴縣滑坡隱患點，證明L波段數(shù)據(jù)具有更好的相干性，其在我國西部山區(qū)的滑坡普查和監(jiān)測中更具優(yōu)勢。圖3為X波段的TerraSAR衛(wèi)星、C波段的Sentinel衛(wèi)星和L波段的ALOS-2衛(wèi)星在三峽植被覆蓋的滑坡區(qū)差分干涉結果，所用數(shù)據(jù)見表2。由圖3可以看出，隨著波長的增加，觀測點的密度增加，相位質(zhì)量也顯著提高。由此可見，在開展植被區(qū)InSAR滑坡形變監(jiān)測時，選用長波SAR數(shù)據(jù)能夠獲得更好的結果。

表2 圖3中所用數(shù)據(jù)參數(shù)

圖3 三峽滑坡差分干涉相位Fig.3 Interferograms of different sensors in the Three Gorges areas

目前，除了在軌運行的L波段日本ALOS-2衛(wèi)星、阿根廷SAOCOM衛(wèi)星和我國陸地探測一號 (LT-1) 衛(wèi)星，未來會有L波段的德國TanDEM-L衛(wèi)星、日本ALOS-4衛(wèi)星及歐空局P波段的BIOMASS衛(wèi)星等長波雷達衛(wèi)星發(fā)射，將為開展植被區(qū)長波InSAR滑坡形變監(jiān)測提供充足的數(shù)據(jù)支撐。

為了能夠更準確地選擇合適的數(shù)據(jù)，最直接有效的方法是定量衡量植被參數(shù)與InSAR相干性之間的關系。目前，部分學者對此開展了初步的探索。文獻[32]發(fā)現(xiàn)植被的高度和密度是影響相干性的重要因素。一般情況下，InSAR相干性隨植被高度和密度的增加而減小。此外，不同類型的植被覆蓋下，InSAR的相干性也不同。隨后，越來越多的研究發(fā)現(xiàn)相干性與植被指數(shù)之間存在著顯著的關系[33-36]，這為InSAR失相關的定量預估提供了契機。然而大多數(shù)研究局限于定性分析，無法得到相干性和植被參數(shù)之間的定量關系。針對此問題，文獻[37]利用ALOS和Landsat 5數(shù)據(jù)建立了歸一化植被指數(shù)NDVI與InSAR時間失相干之間的三階段模型，該模型能夠在SAR數(shù)據(jù)獲取前預先定量評估不同植被覆蓋度下InSAR數(shù)據(jù)的表現(xiàn)性能，從而指導選擇合適的SAR數(shù)據(jù)，該研究為植被區(qū)滑坡InSAR形變監(jiān)測的數(shù)據(jù)選擇提供了一種新的思路。綜上所述，不同的研究區(qū)域環(huán)境千差萬別，基于外部數(shù)據(jù)或經(jīng)驗模型事先評價不同數(shù)據(jù)的相干性，可為數(shù)據(jù)的選擇提供參考依據(jù)。

2 InSAR滑坡監(jiān)測的精度提升

星載SAR衛(wèi)星運行高度一般在距地500 km以上，在利用InSAR技術開展滑坡監(jiān)測的過程中，微波將穿過大氣層和植被覆蓋，二者也制約了InSAR監(jiān)測滑坡的精度。具體而言，在利用InSAR開展城市變形監(jiān)測時，由于城市具備較多的建構筑物，其每個像素中一般都有一個永久散射體(permanent scatters,PS)，但是在滑坡監(jiān)測中，一般難以獲取足夠多的PS點，以至于InSAR監(jiān)測點的密度較低。因此，往往需要采用分布式散射體(distributed scatters,DS)作為觀測對象，在對DS點的觀測相位進行優(yōu)化后，方可獲取密度較高的滑坡監(jiān)測結果。另一方面，滑坡一般分布于地形陡峭的山區(qū)環(huán)境下，其大氣環(huán)境較為復雜，在對應的InSAR觀測相位中往往也會存在嚴重的大氣誤差，從而降低InSAR的監(jiān)測精度。據(jù)此，本節(jié)將分別從InSAR觀測相位優(yōu)化和大氣噪聲抑制兩方面對目前InSAR滑坡監(jiān)測精度改善的相關工作進行介紹。

2.1 觀測相位優(yōu)化

滑坡體屬于自然目標，通常位于非城市地區(qū)，地表以稀疏的植被覆蓋為特征并且表現(xiàn)出典型的低相干性，使得傳統(tǒng)時序InSAR探測到的測量點的分布密度低，造成監(jiān)測困難。DS表示一個包含所有相近散射幅度值的基本散射體且沒有主導散射體的散射單元，對應像素的散射值等于所有基本散射體后向散射的矢量和[38]。DS一般都分布在低相干區(qū)域內(nèi)，例如城市郊區(qū)或者山區(qū)。如果SAR影像分辨率約為10 m，那么大多數(shù)的自然地物散射點(森林、農(nóng)田、裸露土壤、巖石表面)都可以被認為是DS；如果SAR影像分辨率達到幾米，那么DS大多出現(xiàn)在具有低矮植被覆蓋的干旱地區(qū)。綜上所述，DS的特征與滑坡區(qū)域的特征具有良好的吻合性，如果能充分利用DS目標來對滑坡進行監(jiān)測，便能夠突破傳統(tǒng)時序InSAR方法所受到的限制。一般而言，基于分布式目標的地表形變監(jiān)測涉及兩個關鍵性步驟：空間維DS目標同質(zhì)像元的自適應提取與時間維相位一致性約束條件下的DS目標最優(yōu)相位估計。

