不同地表覆蓋對InSAR技術(shù)的相干性影響研究

周鑫城 左小清 李勇發(fā) 楊栩 鄧云龍 周家厚

摘 要：相干性是影響InSAR技術(shù)精度的重要因素之一，也是當(dāng)今學(xué)術(shù)界的研究熱點(diǎn)之一。目前，對于相干性的研究主要在于計(jì)算原理和SAR衛(wèi)星技術(shù)，但對于研究區(qū)的概況則少有論及。本文研究三種指數(shù)和相干性之間相關(guān)程度，分析不同地表對相干性的影響，并分析在不同月份季節(jié)和降雨量下，不同地表覆蓋對相干性的影響。結(jié)果表明，隨著INDVI數(shù)值的增加，相干性呈下降趨勢，且不同地表的相干性在INDVI數(shù)值區(qū)間內(nèi)呈現(xiàn)出不同的下降趨勢。按月份對相干性進(jìn)行分類后可以發(fā)現(xiàn)，各類地表覆蓋在1月和12月的相干性最高，7月和8月的相干性最低；在四季中，冬季相干性最高，夏季相干性最低；從降雨量的方面進(jìn)行分類可知，相干性隨著降雨量的增加而降低，呈現(xiàn)出負(fù)相關(guān)。研究地表覆蓋對相干性的影響，不僅有利于填補(bǔ)相關(guān)學(xué)術(shù)研究的空白，而且還能為InSAR技術(shù)的精度提供有力的理論依據(jù)和數(shù)據(jù)支撐。

關(guān)鍵詞：InSAR技術(shù)；相干性；不同地表覆蓋；INDVI指數(shù)

中圖分類號：P237；P642.46

文獻(xiàn)標(biāo)志碼：A

文章編號 1000-5269（2023）03-0062-09

DOI：10.15958/j.cnki.gdxbzrb.2023.03.09

為了解地表的沉降情況，眾多學(xué)者采用持續(xù)性的形變監(jiān)測技術(shù)對地表進(jìn)行觀測，從而揭示地表的活動狀態(tài)，預(yù)測與防范地質(zhì)災(zāi)害的發(fā)生［1］。當(dāng)前，常規(guī)的地表形變監(jiān)測技術(shù)主要有：水準(zhǔn)測量［2］、全球衛(wèi)星導(dǎo)航定位技術(shù)（global positioning system，GPS）［3］等。近些年來，隨著地表監(jiān)測技術(shù)水平和科學(xué)技術(shù)的發(fā)展，諸如全球?qū)Ш叫l(wèi)星系統(tǒng)（global navigation satellite system，GNSS）［4］、三維激光掃描［5］、地理信息系統(tǒng)（geographic information system，GIS）［6］等高新技術(shù)的引入，使得地表形變監(jiān)測的工作效率有顯著的提高。這些技術(shù)的應(yīng)用，為區(qū)域的沉降情況提供了可靠的數(shù)據(jù)基礎(chǔ)，但存在一定的缺陷，如空間分辨率低、觀測周期長和監(jiān)測成本高等問題。隨著雷達(dá)衛(wèi)星（synthetic aperture radar，SAR）逐步發(fā)育成熟，具有高時(shí)空分辨率、不受云雨條件限制、覆蓋范圍廣、數(shù)據(jù)獲取周期較短、安全性高等優(yōu)勢的干涉合成孔徑雷達(dá)（interferometric synthetic aperture radar，InSAR）成為地表形變監(jiān)測的主要手段之一［7-9］。相干性［10-11］是干涉測量的基礎(chǔ)，不僅直接影響形變監(jiān)測數(shù)據(jù)的處理難度，而且失相干也是地表形變誤差的主要來源。InSAR失相干［12］包括時(shí)間失相干和空間失相干，而失相干主要是由時(shí)間基線或空間基線過長引起的。目前，多數(shù)學(xué)者從定性的角度進(jìn)行研究，發(fā)現(xiàn)InSAR相干性與時(shí)空基線的長度呈負(fù)相關(guān)［13-14］。歐洲航天局的哨兵雙星系統(tǒng)的出現(xiàn)極大地克服了大部分空間失相干所帶來的誤差，而引起時(shí)間失相干的主要原因是研究區(qū)分辨單元內(nèi)目標(biāo)的物理和化學(xué)特性隨時(shí)間的變化而變化。

當(dāng)前，研究不同地表對相干性的影響較少，余祥偉等［15］分析植被及坡度對InSAR相干性的影響，發(fā)現(xiàn)相較于坡度，植被是導(dǎo)致高覆蓋山區(qū)InSAR影像時(shí)間失相干的主要因素，相干性和植被覆蓋度之間存在一定的相關(guān)性。佀文娜等［16］研究典型地物的時(shí)間失相干影響，發(fā)現(xiàn)風(fēng)速對相干性沒有影響，而降雨量是導(dǎo)致地物失相干的重要因素。王天祥等［17］使用D-InSAR技術(shù)對地表進(jìn)行形變監(jiān)測，在獲取大量數(shù)據(jù)后進(jìn)行仿真試驗(yàn)，發(fā)現(xiàn)空間基線和時(shí)間基線與InSAR相干性之間存在指數(shù)關(guān)系，而且當(dāng)空間基線的長度不超過臨界基線的三分之一時(shí)，可以保證得到較好的InSAR相干性。

