SBAS-InSAR技术在可持续发展目标（SDGs）中的应用——极端降水对中国南太行山山麓稳定性的影响

《Geomatics, Natural Hazards and Risk》：SBAS-InSAR for sustainable development goals (SDGs)—the impact of extreme precipitation on the foothill's stability of the South Taihang Mountains, China

　　摘要：2020年7月20日，河南省发生的极端降雨事件对区域地质安全构成了挑战。虽然城市洪水问题已经得到了充分研究，但极端降雨在山前平原的冲积地质结构中引起的地表变形机制仍不清楚。本研究选取了2020年至2021年间获取的52幅Sentinel-1A图像，利用SBAS-InSAR技术计算了南太行山脉山前地区的地表变形值。通过Mann-Kendall检验方法，识别出与降雨相关的变形异常，并量化了不同地质单元和关键水利基础设施系统的差异性影响。研究结果表明：（1）该地区总体稳定（88.9%的像素显示变形速率在-10至10毫米/年之间），但某些典型结构表现出显著变形；（2）关键水利工程（如小浪底大坝）的变形受到降雨影响，并呈现出逐步加剧的趋势；（3）强降雨补充了地表含水层，导致高水煤粮复合区的农田积水；（4）南水北调工程中段沿线地表变形存在明显差异，这源于不同的地质类型。本研究评估了强降水引起的地面变形和地基稳定性问题，为城市灾害减缓、水利设施安全检查及农业风险评估提供了依据。

