星载InSAR形变监测技术的发展与展望
易恒1，孙艳情2
1. 天津市政工程设计研究总院有限公司，天津 300392；
2. 中南大学 地球科学与信息物理学院，长沙 410083
摘 要：合成孔径雷达干涉测量（interferometric synthetic aperture radar，InSAR）技术凭借其全天时、全天候、高精度的对地观测能力，在地表形变监测、城市基础设施监测和地质灾害研究等领域取得了重要进展，具有广泛的应用前景。本文在系统回顾星载InSAR形变监测技术最新发展的基础上，分析所面临的关键技术瓶颈，并探讨未来的发展方向。首先，围绕星载InSAR形变监测技术的高分辨率成像、多波段、多源数据融合和人工智能技术协同等多个维度，梳理InSAR技术的前沿进展；其次，深入分析星载InSAR形变监测技术在数据获取、误差控制和硬件系统限制等方面所面临的主要挑战；最后，表明随着低成本轻小型雷达卫星的快速发展，智能化数据处理的突破和全球对地观测体系的完善，InSAR技术将在灾害监测和资源管理中发挥更关键的作用，国际协作与资源共享的加强将进一步提升全球灾害监测与治理能力，可为全球环境保护、灾害监测预警及资源管理等提供更强有力的技术支撑。
关键词：合成孔径雷达；合成孔径雷达干涉测量；高分辨率多波段；多源数据融合；人工智能协同；智能化数据处理；地表形变监测；地质灾害监测
引用格式：易恒, 孙艳情. 2025. 星载InSAR形变监测技术的发展与展望. 时空信息学报, 32(4): 350-363
Yi H, Sun Y Q. 2025. Developments and prospects of spaceborne InSAR deformation monitoring technology. Journal of Spatio-temporal Information, 32(4): 350-363, doi: 10.20117/j.jsti.202504004
1 引 言
合成孔径雷达（synthetic aperture radar，SAR）通过发射电磁波并接收回波信号，利用目标与卫星之间的相对运动，将小尺寸的真实天线合成一个等效的大孔径天线，提供比传统雷达更高的空间分辨率，实现高分辨率对地成像。该技术弥补了光学遥感对天气条件的依赖和夜间成像能力的不足，可以全天时、全天候工作，广泛应用于军事、地形测绘、地质灾害监测等领域（Strozzi等，2018）。合成孔径雷达干涉测量（interferometric synthetic aperture radar，InSAR）技术是SAR的进一步发展，通过分析同一区域在不同时间获取的两幅或多幅SAR影像的相位差，提取形变信息，精度可达毫米级（Zebker和Goldstein，1986）。InSAR技术差分干涉测量几何关系如图1所示。该技术最早应用于1969年，Rogers和Ingalls（1969）首次成功获取金星与月球表面的高程信息；随后，Gabriel等（1989）首次实现了地表形变信号的提取。目前已发展为成熟的空间对地观测技术（Berardino等，2002；Li等，2022），广泛应用于地震（Huang等，2022）、滑坡（Luo等，2020）、火山活动（Xu等，2023）、城市沉降（Wu等，2022）等监测。
从最初的单波段雷达系统到如今的多波段、高分辨率雷达系统，InSAR技术不断突破技术瓶颈。卫星平台的不断优化和数据处理技术的进步，推动了遥感观测能力的持续提升，能够实现大范围地表形变监测、精准的灾害响应及高分辨率城市基础设施形变监测等（朱建军等，2017）。尽管InSAR技术取得了显著进展，但仍面临一些亟待解决的问题，包括如何进一步提高成像分辨率、如何优化多源数据融合效果、如何控制数据处理误差，以及如何提升数据处理效率等。随着技术应用需求的不断增长及人工智能技术的兴起，InSAR技术的应用领域将持续扩展。未来研究不仅需要解决当前的技术瓶颈，还要探索构建InSAR技术与其他技术融合互补的形变监测体系，以期形成更智能、更全面的对地观测系统。
本文首先系统总结星载InSAR形变监测技术的前沿发展，分析其在高分辨率成像、数据融合与协同监测和人工智能相结合的应用。其次，探讨星载InSAR形变监测技术在实际应用中所面临的主要挑战，如数据获取、误差控制、硬件系统和处理效率等限制因素。最后，表明星载InSAR形变监测技术的未来发展方向，重点讨论多源数据融合、硬件与平台升级、政策支持与国际合作等关键问题。
2 星载InSAR形变监测技术的前沿发展
2.1 高分辨率与多波段InSAR技术
雷达卫星空间分辨率的持续提高是推动星载InSAR形变监测技术不断发展的重要驱动力。空间分辨率是影像中一个像素所代表的地面最小可识别单元，分辨率越高，单个像素所覆盖的地面面积越小，保留的图像细节越丰富（王超等，2002）。高空间分辨率雷达卫星影像可以识别建筑物、道路等精细地物，而低分辨率雷达卫星影像则可能导致同一个像素内多种反射信号混合，影响分类结果的空间精度。当前，雷达卫星的空间分辨率已由早期的米级提升至分米级，显著增强了对地表细节的识别能力（王俊肖等，2017）。美国国家侦察局（National Reconnaissance Office，NRO）研发的长曲棍球 （Lacrosse）卫星和未来成像体系（future imagery architecture，FIA）最高分辨率优于0.3m。日本Synspective卫星在凝视聚束模式下，最高分辨率可达0.25m。德国TerraSAR-X作为军民两用卫星，实验性的凝视聚束模式最高分辨率为0.24m，在常规模式下为1m（Buckreuss等，2018）。中国高分三号（GF-3）C波段星载SAR系统，最高分辨率为1m并支持全极化观测，代表了国际C波段SAR卫星的先进水平（薛喜平等，2024）。目前，雷达卫星的空间分辨率已突破0.2m的门槛，随着小型化星座的发展进步，卫星的分辨率将进一步提升。
雷达波段的选择很大程度上决定了遥感卫星的成像特性与适用场景。雷达波段可以分为X波段、C波段、S波段、L波段和P波段等。表1为常见的波段信息、代表卫星及其应用场景，图2为目前常用典型的雷达卫星。其中，X波段属于短波，具有较高的分辨率，适用于城市高精度形变监测和复杂环境中的目标检测，如TerraSAR-X、Capella等卫星常用于城市微小形变监测及地质灾害评估（张涛等，2020；Sansosti等，2014）。C波段的代表卫星包括欧洲遥感卫星（European remote sensing satellite，ERS）、Sentinel-1A、Radarsat等，广泛应用于森林资源检测、冰川运动和火山活动监测等（Salazar等，2020）。S波段的雷达卫星波长为7.5～15cm，代表卫星为环境一号雷达（HJ-1C）卫星，该波段在极端天气中的信号衰减基本不受影响，成为气象卫星与通信卫星的核心频段。L波段雷达卫星波长较长，适用于冰川、冻土和山区滑坡的形变监测（Ottinger和Kuenzer，2020），如先进陆地观测卫星（advanced land observing satellite，ALOS）、陆探一号（LT-1）卫星等。P波段雷达卫星具有强穿透能力，探测距离较长，用于复杂环境的观测，广泛应用于战略预警（冯健等，2015）、气象监测（唐伟等，2017）和森林生物量统计（Delrieu等，2020）等领域。目前，雷达卫星逐步向多频段、多波段观测的方向发展。
2.2 多源数据融合与协同监测
为突破星载InSAR形变监测技术在时空分辨率与形变维度观测方面的限制，多源数据融合与协同监测逐渐成为提升地表形变监测能力的重要研究方向。通过多平台、多技术的协同观测，可有效实现数据互补、交叉验证与多维信息提取，显著提升InSAR技术监测系统的综合性能，并增强其在多场景下的适应性。
不同SAR卫星影像数据的融合可缩短重访周期，填补数据空白，提升影像数据的时间分辨率。例如，通过结合高分辨率TerraSAR-X卫星数据和长时间序列的Sentinel-1A卫星数据，可以兼顾时间和空间精度，提升监测结果的稳定性和可靠性（Wang等，2021）。随着InSAR技术与其他测量技术的不断融合，跨平台数据融合的应用场景日益广泛（曹红俊等，2017）。SAR影像数据与水准测量、全球导航卫星系统（global navigation satellite system，GNSS）、激光雷达（light detection and ranging，LiDAR）等高精度地面观测技术协同，可以实现优势互补，不仅弥补了单一技术在测量频次和空间分布上的不足，还可以显著提升数据的时空覆盖能力和监测结果的精度与可靠性（Carlson等，2024）。
多源数据之间的交叉验证有助于减少系统误差的干扰，同时还可以实现三维形变的反演（Ji等，2020）。根据雷达卫星的成像特点，InSAR技术只能观测目标沿雷达LOS方向的形变分量，在实际应用中可能存在三维形变的解译误差。而整合不同SAR平台或传感器的信息，并利用多源数据融合技术，能有效解决此问题，提高形变监测点的密度和监测结果的精度与可靠性。此外，SAR数据与光学遥感、物联网传感器数据等融合，为InSAR技术拓展了新的应用场景，挖掘了其在城市基础设施建设等场景中的应用潜力（Li等，2024）。通过多平台协同构建“天–地–空”一体化形变监测系统，综合利用卫星雷达、无人机遥感、地面传感器和地下传感器等多源数据，实现点与面的有效结合，显著提升了形变监测的空间分辨率与精度，并可为复杂环境下的多尺度、多维度监测提供全面的数据支撑（Yan等，2022）。
2.3 人工智能的应用
传统星载InSAR形变监测技术在处理数据时依赖人工解译，效率低且易受主观因素影响，存在监测精度稳定性差（Sun等，2020）、解算效率低（Tiwari等，2020）和自动化程度不足（Sica等，2021a）等问题。近年来，人工智能（artificial intelligence，AI）在InSAR数据处理的关键环节中得到了广泛应用，显著提高了结果精度和解算效率，推动了InSAR监测体系向智能化、自动化方向的发展（陈军等，2021；Li等，2024）。
利用机器学习等智能算法推动InSAR数据处理流程的自动化和智能化，正逐渐成为该领域技术突破的关键方向之一。针对相位解缠、永久散射体（persistent scatterer，PS）点选取和大气延迟校正等InSAR技术处理中的关键步骤，已有研究引入卷积神经网络（convolutional neural network，CNN）（Lecun等，1998）、循环神经网络（recurrent neural network，RNN）（Elman，1990），以及Transformer结构（Vaswani等，2017）等深度学习模型，以提升数据质量并降低结果误差（Anantrasirichai等，2019；Sun等，2020）。在低信噪比的环境下，深度学习模型如GenInSAR（Mukherjee等，2021）、Phi-Net（Sica等，2021b）表现优异，实现了有效提取地表形变信息。此外，机器学习算法还可用于形变预测，例如，Hochreiter和Schmidhuber（1997）、Nava等（2021）已将长短期记忆网络（long short-term memory network，LSTM）应用于长时序滑坡形变预测。在模式识别与异常检测方面，深度学习可以代替传统的阈值分割算法，实现复杂场景下的形变区识别，如Zhang等（2022）利用InSARNet自动识别滑坡聚集区和断层活动区等，提升了形变监测的智能化水平。同时，AI还降低了InSAR数据处理的技术门槛，提高数据处理效率，使得实现大规模自动化形变监测成为可能（Liu等，2025）。