現(xiàn)有研究主要對植被、坡度、降雨量等多方面進(jìn)行綜合分析，尚未針對不同地表覆蓋對InSAR的相干性影響進(jìn)行深入研究。因此，本文選取昆明市滇池及周邊環(huán)境作為研究區(qū)，采用小基線集（small baselines subset InSAR，SBAS-InSAR）技術(shù)對歐洲航天局哥白尼計(jì)劃（global monitoring for environment and security，GMES）中的地球觀測衛(wèi)星哨兵1號（Sentinel-1）衛(wèi)星數(shù)據(jù)進(jìn)行處理。從定量角度分析不同地表覆蓋對相干性的影響，深入分析在不同月份、不同季節(jié)和不同降雨量下，地表覆蓋類型對相干性的影響，為提高InSAR形變精度提供有力的理論依據(jù)和數(shù)據(jù)支撐。

1 研究方法

1.1 SBAS-InSAR技術(shù)

SBAS-InSAR技術(shù)是在InSAR技術(shù)基礎(chǔ)上發(fā)展起來的一種多主影像的時(shí)序InSAR方法。該技術(shù)的測量原理是利用兩幅具有相同觀測幾何的影像構(gòu)成干涉像對，結(jié)合衛(wèi)星和觀測目標(biāo)之間的幾何關(guān)系，對干涉像對所產(chǎn)生的相位差進(jìn)行相位濾波、相位解纏、地理配準(zhǔn)等步驟，獲取觀測目標(biāo)的三維信息和形變信息［18］。

在評價(jià)干涉質(zhì)量的好壞時(shí)，分析相位相干性常被作為一個(gè)重要的標(biāo)準(zhǔn)。相干性被定義為一個(gè)干涉像對中主、副影像是否存在相似，而兩者之間的相似程度目前常使用相干系數(shù)進(jìn)行描述。相干系數(shù)（γ）數(shù)值分布于［0，1］區(qū)間內(nèi)，相干系數(shù)為0表示主、副影像之間無相似程度，相干系數(shù)為1表示主、副影像之間完全相同。相干系數(shù)（γ）計(jì)算模型如下：

γ=∑Nn = 1∑Mm = 1μ1 n，mμ*2n，m∑Nn = 1∑Mm = 1μ1 n，m2∑Nn = 1∑Mm = 1μ2 n，m2

式中，N和M為最終獲取相干性像元的尺寸大?。籲和m為數(shù)據(jù)內(nèi)像元的行列號; μ*為共軛復(fù)數(shù)；μ1（n，m），μ2（n，m）為主、副影像數(shù)據(jù)內(nèi)像元再坐標(biāo)（n，m）處的復(fù)數(shù)值；·為復(fù)數(shù)的絕對值。

由于雷達(dá)兩次成像期間觀測區(qū)域內(nèi)目標(biāo)的物理和化學(xué)特性隨時(shí)間變化而變化，使得相干性在目標(biāo)條件不穩(wěn)定的區(qū)域通常較低，而在目標(biāo)條件穩(wěn)定的區(qū)域（建筑區(qū)域及工礦用地）相干性通常較高。

1.2 歸一化水指數(shù)

歸一化水指數(shù)是用遙感影像中的特定波段進(jìn)行歸一化差值處理，以突顯影像中水體的信息［19-20］。該指數(shù)的主要優(yōu)點(diǎn)之一是能夠很好的區(qū)分水體區(qū)與非水體區(qū)，其利用水體吸收的綠光（492～577 nm）和反射近紅外（780～2 526 nm）的原理建立表達(dá)式，計(jì)算公式如下：

式中，B3為遙感影像中的綠波段；B5為遙感影像中的近紅外波段。INDWI的取值范圍為［-1，1］。

1.3 垂直不透水面指數(shù)

垂直不透水面指數(shù)是利用所選樣本的光譜特性建立較高的關(guān)聯(lián)表達(dá)式，以凸顯影像中不透水面（建筑區(qū)域及工礦用地）的信息［21-23］。該指數(shù)相較于歸一化建筑指數(shù)能夠較好的區(qū)分不透水面和透水面，計(jì)算公式如下：

式中，a為選取樣本構(gòu)造出的關(guān)聯(lián)表達(dá)式的斜率；b為選取樣本構(gòu)造出的關(guān)聯(lián)表達(dá)式的截距；B2為遙感影像中的藍(lán)波段。

1.4 歸一化植被指數(shù)