关键词：SBAS-InSAR；极端降水；地面沉降；南水北调工程中段；可持续发展目标（SDGs）

1. 引言
根据联合国政府间气候变化专门委员会（IPCC）第六次评估报告，过去一个世纪以来，化石燃料的燃烧、不可持续的能源使用和土地利用导致全球气温持续上升，目前比工业化前高出1.1°C（P?rtner等人，2022年）。气候变化导致极端天气事件的频率、强度和严重程度不断增加，由此引发的次生灾害（如野火、洪水、干旱等）也更为频繁（Abatzoglou和Williams，2016年；Weilnhammer等人，2021年；Zhang J、Shu Z等人，2023年；Shan等人，2023年）。每升高1°C，极端降水强度将增加约7%（Zhou和Qian，2021年）。2021年7月17日至23日，在异常大气环流和台风的影响下，中国河南省遭遇了历史罕见的极端降雨，其中郑州市的“7·20”特大降雨引发了新中国成立以来最严重的城市内涝灾害（Wang等人，2022年；Li等人，2023年）。郑州气象站的统计数据显示，7月份全市降水量达到902.0毫米，约为过去70年平均值的六倍。最大降水量出现在7月19日至21日之间，7月20日17时降水量达到201.9毫米，打破了国家气象站的历史记录（Yang等人，2022年）。强降雨导致河南省150个县（区）1478.6万人受灾，直接经济损失达1200.6亿元人民币（Liu等人，2023年）。极端降水极易引发一系列次生灾害，如土壤盐碱化、滑坡（Zhu等人，2021年；Araújo等人，2022年）、土壤侵蚀和地表变形（Zhu和Ming，2021年）。现有研究主要探讨了此次强降雨事件的成因，包括积水问题（Wang等人，2022年；Yin等人，2022年）、热力学机制（Chyi等人，2022年；Wei等人，2023年）、降雨特征（Xue，2023年）以及极端事件分析（Yang等人，2022年）。然而，当前研究仍存在以下不足：（1）大多数研究仅关注强降水的驱动因素，而对强降水引发的区域环境灾害变化的研究较少；（2）部分研究仅进行了短期灾害评估，缺乏对次生灾害的预测，不利于消除隐患和灾害的预防与缓解；（3）针对极端降水灾害，缺乏对关键地质结构和建筑物环境稳定性评估以及强降水事件时空分布模式的研究。极端降水导致地表出现裂缝、不均匀变形、建筑物倾斜或变形、深基础结构或堆叠结构明显抬升，以及城市基础设施的其他形式损坏（Auvinet等人，2013年；Auvinet-Guichard等人，2017年）。目前有多种地表变形监测技术，包括传统水准测量、GNSS和干涉合成孔径雷达（InSAR）技术等。前两种技术需要大量人力、物力和财力，而InSAR技术具有高效、低成本的特点，能够检测短期微小变形（Li等人，2019年）。随着更高分辨率和更短重访周期的SAR卫星的发射，InSAR技术已能够满足大规模地面沉降监测的数据需求，其毫米级精度可用于监测线性基础设施的变化，从而实现短期微小变形的监测和预警（Jiang等人，2013年；Zhang等人，2021年）。经过数十年的发展，InSAR技术取得了显著进展，衍生出多种先进形式，包括差分干涉SAR（DInSAR）、永久散射体干涉SAR（PS-InSAR）、小基线子集干涉SAR（SBAS-InSAR）、分布式散射体干涉SAR（DS-InSAR）、多时相SAR（MT-InSAR）和改进型小基线子集干涉SAR（ISBAS-InSAR）。这些技术的出现大大扩展了InSAR的应用范围，使其可用于地下水抽取（Yang等人，2016年；Castellazzi和Schmid，2021年）、地表变形（Li等人，2022年；Liu等人，2020年）、采矿活动（Ma等人，2016年）、石油（Gong等人，2023年）和天然气（Liu等人，2016年）。例如，J Zhang、C Ke等人（2023年）结合PS-InSAR和水准测量技术监测了上海地铁线路的地面沉降，发现地铁开通后地面沉降速度减缓甚至逆转。E. Ghaderpour、P. Mazzanti等人（2024年）和Hussain等人（2022年）将PS-InSAR技术与气象和水文时间序列分析相结合，揭示了极端降水与地面沉降之间的显著相关性。Guo等人（2022年）将SBAS-InSAR与YOLO深度学习模型集成，通过结合时间序列SAR和光学图像显著提升了滑坡检测性能。Yao等人（2022年）结合SBAS-InSAR和PS-InSAR技术监测了西藏贡觉县的滑坡情况，成功识别了不同地形条件下的两种技术的互补性。Cigna和Tapete（2021年）利用多源SAR数据和InSAR技术检测了墨西哥阿瓜斯卡连特斯山谷的地面沉降，并分析了该地区的沉降原因。Zhang等人（2023年）利用Sentinel-1A数据和DS-InSAR技术监测了湖南省矿区的地表沉降，识别出14个沉降点。Grebby等人（2021年）利用ISBAS-InSAR技术分析了巴西布鲁马迪尼奥尾矿坝崩塌前的地表变形前兆，提前17个月通过反速度分析成功预测了崩塌时间。Zhou等人（2025年）提出了一种基于MT-InSAR时间序列的CNN-Attention-BiGRU模型预测方法，有效提高了滑坡预测的准确性和可解释性。通过研究地表沉降趋势和变形模式并识别其特征点，可以深入探讨地表变形的原因，为未来地质灾害的及时预警提供依据。现有的变形趋势预测方法主要包括线性拟合、滤波和平滑技术、小波变换方法以及机器学习（Ferretti等人，2000年；Berardino等人，2002年；Ng等人，2012年；Zhu等人，2024年）。最近，E. Ghaderpour、B. Antonielli等人（2024年）提出了一种基于序列变点检测的序列转折点检测方法（STPD），该方法可通过正向和反向估计有效检测地面变形时间序列中的趋势转折点，有助于分析不同时间段的地表变形趋势及其与降雨等外部因素的关联。这些研究表明，时间序列InSAR技术（尤其是SBAS-InSAR和PS-InSAR）在地面变形监测中具有显著应用潜力，特别是在频繁发生极端天气事件的背景下，对地质灾害预警和基础设施安全提供了关键支持。本研究响应了联合国2030年议程（Walsh等人，2022年）。在极端天气事件引发的区域公共安全风险背景下，我们采用SBAS-InSAR技术监测太行山脉南部山前地区的地表变形。本研究的创新体现在三个方面：首先，系统地将SBAS-InSAR技术应用于太行山脉南部山前地区的冲积扇区，实现了大规模、精确的极端降水引起的变形监测；其次，通过将时间序列变形数据与降雨记录相结合，揭示了强降雨对不同地质构造和基础设施的差异性影响；第三，提出了一种基于遥感的变形变化点检测和趋势分析方法，为极端气候条件下的地质灾害预警提供了新的见解。