3 星载InSAR形变监测技术的主要挑战
尽管星载InSAR形变监测技术具备全天时、全天候、大范围和高精度监测等优势，但在实际应用过程中仍面临一系列亟待突破的难点，主要集中于复杂环境下数据获取与相干性保障、高精度形变提取中的误差控制、硬件系统与处理效率的制约三个方面。
3.1 复杂环境下数据获取与相干性保障
InSAR形变监测技术提取地表形变信息的前提是影像具有较高的相干性。相干性是两幅SAR影像在同一地区像素之间相位信息的一致性或相似程度（Curlander和Mcdonough，1991）。由于两次观测期间地表散射体的几何特征或物理属性变化引起的失相干现象称为时间失相干，其诱因包括植被自然生长、气象条件变化和人类活动等（Jiang等，2014）。由于雷达两次观测的空间基线过长或入射角差异等引起的散射信号无法匹配的现象称为空间失相干，因此，山地等陡峭复杂地形区域更容易造成严重失相干（Colin等，2006；Ahmed等，2011）。此外，地震、火山、滑坡等大量级快速地表形变通常被称为大梯度形变，所引起的相位变化超过干涉测量的相干阈值，也会导致失相干现象（Massonnet和Feigl，1998）。目前，缓解失相干现象的方法主要包括两类，具体为：①优化数据选择和采用时间间隔短的影像对，以减少地物变化带来的影响（Jung等，2016）；②引入时序InSAR技术，如PS-InSAR，利用散射体特征稳定的PS点提取形变信息，结合优化算法减少低相干现象的影响（Jung等，2009；Shen等，2023）。总之，复杂地貌环境下的低相干性严重影响形变信号的稳定提取与结果精度，需要从优化数据选择和技术方法创新等方面推进（Shen和Wang，2023；沈鹏等，2025）。
3.2 高精度形变提取中的误差控制
在提取地表形变的过程中，相位解缠和大气扰动校正是影响结果精度的关键环节。相位解缠步骤是将缠绕相位恢复为真实相位的处理过程，是InSAR技术数据处理过程中的关键步骤。常用的相位解缠方法包括基于路径跟踪的相位解缠算法（Goldstein等，1988；Flynn，1996）、基于最小范数的相位解缠算法（Fried，1977；Ghiglia和Romero，1996）、网络流算法（Costantini，1998）。这些算法通过不同的数学模型和优化策略，以提高相位解缠的准确性和稳健性。然而，相位解缠步骤具有一定的主观性，结果精度易受参数设置及相位噪声的干扰；存在大梯度形变时，容易出现相位跳变的情况，影响解缠结果的连续性与可靠性；此外，相位解缠算法通常计算复杂度较高，对干涉图数据质量要求较高（Zhou等，2021）。总之，传统的相位解缠算法在计算效率和结果精度等方面仍存在一定局限性，当前的研究正朝着突破技术瓶颈的算法发展。
大气扰动校正主要包括电离层延迟和对流层延迟误差（Bekaert等，2015）。电离层延迟是由于大气中的电离层对雷达信号的折射作用引起的，通常对于短波段干涉图的影响较小；而对流层延迟则是由于大气中的水汽、温度和压力的时空变化显著，导致电磁波的传播路径和速度不均匀所引起的，对流层延迟通常表现为与高程相关的延迟（Doin等，2009）、大气随机扰动的延迟（Onn和Zebker，2006）。图3（a）为卫星信号在大气中理想与真实传播路径的简要示意图，（b）展示了大气的分层情况，根据温度、密度和运动状态将大气分为对流层、平流层、中间层和电离层（热层）。
现有的大气模型，如欧洲中期天气预报中心（European Centre for Medium-range Weather Forecast，ECMWF）基于全球气象观测和数值天气预报数据提出的ERA-Interim模型，可以提供长期稳定的大气参数（Jolivet等，2011）。通用大气校正在线服务（generic atmospheric correction online service，GACOS）利用时空分辨率高的数值天气模型和改进的插值算法提供大气修正服务（Yu等，2017；Yu等，2018a，2018b）。但这些模型在实际应用中仍存在一定的局限性。首先，缺乏与SAR影像观测同步、高时空分辨率和高精度的外部辅助大气数据，使传统模型在动态大气条件下难以准确刻画瞬时大气延迟变化，尤其在复杂地形区域表现出显著的空间异质性（Zhao等，2021；Wang等，2021）。其次，针对因小尺度湍流引起的大气延迟扰动难以进行有效建模（Hu等，2018）。最后，在多时相InSAR数据处理中，大气噪声具有显著的时空非平稳特征，难以被传统滤波方法有效抑制，从而进一步影响形变监测结果的稳定性和精度（Shamshiri等，2020；Kirui等，2021）。在InSAR技术与GNSS等地面观测数据融合的过程中，二者在时空分辨率、观测周期和敏感方向等方面存在差异，造成数据匹配的复杂性提高。为提升InSAR技术在复杂地形与强扰动环境中的应用，亟需在高精度大气建模和大气去除的算法创新等方面进行系统性研究。
3.3 硬件系统与处理效率的制约
卫星观测能力的不足是制约星载InSAR形变监测技术发展的关键因素之一。当前大多数SAR卫星在时空分辨率方面存在不足，重访周期通常为几天至十余天，难以满足对快速演化地质灾害进行高频率、连续观测的需求。图4展示了自2000年以来主要SAR卫星的重访周期及服役时段。以应用广泛的Sentinel-1系列卫星为例，重访周期为6 d或12 d，对于突发性地质事件的瞬时形变通常存在观测滞后，限制了其对灾害动态过程的实时精细捕捉能力。
在开展大范围、长期形变监测任务时，受限于重访周期较长与轨道覆盖不均，常常难以获取连续稳定的影像数据，从而影响监测结果的完整性与可靠性（Cui和Zhang，2019）。目前在轨雷达系统使用的波段有限且各具特色，尚难以实现对不同地貌类型的普适性监测需求。尽管近年来星座化部署、编队飞行与智能任务调度等关键技术持续推进，并在提升数据获取能力上表现出广阔的前景，但整体仍处于发展和完善阶段。
SAR系统的核心硬件主要包括雷达传感器、卫星平台，以及数据处理与传输系统，其研发与部署通常伴随高昂的成本投入。一方面，高性能雷达传感器需具备高精度和高稳定性，研发过程涉及复杂的天线结构设计、精密的轨道控制技术与信号处理算法集成，整体技术门槛与研发成本较高。此外，卫星平台及搭载设备的定期维护也需要持续的资金支持，设备老化、性能退化及故障修复等问题也对系统的可持续运行能力和维护成本提出更高的要求。另一方面，InSAR系统不仅需要满足成像高精度、系统稳定性强的基本要求，还需具备高效的数据采集、实时传输与并行处理能力，以应对大规模、多时相SAR数据的高频获取与复杂运算需求（Areda等，2022）。在此背景下，如何在保障成像质量的同时，实现更高空间覆盖率、更短重访周期及更低成本，是未来InSAR系统设计与优化的重要研究方向。
4 星载InSAR形变监测技术未来趋势
随着对地观测技术的不断进步和形变监测需求的持续增长，星载InSAR形变监测技术在地表形变监测、地质灾害响应预警和基础设施安全评估等多个领域的应用愈加广泛（Li等，2022）。然而，现有星载InSAR形变监测技术在数据质量、处理效率和结果实时性等方面仍面临系列挑战。未来的发展趋势主要体现在更高精度的监测技术突破、多源数据融合与跨学科应用、硬件平台革新与转型创新等方面，实现更高精度、更高效及更高自动化水平的数据处理与分析，从而进一步推动InSAR技术的应用与拓展。
4.1 高精度监测技术突破
当前，星载InSAR形变监测技术在时空分辨率方面的持续提升，显著增强了其在地表形变监测中的应用潜力，未来有望实现更高精度的遥感观测能力。在空间分辨率方面，亚米级分辨率SAR卫星的发展将进一步提升对单体建筑、桥梁、大坝等微小结构的识别能力，可为城市安全监测与工程健康评估提供强有力的数据支撑（Chapman等，2024）。在时间维度上，多星协同观测与低轨星座构建的不断完善，有望将雷达卫星的重访周期缩短至小时级，可有效满足火山喷发、地震活动等快速形变事件的动态监测需求（Moreira等，2011；Farquharson等，2023）。高时空分辨率共同提升了形变信号的稳定提取与误差控制能力，结合长时序InSAR数据处理，InSAR技术测量精度正逐步提高，从而更高效地服务全球对地观测与动态灾害响应等任务（王振力和钟海，2016）。
InSAR形变监测技术高精度监测能力的持续提升，依赖于核心算法与处理流程的持续突破。近年来，以语义分割为代表的深度学习方法已广泛应用于干涉图的相位解缠，有效降低了解缠误差对形变反演精度的影响（丁泽刚等，2024）。在误差控制方面也取得了显著的发展，作为主要误差源之一的大气延迟，也逐步实现了更高精度的建模与校正（袁煜伟等，2025）。与此同时，时序InSAR技术正在不断发展，提高其形变监测与提取能力（Zhou等，2025）。这些研究的突破，正推动InSAR技术从传统区域监测工具向面向复杂地质过程的高精度、智能化感知系统的迈进。
AI的快速发展为星载InSAR形变监测技术注入了全新的活力，推动其向全流程智能化与自动化发展。在面对Sentinel系列卫星等高重访、全球覆盖SAR任务所产生的海量数据时，处理效率成为制约InSAR规模化应用的关键瓶颈。依托大规模并行计算与云平台部署，不仅加速了数据处理流程，还使近实时形变监测成为可能。其中，AI已广泛应用于相位解缠、PS点的选取、大气延迟校正等关键环节。例如，通过预测相位不连续出现的概率所提出的DENet模型，有效增强了最小费用流算法在大范围、低相干性、密集条纹干涉图中的解缠可靠性（Wu等，2021）。在PS点的识别与选取上，Yang等（2022）提出了基于深度卷积神经网络（deep CNN，DCNN）的PSNet模型，通过采用StaMPS标记的数据进行训练，提高PS点数量。针对大气延迟校正问题，Chen等（2020）将对流层延迟校正问题视为深度学习回归问题，首次提出了ARU-Net模型，用于学习大气延迟的特征。此外，AI可用于构建InSAR数据处理的全流程自动化系统，通过合成大量训练数据提升模型的泛化能力，减少传统处理方法中的人工参与和重复操作，支撑大范围、高频次的自动化形变监测（Rouet-Leduc等，2021）。随着AI的深入应用，在地质灾害监测与早期预警中的应用潜力不断显现，基于DCNN （Ma等，2020）、多尺度LSTM网络（Kathirvel等，2021）、Transformer网络（Wang等，2023）等模型的预测方法，使得InSAR技术监测形变的趋势预测成为可能，推动了其在自然灾害防治、城市基础设施监测等领域的广泛应用（Singh和Agnihotri，2024；秦同春等，2024）。未来，InSAR技术将在多源技术融合、高频次观测和智能化处理体系的共同推动下，向高精度、高效率和强智能的形变监测体系不断发展。
4.2 多源数据融合与跨学科应用
