夏錦 王崢輝

摘 要：【目的】PS-InSAR和SBAS-InSAR在應對復雜多變地物散射特征沉降區(qū)域時均存在解算局限性，有必要通過對比兩者技術差異和適用性，開展融合方法研究?！痉椒ā扛鶕煌匚锷⑸涮卣鲄^(qū)域PS點分布的相干系數統(tǒng)計特性，尋找與強地物散射特征區(qū)域強關聯的PS點數據簇，再根據不同散射特征區(qū)域PS點分布的密度差異，采用空間聚類算法識別覆蓋城鎮(zhèn)用地的數據簇，并采用三角網格法對照全國土地利用現狀數據確定監(jiān)測數據融合的邊界，剔除邊界外低密度、低質量的PS點數據簇，在邊界外采用SBAS-InSAR解算出SDFP點數據，得到最終結果。【結果】數據融合后，弱地物散射區(qū)域高質量監(jiān)測點數據大幅增加，強地物散射區(qū)域內高質量、高密度PS點被保留，該部分PS點解算位置精度更高，可在建成區(qū)實現小尺度精細化監(jiān)測，最終實現根據區(qū)域內的可變散射特征自動選擇匹配的干涉測量數據的結果?！窘Y論】InSAR融合方法在應對復雜多變地物散射特征區(qū)域時，可兼顧監(jiān)測點的數量和質量。

關鍵詞：地面沉降；SBAS-InSAR；PS-InSAR；地物散射；融合方法

中圖分類號：TU196.2? ? 文獻標志碼：A? ? ?文章編號：1003-5168（2024）03-0052-08

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.03.011

Research on InSAR Fusion Method for Scattering Characteristic

Regions of Complex and Variable Objects

XIA Jin1? WANG Zhenghui2

（1.Nanjing Metro Construction Co.， Ltd.， Nanjing 210017，China; 2.Jiangsu Hengtong Engineering

Investigation and Testing Co.， Ltd.， Nanjing 210012，China）

Abstract： [Purposes] Both PS InSAR and SBAS InSAR have computational limitations when dealing with complex and variable terrain scattering characteristics in subsidence areas， so it is necessary to carry out research on fusion methods by comparing the technical differences and applicability of the two. [Methods] According to the statistical characteristics of the coherence coefficient of the distribution of PS points in different scattering feature areas， find the PS point data cluster that is Strongly correlated material to the strong scattering feature area. Then， according to the density difference of the distribution of PS points in different scattering feature areas， this paper uses the spatial clustering algorithm to identify the data cluster covering urban land. This paper uses the Triangle mesh method to determine the boundary of monitoring data fusion against the national land use status data， and eliminates the low density low quality PS point data cluster， and use SBAS InSAR to calculate SDFP point data outside the boundary and obtain the final result.[Findings] After data fusion， there is a significant increase in high-quality monitoring point data in weak terrain scattering areas， while high-quality and high-density PS points in strong terrain scattering areas are retained. This part of the PS points has higher accuracy in calculating their positions， and small-scale fine monitoring can be achieved in built-up areas. Ultimately， matching interferometric measurement data can be automatically selected based on the variable scattering features in the area. [Conclusions] This InSAR fusion method can balance the quantity and quality of monitoring points when dealing with complex and variable terrain scattering feature areas.

Keywords： ground subsidence; SBAS-InSAR; PS-InSAR; ground scattering; fusion method

0 引言

合成孔徑雷達差分干涉測量（Differential Interferometric Synthetic Aperture Radar， D-InSAR）技術可以監(jiān)測大范圍、全天候、亞厘米級精度的地面沉降，但易受時空失相干與大氣效應的影響。為實現長時序高精度地面監(jiān)測，時序InSAR技術被提出。時序InSAR可分為基于高相干點目標的單主影像時序InSAR和基于高相干面目標的多主影像時序InSAR。前者的代表是Ferretti等［1］于2000年左右提出的PS-InSAR（Permanent Scatter InSAR）；后者的代表則是Berardino等［2］提出的SBAS-InSAR（Small Baseline Subset InSAR）。近年來，兩種方法體系不斷發(fā)展完善，為地面沉降監(jiān)測提供了技術基礎。