2. 数据与方法
2.1 研究区域
太行山脉作为中国第二级和第三级地形的分界线，以及华北平原与黄土高原之间的分水岭，是中国中部的关键生态屏障。研究区域毗邻南太行山脉山前区和河南省北部，包括六个城市（县或区）：济源市、沁阳市、博爱县、焦作市、修武县和辉县，该地区是重要的煤粮复合区。南水北调工程中段（MRP）经过该区域的主要渠道，河宝高速公路（G3511）、晋新高速公路（G5512）和焦柳铁路是该地区的主要交通干线。研究区域的年平均气温为13.6°C，年降水量在600毫米至1000毫米之间。降水主要集中在7月、8月和9月（Tian，2007年）。该区域是黄河流域河南段的重要补给区（图1(a)和(b)）。
图1. 研究区域综合专题地图。注：(a) 研究区域土地利用图；(b) 带有7月降水等高线的数字高程模型；(c) 分辨率为10米的建筑高度分布图。
研究区域的建筑高度大多在7.3米至34.4米之间。高度超过24米的高层公寓楼主要分布在济源市和焦作市的建成区（图1(c)）。焦作市位于太行山脉与豫西北平原的交界处，北部为高地，南部为低地。北部太行山脉地形陡峭，海拔范围为200至1790米，存在中低山地形和裸露的基岩。南部为山前坡地，由坡积扇和扇前洼地组成，海拔范围为85至200米，是太行山脉山前地区的主要聚居区之一，总人口为352万（Keqiang等人，2019年）。济源市位于黄淮平原与山西高原的交界处，总面积为1931平方公里，其中山区和丘陵区占88%，平原区占12%，平原面积363.6平方公里，海拔范围为131至200米（Wang等人，2022年）。
2.2 数据来源
(1) SAR数据。SAR数据包括Sentinel-1A SAR数据和精确轨道星历（POD）。Sentinel-1A/B卫星是欧洲航天局提出的哥白尼计划（全球环境与安全监测，GMES）下的两颗地球观测卫星，配备C波段SAR，具有四种成像模式：条带图模式（SM）、干涉宽幅模式（IW）、超宽幅模式（EW）和波模式（WV）。本研究使用的数据来自Sentinel-1A SAR IW的单次观测复合（SLC）产品，其空间分辨率为5×20米，采用VV极化模式。选择了2020年至2021年期间的52个SAR数据。精确轨道星历（POD）是目前可用的最准确的轨道数据，其位置精度优于5厘米。包含错误的轨道信息可能会导致干涉图中出现残余条纹，使用POD数据校正轨道信息有助于消除由于轨道错误引起的系统误差，并提高干涉图像对的配准精度。

（2）地表和建筑物高度数据。地表和建筑物高度数据包括数字高程模型（DEM）数据以及建筑物高度数据。DEM数据是用于干涉的外部DEM；建筑物高度数据是中国首个具有10米水平分辨率的建筑物高度估算模型，该模型通过结合29个相关数据集构建而成，包括雷达数据、光学数据、夜间光照数据、人口数据和沉降分布数据（Wu等人，2023年引用）。该模型具有高精度和高空间分辨率，能够为城市环境研究、规划和管理提供基本数据支持。覆盖南太行地区的建筑物高度数据编号为CNBH10m_X113Y35（图1(c)）。