歸一化植被指數(shù)是反應(yīng)植被生長趨勢的重要參數(shù)之一，被廣泛應(yīng)用于干旱季的監(jiān)測、農(nóng)作物生產(chǎn)情況的監(jiān)測和預(yù)測等［24-25］。該指數(shù)的主要優(yōu)點(diǎn)之一是能夠較好的區(qū)分植被區(qū)域與非植被區(qū)域，其利用植被吸收紅光（625～740 nm）和反射近紅外（780～2 526 nm）的原理建立表達(dá)式，計(jì)算公式如下：

式中，B4為遙感影像中的紅波段。INDVI的取值范圍為［-1，1］。

2 研究區(qū)與數(shù)據(jù)集

2.1 研究區(qū)

云南省昆明市總體的地貌趨勢為北部高，南部低，呈階梯式降低，高程主要分布在1 500～2 800 m之間；以亞熱帶高原季風(fēng)氣候?yàn)橹?，因此，植被以常綠闊葉林為主，年平均氣溫為15℃左右，年日照平均時(shí)長為2 200 h左右，年平均降水量為1 035 mm。經(jīng)全國第三次全國國體調(diào)查，昆明市耕地面積約為3 865.73 km2；林地面積約為11 317.67 km2；草地面積約為1 244.40 km2；建筑區(qū)域及工礦用地面積約為1 480.53 km2。本次研究區(qū)包括云南省昆明市滇池及周邊區(qū)域，包括安寧區(qū)的東部地區(qū)，地處中國西南地域、云貴高原中部地區(qū)，其覆蓋研究區(qū)覆蓋面積約為2 287 km2，位于東經(jīng)：102°28′05″E—102°57′40″E，北緯：24°36′34″N—25°13′52″N，如圖1所示。

2.2 數(shù)據(jù)集

本文使用的數(shù)據(jù)集包括從歐空局（https：//search.asf.alaska.edu/）獲取2020年1月11日—2021年2月22日的35景降軌Sentinel 1A數(shù)據(jù)，該數(shù)據(jù)的波段為C波段，波長為5.6 cm，分辨率為5 m×20 m，觀測模式為干涉寬幅 （interferometric wide swath，IW），極化方式為VV（單極化），單視復(fù)數(shù)（single look comple，SLC）。土地利用分類數(shù)據(jù)來源于中國科學(xué)院資源環(huán)境科學(xué)與數(shù)據(jù)中心數(shù)據(jù)平臺 （http：//www.resdc.cn）。從地理空間數(shù)據(jù)云（http：//www.gscloud.cn/）網(wǎng)站下載得到的2020年2月5日Landsat 8影像。2020年全年MODIS系列NDVI產(chǎn)品的原始數(shù)據(jù)是從Nasa（https：//www.nasa.gov/）網(wǎng)站下載得到的2020年全年MODIS數(shù)據(jù)。降雨數(shù)據(jù)是從中國地面氣候資料日值數(shù)據(jù)集中獲取。

2.3 數(shù)據(jù)預(yù)處理

本文通過使用SBAS-InSAR技術(shù)對35景Sentinel 1A降軌數(shù)據(jù)進(jìn)行處理，將SBAS-InSAR的時(shí)間基線閾值設(shè)置為120 d，經(jīng)過數(shù)據(jù)導(dǎo)入、研究區(qū)裁剪、地理配準(zhǔn)、反演等步驟，最終得到204幅相干性圖，并將獲取相干性的兩個(gè)日期對相干性圖進(jìn)行命名，每幅影像的分辨率為17 m×17 m，地理坐標(biāo)為WGS_1984。

本文對地理空間數(shù)據(jù)云中2020年全年的影像進(jìn)行篩選，最終使用2020年2月5日的Landsat 8影像（云量小于5%）作為研究影像，利用光譜特性與三種指數(shù)（INDWI、IPII和INDVI）的計(jì)算公式，計(jì)算出研究區(qū)內(nèi)各像元在2020年2月5日的三種指數(shù)值，其分辨率為30 m*30 m，投影坐標(biāo)為WGS_1984_48N。

為研究不同類型的地表覆蓋與InSAR相干性之間的關(guān)系，以三種指數(shù)的像元分辨率和坐標(biāo)為準(zhǔn)，對相干性數(shù)據(jù)進(jìn)行匹配、投影轉(zhuǎn)換、重采樣、掩膜提取等步驟使4種數(shù)據(jù)的行列號保持一致。對各類型的地表覆蓋隨機(jī)選擇1 200個(gè)點(diǎn)，分析所選點(diǎn)的指數(shù)數(shù)據(jù)與相干性之間的關(guān)系，以確定各類型的地表覆蓋是否存在研究的意義，并進(jìn)一步了解不同地表覆蓋對相干性的影響。