2.1.1 空間維DS目標同質(zhì)像元的自適應提取

DS-InSAR將二階統(tǒng)計量樣本協(xié)方差矩陣(或相干矩陣)作為觀測值進行輸入，因此樣本協(xié)方差矩陣(或相干矩陣)的正確估計將直接影響到最后對形變相位參數(shù)的解算精度。通常相干矩陣估計需要提供較大的窗口范圍，但是其中會有許多與中心像元統(tǒng)計特性不同或非同質(zhì)的像元，因此需要對同質(zhì)像元進行自適應地識別和提取。當前的同質(zhì)像元識別方案大多基于假設檢驗的基本理論，大致可分為非參數(shù)檢驗與參數(shù)檢驗兩類。第1類非參數(shù)檢驗方法，最早由文獻[39]提出，將雙樣本KS(Kolmogorov-Smirnov)方法應用在同質(zhì)點選取上，通過對時序振幅樣本的經(jīng)驗累積分布函數(shù)進行比較分析，從而確定其是否為同質(zhì)像元。同時該文還提出了雙樣本AD(Anderson-Darling)方法進行同質(zhì)點選取，AD方法在KS方法的基礎上改進了對于尾部差異的探測。KS方法在剔除高振幅的離群值之后，其快速和便捷的優(yōu)勢便得以體現(xiàn)，面對大范圍、長時序SAR數(shù)據(jù)的同質(zhì)點選取時具有優(yōu)勢。AD方法和KS方法相比具有更好的表現(xiàn)[40]，其對較大振幅值的靈敏度更高，結果更穩(wěn)定，但是耗時更長。第2類的非參數(shù)檢驗方法，應用較多的是廣義似然比檢驗(generalized likelihood ratio test，GLR)[41]，其基于像元時序振幅信息服從瑞利分布的假設，通過對兩個樣本的方差統(tǒng)計量進行顯著性分析，可以有效地用于同質(zhì)像元的識別，但是當分布的形狀參數(shù)產(chǎn)生變化時，其結果會受到很大影響[40]。文獻[42]提出了快速同質(zhì)像元識別(FaSHPS)算法，在基于振幅樣本均值服從高斯分布假設條件下，將傳統(tǒng)假設檢驗問題從顯著性差異判斷轉(zhuǎn)換為置信區(qū)間估計的方法。只要置信區(qū)間確定，就可以通過簡單的邏輯運算實現(xiàn)樣本之間的相似性判斷，很大程度上提高了同質(zhì)像元識別的計算效率。通常情況下，非參數(shù)方法適用性更好，可廣泛應用于各種樣本分布類型，但可能不夠精確。而對于參數(shù)方法，當其基本假設成立時，結果會優(yōu)于非參數(shù)的方法，并且在進行小樣本檢驗時結果也更好。但缺點是穩(wěn)健性不足，容易受到樣本分布差異的影響。目前而言，沒有通用的自適應同質(zhì)點選取方法，實際應用中需要兼顧研究區(qū)特征、樣本數(shù)及算法運行效率等因素來選取對應的方法。

2.1.2 時間維相位一致性約束條件下的DS目標最優(yōu)相位估計

假定存在3景已完成配準處理的SAR影像M0、Sm、Sn，其中M0作為主影像，其余兩景作為從影像，將它們兩兩之間進行干涉可以得到三景干涉圖。在單視條件下，會滿足如下關系

φmn=W{φom-φon}

(1)

式(1)即為相位三角條件，也稱為相位測量一致性，這是時序InSAR技術的最基本假設[43]。空間自適應同質(zhì)濾波處理往往會引起干涉相位不一致[44]，因此，針對DS多視干涉相位而言，有必要采取一定的相位優(yōu)化算法在滿足相位一致性的條件下構建出一組單主影像優(yōu)化相位值，以盡可能地減弱分布式目標去相干現(xiàn)象的影響。

對DS的歷史相位參數(shù)的估計方法大致可分為3類，第1類為極大似然估計法(maximum likelihood estimaton,MLE)，最早由文獻[45—46]提出，是一種漸進的無偏估計方法。MLE基于DS去相干噪聲為高斯分布的假設，利用時序上所有的干涉相位信息，構造極大似然函數(shù)最大化準則以求取DS歷史相位的最優(yōu)值。但估計相干矩陣時直接采用了窗口內(nèi)的所有像元，并未考慮同質(zhì)像元的空間分布。文獻[47]在此基礎上引入同質(zhì)點自適應選取技術，將其發(fā)展為SqueeSAR方法。此后，文獻[48]發(fā)展了加權的MLE估計，使得估計結果更為穩(wěn)健，且能夠抵御去相關影響。MLE的估計精度高，但是由于解算時涉及高度非線性函數(shù)的迭代求最優(yōu)解問題，運行效率受到了限制。第2類主流的DS歷史相位參數(shù)估計方法是特征值分解(eigenvalue decomposition,EVD)方法，其靈感來源于極化SAR[49]。EVD直接對協(xié)方差矩陣進行特征分解，并選擇最大特征值對應的特征向量作為DS歷史相位估計值。文獻[50]通過將EVD輸入量由協(xié)方差矩陣替換為相干矩陣，從而減弱了振幅不平衡對于結果的影響。EVD方法能在一定程度上對不同類型的形變信號進行分離，并且計算效率高，但是同時也損失了更多的信息，降低精度。第3類方法是采用整數(shù)最小二乘(integer least squares,ILS)來估計DS纏繞相位最優(yōu)解[51]，它采用Fisher信息指數(shù)進行定權，相比于MLE和EVD，ILS的估計結果精度最高，并且能利用協(xié)方差矩陣對優(yōu)化結果進行質(zhì)量控制。但缺點是計算的代價過于高昂，難以大范圍推廣應用。對于大數(shù)據(jù)量的運算效率問題，文獻[44]提出了EMI方法，通過結合MLE和EVD方法各自的優(yōu)點，在提高計算效率的同時改善結果精度。文獻[52]進一步將EMI與序貫處理的思想相結合，將相干矩陣在時序上進行分塊，使得海量SAR數(shù)據(jù)的DS歷史相位的實時優(yōu)化成為了可能。事實上，如果從模型的角度出發(fā)，上述算法的數(shù)學模型可以導出為相同形式[53]，而本質(zhì)區(qū)別則在于其各自的協(xié)方差矩陣的獲得方式和對權值確定方式的不同[54]。