（3）中国土地覆盖数据集（CLCD）。CLCD的分辨率为30米，整体精度测试为80%，其优势在于已更新超过30年（Yang和Huang，2021年引用）（图1(a)）。

（4）降水数据集。ECMWF ReAnalysis v5（ERA5）是欧洲中期天气预报中心（ECMWF）的第五代全球气候再分析数据集，时间跨度从1950年1月至今，提供了大量的海洋气候和每小时气候变量。这些数据以0.25°×0.25°的网格覆盖地球，包含超过200个参数，提供了大量的每小时大气、陆地和海洋气候变量（Mu?oz-Sabater等人，2021年引用）。

2.3 方法
技术处理流程图如下（图2）。
图2. 技术处理流程图。注：(a) SAR差分干涉测量；(b) 地点降水数据的插值处理；(c) 结果与分析。

2.1 SBAS-InSAR数据处理
- 连接图生成：根据时间和空间基线的阈值选择超级主图像；
- 差分干涉测量：处理所有干涉图像对以生成相干性，减去平坦地球相位，进行滤波和相位解包裹，并与主图像配准；
- 轨道精化和重新平整：估计并去除解包裹后仍然存在的残余恒定相位和相位斜坡；
- 土地沉降估算：通过两次反演计算时间序列的变形率和位移；
- 地理编码：执行坐标转换以获得土地沉降的反演结果。

2.2 降水数据处理
- 通过ANUSPLIN?（澳大利亚国立大学SPLIN）软件的SPLINA模块，以经度、纬度和高度为独立变量，对累积降水量进行空间插值并生成表面参数。然后，使用LAPGRD模块通过输入表面参数和30米高程数据生成ASCII格式的空间数据。

2.3 典型目标的变形分析和精度评估
根据研究区域中剖面线对应的沉降值，使用长时间序列遥感图像建立时间序列变形曲线并获取变形特征，主要采用Mann–Kendall趋势分析方法和高斯拟合方法。

2.3.1 SBAS-InSAR
实验中的临界基线默认为最大空间基线的2%，最大时间基线设置为120天。基于上述优化的SBAS基线，获得了66个干涉图（图3）。图3(a)中的红色图像对是有效的干涉数据对，黄色点表示主图像（成像日期为2021年5月21日），图3(b)显示了每对干涉图像对的空间基线。

SBAS技术适当结合SAR数据，获得一系列具有较短空间基线和较小去相关性的干涉图，以确定随时间的变化地表变形，这可以更好地克服空间去相关现象，使变形结果更加可靠（Liao和Wang，2014年引用）。
使用具有短时空基线的图像对来提高相干性，然后进行相位解包裹。根据相干图像元素相位与观测时间之间的关系，通过奇异值分解（SVD）方法获得的最小二乘解来估计时间序列的非线性变形（Xu等人，2019年引用）。SBAS有两个独特优势：(i) 通过使用差分小基线集中包含的所有数据来增加时间采样率；(ii) 提供高空间密度的变形测量。使用小基线干涉图的目的是限制基线去相关性。
SBAS-InSAR的主要原理包括（Berardino等人，2002年引用）：
(1) 按时间顺序t0,…, tN获取同一研究区域的N+1个SAR图像，并根据实际情况设置合适的时间和空间基线阈值，组合后获得M个差分干涉图。
(2) 对于从时刻tA获取的SAR图像和主图像tB（tB > tA）生成的第j个差分干涉图，具有方位坐标x和距离坐标r的像素的干涉相位可以表示为：
δφj(x,r) = φB(x,r) ? φA(x,r) ≈ (4π/λ)[d(tB,x,r) ? d(tA,x,r)] + Δφtopoj(x,r) + ΔφAPSj(tB,tA,x,r) + Δφnoisej(x,r)，其中j ∈ (1,…, M)；λ是信号的中央波长；d(tB, x, r)和d(tA, x, r)是相对于tB和tA时刻d(t0, x, y) = 0的雷达视线方向的累积变形；Δφtopoj(x,r)是差分干涉图中的残余地形相位。假设在差分干涉测量过程中引入的DEM具有高精度，可以去除大部分地形相位，因此差分干涉图中的残余地形信息很小，在求解过程中可以忽略。忽略大气延迟相位、残余地形相位和噪声相位后，方程可以简化为：
δφj(x,r) = φB(x,r) ? φA(x,r) ≈ (4π/λ)[d(tB,x,r) ? d(tA,x,r)]。
(3) 为了获得物理上显著的沉降序列，方程(2)中表示的两个获取时间之间的平均相位速度和时间的乘积表示为：
vj = (φj ? φj?1) / (tj ? tj?1)。
第j个干涉图的相位值可以表示为：
∑k=tA,j+1tB,j(tk?tk?1)vk = δφj。
即，主图像和从属图像之间的时间间隔与每个时间段的速度相积分。以矩阵形式表示为：
Bv = δφ。
方程(Bv = δφ)是一个M×N矩阵，可以从已知的差分干涉图中获得。由于SBAS差分干涉图使用多主图像方法，矩阵B可能存在秩损失。使用SVD方法获得速度向量v的广义矩阵。最终通过合并多个基线集并求解其最小二乘解来获得平均沉降率和时间序列沉降（Xu等人，2019年引用）。