MODIS系列的歸一化植被指數(shù)產(chǎn)品在獲取時(shí)間序列上的間隔為16 d，因此，需對該數(shù)據(jù)進(jìn)行預(yù)處理，獲取每月的月度歸一化植被指數(shù)數(shù)據(jù)。降雨量是日值數(shù)據(jù)，同樣也要對此進(jìn)行月份劃分，獲取月度降雨量數(shù)據(jù)。相干性數(shù)據(jù)是由每兩幅不同時(shí)間段的影像計(jì)算得到的，而本文所使用的時(shí)間基線為120 d，因此，會出現(xiàn)跨月時(shí)間影像生成的相干性圖，針對該現(xiàn)象，本文將命名中較早的日期作為分類依據(jù)，進(jìn)行歸納各月的相干性圖，以方便計(jì)算各月的相干性平均值（如：2020年3月11日的影像和2020年4月4日的影像所計(jì)算出來的相干性圖歸納為三月份的相干性圖，2020年3月11日的影像和2020年6月3日的影像所計(jì)算出來的相干性圖也歸納為三月份的相干性圖）。最終結(jié)合降雨量數(shù)據(jù)與季節(jié)數(shù)據(jù)，研究分析在降雨量與季節(jié)變化的條件下，不同地表覆蓋對InSAR相干性的影響。

3 結(jié)果與分析

3.1 三種指數(shù)結(jié)果與分析

圖2（a）為求取平均值后的相干性圖，從該圖可知，研究區(qū)內(nèi)的相干性取值范圍為0～1，其中，建筑區(qū)域的相干性最高，其次是植被覆蓋區(qū)域的相干性，水體的相干性最低。本文的土地利用一級類別有五類，分別為：水域、林地、草地、耕地和建筑區(qū)域及工礦用地，其二級分類如圖2（b）所示。統(tǒng)計(jì)一級類別的像元，可以發(fā)現(xiàn)建筑區(qū)域及工礦用地的像元最多，其次為林地。

圖3（a）為研究區(qū)的INDWI指數(shù)圖，由圖可知，其INDWI取值范圍為-0.61～1。圖3（b）為研究區(qū)的IPII指數(shù)圖，IPII指數(shù)的獲取與INDWI指數(shù)不同。在影像中選取暗色不透水面（居民建筑區(qū)等）、亮色不透水面（工廠等）、藍(lán)色不透水面（廠房等）、透水面（林地、草地、耕地等）5種類別作為樣本，根據(jù)樣本生成的特征空間，計(jì)算出（2）式中的a和b分別為1.514和2 118.066，因此，（2）式可以表示為

PPII=1.514B2-B5+2 118.0661.5142+1

由圖3（b）可知，IPII數(shù)值的取值范圍為-7 299.6～8 065.1。圖3（c）為研究區(qū)的INDVI影像圖，其取值范圍為-1～0.82。

圖3中，三種指數(shù)可以明顯的區(qū)分出水體區(qū)域、建筑區(qū)域和植被覆蓋區(qū)域。為定量分析不同地表覆蓋與相干性之間的關(guān)系，利用隨機(jī)點(diǎn)繪制散點(diǎn)圖，并通過最小二乘法進(jìn)行擬合，最終得到三種指數(shù)與相干性之間的關(guān)聯(lián)程度圖，如圖4所示。由于每種地表覆蓋類型的光譜特性不同，用不同的指數(shù)表達(dá)不同地表覆蓋可以更好的體現(xiàn)地表覆蓋的差異性，因此，本文對不同地表覆蓋的隨機(jī)點(diǎn)賦予不同的指數(shù)。INDWI指數(shù)能夠很好的區(qū)分水體區(qū)域與非水體區(qū)域，所以對水體類型的隨機(jī)點(diǎn)賦予INDWI數(shù)據(jù)；IPII指數(shù)主要用于區(qū)分透水面和不透水面，而透水面主要是植被覆蓋區(qū)域，不透水面主要是建筑區(qū)域，因此，對兩者區(qū)域賦予IPII數(shù)值能夠進(jìn)一步了解兩者與相干性之間的關(guān)系，由于建筑區(qū)域及工礦用地的建設(shè)需符合國家綠化面積要求，其周邊附著一定的植被及綠化帶，而在農(nóng)村居民點(diǎn)及城鎮(zhèn)周邊，多為植被覆蓋區(qū)與建筑區(qū)的交匯，影像中存在混淆像元，因此，為減少此方面的誤差，對建筑區(qū)域及工礦用地與植被覆蓋區(qū)的隨機(jī)點(diǎn)賦予INDVI數(shù)值。

