北美中部大陆尺度Sentinel-1 InSAR形变速率拼接图

《Remote Sensing of Environment》：Continental-scale Sentinel-1 InSAR deformation rate mosaics of central North America

　　

- 源自77,000余幅Sentinel-1图像的40米大陆尺度形变马赛克。
- 上升/下降轨道视线分量（LOS）及衍生的东西向和垂直分量。
- 逐像素标准误差和p值马赛克，用于识别显著形变。
- 在分布式局部参考系中的速率，适用于局部化形变分析。

**引言**

各种自然和人为过程，包括滑坡、采矿、地下水和烃类抽取以及流体注入，均可能产生显著的地面形变（Massonnet和Feigl，1998；Hilley等，2004；Galloway和Burbey，2011；Dille等，2022；Samsonov等，2024）。尽管其中许多过程已在局部至区域尺度上得到充分记录（Massonnet等，1995；Samsonov等，2014b；Dai等，2016；Hu等，2020；Herrera等，2013；Cianetti等，2012），但仍有许多区域尚未得到充分表征，尤其是在偏远地区、人口稀疏地区或预期不会经历人为形变的区域。近期利用干涉合成孔径雷达（InSAR）开展的全国尺度调查揭示了此前未被记录的与含水层耗竭和城市载荷相关的形变，证明了空间连续形变监测的价值（Ao等，2024；Haghshenas Haghighi和Motagh，2024；Payne等，2025）。地面形变可能损坏道路、管道、建筑物和水坝，通过差异性沉降增加洪水风险，并威胁公共安全（Schuster和Highland，2001；Crosta和Agliardi，2003；Galloway和Burbey，2011；Samsonov和Blais-Stevens，2023；Johnson等，2026）。

InSAR已成为量化地表形变最有效的技术之一，兼具高分辨率空间分辨率和毫米级精度（Massonnet和Feigl，1998；Gabriel等，1989；Rosen等，2000；Rucci等，2012）。尽管星载SAR的空间分辨率不如机载传感器精细，但它提供了机载测量无法实现的系统化、成本效益高的全球覆盖。自其早期应用以来，InSAR已被广泛用于研究各类地球物理过程，包括地震、火山活动、地面沉降、滑坡和冰川运动（Raucoules等，2003；2013；Tomas等，2005；Peltier等，2010；Cigna等，2012；Zhao等，2012；Samsonov等，2014b；Casagli等，2023）。时序InSAR方法的发展，特别是永久散射体（PS）方法（Ferretti等，2001；2011；Sousa等，2011）和小基线子集（SBAS）方法（Lanari等，2004；2007；Casu等，2006），显著提高了在长时段内提取形变信号的能力，同时有效缓解了大气干扰和时间去相关效应的影响（Hooper，2008；Jolivet等，2011；Bekaert等，2015）。

InSAR仅沿雷达视线方向（LOS）测量形变。来自多个观测几何的观测值可以组合起来以恢复三维信息，全球导航卫星系统（GNSS）则可在稀疏位置提供精确的三维测量；然而，在大范围内获取高分辨率三维估计仍然困难。空间均匀的LOS测量虽然细节较少，但仍可识别需要进一步调查的形变模式和位置（Bürgmann等，2000；Wright等，2004；Raucoules等，2013；Hu等，2014；Samsonov等，2020）。

多个卫星任务已获取了大量全球一致的SAR数据集。其中，2014年首次发射的Sentinel-1任务尤为成功。Sentinel-1提供了近全球、大致均匀的覆盖，每6至12天重复观测一次（Torres等，2012）。数据采用地形观测与渐进扫描（TOPS）模式获取，在该模式中，天线波束在方位方向上进行电子偏转以实现宽幅成像。这种获取几何使得幅宽约为250公里，同时保持数米量级的空间分辨率（Torres等，2012；Gonzalez等，2015）。