2.3.2 薄板样条
为了探索降水与地表变形之间的相关性，使用部分薄板平滑样条函数对研究区域内66个ERA5站的降水数据进行插值。
ANUSPLIN?软件由澳大利亚国立大学专门开发，用于气象插值（Hutchinson，2004年引用）。ANUSPLIN是一种透明的分析和插值工具，适用于噪声多变量数据，基于普通和局部薄盘样条函数的插值理论（Guo等人，2020年引用）。部分薄板平滑样条是薄盘平滑样条原型的扩展（Bates等人，1987年引用），除了普通样条独立变量外，还可以引入线性协变量子模型，例如温度与海拔、降水与海岸线之间的关系等。
局部薄板平滑样条的理论统计模型表示为：
zi = f(xi) + bTyi + ei（i=1,...,N），其中zi是位于空间点i处的待插值数据，即插值点处的气象元素值；xi是d维中的样条独立变量；f是围绕xi待估计的未知平滑函数；yi是p维中的独立变量；b是yi在p维中的系数；ei是独立变量的随机误差，期望值为0，方差为ωiσ2；wi是已知的局部相对变化系数作为权重；σ2是误差方差，在所有数据点上保持不变，但不一定是正态分布的。
函数f和系数b通过最小二乘法确定：
minf,b ∑i=1N[(zi ? f(xi) ? bTyi)/ωi]2 + ρJm(f)，其中函数f(xi)的粗糙度函数为Jm(f)；m是样条计数数；ρ是正值的平滑参数，可以通过广义交叉验证（GCV）最小化和广义最大似然（GML）最小化或真实平方误差（TSE）最小化来确定。

2.3.3 趋势分析和测试
(1) Mann–Kendall趋势检验。这是一种被世界气象组织（WMO）推荐的广泛使用的非参数统计检验方法（Yi等人，2011年引用）。这种非参数检验方法适用于序列和类型变量。该方法不受少数异常值的影响，不需要样本遵循某种分布，并且具有检测范围广和计算简单的优点。
当时间序列用xi表示，构建的顺序列ri表示xi > xj的样本累积数（1 ≤ j ≤ i）时，sk可以表示为：
sk = ∑i=1k ri = {1, xi > xj；否则 j = 1,2,...,i}。
当时间序列遵循随机独立性时，统计变量可以表示为：
UFk = (sk ? E(sk)) / (Var(sk))（k=2,3,...,n），其中UFk表示标准正态分布统计量；E(sk)表示sk的均值，Var(sk)表示sk的方差。当|UFk| ≥ Uα时，实验序列存在显著的趋势变化（UF1=0和给定的显著性水平α）。
E(sk) = (n(n+1))/4，
Var(sk) = (n(n?1)(2n+5))/72。
时间序列xi按逆序排序。在满足以下条件时重复上述操作：
UBk = ?UFk（k=n,n?1,...,1），其中UB1=0。
变化趋势和突变的存在与否基于UB1和UFk时间序列值的正负以及两条临界直线是否相交来确定。

