廣域滑坡災(zāi)害隱患InSAR顯著性形變區(qū)深度學(xué)習(xí)識(shí)別技術(shù)

吳 瓊，葛大慶，于峻川，張 玲，李 曼，劉 斌，王 艷，馬燕妮，劉宏娟

中國(guó)自然資源航空物探遙感中心，北京 100083

滑坡是山區(qū)常發(fā)生的一種地質(zhì)災(zāi)害，山體斜坡受重力或其他外界因素作用，特別容易在一個(gè)或數(shù)個(gè)軟弱結(jié)構(gòu)面產(chǎn)生剪切位移而突然下降，對(duì)人民生命財(cái)產(chǎn)和工程設(shè)施安全構(gòu)成重大威脅。我國(guó)山區(qū)面積占比大，地質(zhì)災(zāi)害頻發(fā)。盡可能提早識(shí)別和發(fā)現(xiàn)潛在活動(dòng)性滑坡，對(duì)我國(guó)防災(zāi)減災(zāi)至關(guān)重要。一般滑坡源區(qū)在演化成災(zāi)前，表面通常會(huì)出現(xiàn)明顯的變形現(xiàn)象[1-2]，因此，開展以形變探測(cè)為主的滑坡災(zāi)害隱患識(shí)別和排查，可以為滑坡災(zāi)害的防范提供科學(xué)的決策依據(jù)。

目前，滑坡形變監(jiān)測(cè)主要包括地面監(jiān)測(cè)技術(shù)和遙感監(jiān)測(cè)技術(shù)等[3-5]。其中，基于地面監(jiān)測(cè)技術(shù)，如利用GNSS觀測(cè)站、精準(zhǔn)水準(zhǔn)儀、裂縫計(jì)、加速度計(jì)、傾角計(jì)等監(jiān)測(cè)邊坡地表的移位變形，這類監(jiān)測(cè)方法受地形條件、人力成本等因素制約，導(dǎo)致觀測(cè)儀器視野、監(jiān)測(cè)點(diǎn)數(shù)量或配套的輔助電子遠(yuǎn)程監(jiān)測(cè)網(wǎng)絡(luò)受限，只能獲取離散點(diǎn)觀測(cè)數(shù)據(jù)，對(duì)局部地質(zhì)災(zāi)害隱患區(qū)的監(jiān)測(cè)防范有效，但無法進(jìn)行大范圍的形變監(jiān)測(cè)[6]。我國(guó)地質(zhì)災(zāi)害點(diǎn)多面廣，從近年來發(fā)生的大型山體滑坡分析發(fā)現(xiàn)，新生地質(zhì)災(zāi)害具有高位、隱蔽性、人不能至等特點(diǎn)，并呈現(xiàn)堵江潰壩鏈?zhǔn)綖?zāi)害。僅靠地面監(jiān)測(cè)方法無法全面識(shí)別和發(fā)現(xiàn)地災(zāi)滑坡隱患[7]。遙感技術(shù)以其宏觀、快速等優(yōu)勢(shì)彌補(bǔ)了上述方法的不足，被廣泛地應(yīng)用于滑坡災(zāi)害普查中，特別是干涉合成孔徑雷達(dá)(interferometric synthetic aperture radar，InSAR)已被證明是監(jiān)測(cè)滑坡地表變形的最獨(dú)特、有效的手段方法，是傳統(tǒng)地面監(jiān)測(cè)方法、光學(xué)衛(wèi)星遙感技術(shù)很好的補(bǔ)充[8-10]。