PS-InSAR可以從建構筑物、橋梁、各種角散射器效應所構成的高相干目標中提取大量永久散射體，廣泛應用于城市區(qū)域地面沉降監(jiān)測。但是，失相干會使PS點密度降低，無法形成緊密間隔的參考網格，影響大氣干擾的估算和去除，測量精度難以保障［3-4］。對此，已有大量學者投入到提高PS-InSAR中PS點密度的研究中。針對判別PS點相干性的優(yōu)化算法，Sadeghi等［5］將PS-InSAR與單基線偏振相干性優(yōu)化相結合來監(jiān)測地面沉降，通過提高PS點的相干性增加PS點數量。針對識別PS點的優(yōu)化算法，黃長軍等［6］提出了一種基于經驗模態(tài)分析的PS點檢測方法，在PS點檢測過程中降低了誤判和遺漏的可能性。Perissin等［7］通過對半相干點進行探測來提高PS點密度，但需要更多的計算時間。在地物參照點輔助識別PS點方面，Zhu等［8］通過在低相干區(qū)域布設角反射器，提高了PS點的空間密度。上述研究在一定程度上克服了失相干使PS點密度降低的問題，在低相干區(qū)域識別出更多PS點，但是在復雜多變的地物散射特征沉降區(qū)域，PS點的分布仍然存在較大密度差異，對監(jiān)測結果的局部精度存在影響［9-10］。

SBAS-InSAR通過剔除基線較大的干涉對，形成多個小基線集合，提高了時空采樣率，降低了時空失相干的概率［11-12］。SBAS-InSAR反演過程對SAR影像數據采用自適應多視處理，從而提高影像的信噪比，降低了去相干噪聲對形變估算的影響，提高了干涉質量，但會降低空間分辨率，影響監(jiān)測精度［13］。目前，許多學者圍繞提高SBAS-InSAR監(jiān)測結果空間分辨率進行了研究。針對多元數據融合，Francesca等［13］在處理交通網絡和采礦點沿線局部變形時，通過采用高分辨率SUAV技術，提高了監(jiān)測結果的局部分辨率。針對干涉目標的提取算法，Mora等［14］提出了一種基于相干系數的相干目標選擇方法，可以在時序影像數量較少的情況下提取干涉目標。在數據視數優(yōu)化方面，Lanari等［15］提出了一種基于單視處理的算法來探測干涉目標，同樣可以起到提高空間分辨率的效果。SBAS-InSAR通常需要通過最小成本流方法或分支切割方法進行相位展開，市區(qū)干涉圖的干涉條紋會導致相位展開困難，以及提取散射體的相位信息誤差增大，在城市中的應用還存在局限性［16］。

目前，兩種時序技術在應對復雜多變地物散射特征沉降區(qū)域時均存在局限性，關于時序InSAR適用范圍局限性的研究還處于初始階段。近年來，許多學者提出了融合不同時序InSAR的思路，旨在增加相干點目標的空間采樣率、提高分布密度，獲得更可靠的監(jiān)測結果。姜德才等［17］提出了融合兩種方法散射體的選取算法，通過構建Delaunay三角網來估算形變速率，提高了目標提取的正確率和最終結果的精度。聶運菊等［18］通過篩選與提取分布于研究區(qū)內的穩(wěn)定PS點作為SBAS-InSAR處理過程中的地面控制點，進行軌道精煉與形變反演。上述研究圍繞全局目標點選取的數量和質量進行討論，未考慮兩種方法在應對沉降區(qū)域地物散射特征復雜多變時的解算局限性。因此，本文從兩種方法應對沉降區(qū)域地物散射特征復雜多變的適用性出發(fā)，開展融合方法的研究。

1 InSAR技術

1.1 PS-InSAR技術

從覆蓋相同區(qū)域不同時間段的SAR影像數據中選取一幅作為公共主影像，其余影像作為從影像配準到主影像上形成影像對，使所有影像對之間的空間和時間去相關效應最小，然后去除平地相位并獲取差分干涉相位圖。其中，[φi]表示第i幅差分干涉圖的相位，具體見式（1）。

[φi=φdef _i+φtopo_i+φatm_i+φnoise_i] （1）

式中：[φdef _i]為LOS方向的形變相位；[φtopo_i]為殘余地形相位；[φatm_i]為大氣延遲相位；[φnoise_i]為其他噪聲相位。

以PS點為節(jié)點，建立不規(guī)則三角網，采用差分方法削弱空間距離相關的誤差（如大氣延遲），估算PS網絡中每條基線的參數，以及PS點的LOS向線性形變和高程誤差。采用振幅離差閾指數（ADI）篩選穩(wěn)定的候選點PSC（Permanent Scatterer Candidates），建立相鄰PS點相位差分模型并求解模型參數。