此外，對于滑坡體監(jiān)測而言，由于現(xiàn)有外部數(shù)字高程模型的精度有限，地形殘差總是存在于差分干涉圖中，地形誤差有可能被誤認為地質(zhì)災害誘發(fā)的變形信號。在時序InSAR技術中，地形殘差是基線相關的分量，通常在時序InSAR中建模為未知參數(shù)與形變同時估計。在參數(shù)模型合適和長基線的條件下，時序InSAR技術能夠準確地估計出相干目標上的形變和地形殘差[55]。另一種替代方法是通過干涉圖組合形成基線極短的偽干涉圖來削弱地形殘差的影響。如果在時序處理中只涉及基線極短的干涉圖，由于與DEM相關的相位相當小，地形殘差可以安全地忽略，此時形變將成為時序InSAR模型中唯一的未知參數(shù)[56]。

本文以青海省拉西瓦水電站果卜岸坡滑坡為例，利用44景2019年8月—2021年1月的Sentinel-1數(shù)據(jù)對比分析了觀測相位優(yōu)化的效果。試驗采用單主影像構網(wǎng)，具體影像參數(shù)見表3，分別采用傳統(tǒng)的PS-InSAR方法和DS-InSAR的優(yōu)化方法對試驗區(qū)進行形變解算，其中DS-InSAR方法采用極大似然估計(MLE)優(yōu)化后相位值。無論在形變區(qū)域還是非形變區(qū)域上，DS-InSAR方法的監(jiān)測點數(shù)量都大于PS-InSAR方法獲取的監(jiān)測點數(shù)量，證明了DS-InSAR在滑坡監(jiān)測領域具有無可比擬的優(yōu)勢(圖4)。

表3 圖4中所用SAR影像的參數(shù)

圖4 利用PS-InSAR方法和DS-InSAR方法得到的果卜滑坡區(qū)域的形變速率Fig.4 Deformation rate of the Guobu landslide derived by PS-InSAR method and DS-InSAR method

2.2 大氣噪聲抑制

在不同時間獲取SAR影像時，電磁波傳播路徑上的溫度、濕度、大氣壓等會有差異，從而使干涉圖上出現(xiàn)大氣相位屏。大氣相位在空間上相關性較強，通常呈現(xiàn)出隨高程分布或片狀的形態(tài)；而在時間上的相關性較低，沒有顯著規(guī)律可循。大氣相位的存在嚴重制約了InSAR的高精度地表形變監(jiān)測，目前去除大氣相位的方法可分為外部數(shù)據(jù)輔助的方法和利用大氣相位時空特性的方法。

利用外部數(shù)據(jù)的方法一般會利用如GNSS、地面氣象數(shù)據(jù)、MODIS、MERIS等數(shù)據(jù)，進行InSAR大氣噪聲的估計和抑制[57]。文獻[58]提出利用參考點的氣象觀測值及對流層延遲模型來校正大氣誤差。但是，氣象站的分布非常稀疏，有時難以獲取足夠多的數(shù)據(jù)，并且對流層模型建立不精確，以上都會帶來額外的誤差。GNSS氣象學的發(fā)展為利用GNSS評估和校準InSAR測量中的大氣影響提供了機會。文獻[59]將Taylor的“凍結流”假設應用于InSAR大氣校正，試驗結果表明，加入SAR采集前后的GNSS觀測值，可以進一步提高InSAR的精度。然而，GNSS站的空間分辨率通常遠低于InSAR數(shù)據(jù)，這對應用GPS觀測校正InSAR測量造成了限制。相較于GNSS數(shù)據(jù)，MODIS數(shù)據(jù)具有更高分辨率，對于InSAR的大氣效應建模和校正是非常有用的。文獻[60]首次使用InSAR和MODIS數(shù)據(jù)校正埃特納山和洛杉磯上空的大氣延遲。此外，文獻[61]提出了一種將MODIS和GNSS數(shù)據(jù)集成用于InSAR大氣校正的方法，在洛杉磯地區(qū)的試驗表明，該方法顯著地降低了InSAR相位中的大氣信號，校正后InSAR測量中的地球物理信號更加突出。盡管MODIS具有較高的分辨率，但其測量結果對云層的存在非常敏感，這大大限制了MODIS在多云地區(qū)的應用。ENVISAT衛(wèi)星上的MERIS分辨率高達300 m，精度高于MODIS。因此，MERIS為精確模擬大氣對于ASAR數(shù)據(jù)造成的影響提供了機會[62]。以洛杉磯地區(qū)為例，文獻[63]研究表明MERIS水汽數(shù)據(jù)可以顯著降低SAR干涉圖中的大氣影響。

盡管外部數(shù)據(jù)可以有效提高InSAR形變測量精度，但其與SAR數(shù)據(jù)的空間分辨率的不一致性、測量時間的不同步性都使得該方法無法推廣到所有場景中。因此不依賴于外部數(shù)據(jù)的方法，如時空濾波法、大氣與高程建模法、獨立成分分析(ICA)信號分離法相繼提出，僅通過SAR數(shù)據(jù)本身就能估計大氣相位。