随着遥感技术的不断进步，InSAR形变监测技术正加速向多源数据融合与智能化处理体系发展。一方面，通过整合不同频段的多平台雷达数据，如NISAR、Sentinel-1、TerraSAR-X等，可在保障高时空分辨率的同时，实现复杂地形区域（如高植被覆盖区、城市建筑环境）的稳定监测。InSAR数据还可与光学遥感、LiDAR、GNSS、气象观测数据等进行协同反演，不仅能弥补单一观测技术的局限性，还可以增强形变机理的物理解译基础，丰富应用场景（李志伟等，2022；Wasowski和Bovenga，2014）。另一方面，人工智能与物理模型的融合也成为InSAR数据处理体系智能化演进的重要方向。借助AlexNet（Anantrasirichai等，2018）、U-Net（Sun等，2020）等神经网络模型，能够自动提取时序InSAR数据中的形变信号，并结合弹性半空间理论、流体动力学等物理约束模型，提升预测结果的准确性与可解释性。随着深度学习与物理模型的融合，以及数据同化技术的不断进步，InSAR技术将在动态预测与风险预警中展现出更强的前瞻性（Han和Li，2008；Reichle等，2011；Qu等，2019；Han等，2022）。此外，依托低轨SAR卫星星座与边缘计算体系部署，InSAR近实时处理与快速响应能力正不断增强，适用于突发性灾害场景的快速识别与初步评估。同时ESA正推动标准化、多源化与开放性的数据生态系统建设，为全球一体化形变监测网络的建立与运行提供了重要支撑（Seidel 等，2024）。
星载InSAR形变监测技术的未来发展不仅体现在多源数据融合和智能化处理体系的推进，更将展现出强大的跨学科融合潜力。在地球科学研究中，InSAR技术可服务于冰川学、地震学、火山学等领域的研究，有助于揭示固体地球、冰冻圈与水圈之间的相互作用机制（Wang等，2023）。在全球变暖的背景下，InSAR技术在监测冰川消融导致的地表下沉等方面也具备重要潜力，可为环境治理与可持续发展战略提供重要数据支撑（廖松林等，2024）。在城市管理与基础设施建设维护中，InSAR技术有助于构建高分辨率的城市级形变图谱，结合建筑信息模型与物联网传感器，可实现对地铁、桥梁、高层建筑等关键设施的精细化形变监测与健康诊断，以识别沉降形变及潜在结构风险（张永红和陈军，2023；杨启亮和邢建春，2023；夏锐等，2024）。此外，还可利用时序InSAR技术监测城市地下空间形变，提升城市运行的安全性与韧性（Cerchiello等，2017；Sartorelli等，2021）。
4.3 硬件平台革新与转型创新
在硬件轻量化与智能化的持续推动下，卫星平台的全面革新正成为星载InSAR形变监测技术发展的关键驱动力（王振力和钟海，2016）。轻量化的SAR卫星可以采用碳纤维复合材料等先进制造工艺，结合模块化设计，显著降低制造与发射成本，助力构建高密度、低成本的卫星星座系统（Huang等，2011；耿旭朴和薛思涵，2017）。随着微形SAR卫星技术的成熟，未来可实现全球范围内小时级重访高频次的覆盖，满足灾害事件的快速响应需求（Battilana等，2025）。此外，编队飞行技术的应用有效突破了单颗卫星在重访周期方面的限制，极大提高动态监测能力（Peng等，2025）。伴随长寿命能源系统的应用，卫星可在极地或阴影区域持续稳定运行，进一步拓展观测能力与环境适应性。在此基础上，智能化卫星平台正成为星载InSAR形变监测技术发展的核心方向之一。星载SAR系统正逐步融合AI算法，实现在轨SAR数据的实时处理与形变图的快速生成，以进一步减轻地面站的数据传输与处理压力。通过动态任务规划与自适应成像技术，卫星可结合实时传感数据、气象信息等外部输入，自主调整观测模式，如在检测预判到台风路径后，系统可自动优先调度观测资源，实现更灵活、精准的监测与响应。
未来，星载InSAR形变监测技术将不再仅仅作为形变信息的获取工具，更将演进为智能化决策支持系统的主要组成部分。借助云平台与服务化架构，企业和政府机构可以根据实际需求获取高时空分辨率的InSAR形变结果及相关产品，广泛应用于基础设施监测、矿产资源管理与地质灾害监测评估等领域（何秀凤等，2022）。这一服务化转型将显著提升数据的应用效率，降低人工成本与技术门槛，为大规模、自动化的监测体系提供坚实的数据与技术支撑（江利明等，2024）。
4.4 政策支持与国际合作
在政策的持续推动下，星载InSAR形变监测技术正加速迈向规模化、系统化的应用阶段，并逐步构建起完整的技术生态与应用体系。当前，许多国家已将InSAR技术纳入国家级战略规划，广泛部署于自然资源管理、地质灾害监测和基础设施运维等重点领域（Emil，2021）。例如，我国已将InSAR技术列为地质灾害综合防治体系的重要组成部分；欧盟通过“哥白尼计划”设立专项资金，支持数据应用开发（李宜展，2024）。同时，相关法律与制度的不断完善为数据获取与共享提供了制度保障。如美国对不同数据“完全与开放”的共享管理机制和“平等竞争”的市场化共享管理机制，推动了对地球观测数据的共享与广泛应用（李国庆等，2016）。这既有效降低了数据获取门槛，又提升了InSAR技术应用的灵活性与广泛性。此外，相关产业仍面临商业化标准不统一、行业协作不足等挑战，因此，统一数据处理流程、产品质量评价、精度控制等方面的标准化，将有助于提升InSAR产品的一致性与可靠性，推动产业的规范化和高质量发展。
在全球星载InSAR形变监测技术的发展进程中，国际合作正日益发挥关键作用。地球观测组织（Group on Earth Observations，GEO） 和联合国减少灾害风险办公室（United Nations Office for Disaster Risk Reduction，UNDRR） 等国际组织积极倡导多源雷达遥感数据的共享开放，促进资源整合与协同应用。例如，全球地质风险监测联盟通过整合Sentinel-1、ALOS-2等多源卫星数据，实现对地震带、火山活动带等的动态监测与形变演化分析（Monserrat等，2018；Elliott，2020）；我国也积极参与全球对地观测网络建设，通过国家综合地球观测数据共享平台向国际社会提供数据服务（何国金等，2018）。此外，发达国家还通过技术转移、能力建设等方式，支持发展中国家提升其InSAR数据处理能力与综合应用能力（ElGharbawi，2023）。未来，持续深化的国际合作将更有效地促进星载InSAR形变监测技术的发展，在全球灾害风险治理、生态环境保护和可持续发展等多领域的全球化应用提供坚实基础，将进一步提升全球风险管理体系的协同能力与韧性水平。
5 结 语
本文系统回顾了星载InSAR形变监测技术的最新进展，分析了当前面临的关键技术瓶颈，并展望了未来的发展方向。作为一种具备高精度、全天时、全天候和大范围观测能力的遥感技术，InSAR技术已广泛应用于地表形变监测、城市基础设施监测和地质灾害研究等领域。
随着应用场景的复杂化和应用需求的不断提升，当前星载InSAR形变监测技术仍面临数据处理效率不高、系统集成复杂、实时监测能力不足等一系列挑战。未来研究应聚焦于保障精度前提下的数据处理提速、平台系统的轻量化与功能集成优化，并深入探索多源异构数据的高效融合与协同观测机制。同时，AI、大数据与云计算等新兴技术的引入，将为InSAR数据处理流程的自动化、智能化转型提供有力支撑。通过算法优化、深度学习模型集成及星上处理能力的提升，InSAR技术将在动态环境与复杂地表条件下实现更高效和自动化的响应。此外，政策支持与国际合作也在不断推动InSAR技术生态体系的构建与完善。各国战略性部署、数据共享机制的建立，以及全球观测平台的持续发展，为InSAR技术在应对全球气候变化、自然灾害防治和资源环境管理中的广泛应用奠定了制度基础与技术支撑。展望未来，星载InSAR形变监测技术的发展将是技术突破、跨学科融合、硬件平台革新与制度体系协同演进的综合过程，在全球对地观测体系中将发挥更重要的作用。
参考文献（References）
曹红俊, 王瑞富, 李家贵, 段雅萍, 王人杰, 李成鹏. 2017. 多源SAR遥感影像海上溢油业务化监测系统研究. 地理信息世界, 24(6): 92-97[Cao H J, Wang R F, Li J G, Duan Y P, Wang R J, Li C P. 2017. Research on marine oil spill monitoring system based on spaceborne SAR images. Geomatics World, 24(6): 92-97 (in Chinese)]
陈军, 刘万增, 武昊, LI Songnian, 闫利. 2021. 智能化测绘的基本问题与发展方向. 测绘学报, 50(8): 995-1005[Chen J, Liu W Z, Wu H, Li S N, Yan L. 2021. Smart surveying and mapping: Fundamental issues and research agenda. Acta Geodaetica et Cartographica Sinica, 50(8): 995-1005 (in Chinese)]
丁泽刚, 孙涛, 王震, 赵健, 史一鹏, 陈浩龙, 陈之洲, 王岩, 曾涛. 2024. MCJ-UNet: 一种双/多通道联合InSAR相位解缠网络. 雷达学报, 13(1): 97-115[Ding Z G, Sun T, Wang Z, Zhao J, Shi Y P, Chen H L, Chen Z Z, Wang Y, Zeng T. 2024. MCJ-UNet: A dual/multi-channel-joint phase unwrapping network for interferometric SAR. Journal of Radars, 13(1): 97-115 (in Chinese)]
冯健, 甄卫民, 吴振森, 刘钝. 2015. 电离层闪烁对星载P波段SAR的影响分析. 电子与信息学报, 37(6): 1443-1449[Feng J, Zhen W M, Wu Z S, Liu D. 2015. Effects of ionospheric scintillation on P band spaceborne SAR. Journal of Electronics & Information Technology, 37(6): 1443-1449 (in Chinese)]
耿旭朴, 薛思涵. 2017. 合成孔径雷达星座发展综述. 地理信息世界, 24(4): 58-63[Geng X P, Xue S H. 2017. Trend analysis of SAR constellation. Geomatics World, 24(4): 58-63 (in Chinese)]
何国金, 王桂周, 龙腾飞, 彭燕, 江威, 尹然宇, 焦伟利, 张兆明. 2018. 对地观测大数据开放共享: 挑战与思考. 中国科学院院刊, 33(8): 783-790[He G J, Wang G Z, Long T F, Peng Y, Jiang W, Yin R Y, Jiao W L, Zhang Z M. 2018. Opening and sharing of big earth observation data: Challenges and countermeasures. Bulletin of Chinese Academy of Sciences, 33(8): 783-790 (in Chinese)]
何秀凤, 高壮, 肖儒雅, 罗海滨, 贾东振, 章浙涛. 2022. InSAR与北斗/GNSS综合方法监测地表形变研究现状与展望. 测绘学报, 51(7): 1338-1355[He X F, Gao Z, Xiao R Y, Luo H B, Jia D Z, Zhang Z T. 2022. Application and prospect of the integration of InSAR and BDS/GNSS for land surface deformation monitoring. Acta Geodaetica et Cartographica Sinica, 51(7): 1338-1355 (in Chinese)]