(2) 线性回归。基于剖面数据，建立独立变量和因变量之间的相关性，以建立具有良好相关性的回归方程，即函数表达式。回归系数k主要用于反映土地沉降的长期趋势（Li等人，2021年引用）。
y = a + kxi + εi，
其中a是截距，k是斜率，εi是残差。

(3) 精度评估。常用的统计参数还包括决定系数（R2）、均方根误差（RMSE）和标准差（STD）（Zhu等人，2017年引用）。通常，STD是数据离散程度的度量，R2是函数模型的拟合优度，其值范围在[0, 1]之间，值越高，RMSE越小，表示独立变量对因变量的解释能力越强。
R2 = SSR/SST = (∑i=1n(y?i ? yˉ)2) / (∑i=1n(yi ? yˉ)2，
STD = (1/n?1) ∑i=1n(xi ? xˉ)2，
RMSE = (1/n) ∑i=1n(yi ? y?i)2，
其中xi和yi是观测值；x?和y?是拟合值；xˉ和yˉ是观测值的平均值；SSR表示回归平方和，SST表示总平方和；R2和STD是无量纲值。

3. 结果与分析
3.1 南太行山脉山脚下的时间序列降水分布
使用专门的气象元素空间插值软件ANUSPLIN，对区域内40个站的月降水量数据进行了插值，生成了2020年至2021年期间研究区域的月降水量分布图（图4）。2020–2021年南太行山麓地区月降水的空间分布。显示全尺寸

南太行山麓地区的降水主要集中在每年的7月至9月，2020年的最大降雨量为234.2毫米；在异常大气环流和台风“英发”的影响下，河南省遭遇了历史上罕见的强降雨，2021年7月南太行山麓地区的降雨量达到了514.1毫米，是2020年同期的两倍多。降水量较高的地区主要出现在研究区域的西北部，而西南部的降水量较少。山地地形在决定降雨带的中心和分布方面起着关键作用（张等人，引用2023年）。降雨量的变化不仅影响由物候驱动的植被生长，还对斜坡稳定性（陈和戴，引用2020年）、泥石流和滑坡有一定的影响。

3.2 南太行山麓地区变形率的分布
通过SBAS-InSAR技术处理SAR数据，获得了2020年1月3日至2021年12月23日南太行山麓地区的地表变形率地图。如图5所示，红色表示沉降，蓝色表示抬升。变形像素分布不均，在人口密集的城市建成区表现出较好的连贯性，而在农田地区则明显不连贯，村庄中的变形像素分布零星。最大年沉降率为-144.4毫米/年，88.9%的变形像素位于-10至10毫米/年的范围内，表明该地区没有大规模的沉降或抬升，整体保持相对稳定。由于干涉效应的解相关性，西部和北部山区的变形像素较为稀疏，本文不予探讨。

图5. 南太行山麓地区的年平均变形率地图。显示全尺寸

图5中显示了几个明显的沉降区域，中心点分别为P1至P7：P1位于济源市北部的克静镇附近，P2位于济源市南部的下郎堤大坝顶部，P3位于焦作市大沙河的铁石村附近，P4位于南水北调焦作段的渠道边缘；P5位于马尊区的住宅区；P6位于辉县市大北城村的西南部，P7位于赵沟镇。值得注意的是，变形像素的位置与城市和其他建成区的位置高度一致。根据干涉相干图像（附录图S2），平原农业区由于作物生长而表现出时间上的解相关性，而建成区则保持整体稳定。其他零星的变形像素分布在建筑工地周围的平原地区（如村庄）。