時空濾波方法是最常用的去除大氣噪聲的方法之一，該方法在時序InSAR技術(如SBAS-InSAR和PS-InSAR)中被廣泛應用。該方法認為形變具有時空上的高相關性，大氣在空間上有較高的相關性而時間上無相關性。因此，時間域高通濾波結合空間域低通濾波可以將大氣與形變分離開。當大氣在時間上沒有任何規(guī)律且形變解算模型與真實形變情況相一致時，這種方法有較好的效果。然而，實際的大氣中的季節(jié)性變化，會使大氣估計不準確，降低形變解算精度[64]。文獻[65]指出應用濾波方法時，應適當考慮季節(jié)性的大氣延遲。此外，合適的濾波窗口對準確的大氣估計至關重要，文獻[66]指出可以通過大氣與形變的先驗信息輔助確定窗口大小。針對InSAR干涉相位中的分層大氣相位，則可以通過大氣與高程建模法來去除。目前已有多種模型被用于描述大氣延遲與高程的關系，如線性模型、三次多項式模型、三次樣條模型、冪律模型。文獻[67]考慮到大氣的空間異質(zhì)性，以冪律函數(shù)來估計大氣。文獻[68]將冪律方法進一步發(fā)展，將分塊思想融入其中。文獻[69]指出了冪律方法的局限性，提出從高分辨率天氣模型中估算大氣延遲的方法。文獻[70]提出一種線性模型，應用于協(xié)方差矩陣加權的相位差，緩解分層延遲與部分湍流延遲。文獻[71]通過四叉樹將影像分塊，小塊內(nèi)部相鄰點的時序差分相位建模后再拼接來估計整張影像的高程相關大氣。這種方法適合于形變區(qū)域有一定地形起伏，大氣與高程相關的場景。不過實際的大氣比較復雜，通過簡單的數(shù)學模型較難實現(xiàn)完美的大氣估計。

除了上述方法外，文獻[72]通過獨立成分分析(independent component analysis,ICA)的方法來估計大氣相位。ICA是一種統(tǒng)計方法，用于將觀測到的多維隨機向量轉(zhuǎn)化為盡可能獨立的分量，其優(yōu)勢在于不需要建立觀測值與未知數(shù)之間的函數(shù)方程且無須外部數(shù)據(jù)就能夠?qū)崿F(xiàn)很好的信號分離[73]。近年來，ICA在InSAR領域得到了廣泛的應用，包括時序形變信號的分解[74-75]、地形殘差估計[76]、大氣信號分離[72]等。本文將ICA應用到美國南加州洛杉磯地區(qū)獲取的Sentinel-1數(shù)據(jù)大氣延遲改正中。因毗鄰太平洋空氣中水汽含量較高，該區(qū)域具有明顯的大氣延遲信號。為了使用ICA方法分離出大氣成分，首先，需要確定獨立分量的個數(shù)，利用特征值分解方法得到InSAR時序相位的每個主成分的方差百分比；然后，給定一個閾值，當方差百分比大于該閾值時，將其保留，否則視為誤差去除。本文選取0.2%作為該閾值，前5個主分量的方差百分比大于該閾值。因此，保留前5個主成分，最終確定獨立成分數(shù)量為5。利用ICA從時序相位中分離出5個獨立分量，經(jīng)過時空特征分析，判斷第3個分量代表大氣信號。對第3個分量運用ICA逆運算重建每一個干涉圖的大氣相位，將重建得到的大氣信號從每一個干涉圖中減去得到校正之后的干涉圖。經(jīng)過ICA大氣校正前后的干涉圖如圖5所示，結果表明，在經(jīng)過ICA改正后，大氣相位得到了顯著的抑制。

3 InSAR滑坡監(jiān)測的維度擴展

滑坡運動發(fā)生在三維空間中，而InSAR只能得到滑坡三維形變在InSAR視線向(line-of-sight,LOS)上的投影，無法反映滑坡真實的運動情況，制約了利用InSAR進行滑坡機理解譯、災害預警的能力。為了重建真實的滑坡三維形變信息，一般需要至少3個成像幾何差異顯著的觀測結果[77-78]。然而，這樣的觀測一般僅在機載SAR觀測平臺上可以獲取[6]，在常用的星載SAR平臺上一般只能獲取兩個成像幾何差異顯著(即升軌和降軌)的InSAR觀測結果。為了突破這一限制，國內(nèi)外學者近年來開展了探索性研究工作，主要可以分為兩類：一是在經(jīng)典InSAR相位觀測的基礎上，引入像素偏移量追蹤技術(pixel-based offset tracking，POT)或者多孔徑InSAR技術(multiple aperture InSAR，MAI)，獲取滑坡的方位向形變信息，增加第3個方向的觀測量；二是根據(jù)滑坡的運動特性，通過引入滑坡先驗信息的方式降低獲取滑坡三維形變信息所必須的觀測量。兩類方法在獲取滑坡三維形變信息時各有優(yōu)勢，在應用時需要根據(jù)滑坡的具體特征及數(shù)據(jù)情況來選擇。下文將針對兩種方法分別介紹其研究現(xiàn)狀。

3.1 升降軌InSAR與POT/MAI融合

目前在軌的SAR衛(wèi)星基本都是以極軌飛行的方式運行的，觀測方式一般以右側視為主，因此，在多數(shù)區(qū)域，一般只能獲取升軌和降軌兩個成像幾何差異顯著的觀測值。為了利用有限的觀測獲取滑坡三維形變信息，有學者提出可以引入POT技術的方位向觀測。該方法最早由文獻[79]提出，并被用于同震形變場獲取。POT方法充分利用了SAR信號不受云霧影響的特點，基于SAR強度影像通過亞像元級影像配準計算形變前后SAR影像上同名像點的變化量同時獲取LOS向和方位向形變。

利用該思想，有學者開始嘗試將其應用于滑坡監(jiān)測中。文獻[80]使用升降軌的高分辨率TerraSAR-X數(shù)據(jù)獲取了法國南部La Valette滑坡的三維時序形變結果，與GNSS的結果進行比對后，在水平向上監(jiān)測誤差為12 cm，垂直向上則為8 cm左右。文獻[81]基于高分辨率TerraSAR-X數(shù)據(jù)，利用POT技術獲取了植被覆蓋區(qū)域的角反射器三維形變結果。POT技術除了可以在SAR數(shù)據(jù)上應用，也有學者嘗試結合光學衛(wèi)星進行滑坡三維形變監(jiān)測。文獻[8]提出結合ALOS-2/PALSAR-2數(shù)據(jù)和高分二號光學數(shù)據(jù)進行三維形變監(jiān)測，基于該結果分析了白格滑坡的穩(wěn)定性。為了實現(xiàn)亞像元級影像配準，多數(shù)研究采用的是歸一化互相關系數(shù)法，但在滑坡的邊緣，容易因為中心像元與其他像元存在顯著運動差異而導致邊緣區(qū)域形變估計精度的降低。為了解決這一問題，文獻[82]提出了一種基于自適應窗口的POT方法，用于改善滑坡邊界的形變結果，并獲取了Slumgullion滑坡的三維時序形變結果。