多项成功的尝试已证明了在区域和大陆尺度上生成连续形变图的可行性（De Luca等，2017；Confuorto等，2021）。值得注意的例子包括欧洲地面运动服务（EGMS）和InSAR Norge，它们分别提供欧盟和挪威的形变产品（Dehls等，2019；Crosetto等，2025；2026）。Crosetto等（2026）发布了覆盖Sentinel-1完整十年观测期的最新EGMS综述。根据已发表描述，这些系统采用了永久散射体（PS）和分布式散射体（DS）技术的组合（Ferretti等，2001，2011；Sousa等，2011；Crosetto等，2016），共同生成点状和分布式相干目标的形变时间序列。尽管PS和DS目标的联合使用相较于仅处理PS目标提高了覆盖率，但这些服务仍然在永久散射体干涉测量（PSI）框架内运行。此外，EGMS等服务需要密集的GNSS永久站网络来校准长波长形变分量并衍生绝对速度产品（Crosetto等，2026）。

尽管基于PSI的方法在城市环境中可以达到高精度，但其对相干目标的依赖限制了其在北美等大面积、城市化程度较低区域的适用性——在这些区域中，永久散射体稀少，许多表面在多年度监测期间发生去相关（Ferretti等，2001；Plank等，2013；Gao等，2022）。因此，基于PSI的方法可能无法捕捉大面积非城市区和植被景观中的形变，在地表形变观测中留下大量空间空白（Riddick等，2012；Zhang等，2022）。EGMS等服务对密集GNSS网络进行长波长校准的依赖进一步限制了其在大地测量基础设施稀疏区域的适用性。我们的基于SBAS的方法通过使用短时间基线和空间高通滤波解决了这些局限性。SBAS时序方法仅在时间间隔相近的获取数据之间形成干涉图，要求在短时间间隔内维持相干性，而非如PSI框架中那样在整个监测期间保持相干。这使得可以在非城市和植被表面上测量形变，这些表面在较长间隔内会去相关，但在相邻获取之间仍保持相干。此外，空间高通滤波避免了基于GNSS的长波长分量校准需求，从而将该方法扩展至大地测量基础设施稀疏的区域。

第二个挑战涉及相邻帧和获取轨道的形变产品组合。已有数项使用传统InSAR方法生成高分辨率形变马赛克的工作（Zhang等，2024；Xiong等，2026）。例如，Xiong等（2026）展示了一个源自2019至2021年期间获取的Sentinel-1上升轨道数据的美国家庭形变马赛克。

网调方法（Costantini等，2017；Zhang等，2026）将重叠帧视为大地测量网络，通过最小二乘反演利用重叠区域内的连接点估计帧间偏移或多项式校正。Costantini等（2017）为Sentinel-1之前的传感器（包括ERS、Envisat和COSMO-SkyMed）开发了该方法，这些传感器的幅宽较窄，帧内入射角更为均匀，因此近距和远距入射角差异不如Sentinel-1那样显著。相比之下，Zhang等（2026）首先使用局部入射角将LOS测量转换为垂直形变，然后执行网调，假设水平形变可忽略不计。这一假设对于以沉降为主的华北平原是合适的，但在具有显著水平运动的区域并不普遍成立。

其他方法同样依赖于垂直形变表示。Wang等（2024）在将LOS测量转换为垂直形变后执行块调整，同时从重叠区域的冗余观测中估计帧间校正，无需外部参考数据。Gong等（2025）使用基于四叉树的自适应网格来考虑空间变化的形变梯度，并将此调整与稀疏GNSS约束相结合以消除帧间偏差。Xiong等（2026）同样使用块调整，从重叠区域的形变速率差异中估计帧间偏移。这些方法为相邻帧之间提供了一致的参考，但LOS到垂直方向的转换并未考虑形变场的完整三维几何关系。