江利明, 邵益, 周志伟, 马培峰, 王腾. 2024. 智能化InSAR数据处理研究进展、挑战与展望. 测绘学报, 53(6): 1037-1056[Jiang L M, Shao Y, Zhou Z W, Ma P F, Wang T. 2024. A review of intelligent InSAR data processing: recent advancements, challenges and prospects. Acta Geodaetica et Cartographica Sinica, 53(6): 1037-1056 (in Chinese)]
李国庆, 张红月, 张连翀, 王媛媛, 田传召. 2016. 地球观测数据共享的发展和趋势. 遥感学报,20(5): 979-990[Li G Q, Zhang H Y, Zhang L C, Wang Y Y, Tian C Z. 2016. Development and trend of Earth observation data sharing. Journal of Remote Sensing, 20(5): 979-990 (in Chinese)]
李宜展, 董璐, 王东瑶, 张鸿, 王志强, 魏韧, 李泽霞. 2024. 国际科技组织与国际科技合作计划中的科学数据安全治理. 农业大数据学报, 6(2): 161-169[Li Y Z, Dong L, Wang D Y, Zhang H, Wang Z Q, Wei R, Li Z X. 2024. Governance of scientific data sharing within international organizations and international science and technology project. Journal of Agricultural Big Data, 6(2): 161-169 (in Chinese)]
李志伟, 许文斌, 胡俊, 冯光财, 杨泽发, 李佳, 张恒, 陈琦, 朱建军, 王琪洁, 赵蓉, 段梦. 2022. InSAR部分地学参数反演. 测绘学报,51(7): 1458-1475[Li Z W, Xu W B, Hu J, Feng G C, Yang Z F, Li J, Zhang H, Chen Q, Zhu J J, Wang Q J, Zhao R, Duan M. 2022. Partial geoscience parameters inversion from InSAR observation. Acta Geodaetica et Cartographica Sinica, 51(7): 1458-1475 (in Chinese)]
廖松林, 马诗佳, 夏菖佑, 高志豪, 刘牧心, 梁希, 戴青, 黄新我, 蒋泽原, 于冰清. 2024. 玄武岩CO2矿化封存监测方法和技术体系研究. 水文地质工程地质, 51(4): 41-52[Liao S L, Ma S J, Xia C Y, Gao Z H, Liu M X, Liang X, Dai Q, Huang X W, Jiang Z Y, Yu B Q. 2024. Research on monitoring methods and technical systems of CO2 mineralization in basalt formation. Hydrogeology & Engineering Geology, 51(4): 41-52 (in Chinese)]
秦同春, 俞同云, 王勇, 宁迪, 王海刚. 2024. 人工智能技术在地面沉降研究中的应用与展望. 水文地质工程地质, 51(6): 232-240[Qin T C, Yu T Y, Wang Y, Ning D, Wang H G. 2024. Application prospect of AI technology in the land subsidence analysis. Hydrogeology & Engineering Geology, 51(6): 232-240 (in Chinese)]
沈鹏, 汪长城, 廖明生, 张路, 董杰, 戴可人. 2025. 时序InSAR相位连接方法研究进展. 武汉大学学报(信息科学版),1-15. https://link.cnki.net/doi/10.13203/j.whugis20250004.[2025-03-07][Shen P, Wang C C, Liao M S, Zhang L, Dong J, Dai K R. 2025. Research progress of phase linking method in time-series InSAR. Geomatics and Information Science of Wuhan University,1-15. https://link.cnki.net/doi/10.13203/j.whugis20250004.[2025-03-07] (in Chinese)]
唐伟, 廖明生, 张丽, 张路. 2017. 基于全球气象再分析资料的InSAR对流层延迟改正研究.地球物理学报, 60(2): 527-540[Tang W, Liao M S, Zhang L, Zhang L. 2017. Study on InSAR tropospheric correction using global atmospheric reanalysis products. Chinese Journal of Geophysics, 60(2): 527-540 (in Chinese)]
王超, 张红, 刘智. 2002. 星载合成孔径雷达干涉测量. 北京：科学出版社[Wang C, Zhang H, Liu Z. 2002. Spaceborne Synthetic Aperture Radar Interferometry. Beijing: Science Press (in Chinese)]
王俊肖, 张倩女, 顾润德, 杨旭, 李会杰. 2017. 高分辨率SAR数据在河北省城市形变监测中的应用. 地理信息世界, 24(6): 111- 116[Wang J X, Zhang Q N, Gu R D, Yang X, Li H J. 2017. Application of high resolution SAR data to urban deformation monitoring in Hebei Province. Geomatics World, 24(6): 111-116 (in Chinese)]
王振力, 钟海. 2016. 国外先进星载SAR卫星的发展现状及应用. 国防科技, 37(1): 19-24[Wang Z L, Zhong H. 2016. The nowaday development and application of oversea advanced spaceborne SAR. National Defense Science & Technology, 37(1): 19-24 (in Chinese)]
夏锐, 徐华龙, 徐正国, 马旭伟. 2024. 基于SBAS-InSAR的地表沉降监测及漏斗拟合分析. 时空信息学报, 31(4):513-523[Xia R, Xu H L, Xu Z G, Ma X W. 2024. Monitoring of surface subsidence and funnel fitting analysis based on SBAS-InSAR. Journal of Spatio-temporal Information, 31(4): 513-523 (in Chinese)]
薛喜平, 苏彦, 李海英, 戴舜, 孔德庆, 朱新颖. 2024. 合成孔径雷达在深空探测任务中的应用与发展趋势. 天文学进展, 42(2): 240-256[Xue X P, Su Y, Li H Y, Dai S, Kong D Q, Zhu X Y. 2024. Application and development trend of synthetic aperture radar in deep space exploration. Progress in Astronomy, 42(2): 240-256 (in Chinese)]
杨启亮, 邢建春. 2023. 建筑信息物理模型: 一种建筑信息描述新形式. 中国工程科学, 25(5): 222-232[Yang Q L, Xing J C. 2023. Building information and physical model: A novel form of information description for buildings. Strategic Study of CAE, 25(5): 222-232 (in Chinese)]
袁煜伟, 李志伟, 母岷政. 2025. 中国第一代全球大气再分析数据在InSAR大气改正中的应用研究: 以南加州地区为例. 武汉大学学报(信息科学版), 50(5): 959-972[Yuan Y W, Li Z W, Mu M Z. 2025. Application of China’s first generation global atmospheric reanalysis data in InSAR atmospheric correction: A case study of southern California. Geomatics and Information Science of Wuhan University, 50(5): 959-972 (in Chinese)]
张涛, 朱建军, 付海强, 汪长城, 谢雁洲. 2020. TanDEM-X干涉SAR森林高度反演研究现状. 地理信息世界, 27(6): 48-56 [Zhang T, Zhu J J, Fu H Q, Wang C C, Xie Y Z. 2020. Research status of forest height inversion by InSAR with TanDEM-X data. Geomatics World, 27(6): 48-56 (in Chinese)]
张永红, 陈军. 2023. 我国地面沉降状况及其对国土空间规划的影响探讨——以北京市为例. 时空信息学报, 30(4): 465-473 [Zhang Y H, Chen J. 2023. Discussion on the ground subsidence status in China and its impact on national spatial planning: A case study of Beijing. Journal of Spatio-temporal Information, 30(4): 465-473 (in Chinese)]