利用POT技術獲得的形變結果，其精度主要取決于數(shù)據(jù)的分辨率[83]。POT技術通過亞像元級影像配準技術獲取像素偏移信息，目前該技術可以實現(xiàn)的最小像元變化探測度為1/10～1/20個像素[84]。因此，為了獲取微小的滑坡蠕變及早期加速變形的形變信息，往往需要分辨單元更小的高分辨率SAR數(shù)據(jù)的支撐。圖6是結合TerraSAR-X(圖6(a))、Sentinel-1(圖6(b))和ALOS-2/PALSAR-2(圖6(c))衛(wèi)星觀測結果獲取的新鋪滑坡三維形變速率結果。其中，方位向形變是利用TerraSAR衛(wèi)星的高分辨率聚束模式的數(shù)據(jù)，通過POT處理獲得的。相較于Sentinel-1和ALOS-2/PALSAR-2數(shù)據(jù)，由于聚束模式的TerraSAR-X數(shù)據(jù)分辨率較高(方位向和距離向約為1 m)，在進行POT處理時，其對形變的敏感性遠大于其他數(shù)據(jù)，可探測的最小形變量級達到了5～10 cm，因此，可以得到滑坡的方位向形變結果。進一步結合升軌Sentinel-1衛(wèi)星和降軌ALOS-2/PALSAR-2衛(wèi)星的InSAR觀測結果后，利用最小二乘方法獲取了該滑坡的三維形變結果(圖6(d)—圖6(e))。然而，通過融合POT觀測雖然可以克服InSAR觀測南北向形變不敏感的缺陷，但是獲取的南北向形變精度相較垂直向和東西向仍然較低。

多孔徑InSAR(multiple aperture InSAR，MAI)是一種基于相位的測量模式，該技術一般通過對SAR回波信號進行處理，將全孔徑的SAR影像分為前視和后視兩個部分，利用前視和后視干涉圖在方位向形變上的差異性對兩個影像進行差分處理后即可得到方位向形變。相較于POT獲取的方位向形變結果，MAI獲得的方位向形變精度更高，在地震、火山和冰川監(jiān)測方面已有不少應用。在滑坡監(jiān)測方面，文獻[85]利用MAI技術結合DInSAR獲取了露天礦邊坡的二維時序形變結果，但是受限于MAI技術對失相關噪聲較為敏感的原因，在滑坡監(jiān)測上，該技術的適用性略差于POT技術，目前成功的案例較少。

3.2 先驗信息約束的升降軌InSAR融合

POT只能監(jiān)測形變顯著的滑坡，而MAI對相干性要求非常高，因此對于地表環(huán)境復雜的緩慢滑坡而言，POT/MAI均難成為常規(guī)的形變觀測手段。為進一步降低三維形變監(jiān)測對于數(shù)據(jù)的嚴苛要求，有學者提出可以根據(jù)實際應用場景，利用先驗信息約束來獲取三維形變的方法[86-87]。在滑坡監(jiān)測領域，最常用的先驗信息約束方式主要有兩種。

第1種是直接忽略南北向形變的方法，該方法利用InSAR觀測對南北向形變不敏感的特點，假設南北向沒有形變，利用升軌和降軌的InSAR觀測即可得到滑坡東西向和垂直向的形變結果。基于該思想，文獻[86]利用升軌和降軌的TerraSAR-X聚束模式數(shù)據(jù)獲取了黑方臺滑坡的二維形變結果分析了黑方臺滑坡的破壞模式。

第2種方法是根據(jù)滑坡運動特點所提出的地表平行位移假設方法(surface-parallel flow,SPF)。該方法認為，地表上自由流動的物質(zhì)主要受重力作用的影響順著地勢運動，因此，可利用地形作為先驗信息構建三維形變分量內(nèi)部之間的函數(shù)模型，實現(xiàn)僅以升軌和降軌InSAR觀測即可獲取滑坡三維形變的目的。該方法最早是由文獻[87]提出，用于解決在極地獲取三維冰川流速的問題，在后續(xù)的研究中，該方法已成為冰川監(jiān)測中的常用方法。而在滑坡監(jiān)測方面，該方法在理論方面比忽略南北向形變的處理手段更為嚴密。文獻[88]利用ALOS-1升軌和ENVISAT降軌數(shù)據(jù)實現(xiàn)了我國甘肅舟曲滑坡的三維形變監(jiān)測。文獻[89]利用ALOS-1/2升軌和Sentinel-1降軌的數(shù)據(jù)，獲取了美國克雷森特湖滑坡的三維形變結果，并在此基礎上進一步反演了該滑坡的厚度信息。圖7是在SPF方法約束下，利用升軌和降軌的Sentinel-1數(shù)據(jù)獲取的InSAR觀測結果解算的金坪子滑坡的三維形變信息。除了可以獲取三維形變速率，文獻[90]在SPF約束的基礎上引入Tikhonov正則化的思想，用于解決在解算滑坡三維動態(tài)時序結果時升降軌觀測時間不一致的問題，并利用COSMO-SkyMed升降軌觀測得到了剛果地區(qū)Funu滑坡的三維時序形變結果。