第[i]幅差分干涉圖的相鄰PS點相位差表示見式（2）。

[φidiff=4πλTiΔν+4πB⊥iΔελRsinθ+Δωi] （2）

式中：[Δν]為相鄰PS點之間的形變速率增量；[Δε]為高程誤差增量；[Δωi]為殘余相位誤差；[B⊥i]、[Ti]分別為干涉對[i]的時空基線；[λ]為波長；[R]為天線相位中心到目標的距離；[θ]為雷達入射角。同時假設[Δωi<π]。

在得到各個PS點對間的相對形變速率和高程誤差之后，通過積分獲得各個PS點的形變速率和高程誤差。

1.2 SBAS-InSAR技術

獲取覆蓋研究區(qū)的多幅SAR影像，確定時空基線閾值自由組合成干涉對。假設覆蓋研究區(qū)的SAR影像數量為N，獲取時間依次是[t0]，[t1]，…，[tN?1]。確定時空基線閾值，形成M幅差分干涉圖，M滿足式（3）。

[M2≤N≤M（M?1）2] （3）

假設第[i]幅差分干涉圖的相位[φi]，見式（4）。

[φi=φdef _i+φtopo_i+φatm_i+φnoise_i] （4）

式中：[φdef _i]表示LOS方向的形變相位；[φtopo_i]為殘余地形相位；[φatm_i]為大氣延遲相位；[φnoise_i]為其他噪聲相位。

SBAS-InSAR通過逐個計算像元來獲取差分干涉圖中各個像元在時間序列上的形變。為消除原始長時序形變中的大氣延遲和相位噪聲誤差，對原始形變進行線性回歸，反演平均形變速率，模型見式（5）。

[A?=δ?] （5）

式中：[?]為N+1個成像時刻的雷達影像上未知形變相位點組成的矩陣；[δ?]為M幅差分干涉圖中觀測相位值矩陣；A為一個M×N的系數矩陣，形變相位通過采用最小范數意義的最小二乘法求解。

考慮外部DEM數據導致的精度誤差，相位中存在殘余地形相位[ε]，可建立方程見式（6）。

[Bν+Cε=δ?] （6）

式中：[B]為M×N的矩陣，[C]為與空間基線相關M×1的系數矩陣。

利用矩陣奇異值分解方法可估算線性形變速率和高程誤差。從先前計算的原始長時序形變中減去反向線性形變，剩下非線性地面形變、大氣延遲和隨機相位噪聲。非線性形變可以通過低通濾波器分離。最后，線性形變與非線性形變之和即為長時序形變信息。

1.3 技術差異

PS-InSAR的位移監(jiān)測目標是穩(wěn)定的點狀散射體，即尺寸較小、具有較好幾何特征且散射特性穩(wěn)定的物體。在對SAR影像進行差分干涉處理時，不考慮臨界基線的限制，不進行多普勒帶寬濾波和光譜位移濾波。PS點因自身算法沒有光譜位移、基線去相關或多普勒帶寬的去相關，不需要距離向和方位向的濾波。PS-InSAR對每個像素的時間序列分別進行計算，不執(zhí)行任何相位解纏。這兩個特征使獲得的監(jiān)測結果空間分辨率最大，即相鄰像素的監(jiān)測值相對獨立。

SBAS-InSAR的位移監(jiān)測（差分相位）目標為幾何特征不明顯的物體。反演過程通過采用自適應多視處理，將處理后的相位作為其優(yōu)化相位，提高強度影像的信噪比，但會降低分辨率［12］。為減少大量失相干現象對監(jiān)測目標的影響，算法流程中包含了多普勒帶寬濾波和光譜位移濾波處理。雖然在選擇PS點和SDFP像素點時運用了相同算法，但是因為PS點是對單幅主影像且沒經過光譜位移濾波，SDFP像素點是對多主影像且經過了光譜位移濾波，所以選擇出的像素對是不同的。干涉圖配準后會進行相位解纏，解纏精度與干涉相位的空間連續(xù)性有關，并且也是誤差傳播的潛在來源。