朱建军, 李志伟, 胡俊. 2017. InSAR变形监测方法与研究进展. 测绘学报, 46(10): 1717-1733[Zhu J J, Li Z W, Hu J. 2017. Research progress and methods of InSAR for deformation monitoring. Acta Geodaetica et Cartographica Sinica, 46(10): 1717-1733 (in Chinese)]
Ahmed R, Siqueira P, Hensley S, Chapman B, Bergen K. 2011. A survey of temporal decorrelation from spaceborne L-Band repeat-pass InSAR. Remote Sensing of Environment, 115(11): 2887-2896
Anantrasirichai N, Biggs J, Albino F, Bull D. 2019. A deep learning approach to detecting volcano deformation from satellite imagery using synthetic datasets. Remote Sensing of Environment, 230: 111179
Anantrasirichai N, Biggs J, Albino F, Hill P, Bull D. 2018. Application of machine learning to classification of volcanic deformation in routinely generated InSAR data. Journal of Geophysical Research: Solid Earth, 123(8): 6592-6606
Areda E E, Cordova-Alarcon J R, Masui H, Cho M. 2022. Development of innovative CubeSat platform for mass production. Applied Sciences, 12(18): 9087
Battilana M, Capuani G, Boldrini F, Maioli L, Tampellini M L, Gerace F, Giudici D, Guccione P, Marini J, D’Agristina L, Di Lanzo D, Monti Guarnieri A, Fedele A, Luciani R, Tataranni F, Natalucci S. 2025. SATURN: Formation flying SAR minisatellites employing MIMO technique. Small Satellites Systems and Services Symposium (4S 2024), 74
Bekaert D P S, Hooper A, Wright T J. 2015. A spatially variable power law tropospheric correction technique for InSAR data. Journal of Geophysical Research: Solid Earth, 120(2): 1345-1356
Berardino P, Fornaro G, Lanari R, Sansosti E. 2002. A new algorithm for surface deformation monitoring based on small baseline differential SAR interferograms. IEEE Transactions on Geoscience and Remote Sensing, 40(11): 2375-2383
Buckreuss S, Sch?ttler B, Fritz T, Mittermayer J, Kahle R, Maurer E, B?er J, Bachmann M, Mrowka F, Schwarz E, Breit H, Steinbrecher U. 2018. Ten years of TerraSAR-X operations. Remote Sensing, 10(6): 873
Carlson G, Werth S, Shirzaei M. 2024. A novel hybrid GNSS, GRACE, and InSAR joint inversion approach to constrain water loss during a record-setting drought in California. Remote Sensing of Environment, 311: 114303
Cerchiello V, Tessari G, Velterop E, Riccardi P, Defilippi M, Pasquali P. 2017. Building damage risk by modeling interferometric time series. IEEE Geoscience and Remote Sensing Letters, 14(4): 509-513
Chapman B, Anconitano G, Borsa A, Christensen A, Cushman K, Das A, Donnellan A, Downs B, Fielding E, Holt B, Joughin I, Kellndorfer J, Kim S, McDonald K, Meyer F J, Oliver-Cabrera T, Parra A, Patnai C, Peacock A M, Pinto N, Putrevu D, Rosen P, Saatchi S, Simons M, Siqueira P, Taglialatela C, Tymofyeyeva E, Vaccaro A, Zinke R, Zwieback S. 2024. The NASA ISRO SAR (NISAR)Mission—Validation of science measurement requirements// IGARSS 2024—2024 IEEE International Geoscience and Remote Sensing Symposium,6623-6627
Chen Y X, Bruzzone L, Jiang L M, Sun Q S. 2020. ARU-Net: Reduction of atmospheric phase screen in SAR interferometry using attention-based deep residual U-Net. IEEE Transactions on Geoscience and Remote Sensing, 59(7): 5780-5793
Colin E, Titin-Schnaider C, Tabbara W. 2006. An interferometric coherence optimization method in radar polarimetry for high-resolution imagery. IEEE Transactions on Geoscience and Remote Sensing, 44(1): 167-175
Costantini M. 1998. A novel phase unwrapping method based on network programming. IEEE Transactions on Geoscience and Remote Sensing, 36(3): 813-821
Cui J T, Zhang X. 2019. Application of a multi-satellite dynamic mission scheduling model based on mission priority in emergency response. Sensors, 19(6): 143
Curlander J C, Mcdonough R N. 1991. Synthetic Aperture Radar: Systems and Signal Processing. New York: Wiley
Delrieu G, Khanal A K, Yu N, Cazenave F, Boudevillain B, Gaussiat N. 2020. Preliminary investigation of the relationship between differential phase shift and path-integrated attenuation at the X band frequency in an Alpine environment. Atmospheric Measurement Techniques, 13(7): 3731-3749
Doin M P, Lasserre C, Peltzer G, Cavalié O, Doubre C. 2009. Corrections of stratified tropospheric delays in SAR interferometry: Validation with global atmospheric models. Journal of Applied Geophysics, 69(1): 35-50
ElGharbawi T. 2023. Monitoring land subsidence in Egypt’s northern west coast using interferometric synthetic aperture radar. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, X-1/W1-2023: 709-714
Elliott J R. 2020. Earth observation for the assessment of earthquake hazard, risk and disaster management. Surveys in Geophysics, 41(6): 1323-1354
Elman J L. 1990. Finding structure in time. Cognitive Science, 14(2): 179-211
Emil M K, Sultan M, Alakhras K, Sataer G, Gozi S, Al-Marri M, Gebremichael E. 2021. Countrywide monitoring of ground deformation using InSAR time series: A case study from Qatar. Remote Sensing, 13(4): 702
Farquharson G, Castelletti D, De S, Stringham C, Yague N, Bes V C, Ryu J, Goncharenko Y. 2023. The new Capella space satellite generation: Acadia//IGARSS 2023 - 2023 IEEE International Geoscience and Remote Sensing Symposium,1513-1516