因此，在充分利用先驗信息約束的情況下，以有限的數(shù)據(jù)獲取滑坡三維形變結果。但是，SPF方法需要獲取精確的外部DEM來計算地形坡度。常用的DEM數(shù)據(jù)(如SRTMDEM和ASTERGDEM)的精度和分辨率均不高[91]，且獲取時間常早于滑坡事件的發(fā)生，因此，DEM中的誤差將不可避免地會引入函數(shù)模型中，導致不可靠的三維形變結果。此外，無論是忽略南北向形變的方法或者SPF約束，均需要至少兩個方向的觀測。然而，滑坡一般發(fā)生在山區(qū)，受限于SAR側視觀測的影響，在多數(shù)研究區(qū)都存在疊掩和陰影的問題，致使升軌和降軌中僅有一個軌道有觀測結果，制約了滑坡三維形變的獲取工作。

4 InSAR滑坡監(jiān)測的發(fā)展方向

4.1 基于長波時序極化InSAR的滑坡形變透視監(jiān)測

滑坡多發(fā)生在植被茂密的山區(qū)，植被的高動態(tài)變化所引起的時間失相干導致時序InSAR技術往往對于高植被覆蓋度下的滑坡隱患識別與形變監(jiān)測“束手無策”。長波SAR信號具有較強的穿透性，能夠在一定程度上抵御時間失相干的影響[28-29]。未來，隨著TanDEM-L、ALOS-4、BIOMASS、NiSAR等長波SAR衛(wèi)星的入軌運行，植被覆蓋區(qū)InSAR滑坡監(jiān)測的失相干問題預計將會得到顯著改善。

此外，有學者提出在時序InSAR中考慮引入極化測量信息來改善形變監(jiān)測效果[92]。與單極化數(shù)據(jù)相比，多極化數(shù)據(jù)包含更多的地物散射信息[92]。同時，極化InSAR技術對植被體的空間結構、介電常數(shù)等物理屬性更加敏感，不僅具備區(qū)分同一分辨單元內(nèi)不同散射機制的能力，而且可以有效地刻畫植被復雜散射過程，從而能夠幫助重建更準確的地表相位[93]。目前，已有部分學者開展了時序極化InSAR形變監(jiān)測的初步研究。一方面，通過數(shù)值優(yōu)化的方法尋找最優(yōu)散射機制來降低失相干的影響，進而可以最大限度地提高相干點的數(shù)量和質(zhì)量，在低相干區(qū)域具有一定的效果[92,94]；另一方面，利用極化分解技術分離不同的散射機制，有效地追溯散射來源，從而獲得更加準確的地表形變監(jiān)測結果[95]。然而，現(xiàn)有研究仍停留在探索階段，尚未充分挖掘極化信息的潛能。例如，極化數(shù)值優(yōu)化方法僅僅在數(shù)學上獲得最優(yōu)解，沒有考慮不同地物的極化散射差異和時序變化特征。更重要的是，大多研究使用的是短波數(shù)據(jù)，長波數(shù)據(jù)的復雜極化散射特性未得到充分研究。

因此，基于長波數(shù)據(jù)的時序極化InSAR技術，為穿透植被覆蓋實現(xiàn)林下滑坡形變監(jiān)測提供了可能。如何充分利用長波極化SAR數(shù)據(jù)開展InSAR滑坡形變透視監(jiān)測，將是未來的研究熱點。但是在未來的應用中，仍有一些問題值得思考，例如，如何準確表征植被區(qū)的失相干特征，如何刻畫植被區(qū)長波極化非對稱散射過程，如何考慮極化散射機理進行精確地表相位重建等問題。

4.2 基于單軌數(shù)據(jù)的InSAR滑坡三維形變監(jiān)測

如前所述，目前獲取滑坡三維形變信息至少需要兩個不同軌道的SAR觀測結果。然而，在復雜的山區(qū)環(huán)境下，由于SAR衛(wèi)星側視成像導致的幾何畸變的存在，在單個滑坡體上往往只能獲取升軌或者降軌單個有效InSAR觀測，限制了InSAR滑坡三維形變的獲取。因此，如何利用單軌InSAR觀測值獲取滑坡三維形變信息已經(jīng)成為了目前InSAR滑坡監(jiān)測的主要瓶頸之一。

在利用單軌InSAR觀測獲取滑坡多維形變信息方面，目前已有少量的研究開展。文獻[85]利用MAI技術獲取邊坡的方位向形變后，通過忽略東西向形變的方式，與InSAR觀測進行融合獲取邊坡的二維形變。然而，MAI觀測很容易受到監(jiān)測場景的制約，主要表現(xiàn)為該技術對形變的敏感性較低，無法獲取形變量級較小的滑坡蠕滑信號，而過大的形變會導致MAI觀測失相關。利用POT技術進行監(jiān)測同樣可以獲取滑坡的二維形變信息[82]，但是POT技術往往只能在特大形變量級的場景下使用，難以用于開展多數(shù)蠕滑型滑坡的常態(tài)化三維形變監(jiān)測工作。因此，如何突破目前的技術瓶頸，改善利用SAR數(shù)據(jù)獲取方位向形變的精度和可靠性，將成為利用單軌SAR數(shù)據(jù)獲取滑坡三維形變信息的解決方案之一。

前文已述利用先驗信息進行約束，可以降低InSAR監(jiān)測三維形變所需要的觀測數(shù)據(jù)量。因此，如何針對滑坡監(jiān)測場景，進一步充分挖掘其運動本質(zhì)，將成為擴展InSAR滑坡一維監(jiān)測到多維監(jiān)測的關鍵。目前一些其他形變監(jiān)測場景中的相關研究可為這一問題的解決提供思路。例如，在礦區(qū)形變監(jiān)測中，可以考慮在水平或近水平煤層開采條件下，礦區(qū)地表水平形變與垂直形變之間存在線性關系，即可構建東西向、南北向與垂直向之間的理論約束方程，此時僅需InSAR監(jiān)測的一維LOS向形變，即可恢復礦區(qū)的三維形變場[96]。在地下流體開采監(jiān)測中，則可以引入彈性半空間模型構建三維形變之間的函數(shù)關系，同樣可以實現(xiàn)基于單軌InSAR的三維形變監(jiān)測[97]。但是相較于礦區(qū)或開采區(qū)地面沉降，滑坡三維形變之間的約束關系目前較為單一，尚不足以支撐滑坡三維形變的獲取。利用先驗信息約束獲取滑坡三維形變信息，還需要對滑坡變形機制機理開展進一步的挖掘，才有可能實現(xiàn)利用單軌SAR數(shù)據(jù)獲取滑坡三維形變。