目前，滑坡災(zāi)害隱患顯著性形變區(qū)識(shí)別主要基于PS-InSAR、DS-InSAR或者兩種聯(lián)合點(diǎn)時(shí)序分析方法獲取形變信息，結(jié)合專家經(jīng)驗(yàn)對(duì)相干目標(biāo)的年平均形變速率圖和時(shí)序數(shù)據(jù)進(jìn)行目視解譯，識(shí)別顯著性形變區(qū)，這種方法依賴專業(yè)人員，工作量大、效率較低[11-16]。通過對(duì)相干目標(biāo)形變速率設(shè)定閾值，進(jìn)行空間聚類識(shí)別顯著性形變區(qū)，這種方法受不同區(qū)域閾值設(shè)定變化和數(shù)據(jù)噪聲的影響，存在一定的局限性[17]。在利用深度學(xué)習(xí)實(shí)現(xiàn)滑坡隱患自動(dòng)識(shí)別方面，目前主要面向小范圍區(qū)域進(jìn)行自動(dòng)識(shí)別，利用光學(xué)影像、地形數(shù)據(jù)及衍生數(shù)據(jù)，通過自主設(shè)計(jì)淺層的卷積神經(jīng)網(wǎng)絡(luò)構(gòu)架[18-20]，或在經(jīng)典的神經(jīng)網(wǎng)絡(luò)模型構(gòu)架基礎(chǔ)上，結(jié)合注意力機(jī)制、遷移學(xué)習(xí)理論等，對(duì)有明顯變形跡象的斜坡變形破壞區(qū)進(jìn)行自動(dòng)識(shí)別[21-22]。因其光譜和紋理特性與背景環(huán)境具有明顯的差異，自動(dòng)識(shí)別率可達(dá)80%以上[21-22]。然而，基于InSAR技術(shù)和深度學(xué)習(xí)相結(jié)合用于廣域尺度的滑坡災(zāi)害隱患區(qū)自動(dòng)識(shí)別研究較少，自動(dòng)識(shí)別效果與適用性還需要進(jìn)一步探索、分析與研究。

針對(duì)上述問題，本文基于Stacking InSAR技術(shù)獲得年平均形變相位數(shù)據(jù)，利用深度學(xué)習(xí)網(wǎng)絡(luò)模型對(duì)復(fù)雜背景下顯著性形變區(qū)強(qiáng)語義特征進(jìn)行提取和學(xué)習(xí)，判識(shí)疑似的滑坡災(zāi)害隱患區(qū)，確定顯著性形變區(qū)邊界。探索性地將上述技術(shù)方法推廣到一定的廣域范圍和動(dòng)態(tài)更新數(shù)據(jù)集，識(shí)別潛在的滑坡災(zāi)害隱患區(qū)。結(jié)合野外驗(yàn)證，分析本文技術(shù)方法在滑坡災(zāi)害隱患探測(cè)中的效果，為推進(jìn)深度學(xué)習(xí)用于廣域InSAR形變監(jiān)測(cè)工程化應(yīng)用提供思路和參考。

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)源

本文選擇覆蓋我國(guó)多省2017—2020年Sentinel-1衛(wèi)星升、降軌數(shù)據(jù)開展滑坡災(zāi)害隱患InSAR顯著性形變區(qū)識(shí)別試驗(yàn)，試驗(yàn)區(qū)地處我國(guó)地質(zhì)災(zāi)害高、中易發(fā)區(qū)，主要覆蓋我國(guó)5省(自治區(qū))：青海、寧夏、甘肅、四川、云南(圖1)。Sentinel-1衛(wèi)星是歐洲航天局哥白尼計(jì)劃(GMES)中的地球觀測(cè)衛(wèi)星，由兩顆C波段雷達(dá)衛(wèi)星組成，單星重訪周期為12 d，雙星重訪周期為6 d，具備多模式成像方式、長(zhǎng)期固定成像范圍和連續(xù)成像的能力。其中寬幅干涉(interferometric wide swath，IW)是以TOPS成像模式實(shí)現(xiàn)250 km范圍成像，通過片段合成確保重復(fù)軌觀測(cè)數(shù)據(jù)可以進(jìn)行干涉處理。本文選擇單星S1A-IW模式SLC數(shù)據(jù)，極化方式為VV+VH，收集Sentinel-1衛(wèi)星數(shù)據(jù)共計(jì)1076景，開展廣域尺度下地災(zāi)隱患早期識(shí)別監(jiān)測(cè)。表1列出使用數(shù)據(jù)的具體情況。

表1 本文使用的Sentinel-1衛(wèi)星數(shù)據(jù)主要信息

圖1 試驗(yàn)區(qū)位置、樣本選擇與分布Fig.1 Location of study area, samples selection and distribution

1.2 Stacking InSAR技術(shù)

本文開展廣域尺度下的地質(zhì)災(zāi)害隱患普查監(jiān)測(cè)研究，選擇Stacking InSAR技術(shù)獲得年平均地表形變相位圖和形變速率圖，進(jìn)一步檢測(cè)識(shí)別顯著性形變區(qū)。Stacking InSAR技術(shù)是干涉圖堆疊時(shí)序InSAR方法，通過多主影像控制時(shí)空基線，獲得多幅解纏的差分干涉圖后，將干涉相位進(jìn)行累加，有效解決時(shí)間和空間去相干問題，降低大氣擾動(dòng)的影響，是一種提高形變解算精度的方法之一，易于刻畫InSAR顯著性形變區(qū)形態(tài)特征。線性相位速率p計(jì)算公式為