Flynn T J. 1996. Consistent 2-D phase unwrapping guided by a quality map//IGARSS 1996 International Geoscience and Remote Sensing Symposium,2057-2059
Fried D L. 1977. Least-square fitting a wave-front distortion estimate to an array of phase-difference measurements. Journal of the Optical Society of America, 67(3): 370-375
Gabriel A K, Goldstein R M, Zebker H A. 1989. Mapping small elevation changes over large areas: Differential radar interferometry. Journal of Geophysical Research: Solid Earth, 94(B7): 9183-9191
Ghiglia D C, Romero L A. 1996. Minimum Lp-norm two-dimensional phase unwrapping. Journal of the Optical Society of America A, 13(10): 1999-2013
Goldstein R M, Zebker H A, Werner C L. 1988. Satellite radar interferometry: Two-dimensional phase unwrapping. Radio Science, 23(4): 713-720
Han J F, Yang H L, Liu Y F, Lu Z W, Zeng K, Jiao R C. 2022. A deep learning application for deformation prediction from ground-based InSAR. Remote Sensing, 14(20): 5067
Han X J, Li X. 2008. An evaluation of the nonlinear/non-Gaussian filters for the sequential data assimilation. Remote Sensing of Environment, 112(4): 1434-1449
Hochreiter S, Schmidhuber J. 1997. Long short-term memory. Neural Computation, 9(8): 1735-1780
Hu Z B, Mallorquí J J, Fan H D. 2018. Atmospheric artifacts correction with a covariance-weighted linear model over mountainous regions. IEEE Transactions on Geoscience and Remote Sensing, 56(12): 6995-7008
Huang C C, Zhang G H, Zhao D Z, Shan X J, Xie C D, Tu H W, Qu C Y, Zhu C H, Han N N, Chen J X. 2022. Rupture process of the 2022 Mw6.6 Menyuan, China, earthquake from joint inversion of accelerogram data and InSAR measurements. Remote Sensing, 14(20): 5104
Huang L J, Qiu X L, Hu D H, Ding C B. 2011. Focusing of medium-earth-orbit SAR with advanced nonlinear chirp scaling algorithm. IEEE Transactions on Geoscience and Remote Sensing, 49(1): 500-508
Ji P F, Lv X L, Dou F J, Yun Y. 2020. Fusion of GPS and InSAR data to derive robust 3D deformation maps based on MRF L1-regularization. Remote Sensing Letters, 11(2): 204-213
Jiang M, Ding X L, Li Z W. 2014. Hybrid approach for unbiased coherence estimation for multitemporal InSAR. IEEE Transactions on Geoscience and Remote Sensing, 52(5): 2459-2473
Jolivet R, Grandin R, Lasserre C, Doin M P, Peltzer G. 2011. Systematic InSAR tropospheric phase delay corrections from global meteorological reanalysis data. Geophysical Research Letters, 38(17): L17311
Jung H S, Won J S, Kim S W. 2009. An improvement of the performance of multiple-aperture SAR interferometry (MAI). IEEE Transactions on Geoscience and Remote Sensing, 47(8): 2859-2869
Jung J, Kim D J, Lavalle M, Yun S H. 2016. Coherent change detection using InSAR temporal decorrelation model: A case study for volcanic ash detection. IEEE Transactions on Geoscience and Remote Sensing, 54(10): 5765-5775
Kathirvel R P, Krishna V H, Nayak M, Gubbi J, Purushothaman B. 2021. Multi-scale attention guided recurrent neural network for deformation map forecasting. Image and Signal Processing for Remote Sensing XXVII, 20
Kirui P K, Reinosch E, Isya N, Riedel B, Gerke M. 2021. Mitigation of atmospheric artefacts in multi temporal InSAR: A review. PFG – Journal of Photogrammetry, Remote Sensing and Geoinformation Science, 89(3): 251-272
LeCun Y, Bottou L, Bengio Y, Haffner P. 1998. Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11): 2278-2324
Li B Q, Li Y S, Niu R Q, Xue T F, Duan H Z. 2024. Early warning of landslides based on statistical analysis of landslide motion characteristics and AI Earth Cloud InSAR processing system: A case study of the Zhenxiong landslide in Yunnan Province, China. Landslides, 21(12): 3137-3148
Li N, Feng G C, Zhao Y G, Xiong Z Q, He L J, Wang X H, Wang W X, An Q. 2024. A deep-learning-based algorithm for landslide detection over wide areas using InSAR images considering topographic features. Sensors, 24(14): 4583
Li S W, Xu W B, Li Z W. 2022. Review of the SBAS InSAR Time-series algorithms, applications, and challenges. Geodesy and Geodynamics, 13(2): 114-126
Li Z W, Duan M, Cao Y M, Mu M Z, He X, Wei J C. 2022. Mitigation of time-series InSAR turbulent atmospheric phase noise: A review. Geodesy and Geodynamics, 13(2): 93-103
Liu X, Zhang Y F, Shan X J, Wang Z J, Gong W Y, Zhang G H. 2025. Deep learning for automatic detection of volcanic and earthquake-related InSAR deformation. Remote Sensing, 17(4): 686
Luo X J, Wang C C, Long Y, Yi Z H. 2020. Analysis of the decadal kinematic characteristics of the Daguangbao landslide using multiplatform time series InSAR observations after the Wenchuan earthquake. Journal of Geophysical Research: Solid Earth, 125(12): e2019JB019325
Ma P F, Zhang F, Lin H. 2020. Prediction of InSAR time-series deformation using deep convolutional neural networks. Remote Sensing Letters, 11(2): 137-145