從整體上看，圖4中存在一些離散點(diǎn)，出現(xiàn)離散點(diǎn)的主要原因是三種指數(shù)由影像通過波段差計(jì)算得到的，而相干性的計(jì)算方式是由兩幅Sentinel 1A影像通過干涉處理得到的，在影像源的使用和計(jì)算方法上存在差異；各類型地表覆蓋的隨機(jī)點(diǎn)是在土地利用的分類基礎(chǔ)上進(jìn)行選擇的，而土地利用在分類上存在誤差，因此，在數(shù)值上會出現(xiàn)異常值，在圖像上出現(xiàn)無規(guī)律分布的離散點(diǎn)。如圖4（a）所示，結(jié)合光學(xué)遙感影像和土地利用類型可以發(fā)現(xiàn)，該點(diǎn)的利用類型為水體，而在遙感影像中，該點(diǎn)位于昆明南繞城高速上，且從相干性和INDWI的數(shù)值大小可以斷定，該點(diǎn)屬于異常點(diǎn)。因此，研究三種指數(shù)與相干性之間的關(guān)系前，需對離散點(diǎn)進(jìn)行剔除。

圖4（a）為INDWI指數(shù)相關(guān)性圖，圖4（b）為IPII指數(shù)相關(guān)性圖，圖4（c）為INDVI指數(shù)相關(guān)性圖。由圖4（a）可知，INDWI數(shù)值集中分布在0.75～0.85之間，其對應(yīng)的相干性分布在0.05～0.58之間，兩者的相關(guān)系數(shù)R2為0.180 6，呈負(fù)相關(guān)。且從圖中的點(diǎn)分布可知，INDWI數(shù)值與相干性之間無關(guān)聯(lián)程度，故研究水體對相干性的影響沒有意義，后續(xù)將不對水體進(jìn)行研究分析。

由圖4（b）可知，不透水面（建筑區(qū)域及工礦用地）的IPII數(shù)值主要分布在0～2 000之間，其對應(yīng)的相干性主要分布在0.4～0.9之間；透水面（植被覆蓋區(qū)）的IPII數(shù)值主要分布在-2 000～0之間，其對應(yīng)的相干性數(shù)值主要分布在0.4～0.8之間，兩者的相關(guān)系數(shù)R2為0.180 3，呈正相關(guān)。導(dǎo)致IPII指數(shù)與InSAR相干性之間的關(guān)聯(lián)程度低有兩個(gè)原因，一是本文所選取的隨機(jī)點(diǎn)多為植被覆蓋類型，所以在圖中點(diǎn)分布較為密集，呈現(xiàn)出上部分稀疏下部分密集的分布情況；二是IPII數(shù)值取值范圍遠(yuǎn)大于InSAR相干性。雖然在圖中呈現(xiàn)出隨著IPII數(shù)值的增加，相干性增加，但是兩者之間的關(guān)聯(lián)程度低，無法顯著的體現(xiàn)出不同地表對相干性的影響。

從圖4（c）可知，植被覆蓋區(qū)域的INDVI數(shù)值主要分布在0～0.55之間，相干性主要分布在0.4～0.8之間；建筑區(qū)域及工礦用地的INDVI數(shù)值主要分布在-0.2～0之間，相干性主要分布在0.6～0.98之間，兩者的相關(guān)系數(shù)R2為0.399 8，呈負(fù)相關(guān)。結(jié)合INDVI指數(shù)特性，不同地表覆蓋的INDVI取值范圍不同，即可以通過INDVI指數(shù)區(qū)分不同地物。故本文將通過使用INDVI作為主要的研究指數(shù)，研究不同地表覆蓋對相干性的影響。

3.2 不同地表覆蓋類型對相干性影響分析

為研究不同地表覆蓋對相干性的影響，本文對4種地表覆蓋類型的1 200個(gè)隨機(jī)點(diǎn)賦予2020年月度平均INDVI數(shù)值和月度平均相干性，將隨機(jī)點(diǎn)的INDVI數(shù)值以0.2的步長進(jìn)行劃分，繪制各類型的地表覆蓋在不同INDVI數(shù)值下相干性的分布圖，如圖5所示。

對比不同地表覆蓋的整體相干性可以發(fā)現(xiàn)，建筑區(qū)域及工礦用地的整體相干性較高，植被覆蓋區(qū)的整體相干性較低。由圖5可知，建筑區(qū)域及工礦用地的相干性在INDVI數(shù)值為0.34～0.57的區(qū)間內(nèi)下降程度最大，而在0.18～0.34區(qū)間內(nèi)，相干性的衰減程度平穩(wěn)，由此可見，在建筑區(qū)域及工礦用地中，相干性受INDVI數(shù)值變化影響顯著，特別是在INDVI數(shù)值超過0.34之后，隨著INDVI數(shù)值增加，相干性以較大的趨勢下降。林地的相干性在INDVI數(shù)值為0.35～0.66的區(qū)間內(nèi)快速下降，而在0.27～0.35和0.66～0.81的區(qū)間內(nèi)下降程度比較平穩(wěn)，可以確定林地的相干性受INDVI數(shù)值的變化影響較大，特別是在INDVI數(shù)值為0.35～0.66之間，之后，隨著INDVI數(shù)值增加，相干性將以較平穩(wěn)的趨勢下降。耕地的相干性在INDVI數(shù)值為0.36～0.45區(qū)間下降趨勢較小，在0.27～0.36和0.45～0.81的區(qū)間內(nèi)下降趨勢程度最大，由此可知，耕地的相干性受INDVI數(shù)值變化影響明顯；而草地的相干性受INDVI數(shù)值的增加而降低，且以較相同的趨勢下降，由此可見，草地的相干性變化趨勢受INDVI數(shù)值的影響較小。