2 數據處理

2.1 研究區(qū)概況

宿州西水源地位于宿州城區(qū)所在的埇橋區(qū)西南方向，占地面積135 km2。區(qū)域地質為新生界松散覆蓋層，覆蓋層主要由粉砂、細砂、黏土質砂、黏土、砂質黏土、鈣質黏土等組成，自上而下可分成4個含水層（組）和3個隔水層（組）。以合徐高速為界，水源地東側建筑密度較大，城鎮(zhèn)化水平較高，存在大量建構筑物和硬化場地；西側多為河渠、水田、林地和旱地，植被覆蓋表面受自然因素影響變化較大，且建構筑物較少。

宿州西水源地合徐高速公路以西區(qū)域設有地下水開采區(qū)，供水層位主要是第二含水層及第三含水層上部地下水，有地下水開采井共110口，水井密度高達6～8眼/km2，其中97%為中深層地下水，其余為淺層地下水。由于井位布局不合理，地下水超采嚴重，地下水補給有限，已形成較大的地下水水位降落漏斗，造成區(qū)域性地面沉降，跨越城市建成區(qū)和非建成區(qū)，若沉降量持續(xù)增加，可能進一步導致地面高程損失，引起市政、道路設施破壞，建筑物結構破壞，抗震能力降低等問題。

鑒于宿州西水源地內既存在建構筑物密度較高的建成區(qū)，又存在以河渠、水田、林地和旱地為主的非建成區(qū)，且由于地下水降落漏斗擴大導致的地面沉降跨越建成區(qū)和非建成區(qū)，選取宿州西水源地包括群井在內的20 km×20 km矩形區(qū)域作為研究區(qū)，如圖1所示。

2.2 研究數據概況

Sentinel-1A衛(wèi)星是歐洲航天局2014年發(fā)射的地球觀測衛(wèi)星，該衛(wèi)星載有C波段合成孔徑雷達，采用漸進掃描成像模式生成全球影像，重訪觀測周期為12 d。衛(wèi)星影像采用IW成像模式，250 km幅寬和VV極化方式。本文選取了覆蓋宿州西水源地研究區(qū)的38幅升軌數據。

因為干涉圖中的殘差條紋包括有誤差的軌道信息，會帶來系統(tǒng)誤差，需要在InSAR數據預處理流程中利用衛(wèi)星軌道數據來校正。該試驗采用的數據時間跨度較大，對監(jiān)測結果的精度要求較高，因此應使用精密定軌星歷數據。精密定軌星歷數據會每天生成一個文件，該數據發(fā)布時間會延遲21 d，定位精度優(yōu)于5 cm。

2.3 數據處理結果

在38幅SAR影像中，PS-InSAR處理流程選取2019-01-22期影像作為主影像，將主影像與所有從影像依次配準形成37個干涉對，然后經過差分干涉處理、PSC的識別和提取，最終反演出形變。SBAS-InSAR處理流程將所有SLC影像配準重采樣后通過設置時空基線閾值，生成272個干涉對，然后經過差分干涉處理、軌道精煉與重去平，最終反演出形變。PS-InSAR和SBAS-InSAR的處理結果如圖2和圖3所示。由圖可知，研究區(qū)內PS-InSAR結果顯示年平均形變速率介于-35.4～10.4 mm·a-1之間；SBAS-InSAR結果顯示年平均形變速率介于-43.2～4.4 mm·a-1之間。

在城市建成區(qū)，由于人工建筑等強散射體分布較密集，PS點分布密度高，可形成緊密間隔的參考網格，監(jiān)測結果可達到理想狀態(tài)下的精度。SBAS-InSAR通常需要通過最小成本流方法進行相位展開，城市建成區(qū)干涉圖的復雜干涉條紋會導致相位展開困難，提取散射體的相位信息誤差增大。在城市非建成區(qū)，失相干使PS點密度降低，無法形成緊密間隔的參考網格，影響大氣干擾的估算和去除，測量精度難以保障。相比之下，SBAS-InSAR能較好地克服時空失相干，在該類型區(qū)域獲得了更多監(jiān)測數據，降低了零星監(jiān)測點的偶然誤差。