Massonnet D, Feigl K L. 1998. Radar interferometry and its application to changes in the Earth’s surface. Reviews of Geophysics, 36(4): 441-500
Monserrat O, Barra A, Herrera G, Bianchini S, Lopez C, Onori R, Reichenbach P, Sarro R, Mateos R M, Solari L, Ligüérzana S, Carralero I P. 2018. Safety project: Sentinel-1 based tools for geohazards monitoring and management. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLII-3/W4: 351-355
Moreira A, Krieger G, Younis M, Hajnsek I, Papathanassiou K, Eineder M, De Zan F. 2011. Tandem-L: A mission proposal for monitoring dynamic earth processes. 2011 IEEE International Geoscience and Remote Sensing Symposium. 1385-1388
Mukherjee S, Zimmer A, Sun X Y, Ghuman P, Cheng I. 2021. An unsupervised generative neural approach for InSAR phase filtering and coherence estimation. IEEE Geoscience and Remote Sensing Letters, 18(11): 1971-1975
Nava L, Monserrat O, Catani F. 2021. Improving landslide detection on SAR data through deep learning. IEEE Geoscience and Remote Sensing Letters, 19: 4020405
Onn F, Zebker H A. 2006. Correction for interferometric synthetic aperture radar atmospheric phase artifacts using time series of zenith wet delay observations from a GPS network. Journal of Geophysical Research: Solid Earth, 111(B9): 2005JB004012
Ottinger M, Kuenzer C. 2020. Spaceborne L-band synthetic aperture radar data for geoscientific analyses in coastal land applications: A review. Remote Sensing, 12(14): 2228
Peng D C, Shao K, Gu D F, Zhang H Z, Huang Z Y, Yi B, Zhu J B. 2025. Precise baseline determination for InSAR formation-flying satellites based on spaceborne BDS-3 and GPS observations. Advances in Space Research, 75(2): 2126-2138
Qu F F, Lu Z, Kim J W, Zheng W Y. 2019. Identify and monitor growth faulting using InSAR over northern greater Houston, Texas, USA. Remote Sensing, 11(12): 1498
Reichle R H, Koster R D, De Lannoy G J M, Forman B A, Liu Q, Mahanama S P P, Touré A. 2011. Assessment and enhancement of MERRA land surface hydrology estimates. Journal of Climate, 24(24): 6322-6338
Rogers A E, Ingalls R P. 1969. Venus: Mapping the surface reflectivity by radar interferometry. Science, 165(3895): 797-799
Rouet-Leduc B, Jolivet R, Dalaison M, Johnson P A, Hulbert C. 2021. Autonomous extraction of millimeter-scale deformation in InSAR time series using deep learning. Nature Communications, 12(1): 6480
Salazar H Y, Hariyadi T, Pantjawati A B. 2020. Design of microstrip antenna C-band frequency for ground surveillance radar. IOP Conference Series: Materials Science and Engineering, 850(1): 012060
Sansosti E, Berardino P, Bonano M, Calò F, Castaldo R, Casu F, Manunta M, Manzo M, Pepe A, Pepe S, Solaro G, Tizzani P, Zeni G, Lanari R. 2014. How second generation SAR systems are impacting the analysis of ground deformation. International Journal of Applied Earth Observation and Geoinformation, 28: 1-11
Sartorelli L, Previtali M, Giordano P F, Limongelli M P, Ballio F, Uttini A. 2021. Use of sar satellite data in bridge monitoring with application to urban areas. In:Civil Structural Health Monitoring. Cham: Springer International Publishing.935-955
Seidel A, Wenzel K, H?nel A, Teicher U, Wei? A, Sch?fer U, Ihlenfeldt S, Eisenmann H, Ernst H. 2024. Towards a seamless data cycle for space components: Considerations from the growing European future digital ecosystem Gaia-X. CEAS Space Journal, 16(3): 351-365
Shamshiri R, Motagh M, Nahavandchi H, Haghshenas Haghighi M, Hoseini M. 2020. Improving tropospheric corrections on large-scale Sentinel-1 interferograms using a machine learning approach for integration with GNSS-derived zenith total delay (ZTD). Remote Sensing of Environment, 239: 111608
Shen P, Wang C C, An B. 2023. AdpPL: An adaptive phase linking-based distributed scatterer interferometry with emphasis on interferometric pair selection optimization and adaptive regularization. Remote Sensing of Environment, 295: 113687
Shen P, Wang C C. 2023. HoMeNL: A homogeneity measure-based NonLocal filtering framework for detail-enhanced (pol)(In)SAR image denoising. ISPRS Journal of Photogrammetry and Remote Sensing, 197: 212-227
Sica F, Bretzke S, Pulella A, Bueso-Bello J L, Martone M, Prats-Iraola P, González-Bonilla M J, Schmitt M, Rizzoli P. 2021a. InSAR decorrelation at X-band from the joint TanDEM-X/PAZ constellation. IEEE Geoscience and Remote Sensing Letters, 18(12): 2107-2111
Sica F, Gobbi G, Rizzoli P, Bruzzone L. 2021b. Φ-Net: Deep residual learning for InSAR parameters estimation. IEEE Transactions on Geoscience and Remote Sensing, 59(5): 3917-3941
Singh V, Agnihotri A. 2024. Addressing environmental challenges through artificial intelligence (AI)-powered natural disaster management. International Journal of Applied and Scientific Research, 2(5): 485-496
Strozzi T, Klime? J, Frey H, Caduff R, Huggel C, Wegmüller U, Rapre A C. 2018. Satellite SAR interferometry for the improved assessment of the state of activity of landslides: A case study from the Cordilleras of Peru. Remote Sensing of Environment, 217: 111-125
