基于PS-InSAR和SBAS技术监测昆明市主城区地面沉降

由于昆明近几年城市建设发展、地铁兴建、地下水开采等,导致地面出现严重的沉降现象,因此对其进行有效监测十分必要。本文利用覆盖昆明地区的30幅Sentinel-1A影像,分别采用PS-InSAR技术和SBAS-InSAR技术进行数据处理,获得两组昆明市主城区的地表沉降信息,并通过交叉验证分析和时序分析对两组结果进行对比。结果表明:两种方法的结果具有相关性、可靠性和较高一致性,研究区在2018年7月至2019年7月期间存在地面沉降问题,且最大年沉降速率可达到-39.258 3 mm/a。

基于PS与SBAS的InSAR技术对贵阳市主城区沉降监测分析

采用PS-InSAR和SBAS-InSAR两种技术处理覆盖贵阳市的30景Sentinel-1A SAR数据,首先获取该研究区的沉降速率,其次分析沉降带分布特征及沉降原因,最后对两种处理结果进行对比分析。研究表明:该市存在不同程度的地面沉降,其主要分布在贵阳北火车站、云岩区和花溪区等区域,最大沉降速率达26 mm/a;两种技术处理结果具有较高的一致性;在建筑物密集区域,SBAS技术较为准确些,这是由于两种选点方法不同所导致。

利用Sentinel-1A/-1B升降轨SAR数据提取DEM与精度分析

目前能免费获取的ASTER G DEM、SRTM DEM等产品,不能实时表达地表地形实际特征,尤其在矿区,使这些DEM应用具有一定的局限性。为此,本文利用InSAR技术提取DEM来更新研究区DEM。以鞍山市城区、郊区及矿区作为研究区,首先用In SAR技术处理Sentinel-1A/-1B卫星平台升降轨SAR数据并提取S1A DEM及S1B DEM,再用小波变换融合技术对提取的DEM进行融合,最后用交叉验证法、同名采样点高程差值统计分析法及高程差值剖面分析法对DEM进行分析。结果表明,利用Sentinel-1A/-1B升降轨SAR数据提取DEM并对其融合是可行的,在表达地形特征方面,提取DEM要优于参考DEM;采样点高程差值小于15m的比例达84. 5%,对提取DEM进行融合能使精度有所提高;地形平坦的城区及郊区,提取DEM精度要高于山区,差值较大区域主要分布在矿区,主要是因为矿产开采而导致地表高程降低。

联合SBAS-InSAR和BP算法的滇中高速公路沿线沉降监测与预测

近年来,云南省在“一带一路”及“长江经济带”发展战略的引领下,加速了高速公路的建设。本文针对传统方式对高速公路地表形变排查难度大的问题,首先利用SBAS-InSAR技术处理覆盖滇中地区的69景Sentinel-1A SAR影像,获取高速公路沿线的地表形变沉降速率场,探测沿线的灾害隐患点,分析形变特征;然后,提取部分沉降值作为BP神经网络算法的训练样本,建立预测模型对高速公路沿线的沉降趋势进行预测。结果表明:①滇中地区高速公路沿线地表形变分布广泛,最大沉降速率为-76.50 mm/a,位于三环线草海隧道沿线;②研究区内共探测出22个灾害隐患点;③随机提取高速公路沿线1000组SBAS-InSAR沉降数据,利用BP神经网络对沿线地表沉降形变进行预测,得到均方误差为0.167 mm,平均绝对误差为0.379 mm,SBAS监测值与BP神经网络预测值之间的最大误差为0.666 mm/a,表明BP算法能够为道路灾害识别普查提供必要的技术支持。