(1)

式中，Δtj為第j組差分干涉圖的時(shí)間間隔；φj為第j組的解纏差分干涉相位[23-24]。

Stacking InSAR技術(shù)處理Sentinel-1數(shù)據(jù)主要步驟如下。

(1) 將Sentinel-1 TOPS 3個(gè)子條帶數(shù)據(jù)拼接成完整的SLC影像。選取某一期SLC影像作為主影像，其他期影像統(tǒng)一配準(zhǔn)到主影像雷達(dá)坐標(biāo)系下。其中覆蓋試驗(yàn)區(qū)同一條軌道數(shù)據(jù)按照先拼接、配準(zhǔn)，再裁剪分幅的原則進(jìn)行處理。

(2) 干涉像對(duì)選取。選擇空間基線120 m和時(shí)間基線40 d作為閾值，對(duì)選取的數(shù)據(jù)集進(jìn)行差分干涉處理。

(3) 差分干涉計(jì)算。依據(jù)衛(wèi)星軌道參數(shù)和地球橢球體模型計(jì)算平地相位，利用配準(zhǔn)后DEM計(jì)算地形相位，從干涉相位中去除平地和地形相位，逐像元計(jì)算生成差分干涉圖。

(4) 相位解纏。在相位解纏過程中采用的是最小費(fèi)用流算法。

(5) 相位疊加處理。選取解纏相位圖較為理想、解纏結(jié)果在試驗(yàn)區(qū)無明顯跳變的組合，利用加權(quán)疊加估算線性形變速率。一般4—9月的解纏的相位數(shù)據(jù)時(shí)間閾值設(shè)置為12 d。

(6) 趨勢(shì)性條紋去除。通過空域低通和時(shí)域高通濾波處理，進(jìn)一步分離大氣相位，獲得形變相位圖，并計(jì)算LOS方向的形變速率。

(7) 地理編碼。利用DEM坐標(biāo)系與影像坐標(biāo)系的轉(zhuǎn)換查找表，將形變相位圖和速率圖轉(zhuǎn)換到地理坐標(biāo)系下。其中DEM為日本宇航局ALOS WORLD 3D空間分辨率30 m數(shù)據(jù)。

1.3 深度學(xué)習(xí)方法

深度學(xué)習(xí)在圖像目標(biāo)檢測(cè)、語音識(shí)別、自然語言處理等領(lǐng)域取得了較好的應(yīng)用[25]。其中區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(region-based convolutional neural network，R-CNN)是深度學(xué)習(xí)的經(jīng)典模型，屬于兩階段(two-stage)算法，通過提取目標(biāo)候選框，再對(duì)候選框做分類與回歸，準(zhǔn)確率優(yōu)于一階段(one-stage)算法。R-CNN系列算法有R-CNN、Fast R-CNN、Faster R-CNN、Mask-RCNN等[26-29]。本文利用Mask-RCNN進(jìn)行滑坡隱患顯著性形變區(qū)提取，Mask-RCNN是在Faster R-CNN基礎(chǔ)上增加一個(gè)分支網(wǎng)絡(luò)，用于mask像素分割，本文最終確定的滑坡隱患顯著性形變區(qū)范圍由此獲得。

在試驗(yàn)中，數(shù)據(jù)源是Stacking InSAR方法處理獲得的2017—2020年3 a平均形變相位圖像，共計(jì)13個(gè)圖幅，每個(gè)圖幅形變相位圖像大小為9000×8000像素，將地表形變相位圖像作為輸入數(shù)據(jù)，利用深度學(xué)習(xí)網(wǎng)絡(luò)模型對(duì)復(fù)雜背景下顯著性形變區(qū)強(qiáng)語義特征進(jìn)行提取和學(xué)習(xí)，判識(shí)顯著性形變區(qū)。參考谷歌地球光學(xué)影像，在ArcGIS平臺(tái)上，通過目視解譯在形變相位圖上獲得顯著性形變區(qū)面矢量數(shù)據(jù)。其中11個(gè)圖幅影像用于深度學(xué)習(xí)模型訓(xùn)練，2個(gè)圖幅影像用于測(cè)試，評(píng)估Mask-RCNN識(shí)別效果，樣本選擇與分布如圖1所示。考慮樣本訓(xùn)練過程受物理內(nèi)存限制，將參與訓(xùn)練的形變相位圖像裁剪成多張256×256像素樣本，獲得總樣本數(shù)1049個(gè)，隨機(jī)抽取70%的樣本作為訓(xùn)練數(shù)據(jù)，30%的樣本作為驗(yàn)證數(shù)據(jù)。樣本真值包含2類：InSAR顯著性形變區(qū)與背景值(圖2)。訓(xùn)練數(shù)據(jù)集轉(zhuǎn)換為COCO數(shù)據(jù)集JSON文件格式存儲(chǔ)。