更为几何严谨的方法保留了LOS测量并明确考虑观测几何。Jiang等（2026）利用连续运行GNSS参考站（CORS）衍生的欧拉旋转矢量来建模水平构造运动，并使用GNSS速度预测每条轨道及其特定入射角的LOS信号。类似地，Liu等（2025）通过在重叠区域对三维GNSS速度进行Kriging插值，并将插值后的速度矢量投影到每条轨道的LOS单位向量上来保持LOS几何。这些方法避免了纯垂直形变的假设，但需要外部GNSS信息；在完全三维重建的情况下，还需要足够的互补观测几何。

LOS投影的入射角依赖性构成了所有这些方法的基础。对于Sentinel-1，近距和远距入射角范围约为29°至51°，这导致同一幅宽内相邻部分中同一形变矢量的LOS分量存在显著差异。若不考虑这些差异而直接对LOS形变速率进行平均或马赛克拼接，则会引入空间变化的偏差（Liu等，2025）。上述方法通过以下两种方式之一来解决这一问题：或者假设形变以垂直方向为主（这在水平运动显著时不适用），或者使用外部GNSS数据（但此类数据并非在足够密度下随处可用）。一种可能的解决方案是重建三维形变场，然后合并北向、东向和垂直分量（Samsonov等，2007）。然而在实际操作中，当观测数据源自单一轨道几何时，稳健的三维重建非常困难；即使在合并上升和下降数据时仍具挑战性，因为两种几何可能在空间覆盖范围、分辨率和数据可用性上存在差异。这些局限性推动了本文所开发的马赛克拼接策略，该策略在保留原始LOS测量的同时，减少了相邻帧之间长波长分量和入射角差异的影响。

本文采用的策略最初在加拿大的一项先导研究中进行了探索，研究结果可从加拿大政府开放数据门户网站下载（Samsonov，2024b）。在该研究中，使用2017至2024年间无雪季收集的Sentinel-1上升和下降获取数据生成了形变马赛克，并从中衍生了水平东西向和垂直形变分量。大气校正步骤还移除了部分长波长形变信号，从而减少了相邻帧之间的差异，最小化了可见的接缝或偏移，简化了马赛克拼接程序。

然而，由于加拿大地区存在显著的季节性效应，对所得产品的解释被证明具有挑战性。只有在无雪期间、干涉相干性足够高时，才能获得可靠的形变估计。因此，仅捕捉到了与冻结和融化过程相关的季节性形变信号中的夏季部分，而冬季部分基本缺失。这种不完整的季节循环采样无法完全补偿季节性效应，并在估计的形变速率中引入了残余季节性偏差。

为了更好地评估该方法的质量和局限性，我们将相同的方法论应用于主要覆盖美国区域的Sentinel-1数据——该地区的季节性效应相对不那么显著，且大尺度形变场已通过GNSS观测和先前的局部及区域InSAR研究得到较好约束。我们评估该处理流程的性能和局限性，旨在促进其未来在更复杂土地覆盖环境中的应用，包括加拿大。

本工作的主要贡献是最终形成的数据集：一个覆盖北美中部、分辨率为40米的形变速率产品，包含高通滤波后的上升和下降轨道LOS形变速率马赛克、衍生的东西向和垂直分量，以及逐像素不确定性估计。据我们所知，目前尚无现有产品在该区域整合了上述全部要素；已发表的马赛克要么使用单一观测几何，要么覆盖时段较短，要么未提供逐像素不确定性。空间高通滤波是使本数据集得以实现的关键处理步骤，无需依赖密集的GNSS参考数据，这使其区别于依赖外部参考数据的网调方法（Zhang等，2026）和机器学习方法（Jiang等，2026）。

由于时间覆盖在各帧之间有所不同，部分观测信号可能源于地面形变以外的过程（例如，地表水位变化、土壤湿度或植被变化），加之高通滤波可能已移除了大量长波长形变信号，因此我们将这些产品称为形变速率估计值。