Sun J, Wauthier C, Stephens K, Gervais M, Cervone G, La Femina P, Higgins M. 2020. Automatic detection of volcanic surface deformation using deep learning. Journal of Geophysical Research: Solid Earth, 125(9): e2020JB019840
Sun X Y, Zimmer A, Mukherjee S, Kottayil N K, Ghuman P, Cheng I. 2020. DeepInSAR—A deep learning framework for SAR interferometric phase restoration and coherence estimation. Remote Sensing, 12(14): 2340
Tiwari A, Narayan A B, Dikshit O. 2020. Deep learning networks for selection of measurement pixels in multi-temporal SAR interferometric processing//ISPRS Journal of Photogrammetry and Remote Sensing, 166: 169-182
Vaswani A, Shazeer N, Parmar N, Uszkoreit J, Jones L, Gomez A N, Kaiser ?, Polosukhin I. 2017. Attention is all you need// Proceedings of the 31 st International Conference on Neural Information Processing Systems,6000-6010
Wang J, Li C, Li L, Huang Z H, Wang C, Zhang H, Zhang Z J. 2023. InSAR time-series deformation forecasting surrounding Salt Lake using deep transformer models. Science of the Total Environment, 858: 159744
Wang L X, Zhao L, Zhou H Y, Liu S B, Liu G Y, Zou D F, Du E J, Hu G J, Wang C. 2023. Quantification of water released by thawing permafrost in the source region of the Yangtze River on the Tibetan Plateau by InSAR monitoring. Water Resources Research, 59(12): e2023WR034451
Wang X Y, Zeng Q M, Jiao J. 2021. Utilization of WRF 3D meteorological data to calculate slant total delay for InSAR atmospheric correction. Remote Sensing in Earth Systems Sciences, 4(1): 30-43
Wang Y P, Bai Z C, Zhang Y, Qin Y X, Lin Y, Li Y, Shen W J. 2021. Using TerraSAR X-band and sentinel-1 C-band SAR interferometry for deformation along Beijing-Tianjin intercity railway analysis. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 14: 4832-4841
Wasowski J, Bovenga F. 2014. Investigating landslides and unstable slopes with satellite Multi Temporal Interferometry: Current issues and future perspectives. Engineering Geology, 174: 103-138
Wu P C, Wei M, D’Hondt S. 2022. Subsidence in coastal cities throughout the world observed by InSAR. Geophysical Research Letters, 49(7): e2022GL098477
Wu Z P, Wang T, Wang Y J, Wang R, Ge D Q. 2021. Deep-learning-based phase discontinuity prediction for 2-D phase unwrapping of SAR interferograms. IEEE Transactions on Geoscience and Remote Sensing, 60: 5216516
Xu W B, Xie L, Bürgmann R, Liu X G, Wang J G. 2023. The 2022 eruption of wolf volcano, Galápagos: The role of caldera ring-faults during magma transfer from InSAR deformation data. Geophysical Research Letters, 50(14): e2023GL103704
Yan Y G, Li M, Dai L D, Guo J T, Dai H Y, Tang W. 2022. Construction of “space-sky-ground” integrated collaborative monitoring framework for surface deformation in mining area. Remote Sensing, 14(4): 840
Yang T X, Yu H W, Wang Y. 2022. Selection of persistent scatterers with a deep convolutional neural network//IGARSS 2022 - 2022 IEEE International Geoscience and Remote Sensing Symposium,2912-2915
Yu C, Li Z H, Penna N T. 2018a. Interferometric synthetic aperture radar atmospheric correction using a GPS-based iterative tropospheric decomposition model. Remote Sensing of Environment, 204: 109-121
Yu C, Li Z H, Penna N T, Crippa P. 2018b. Generic atmospheric correction model for interferometric synthetic aperture radar observations. Journal of Geophysical Research: Solid Earth, 123(10): 9202-9222
Yu C, Penna N T, Li Z H. 2017. Generation of real-time mode high-resolution water vapor fields from GPS observations. Journal of Geophysical Research: Atmospheres, 122(3): 2008-2025
Zebker H A, Goldstein R M. 1986. Topographic mapping from interferometric synthetic aperture radar observations. Journal of Geophysical Research: Solid Earth, 91(B5): 4993-4999
Zhang T, Zhang W C, Cao D, Yi Y N, Wu X. 2022. A new deep learning neural network model for the identification of InSAR anomalous deformation areas. Remote Sensing, 14(11): 2690
Zhao Z Y, Wu Z R, Zheng Y, Ma P F. 2021. Recurrent neural networks for atmospheric noise removal from InSAR time series with missing values. ISPRS Journal of Photogrammetry and Remote Sensing, 180: 227-237
Zhou L F, Yu H W, Lan Y, Xing M D. 2021. Artificial intelligence in interferometric synthetic aperture radar phase unwrapping: A review. IEEE Geoscience and Remote Sensing Magazine, 9(2): 10-28
Zhou Z, Hu J Y, Wang J Y, Wang L J, Qiao T R, Li Z, Cheng S Y. 2025. Identifying spatiotemporal pattern and trend prediction of land subsidence in Zhengzhou combining MT-InSAR, XGBoost and hydrogeological analysis. Scientific Reports, 15(1): 3848
↓↓ 了解更多产业要闻↓↓
请将我设为星标★
>>协会近期直播
>>协会通知
>>协会近期直播
>>协会通知
>>协会近期直播
>>协会通知
>>协会近期直播
>>协会通知
>>协会近期直播
>>协会通知
>>协会近期直播
>>协会近期直播
>>协会通知
>>近期要闻
>>近期要闻
>>近期要闻
“企业家风采”“民企之光”“创新之声”“精品成果秀”“会员喜讯”“新品发布汇”“产学研合作”“国际市场”“专精特新”“科普”等主题宣传（专栏）长期征稿，欢迎投稿！
联系人：李娟 13370105015（微信）
邮箱：xc@cagis.org.cn
欢迎关注、分享