圖2 部分樣本Fig.2 Part of sample labels

本文在顯卡配置GeForce GTX 1080Ti，11 GB顯存，顯存位寬352 bit的硬件環(huán)境下，基于Pytorch框架下實(shí)現(xiàn)Mask-RCNN模型訓(xùn)練和測(cè)試。模型訓(xùn)練的初始參數(shù)采用COCO預(yù)訓(xùn)練模型e2e_mask_rcnn_R_50_FPN_1x.yaml，網(wǎng)絡(luò)模型訓(xùn)練設(shè)置：基礎(chǔ)學(xué)習(xí)率為0.000 1，批量大小為5，最大迭代次數(shù)為100k。將訓(xùn)練后的最優(yōu)模型分別對(duì)測(cè)試和動(dòng)態(tài)更新數(shù)據(jù)集進(jìn)行預(yù)測(cè)，獲得含有InSAR顯著性形變區(qū)與背景的識(shí)別結(jié)果圖，賦予原始影像投影坐標(biāo)，進(jìn)行二值化、細(xì)化、追蹤、拓?fù)浠幚恚瑢鸥裆啥噙呅我貓D層，確定InSAR顯著性形變區(qū)邊界。

1.4 精度評(píng)價(jià)

考慮到滑坡災(zāi)害隱患InSAR顯著性形變區(qū)范圍的特殊性(邊界模糊)，通過分析預(yù)測(cè)結(jié)果與實(shí)際人工目視解譯真值一致性， 采用精確度(precision，P)、召回率(recall，R)、F1score評(píng)價(jià)指標(biāo)， 評(píng)估識(shí)別方法的有效性[30]。具體公式為

(2)

(3)

(4)

式中，TP為正確分類數(shù)量；FP為錯(cuò)誤分類數(shù)量；FN為漏分?jǐn)?shù)量；P為精確度；R為召回率；F1score綜合了P和R的結(jié)果[30]。

2 結(jié)果與討論

2.1 滑坡災(zāi)害隱患顯著性形變區(qū)識(shí)別結(jié)果評(píng)價(jià)

2.1.1 測(cè)試數(shù)據(jù)集驗(yàn)證

本文選擇的測(cè)試數(shù)據(jù)集1位于我國(guó)甘肅和青海省內(nèi)，測(cè)試數(shù)據(jù)集2位于四川和云南省內(nèi)。利用獲得的最優(yōu)模型對(duì)測(cè)試數(shù)據(jù)集進(jìn)行預(yù)測(cè)，在模型預(yù)測(cè)前需要將每一圖幅影像進(jìn)行切割，設(shè)置切割大小為512×512像素，切割重疊度為0。采取分塊讀取、預(yù)測(cè)，鑲嵌還原整幅識(shí)別圖策略?；贛ask-RCNN的滑坡隱患顯著性形變區(qū)識(shí)別精度評(píng)價(jià)見表2。圖3和圖4是測(cè)試數(shù)據(jù)集1的識(shí)別結(jié)果圖，圖5—圖7是測(cè)試數(shù)據(jù)集2的識(shí)別結(jié)果圖。由識(shí)別結(jié)果可以看出，形變相位圖條紋不明顯位置，存在錯(cuò)分和漏分現(xiàn)象，人為活動(dòng)引起的地表形變被錯(cuò)分為山坡體變形，如采礦導(dǎo)致的地面塌陷和山體改造成農(nóng)田或者其他用地。由于未結(jié)合地形數(shù)據(jù)，僅利用形變相位圖導(dǎo)致了錯(cuò)誤分類。同時(shí)一些較小的形變區(qū)也存在漏分問題，可能在原始FPN網(wǎng)絡(luò)下采樣獲得顯著性形變區(qū)強(qiáng)語義信息的同時(shí)，弱化了細(xì)節(jié)信息，導(dǎo)致低分辨率特征圖難以實(shí)現(xiàn)對(duì)小像素點(diǎn)的識(shí)別。