4.3 面向滑坡監(jiān)測的InSAR設備載荷研發(fā)

星載InSAR技術因其監(jiān)測范圍廣、全天時、全天候等優(yōu)勢，已經(jīng)在滑坡監(jiān)測方面有許多應用。然而目前在軌衛(wèi)星的重訪周期較長，以最常用的哨兵系列衛(wèi)星為例，在雙星聯(lián)合觀測的情況下，其最短周期也要6 d，難以滿足滑坡實時監(jiān)測預警的需求；其次，高分辨率的星載數(shù)據(jù)價格昂貴，用其進行時序監(jiān)測成本高昂。面對這些問題，科研人員考慮將傳感器搭載在其他平臺(如機載SAR、地基SAR)以補充現(xiàn)有的星載InSAR技術，以實現(xiàn)高時間分辨率、低成本的滑坡監(jiān)測。

機載SAR觀測方向靈活，不受固定飛行軌道的約束；觀測時間靈活，可及時地對突發(fā)滑坡開展應急測繪；搭載低頻傳感器可獲取密集植被區(qū)的滑坡形變。機載SAR目前已在少數(shù)滑坡災害監(jiān)測中得到了應用。文獻[98]利用機載InSAR數(shù)據(jù)對美國科羅拉多州的Slumgullion滑坡進行監(jiān)測，證明了InSAR反演滑坡內(nèi)部變形的動力學特征的能力。文獻[99]通過NASA/JPL UAV SAR數(shù)據(jù)和像素偏移量追蹤方法，等解算出加利福尼亞北部海岸山脈的上百個緩慢山體滑坡的三維地表形變，并推斷出滑坡體的厚度、體積、幾何縮放和摩擦強度等參數(shù)。在更低成本和更機動靈活監(jiān)測的需求下，無人機載微小型SAR應運而生，如MiniSAR、BYUSAR、MFUSAR等，可以實現(xiàn)幾千米范圍內(nèi)的亞米級分辨率成像。不過該技術仍然處于研發(fā)階段，尚未像星載SAR一樣得到廣泛的應用。隨著新材料、新部件、新算法的不斷涌現(xiàn)，無人機載微小型SAR朝向小體積、低功耗、高分辨率、多模式成像、多極化成像等方向不斷發(fā)展。

地基SAR則將雷達安置在地面上，時間分辨率可以可達到分鐘級，最遠監(jiān)測距離可以達到10 km，形變監(jiān)測精度理論上可達到亞毫米級，并且可以根據(jù)實地情況布設在最適合監(jiān)測滑坡的位置，從而最大限度地捕捉地表位移信號。現(xiàn)有的地基雷達主要分為兩種，一種以線狀掃描方式成像，如IBIS-L、LiSA、FastGB-SAR、MIMO-SAR；另一種以弧形方式掃描成像，如ArcSAR、IBIS-ArcSAR、Arc-FMCW-SAR、GPRI-Ⅱ。無論哪一種，距離向的分辨率都是不變的，可以保證在亞米級，方位向分辨率隨距離增大而降低，在距離雷達1 km處的方位向分辨率可實現(xiàn)優(yōu)于10 m。相較于機載SAR，目前地基SAR的設備研發(fā)方面較成熟，并在滑坡監(jiān)測方面有廣泛的應用[100-103]。由于安裝靈活，霧氣、雨天均能進行監(jiān)測，地基雷達在小范圍內(nèi)應急滑坡監(jiān)測中發(fā)揮了重要作用。然而，現(xiàn)有地基雷達仍然存在不少問題亟待解決。首先，工作波段主要以Ku等高頻波段為主，對于植被覆蓋等復雜地表難以實施有效監(jiān)測；然后，尺寸仍然偏大，需要進一步優(yōu)化使其更加便攜；最后，在無電源的觀測場景中，供電需要人為參與，難以實現(xiàn)自供電。因此，地基雷達未來將在高穿透、高便攜、低功耗等方面不斷發(fā)展。

4.4 基于深度學習的InSAR滑坡隱患點自動識別

滑坡識別技術是滑坡監(jiān)測的前提，至關重要，只有準確識別出滑坡體的位置，才能為后續(xù)滑坡監(jiān)測提供條件?；伦R別是通過對滑坡區(qū)域的形態(tài)及特征進行研究，確定滑坡的發(fā)生區(qū)域及分布情況的圖像分析技術。傳統(tǒng)的滑坡識別方法以人工目視解譯為主，極大依賴于專業(yè)人員的知識技能與熟練程度，人為主觀因素占據(jù)較大比重。目前全球共有400多顆在軌地球遙感衛(wèi)星，面對如此海量的遙感影像數(shù)據(jù)，若都采用人工解譯的方式進行滑坡識別，工作量巨大，難以實施。近年來，基于遙感圖像的機器學習方法逐步實現(xiàn)了滑坡隱患的智能化、自動化、快速識別，特別是深度學習，因其擁有強大的圖像學習、分析和預測能力，逐漸成為滑坡隱患自動識別的重要工具之一。