在應對復雜多變地物散射特征沉降區(qū)域時，PS-InSAR在弱地物散射區(qū)域的監(jiān)測精度易衰減，SBAS-InSAR在弱地物散射區(qū)域克服失相干能力更強，數據密度更高，但在強地物散射區(qū)域的監(jiān)測精度不及理想狀態(tài)下PS-InSAR的監(jiān)測精度。單一時序InSAR難以兼顧監(jiān)測點的數量和質量。對此，本文對融合兩種時序InSAR技術的方法進行研究，旨在根據區(qū)域內的可變散射特征自動選擇匹配的干涉測量數據。

3 融合方法研究

3.1 相干系數統(tǒng)計特性研究

由PS-InSAR監(jiān)測結果可知，PS-InSAR可在人工建筑表面解算出更多的PS點，且相干性高于河渠、水田、林地等區(qū)域解算出的PS點。城市建成區(qū)以人工建筑為主，城市非建成區(qū)以植被為主，在建成區(qū)和非建成區(qū)高相干干涉目標的空間分布密度和相干性存在差異?；诖颂卣鞔_定數據融合的邊界，采用基于密度的聚類算法識別建成區(qū)范圍內的高相干PS點，根據建成區(qū)和非建成區(qū)內PS點相干性強弱的差異，提高篩選建成區(qū)內PS點的準確性。

以中國科學院2020年完成的GlobeLand30 V2020 全國土地利用現狀數據為參照，對PS點的相干系數統(tǒng)計特性進行研究，在ArcGIS中載入PS點數據，得到PS點在不同類型用地上的密度特征，如圖4所示。研究區(qū)主要有城鎮(zhèn)用地、農田、農村居民點和旱地四種用地類型。PS點主要分布于城鎮(zhèn)用地和農村居民點，水田和旱地區(qū)域分布較少。將研究區(qū)劃分為城鎮(zhèn)用地和非城鎮(zhèn)用地兩部分，對所有PS點按照相干系數值進行統(tǒng)計分析。相干系數以0.01為間隔，計算各區(qū)間內非城鎮(zhèn)用地和城鎮(zhèn)用地區(qū)域PS點數量的比值，統(tǒng)計結果如圖5所示。

結果顯示，隨著相干系數增加，非城鎮(zhèn)用地和城鎮(zhèn)用地區(qū)域內PS點數量比例呈下降趨勢，即非城鎮(zhèn)用地內PS點數量的下降速率大于城鎮(zhèn)用地。當相干系數大于0.9時，非城鎮(zhèn)用地和城鎮(zhèn)用地區(qū)域內PS點的數量比例驟降，由0.31下降至0.21，此時非城鎮(zhèn)用地和城鎮(zhèn)用地區(qū)域內PS點的密度差異發(fā)生明顯變化，原因在于河渠、水田、林地和旱地等非建成區(qū)內相干系數大于0.9的永久散射體數量較少，故將篩選閾值設為0.9。以相干系數0.9為閾值對所有PS點進行篩選，篩選結果顯示，高相干PS點的分布滿足以下密度特征：在城市建成區(qū)集中且點距小，在城市非建成區(qū)較分散且點距大。

3.2 基于PS點密度的聚類分析

空間聚類是一種研究空間內對象之間距離相似性的聚類方法。空間對象屬性特征相似或空間位置關聯度較高的數據集被定義為“簇”，不同簇之間空間對象屬性特征或空間位置關聯度差異較大。DBSCAN （Density-Based Spatial Clustering of Applications with Noise）是一種基于密度的空間聚類算法，該算法考慮空間內數據對象間遠近及疏密關系的結構特征，通過全局參數[Eps]和[MinPts]來定義密度標準查找聚類子集，根據空間對象的密度尋找被低密度區(qū)域分離的高密度區(qū)域。傳統(tǒng)DBSCAN算法需要人為確定聚類參數，聚類精度取決于參數選擇的是否合理。本研究從數據集本身的統(tǒng)計特性出發(fā)來確定參數，采用基于非參數核密度估計理論的Kernel-DBSCAN算法對PS點數據集進行聚類分析。該算法利用核函數描述數據對象的分布特征，在識別數據對象中的噪聲點時準確性較高。該算法利用核函數的實施過程如下。