圖3 測(cè)試集1識(shí)別與真值比較Fig.3 The identification and ground true results of test data 1

圖4 測(cè)試集1部分(藍(lán)色框)識(shí)別與真值比較Fig.4 The identification and ground true results of the blue box in test data 1

圖5 測(cè)試集2識(shí)別與真值比較Fig.5 The identification and ground true results of test data 2

圖6 測(cè)試集2部分(綠色框)識(shí)別與真值比較Fig.6 The identification and ground true results of the green box in test data 2

圖7 測(cè)試集2部分(灰色框)識(shí)別與真值比較Fig.7 The identification and ground true results of the grey box in test data 2

表2 測(cè)試數(shù)據(jù)結(jié)果精度對(duì)比

2.1.2 模型遷移性驗(yàn)證

為了證明Mask-RCNN在廣域尺度下滑坡災(zāi)害隱患顯著性形變區(qū)識(shí)別遷移能力，將獲得的最優(yōu)模型應(yīng)用于動(dòng)態(tài)更新數(shù)據(jù)集，驗(yàn)證識(shí)別效果。動(dòng)態(tài)更新數(shù)據(jù)集位于我國(guó)青海和甘肅省內(nèi)，在2017—2020年數(shù)據(jù)基礎(chǔ)上補(bǔ)充了2020—2021年128軌道28景Sentinel-1衛(wèi)星數(shù)據(jù)，采用Stacking InSAR方法獲得2017—2021年的4 a平均地表形變相位圖像。基于Mask-RCNN的顯著性形變區(qū)識(shí)別結(jié)果如圖8—圖11所示，精度評(píng)價(jià)見表3。從識(shí)別精度對(duì)比發(fā)現(xiàn)，動(dòng)態(tài)更新數(shù)據(jù)識(shí)別精度高于測(cè)試數(shù)據(jù)精度，原因可能是動(dòng)態(tài)更新數(shù)據(jù)僅在時(shí)間尺度上發(fā)生了變化，且所在區(qū)域是訓(xùn)練樣本比較集中的區(qū)域，因此識(shí)別精度較高；測(cè)試數(shù)據(jù)集在空間上跨越比較大，在較少樣本的情況下，樣本的空間分布對(duì)不同區(qū)域地理環(huán)境特征體現(xiàn)不足，識(shí)別精度偏低。

表3 動(dòng)態(tài)更新數(shù)據(jù)結(jié)果精度評(píng)價(jià)

圖8 動(dòng)態(tài)更新數(shù)據(jù)識(shí)別與真值比較Fig.8 The identification and ground true results of dynamic updated data

圖9 動(dòng)態(tài)更新數(shù)據(jù)部分(紅色框)識(shí)別與真值比較Fig.9 The identification and ground true results of the red box in dynamic updated data

圖10 動(dòng)態(tài)更新數(shù)據(jù)部分(黃色框)識(shí)別與真值Fig.10 The identification and ground true results of the yellow box in dynamic updated data

圖11 動(dòng)態(tài)更新數(shù)據(jù)部分(紫色框)識(shí)別與真值比較Fig.11 The identification and ground true results of the purple box in dynamic updated data

2.2 與閾值分割法對(duì)比

為驗(yàn)證本文方法在廣域滑坡災(zāi)害隱患顯著性形變區(qū)自動(dòng)識(shí)別的有效性，將其與閾值分割法識(shí)別結(jié)果作對(duì)比。采用閾值分割法，選擇測(cè)試集2形變速率圖作為試驗(yàn)，經(jīng)多次閾值設(shè)置，確定閾值為-20 mm/a時(shí)，滑坡隱患形變區(qū)分類效果較好。但是閾值分割法在不同的區(qū)域，需要設(shè)置不同的閾值，不具有普適性。

另外，從識(shí)別結(jié)果圖12左側(cè)發(fā)現(xiàn)，大量的噪聲點(diǎn)被誤判為滑坡隱患顯著性形變區(qū)，這證明了本文方法在分離噪聲數(shù)據(jù)上優(yōu)于閾值分割法。因此，試驗(yàn)結(jié)果表明本文方法廣泛適用于滑坡隱患顯著性形變區(qū)自動(dòng)識(shí)別。