進(jìn)一步對比4種地表覆蓋類型的相干性變化趨勢，可以發(fā)現(xiàn)，在INDVI數(shù)值為0.18～0.55之間，不同地表覆蓋的相干性變化趨勢不相同，建筑區(qū)域及工礦用地的變化趨勢最大，其次是林地，而耕地與草地的變化趨勢相似；在INDVI數(shù)值為0.55～0.65區(qū)間內(nèi)，草地的變化趨勢低于林地與耕地；在INDVI數(shù)值為0.65～0.75區(qū)間內(nèi)，草地的變化趨勢高于林地與耕地；INDVI數(shù)值大于0.75，三種植被類型的相干性變化趨勢一致，由此可知，當(dāng)INDVI數(shù)值大于0.75之后，相干性不再受地表覆蓋類型的影響，而只受植被覆蓋率影響，且隨著INDVI數(shù)值增加而降低。

3.3 基于各月不同地表覆蓋對相干性的影響分析

為研究不同月份下，地表覆蓋類型對相干性的影響，本文提取2020年月度平均INDVI數(shù)據(jù)和平均相干性數(shù)據(jù)繪制圖6，圖中的數(shù)值刻度為相干性。

從圖6中可以發(fā)現(xiàn)，在各月份中，建筑區(qū)域及工礦用地的相干性最高，且不低于0.7，其次是耕地和草地，林地的相干性最低，其主要原因是建筑區(qū)域及工礦用地的INDVI最低，林地的INDVI最高。從整體上看，該圖的整體趨勢靠近1月與12月，偏離6月與7月。從整體的相干性變化趨勢上可以發(fā)現(xiàn)，在11月至2月，建筑區(qū)域及工礦用地的相干性變化趨勢較為平緩，其次是林地，草地與耕地的變化趨勢最大；而在5月至8月，建筑區(qū)域及工礦用地、林地和草地的變化穩(wěn)定，耕地的變化較大。結(jié)合不同地表覆蓋類型的植被覆蓋度可以發(fā)現(xiàn)，在11月至2月建筑區(qū)域及工礦用地的整體植被覆蓋度低，林地的整體覆蓋度高，因此，整體變化趨勢較小，而耕地與草地的植被覆蓋度高于建筑區(qū)，低于林地，因此，在該階段內(nèi)，植被覆蓋率增加較快，相干性變化大；在5月至8月，建筑區(qū)、林地與草地的植被生長情況穩(wěn)定，耕地在該階段屬于豐收期，因此，相干性變化較大。由此可知，植被覆蓋度對相干性影響較大，且對于不同地表覆蓋，對相干性的影響不同。

為進(jìn)一步分析不同地表覆蓋類型的相干性在各季節(jié)中情況，按照節(jié)氣的劃分規(guī)則，將12個(gè)月份劃分成春、夏、秋、冬四個(gè)季節(jié)，提取對應(yīng)的相干性求取平均值，并加入研究區(qū)內(nèi)的降雨量數(shù)據(jù)繪制出圖7。

圖7中（a）圖為耕地，（b）圖為林地，（c）圖為草地，（d）圖為建筑區(qū)域及工礦用地。由圖7可知，建筑區(qū)域及工礦用地的相干性變化趨勢較小，耕地、林地和草地的相干性變化趨勢較大。從INDVI數(shù)值的季節(jié)分布情況，可以發(fā)現(xiàn)秋季的INDVI數(shù)值最高，其主要原因是研究區(qū)以亞熱帶高原季風(fēng)氣候?yàn)橹?，植被以常綠闊葉林為主［26］。對比不同地表覆蓋的四季相干性分布情況，可以發(fā)現(xiàn)不同地表覆蓋的相干性在冬季最高，其次是春季，秋季和夏季最低。其主要原因是冬季的植被處于落葉期，植被覆蓋率低，而且降雨量少，因此，冬季相干性高；春季的植被處于生長期，植被覆蓋率和降雨量均大于冬季的情況，因此，冬季的相干性大于春季的相干性。由此可以發(fā)現(xiàn)，相干性受降雨量和植被覆蓋率共同影響。對比夏季和秋季的情況可以發(fā)現(xiàn)，夏季的植被覆蓋率低于秋季的植被覆蓋率，而夏季的降雨量高于秋季的降雨量，從圖中可以發(fā)現(xiàn)夏季的相干性略低于秋季的相干性。為進(jìn)一步了解植被覆蓋率和降雨量對相干性的影響，本文使用灰色關(guān)聯(lián)度進(jìn)行對比分析，如表1所示。