假設數據集包含[x1]，[ x2]，…，[xi]個對象，概率密度函數為[f]，公式見式（7）。

[f?x=1n∑ni=1K?（x?xi）=1n?∑ni=1Kx?xi?] （7）

式中：h為帶寬；[K（x）]為核函數，同時[K（x）]滿足以下條件，見式（8）、式（9）。

[Kx≥0，Kxdx=1] （8）

[xKxdx=0，x2Kxdx>0] （9）

其中，帶寬會影響擬合結果的精度。一般地，在聚類分析中選擇均平方積分誤差函數[MISE?]來優(yōu)化帶寬，公式見式（10）。

[MISE?=Efx?fx2dx] （10）

在弱假設下，則有式（11）至式（14）。

[MISE?=AMISE?+o（1n?+?4）] （11）

[AMISE?=RKn?+14m2K2?4R（f''）] （12）

[RK=Kx2dx>0] （13）

[m2K=x2Kxdx>0] （14）

最小化[MISE?]等價于最小化[AMISE?]，求偏導并令導數等于0，則有式（15）、式（16）。

[??? AMISE?=?RKn?2+m2K2?3Rf''=0] （15）

[?AMISE=RK15m2K25R（f''）15n15] （16）

根據[Eps]的預估值，采用數學期望的方法，根據距離矩陣[DISTn×n]，在給定數據集中計算[MinPts]的值，公式見式（17）。

[MinPts=1n∑ni=1Pi] （17）

式中：[Pi]為對象[i]的[Eps]鄰域內包含的樣本個數。

采用Kernel-DBSCAN算法對PS點數據集進行聚類分析，以期獲得覆蓋城鎮(zhèn)用地的數據簇。試驗首先計算所有PS點之間的空間距離數據集，再分別計算[Eps]和[MinPts]，此過程基于MATLAB編程語言實現。根據PS點間的空間距離數據集繪制其核密度估計曲線，結果如圖6所示。由圖6可知，橫軸表示PS點間的距離，縱軸表示介于該距離附近PS點的密度程度，經過了無量綱標準化處理，利用核密度估計曲線刻畫PS點間不同距離的密度特征。

分析圖6可知，核密度曲線只出現了一次峰值，峰值點對應的距離為4 286.9 m，這表示點與點之間的距離在4 286.9 m左右的數量最多，數據集存在唯一的中心簇。由圖2可知，研究區(qū)內城鎮(zhèn)化發(fā)展集中于東北象限，與聚類結果一致，因此可認為當聚類半徑達到4 286.9 m時效果最佳。密度曲線的峰值既可以表征單個簇在距離上的分布特征，也可以表征簇與簇之間在距離上的分布特征。當存在多城鎮(zhèn)化中心時，核密度曲線將相應出現多個峰值，第一個峰值表示單個簇空間內對象之間的緊密程度，第二個峰值表示不同簇空間內對象之間的緊密程度。此時，選擇第一個峰值對應的距離值作為[Eps]效果最佳。根據[Eps]的預估值，采用數學期望的方法，根據距離矩陣計算[MinPts]的值。

最終，Kernel-DBSCAN算法選取[Eps]=4 286.9、[MinPts]=1 983作為輸入參數，對PS點數據集進行聚類分析，結果如圖7所示。聚類結果顯示，高相干PS點數據集根據密度特征被劃分為2類簇，城鎮(zhèn)用地內存在2類簇，城鎮(zhèn)用地邊界基本無噪聲。

3.3 數據融合與結果分析

以GlobeLand30 V2020全國土地利用現狀數據為參照，Kernel-DBSCAN算法能夠識別覆蓋城鎮(zhèn)用地的數據簇，即城鎮(zhèn)用地數據簇，僅將其分裂為兩部分，有效合并同一類型的簇。在MATLAB中對城鎮(zhèn)用地數據簇的邊界進行提取。首先，將所有PS點作為節(jié)點創(chuàng)建三角網格，然后對所有三角網格進行以下計算，如果三角網格的邊不存在公共邊則將其定義為“邊緣”，遍歷所有三角網格得到最終的“邊緣”集合，將其作為城鎮(zhèn)用地數據簇的初始邊界，結果如圖8所示。

對三角網格進行以下計算，假設三角網格邊界上的最大邊長為D，如果三角形位于邊界上的邊大于D，則刪除該三角形。遍歷三角網格的邊界，如果三角形位于邊界上的邊在當前迭代中小于最大邊長，則停止遍歷。對三角網格邊界的最大邊長進