圖12 閾值分割法識(shí)別與真值比較Fig.12 The identification results based on threshold segmentation method and ground true results of test data 2

2.3 野外驗(yàn)證

為驗(yàn)證Stacking InSAR技術(shù)提取的形變數(shù)據(jù)可以判識(shí)正在變形的地質(zhì)災(zāi)害隱患，筆者所在團(tuán)隊(duì)開展了野外核查工作，野外調(diào)查點(diǎn)覆蓋我國(guó)四川攀枝花、涼山和云南昆明、曲靖、昭通等地，共查證疑似滑坡隱患點(diǎn)23個(gè)，結(jié)果發(fā)現(xiàn)通過InSAR技術(shù)識(shí)別及結(jié)合光學(xué)影像解譯綜合判識(shí)疑似地災(zāi)隱患，識(shí)別總體效果較為可靠[31]。

筆者對(duì)測(cè)試數(shù)據(jù)集2部分識(shí)別結(jié)果和野外地災(zāi)隱患點(diǎn)進(jìn)行了對(duì)比，如圖13—圖14所示。野外驗(yàn)證數(shù)據(jù)與本文識(shí)別滑坡隱患點(diǎn)具有較好的一致性，坡體存在一定形變現(xiàn)象，在坡體前緣分布著河流。這也驗(yàn)證了本文使用的技術(shù)方法在廣域地災(zāi)隱患早期識(shí)別中具有可行性。利用深度學(xué)習(xí)智能識(shí)別正在變形的滑坡隱患形變位置與分布，并對(duì)其進(jìn)行定期觀測(cè)，可以為地質(zhì)災(zāi)害監(jiān)測(cè)預(yù)警提供重要參考。

圖13 野外點(diǎn)形變相位與實(shí)地對(duì)比Fig.13 Comparison of the phase data of surface deformation and field map

圖14 野外點(diǎn)形變相位與實(shí)地對(duì)比Fig.14 Comparison of the phase data of surface deformation and field map

3 結(jié)論與展望

本文以InSAR形變數(shù)據(jù)為數(shù)據(jù)源，利用深度學(xué)習(xí)網(wǎng)絡(luò)模型對(duì)復(fù)雜背景下顯著性形變區(qū)強(qiáng)語義特征進(jìn)行提取和學(xué)習(xí)，將訓(xùn)練好的最優(yōu)模型對(duì)我國(guó)青海、甘肅、四川和云南等省地滑坡災(zāi)害隱患顯著性形變區(qū)進(jìn)行了預(yù)測(cè)，在樣本較少的情況下，識(shí)別總體效果較優(yōu)，一定程度上降低了人工目視解譯工作量。同時(shí)對(duì)動(dòng)態(tài)更新數(shù)據(jù)集顯著性形變區(qū)進(jìn)行了預(yù)測(cè)試驗(yàn)，證實(shí)Mask-RCNN具有一定的遷移能力。

由于InSAR技術(shù)應(yīng)用條件、背景環(huán)境的復(fù)雜性，滑坡災(zāi)害隱患顯著性形變區(qū)識(shí)別正確率仍有待提高，未來將進(jìn)一步探索針對(duì)地質(zhì)條件誘發(fā)災(zāi)害一致的區(qū)域進(jìn)行樣本學(xué)習(xí)，考慮結(jié)合多源數(shù)據(jù)如地形、地層巖性、地質(zhì)構(gòu)造等，設(shè)計(jì)專用的深度學(xué)習(xí)網(wǎng)絡(luò)構(gòu)架，提高識(shí)別精度，推進(jìn)工程應(yīng)用化，實(shí)現(xiàn)地質(zhì)災(zāi)害隱患顯著性形變區(qū)實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)，為地質(zhì)災(zāi)害監(jiān)測(cè)預(yù)警提供技術(shù)支撐。

致謝：感謝歐空局(ESA)提供的Sentinel-1衛(wèi)星雷達(dá)數(shù)據(jù)；感謝中國(guó)自然資源航空物探遙感中心地質(zhì)災(zāi)害調(diào)查監(jiān)測(cè)中心童立強(qiáng)教授、郭兆成教授、王珊珊博士等提供的野外調(diào)查資料和論文指導(dǎo)。