SAR影像憑借其全天候、全天時、不受云霧影響等特點被部分學者用于滑坡自動識別的研究當中。文獻[104]結合高分二號影像獲取的訓練樣本，構建基于BP神經(jīng)網(wǎng)絡的全極化SAR數(shù)據(jù)滑坡自動識別模型，實現(xiàn)滑坡體的自動快速識別。文獻[105]利用深度學習方法從極化SAR數(shù)據(jù)中自動識別了滑坡區(qū)域。目前已有的研究只能自動識別出已發(fā)滑坡，但是對于正在蠕動的滑坡效果欠佳。InSAR作為可探測地表微小形變信號的技術，是識別滑坡蠕動的重要手段，將深度學習和InSAR技術進行結合，將對提高滑坡隱患點自動識別效果起到重要的作用。深度學習的出現(xiàn)為遙感影像自動分類技術提供了新的理論支撐，但是目前基于深度學習與InSAR相結合的研究仍處于初步探索階段，在將二者進行融合時，仍有一些問題值得思考。首先，對比深度學習與InSAR結合的已有研究來看，其中主要集中在火山的自動識別中[106-109]，不同區(qū)域的火山形變在干涉圖中具有非常相似的特征結構，而不同的滑坡在干涉圖中形變并無明顯特征，可能導致深度學習模型無法較好進行學習識別規(guī)律。然后，滑坡作為一種潛伏周期長、復雜的地質(zhì)災害類型，在短時間內(nèi)的干涉圖中難以發(fā)現(xiàn)明顯的形變信號，因此對于人工的圈定訓練樣本范圍帶來了不小的挑戰(zhàn)。最后，深度學習中缺乏針對SAR影像的訓練樣本集，由此則會產(chǎn)生樣本不均衡問題，這個問題不管是深度學習在火山上的研究還是在滑坡中的研究都普遍存在。因此，未來還需要在滑坡特征學習上進一步探索，才能顯著提升基于深度學習的InSAR滑坡隱患點自動識別的準確度。

4.5 形變大數(shù)據(jù)驅(qū)動的InSAR滑坡災害預報預警

觀測和分析各種滑坡發(fā)生的前兆現(xiàn)象，開展預報預警工作，可以在一定程度上避免滑坡災害對人民生命財產(chǎn)安全的侵蝕。傳統(tǒng)方法，如逆速法線性逼近、對數(shù)速率和對數(shù)加速度技術等數(shù)值模擬方法受測量誤差、環(huán)境噪聲及建模假設等因素的干擾效果明顯，表現(xiàn)為模型抗差性能低、遷移應用能力弱。隨著星載SAR技術的不斷發(fā)展，目前已有多種不同波段、不同模式、不同分辨率的SAR衛(wèi)星在軌服務，長期的穩(wěn)定運行已累計獲取了全球每個角落的海量存儲SAR數(shù)據(jù)。深度學習等大數(shù)據(jù)挖掘和分析手段的出現(xiàn)，為利用InSAR數(shù)據(jù)開展形變大數(shù)據(jù)驅(qū)動的滑坡災害預報預警提供了機會。

目前，在結合大數(shù)據(jù)挖掘和傳統(tǒng)形變數(shù)據(jù)服務于災害預報預警方面，已經(jīng)有學者開展了探索性的研究。文獻[110]提出一種基于雙移動平均線(DMA)和長短期記憶(LSTM)網(wǎng)絡的數(shù)據(jù)驅(qū)動時序變形預測方法，結果表明該耦合模型預測三峽庫區(qū)白水河滑坡形變能夠完成更高精度的形變預測，可用于早期預警系統(tǒng)。文獻[111]將深度學習模型應用于地震誘發(fā)的山體滑坡形變預測中，結果表明深度學習模型在準確性方面優(yōu)于樸素貝葉斯、邏輯回歸、支持向量機及隨機森林4種機器學習算法。文獻[112]利用LSTM模型對白水河滑坡進行了單因素和多因素預測，結果表明具有多因素數(shù)據(jù)輔助的滑坡預測性能優(yōu)于單因素深度學習模型的預測性能。文獻[113—114]聯(lián)合自適應噪聲的完全集成經(jīng)驗模態(tài)分解和嵌入注意力機制的LSTM模型對由GNSS獲取的滑坡形變數(shù)據(jù)實現(xiàn)了預測任務，并達到了較高精度，表明了深度學習方法對于滑坡位移預測存在巨大潛力。這些研究為開展形變大數(shù)據(jù)驅(qū)動的InSAR滑坡災害預報預警提供了有益參考，仍有一些難點需要考慮：①滑坡相較于地面沉降、建筑膨脹大壩變形而言，其形變趨勢的影響因素繁多且機理復雜，導致參與預測數(shù)據(jù)的選擇和其最佳組織方式仍需進一步探究；②突降暴雨、人為因素或地震等大型災害都有可能引起滑坡的瞬間垮塌，但由于此等現(xiàn)象并不多見，能夠用于訓練的突發(fā)性滑坡數(shù)據(jù)庫并不豐富，這是基于深度學習的滑坡預測的又一瓶頸；③目前針對其他應用的形變預測都是基于單點的時序預測，然而滑坡形變勢必還需要考慮空間關系，因此滑坡預測向空間維聯(lián)合時間維方向上的拓展是亟待突破的一大難點。

5 結 論

InSAR技術為突破傳統(tǒng)滑坡監(jiān)測手段中所面臨的瓶頸問題提供了新的契機。近年來，星載SAR數(shù)據(jù)日趨豐富，極大地推進了InSAR技術在滑坡監(jiān)測領域上的應用和研究。針對InSAR滑坡監(jiān)測過程中所面臨的失相關噪聲嚴重、大氣誤差擾動和無法獲取三維形變等問題，相關學者提出了一系列的解決思路，極大豐富了InSAR技術理論。在可預見的未來，又將有一批新的SAR衛(wèi)星入軌運行。新的數(shù)據(jù)將帶來更短的重返周期、更高的空間分辨率及更豐富的極化方式。這一系列新特征不僅有助于InSAR技術在開展滑坡變形監(jiān)測時突破植被覆蓋導致的監(jiān)測精度低、幾何畸變導致的監(jiān)測維度單一等問題，而且有望促進InSAR技術在機載/地基InSAR設備載荷研發(fā)、滑坡隱患點自動識別、滑坡災害預報預警等方面的應用，從而進一步提高我國防災減災的能力。