行計算，依次剔除最大邊并計算邊界修正后對應的城鎮(zhèn)用地數據簇覆蓋面積。計算城鎮(zhèn)用地數據簇區(qū)域與土地利用現狀數據中城鎮(zhèn)用地區(qū)域的重疊率[ω]，見式（18），將其作為衡量邊界修正后的精度指標。

[ω=S1∩S2S1∪S2] （18）

式中：S1為土地利用現狀數據城鎮(zhèn)用地區(qū)域面積；S2為城鎮(zhèn)用地數據簇覆蓋面積；[ω]為重疊率。

邊界修正精度評價見表1。試驗結果表明如果不經過邊界修正，城鎮(zhèn)用地數據簇覆蓋面積與土地利用現狀數據城鎮(zhèn)用地區(qū)域面積的重疊率為83.31%。當剔除最大邊長4 604.77 m時，重疊率達到最大值84.62%，此時可認為邊界精度達到最優(yōu)。將此時城鎮(zhèn)用地數據簇覆蓋區(qū)域作為城市建成區(qū)，其他區(qū)域作為非建成區(qū)，修正后的邊界作為數據融合的邊界。

在ArcGIS中利用融合邊界對所有PS點進行篩選，剔除非建成區(qū)低質量、低密度的PS點，并采用SDFP像素點數據，最終得到融合方法的監(jiān)測結果，如圖9所示。對研究區(qū)內的PS點和SDFP像素點數量進行統(tǒng)計。在建成區(qū)一共保留了110 308個PS點，PS點密度由原來的375個/ km2提高至858個/ km2，提高了128.8%；在非建成區(qū)等弱散射特征區(qū)域探測到的PS點總量僅為47 054個，密度為348個/ km2，SBAS-InSAR監(jiān)測結果顯示該區(qū)域內存在170 469個SDFP像素點，密度為1 261個/ km2，采用SDFP像素點后，監(jiān)測點密度提高262.3%，在監(jiān)測公路、橋梁附近的區(qū)域性地面沉降時監(jiān)測點更為連續(xù)。PS-InSAR監(jiān)測結果在宿永路和宿渦路之間的區(qū)域存在因為時空失相干導致數據缺失的現象，SBAS-InSAR在該區(qū)域監(jiān)測到了沉降速率介于30.00～43.17 mm·a-1的區(qū)域。

綜上所述，數據融合后，弱地物散射區(qū)域低質量、低密度的PS點被剔除。采用SDFP像素點大幅提高了監(jiān)測點密度，在強地物散射區(qū)域的高質量、高密度PS點被保留，該部分PS點解算位置精度更高，可以在建成區(qū)實現小尺度精細化監(jiān)測。

4 結論

本研究提出了一種在復雜地物散射特征區(qū)域內融合PS-InSAR和SBAS-InSAR干涉測量數據的地面沉降監(jiān)測新方法。在PS-InSAR解算中獲取PS點，篩選出高相干值的PS點，采用DBSCAN算法對PS點坐標分布聚類分析。PS點分布密集區(qū)對應建成區(qū)，PS點稀疏區(qū)對應非建成區(qū)，兩者邊界線參照全國土地利用現狀數據劃定并優(yōu)化，最終確定在建成區(qū)采用PS-InSAR監(jiān)測數據，在非建成區(qū)采用SBAS-InSAR監(jiān)測數據。圍繞宿州西水源地融合方法的應用情況，得出以下結論。

①根據建成區(qū)和非建成區(qū)內PS點相干性強弱的差異來提高篩選建成區(qū)內PS點的準確性。弱地物散射區(qū)域內相干系數大于0.9的永久散射體數量較少，若相干系數大于0.9，PS點出現在人工建筑上的概率大幅提升，可作為高相干PS點的篩選閾值。

②K-DBSCAN算法可以高效識別城鎮(zhèn)用地內的數據簇和噪聲，利用三角網格法對照全國土地利用現狀數據可進一步提高融合邊界的精度。由于宿州西水源地研究區(qū)具有唯一的城市化中心，因此對于發(fā)生地面沉降的多城市化中心研究區(qū)K-DBSCAN算法的聚類效果有待進一步研究。

③融合方法將弱地物散射區(qū)域低質量、低密度的PS點被剔除，采用SDFP像素點大幅提高了監(jiān)測點密度，在強地物散射區(qū)域的高質量、高密度PS點被保留，該部分PS點解算位置精度更高，可以在建成區(qū)實現小尺度精細化監(jiān)測，兼顧了復雜多變地物散射特征區(qū)域監(jiān)測點的數量和質量。

參考文獻：

［1］FERRETTI? A，PRATI C， ROCCA F. Permanent scatterers in SAR interferometry［J］. IEEE Transactions on Geoscience and Remote Sensing， 2001， 39（1）： 8-20.