由表1可以發(fā)現(xiàn)，不同地表覆蓋的相干性受INDVI影響較大，降雨量較小，對比4種不同地表覆蓋的降雨量關(guān)聯(lián)度可知，4種不同地表覆蓋的相干性受降雨量的影響一致，數(shù)值在0.4～0.412之間；INDVI對相干性的影響相差較大，林地受INDVI影響較大，其余類型的地表覆蓋類型受INDVI的影響大致一致，數(shù)值在0.87左右。

4 結(jié)論

相干性是InSAR技術(shù)廣泛應(yīng)用于形變監(jiān)測與三維重建的基礎(chǔ)，相干性的好壞決定著InSAR技術(shù)最終結(jié)果的精度。本研究以覆蓋昆明市滇池周邊的Sentinel 1A數(shù)據(jù)為例，基于不同指數(shù)研究地表覆蓋與相干性之間的關(guān)聯(lián)程度，將效果最好的指數(shù)為依據(jù)，進(jìn)一步分析不同地表覆蓋對相干性的影響及在不同月份、季節(jié)和降雨量下對相干性的影響，得出以下結(jié)論：

1）INDVI指數(shù)能夠顯著體現(xiàn)出不同地表覆蓋與相干性之間的關(guān)系。隨著INDVI增加，不同地表覆蓋的相干性以不同的趨勢下降。

2）在不同月份下，所有地表覆蓋類型的相干性在1月與12月最高，6月、7月和8月的相干性最低。且在一年的時(shí)間內(nèi)，建筑區(qū)域及工礦用地的相干性最高，其次是耕地與草地，林地的相干性最低。

3）在四季的變化中，建筑區(qū)域及工礦用地的相干性變化趨勢較平緩，植被覆蓋區(qū)域的相干性變化趨勢較大，且春、冬兩季的相干性較高，夏、秋兩季的相干性低。

4）通過灰色關(guān)聯(lián)度的分析可知，INDVI對不同地表覆蓋的相干性影響較大，降雨量對相干性的影響較小。相比于其他地表覆蓋，INDVI對林地的相干性影響最大。

參考文獻(xiàn)：

[1]陳富強(qiáng). 遙感技術(shù)在艱險(xiǎn)山區(qū)地質(zhì)災(zāi)害調(diào)查中的應(yīng)用［J］. 科學(xué)技術(shù)創(chuàng)新， 2022（20）： 34-37.

［2］ 李建剛， 王天宇， 陳慧霞. 水準(zhǔn)測量技術(shù)在大壩壩基形變監(jiān)測中的應(yīng)用［J］. 測繪與空間地理信息， 2019， 42（11）： 239-243， 247.

［3］ 熊鵬. 融合GPS與時(shí)序InSAR技術(shù)的昆陽磷礦地表形變監(jiān)測研究［D］. 昆明： 昆明理工大學(xué)， 2021.

［4］ 黨亞民， 楊強(qiáng)， 薛樹強(qiáng)， 等. GNSS監(jiān)測的川滇地區(qū)地殼形變動態(tài)變化特征［J］. 大地測量與地球動力學(xué)， 2019， 39（2）： 111-116， 177.

［5］ 宋晶， 黃亮， 李國柱. 一種基于車載三維激光掃描技術(shù)的電桿傾斜巡查方法［J］. 貴州大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2018， 35（3）： 65-69.

［6］ 鄒鳳釵， 鄒銀先， 陶小郎， 等. 基于GIS分析的萬山區(qū)地質(zhì)災(zāi)害風(fēng)險(xiǎn)評價(jià)［J］. 貴州大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2022， 39（6）： 117-124.

［7］ 郭山川， 侯湖平， 張紹良， 等. 時(shí)序InSAR在城市地鐵工程區(qū)形變監(jiān)測中的應(yīng)用［J］. 測繪通報(bào)， 2017（8）： 92-99.

［8］ ZHU J J， LI Z W， HU J. Research progress and methods of InSAR for deformation monitoring［J］. Acta Geodaetica et Cartographica Sinica， 2017， 46（10）： 1717-1733.

［9］ LI S W， XU W B， LI Z W. Review of the SBAS InSAR Time-series algorithms， applications， and challenges［J］. Geodesy and Geodynamics， 2021， 13（2）： 114-126.

［10］樂穎， 夏元平， 錢文龍. 利用相干系數(shù)改進(jìn)的數(shù)字高程模型反演方法［J］. 探測與控制學(xué)報(bào)， 2022， 44（3）： 110-117.

［11］MI J， DING X L， LI Z W. Hybrid approach for unbiased coherence estimation for multitemporal InSAR［J］. IEEE Transactions on Geoscience and Remote Sensing， 2013， 52（5）： 2459-2473.