**章节片段**

**研究区域**

研究区域位于北美中部，涵盖美国本土48州以及加拿大南部和美国北部的相邻部分，范围大致为北纬24°至50°、西经66.5°至125°。

覆盖整个加拿大的形变速率马赛克已另行发表，可从加拿大政府开放数据门户网站下载（Samsonov，2024b）。

这些产品由相同的处理流程生成，但仅使用无积雪季节的观测数据；干涉图由Sentinel-1单视复数（SLC）数据通过基于GAMMA软件包（Wegmüller等，2016）的自动化处理链生成，并运行于Linux高性能计算（HPC）系统上（Dudley和Samsonov，2020）。为了提高信噪比并减小干涉图尺寸以实现高效相位解缠，采用了多视处理，即距离向12视、方位向3视。利用数据去除了地形相位贡献。本研究使用了超过77,000幅Sentinel-1 SAR图像。单视复数（SLC）数据从美国国家航空航天局阿拉斯加卫星设施分布式主动存档中心（ASF DAAC）获取，并按帧逐帧下载。主要选择了包含超过100个观测时相的帧进行处理；此外，在中美地区还纳入了少量下行轨道帧，这些帧包含约80个观测时相，以改善该区域的空间覆盖范围。数据概览如下：形变速率镶嵌图概述：来自上行和下行轨道的InSAR形变速率镶嵌图，以及相应的东西向和垂直向形变速率分量，如图2所示。相关的标准误差镶嵌图见图3。图中叠加了国家和州界，以便于地理判读。上行镶嵌图覆盖范围从加拿大南部延伸至墨西哥北部，而下行镶嵌图主要覆盖研究区域的西部。由于……与GNSS形变速率的比较：第4节中所述的MIDAS GNSS速度作为独立验证数据集使用，被投影到Sentinel-1的上行和下行几何视线方向上。在保留的1745个站点中，1744个与有效的上行镶嵌图像元相交，718个与有效的下行镶嵌图像元相交；这一差异反映了两种几何构型的空间覆盖范围。我们执行了两项互补的检验：逐站GNSS位置的形变速率比较以及……形变信号目录：以下各图展示了镶嵌图中存在的多种形变信号的实例。最常被观测到的信号出现在矿山废石场和尾矿库区域，其局部沉降被限制在堆积物的范围内，反映了已堆放材料的持续固结。此类沉降是可预期的，通常在现场进行常规监测，因此属于工程关注而非科学研究兴趣范畴，此处不作展示。讨论：本研究提供了大尺度形变速率镶嵌图及其对应的标准误差估计，并介绍了用于生成这些结果的方法。该案例研究主要聚焦于美国，选择美国是因为其空间覆盖范围广泛且具备可用的独立验证数据集。生成该数据集需要数月时间在多节点高性能计算集群上进行运算，这些资源对大多数用户来说并不容易获取。结论：据我们所知，本研究首次呈现了北美中部的形变速率产品，该结果结合了上行和下行视线形变速率镶嵌图、派生东西向和垂直分量，以及逐像元标准误差和显著性（p值）估计，分辨率均为40米。该数据集由超过77,000幅Sentinel-1 C波段图像通过全自动化流程生成。上行镶嵌图覆盖整个研究区域，而下行镶嵌图及其派生结果……CRediT作者贡献声明：Sergey Samsonov：撰写—审阅与编辑、撰写—初稿撰写、可视化、验证、指导、软件、资源、项目管理、方法论、调查、资金获取、形式分析、数据整理、概念化。Kristy Tiampo：撰写—审阅与编辑、撰写—初稿撰写、验证、调查。利益冲突声明：作者声明，他们没有已知的可能影响本文所述工作的相互竞争的财务利益或个人关系。致谢：Sentinel-1数据由欧洲空间局（ESA）提供，并由阿拉斯加卫星设施（ASF）分发。ASTER全球数字高程模型由日本宇宙航空研究开发机构（JAXA）提供。地图边界文件获取自美国人口普查局。GNSS速度数据从内华达大地测量实验室下载。图形和地图使用通用制图工具（Generic Mapping Tools）和地理空间数据抽象库（GDAL）软件包制作。Sergey Samsonov | Kristy Tiampo