［2］BERARDINO P，FORNARO G， LANARI R， et al. A new algorithm for surface deformation monitoring based on small baseline differential SAR interferograms［J］. IEEE Transactions On Geoscience and Remote Sensing， 2002，40（11）：2375-2383.

［3］GAMA F F， PARADELLA W R， MURA J C， et al. Advanced DINSAR analysis on dam stability monitoring： a case study in the Germano mining complex （Mariana， Brazil） with SBAS and PSI techniques［J］. Remote Sensing Applications， 2019，16（1）：100267.

［4］YU M， HANSSEN R F. Deformation parameter estimation in low coherence areas using a multisatellite InSAR approach［J］. IEEE Transactions on Geoence and Remote Sensing， 2013，53（8）：249-252.

［5］SADEGHI Z， ZOEJ M， MULLER J P. Combination of persistent scatterer interferometry and single-baseline polarimetric coherence optimisation to estimate deformation rates with application to tehran basin［J］. Pfg–Journal of Photogrammetry， Remote Sensing and Geoinformation Science， 2017，85（5）：327-340.

［6］黃長軍， 胡紀元， 楊亞夫. 一種基于經驗模態(tài)分解的永久散射體探測方法［J］. 光學學報， 2019，39（5）：371-381.

［7］PERISSIN D ， WANG T. Repeat-pass SAR interferometry with partially coherent targets［J］. IEEE Transactions on Geoscience and Remote Sensing， 2012，50（1）：271-280.

［8］ZHU W，ZHANG Q，DING X L， et al. Landslide monitoring by combining of CR-InSAR and GPS techniques［J］. Advances in Space Research， 2014，53（3）：430-439.

［9］QU F， ZHANG Q， ZHAO C，et al.Simultaneous estimation of building height and ground deformation over Xi'an City， China using multi-temporal InSAR method［J］.IEEE， 2016.

［10］姚佳明， 姚鑫， 吳作啟， 等. 基于InSAR三維分解技術的貴州省貞豐某煤礦地下采空區(qū)反演［J］. 工程地質學報， 2020，28（4）：852-866.

［11］OGUSHI F， MATSUOKA M， DEFILIPPI M，et al. Improvement of persistent scatterer interferometry to detect large non-linear displacements with the 2π ambiguity by a non-parametric approach［J］.Remote Sensing （Basel， Switzerland）， 2019，11（21）：2467.

［12］高二濤， 范冬林， 付波霖， 等. 基于PS-InSAR和SBAS技術監(jiān)測南京市地面沉降［J］. 大地測量與地球動力學， 2019，39（2）：158-163.

［13］FRANCESCA C，VANESSA B，ALEXANDER D， et al. Mapping ground instability in areas of geotechnical infrastructure using satellite InSAR and small UAV surveying： a case study in Northern Ireland［J］. Geosciences， 2017，7（3）：1-25.

［14］MORA O， MALLORQUI J J， BROQUETAS A. Linear and nonlinear terrain deformation maps from a reduced set of interferometric SAR images［J］. IEEE Transactions On Geoscience & Remote Sensing， 2003，41（10）：2243-2253.

［15］LANARI R， MORA O， MANUNTA M， et al. A small-baseline approach for investigating deformations on full-resolution differential SAR interferograms［J］. IEEE Transactions on Geoscience & Remote Sensing， 2004，42（7）：1377-1386.

［16］林琿， 馬培峰， 王偉璽. 監(jiān)測城市基礎設施健康的星載MT-InSAR方法介紹［J］. 測繪學報， 2017，46（10）：1421-1433.

［17］姜德才， 張繼賢， 張永紅， 等. 百年煤城地表沉降融合PS/SBAS InSAR監(jiān)測：以徐州市為例［J］. 測繪通報， 2017（1）：58-64.

［18］聶運菊， 熊佳誠， 程朋根， 等. 結合PS特征點的SBAS地表形變監(jiān)測［J］. 測繪通報， 2020（4）：91-95.