［12］李進(jìn)田， 申旭輝， 張景發(fā)， 等. 地震同震形變場失相干恢復(fù)方法研究：以2009年拉奎拉MW6. 3地震為例［J］. 地震學(xué)報(bào)， 2020， 42（5）： 604-612， 508.

［13］馬冠宇. 新成陸區(qū)多衛(wèi)星平臺MT-InSAR形變時(shí)序融合方法與InSAR時(shí)間失相干效應(yīng)對土地覆蓋分類的影響［D］. 上海： 華東師范大學(xué)， 2019.

［14］劉曉萌， 常占強(qiáng)， 張景發(fā)， 等. D-InSAR 處理中失相干問題的研究[J]. 河北師范大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2007， 31（2）： 260-263.

［15］余祥偉， 薛東劍， 陳鳳嬌. 植被及坡度對SAR干涉相干性的影響分析［J］. 山地學(xué)報(bào)， 2020， 38（6）： 926-934.

［16］佀文娜， 何敏， 王茂山. 基于Sentinel-1的典型地物時(shí)間失相干分析［J］. 地理空間信息， 2022， 20（2）： 22-26， 32.

［17］王天祥， 王凱， 馬金輝. 時(shí)空基線對D-InSAR相干性影響分析［J］. 科技視界， 2015（14）： 17-19.

［18］蔣葉林， 左小清， 李勇發(fā)， 等. 基于雙極化Sentinel-1數(shù)據(jù)的昆明市地面沉降監(jiān)測［J］. 貴州大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2021， 38（2）： 50-56， 77.

［19］劉峻明， 周舟， 和曉彤， 等. 基于NDWI和卷積神經(jīng)網(wǎng)絡(luò)的冬小麥產(chǎn)量估測方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2021， 52（12）： 273-280.

［20］陳雨燁， 王培娟， 張?jiān)催_(dá)， 等. 基于3種遙感指數(shù)的東北春玉米干旱識別對比［J］. 應(yīng)用氣象學(xué)報(bào)， 2022， 33（4）： 466-476.

［21］楊栩， 朱大明， 楊潤書， 等. 一種提取不透水面的可見光波段遙感指數(shù)［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2020， 36（8）： 127-134.

［22］田玉剛， 徐韻， 楊曉楠. 一種提取城市多種不透水層的垂直不透水層指數(shù)［J］. 測繪學(xué)報(bào)， 2017， 46（4）： 468-477.

［23］劉暢， 楊康， 程亮， 等. Landsat8不透水面遙感信息提取方法對比［J］. 國土資源遙感， 2019， 31（3）： 148-156.

［24］ LI B， PENG S B， SHEN R P， et al. Development of a new index for automated mapping of ratoon rice areas using time-series normalized difference vegetation index imagery［J］. Pedosphere， 2022， 32（4）： 576-587.

［25］曾維軍， 侯明明， 楊偉. 一種改進(jìn)的決策樹分類方法在土地利用信息提取中的應(yīng)用［J］. 貴州大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2013， 30（6）： 39-46， 52.

［26］邊琳， 葉飛， 劉珊珊， 等. 基于NDVI的昆明市2001—2015年植被覆蓋變化趨勢分析［J］. 山東農(nóng)業(yè)科學(xué)， 2018， 50（1）： 107-110.

（責(zé)任編輯：于慧梅）

Abstract： Coherence is one of the important factors that affect the accuracy of InSAR technology， and it is also one of the research hotspots in academic circles. At present， the researches on coherence mainly focus on the calculation principle and SAR satellite technology， but the overview of the research area is rarely discussed. In this study， the correlation method and INDVI index are used to analyze the relationship between different surface coverings and coherency， and then the influence of different surface coverings on coherency is studied and analyzed， and finally the influence of different surface coverings on coherency based on different months， seasons and rainfall is analyzed. The results show that with the increase of vegetation coverage， the coherency shows a decreasing trend， and the coherency of different land surfaces shows different sharp decreasing trends under different vegetation coverage. After classifying the coherency by month， it can be found that the coherency of all kinds of surface covers is the highest in January and December， and the lowest in July and August; in the four seasons， the coherence is the highest in winter and the lowest in summer. Thenaccording to the classification of rainfall， the coherence decreases with the increase of rainfall， showing a negative correlation. The experiment proves that studying the influence of surface coverage on coherence is not only helpful to fill the blank of relevant academic research， but also provides a strong theoretical basis and data support for the accuracy of InSAR technology.

Key words： InSAR technology; coherence; different surface coverage; INDVI

基金項(xiàng)目：國家自然科學(xué)基金資助項(xiàng)目（42161067）

作者簡介：周鑫城（1998—），男，在讀碩士，研究方向：遙感影像處理、InSAR數(shù)據(jù)處理與應(yīng)用研究，E-mail：787588490@qq.com．

*通訊作者：左小清，E-mail：514012196@qq.com．