3.3 南太行山麓地区的时间序列变形
在研究期间，该地区的总沉降和抬升范围为-87.8毫米至43.0毫米。时间序列变形图可以更详细地观察地表变形情况。西部和北部山区的变形像素分布稀疏，不属于本研究的重点。图6所示的变形主要发生在城市不透水表面或建成区。2020年上半年，变形区域相对较小，仅限于济源市北部和焦作市南部；P1和P3附近有轻微沉降，变形量小于-16.5毫米。下半年，变形区域扩大，特别是在辉县市；变形明显，并以不连续的表面形式分布。根据提取的七个变形中心的时间序列变形值（图7），P1、P3和P7的变形趋势增加，而P2、P4、P5和P6的变形幅度逐渐减小。此外，2021年焦作市和辉县市的某些地区有轻微抬升。

图6. 2020–2021年的时间序列变形图。注意：每月展示一张干涉结果图像。完整的 time-series 干涉结果请参见附录图S3。显示全尺寸

图7. 典型区域变形与月降水量的比较。显示全尺寸

图8. 年降水量分布与时间序列地表变形的相关性。显示全尺寸

根据提取的沉降率，P1点的沉降率最大，为-66.72毫米/年；P5点的沉降率最小，为-21.29毫米/年；P2、P3、P4、P6和P7点的沉降率小于-50毫米/年，沉降率较小。

4. 讨论
4.1 年降水量分布与时间序列地表变形的相关性分析
地面沉降与表土含水量和地下水位的变化密切相关（李等人，引用2021年）。研究表明，由于降水导致的表土含水量和地下水位的变化可以改变或逆转地表变形的速度。伴随拉尼娜现象的季节性降水可引起地表弹性变形（韩，引用2017年）。强降水引起的地表土壤渗透和补给事件也会导致局部沉降率显著下降（默里和洛曼，引用2018年）。通过时间序列分析获得了研究区域的时间序列变形和降水相关性地图（图8）。

图9. 2020年河南省“7·20”极端降雨事件期间南太行山麓地区的灾害分布图。显示全尺寸

通过计算2020年至2021年变形与降水之间的总体相关性，r值介于-0.67至0.86之间。发现99%的图像元素的相关性接近0，高相关性的像素也具有较高的干涉相干系数。具有相关性的像素在干涉减法过程中与高相干性像素有很高的重叠，但由于解相关性，大多数农业区无法检测到变形。排除解相关性因素后，研究区域的时间序列变形与降水之间的相关性（r）介于-0.35至0.62之间。

4.2 典型目标的地表变形与强降水事件之间的相关性探索
强降水事件对公共安全和基础设施构成潜在威胁（亨恩等人，引用2020年）。城市内涝和农村土壤饱和一直是城市和农村基础设施面临的主要挑战。通常，水利设施、交通设施和高层住宅公寓设施难以应对极端天气条件的影响（莫格伦和里奥斯·维达尔，引用2014年；穆伦斯等人，引用2016年）。2020年“7·20”极端强降水事件不仅在郑州造成了重大人员伤亡和财产损失，也对南太行山麓地区产生了显著影响。尽管南太行山麓地区的强降水事件没有造成大量人员伤亡，但它引发了多种次生灾害，包括城市内涝、农村洪水、道路路基侵蚀、铁路洪水、滑坡、水力结构不稳定、高层住宅公寓内涝、建筑物地基下沉以及公共交通瘫痪（图9）。

为了进一步了解“7·20”极端强降水事件前后南太行山麓地区的地表变形模式和幅度，本研究监测了关键区域，如黄河下郎堤水利工程、煤矿-农田复合区的村庄、城镇和农田，以及南水北调工程。

4.2.1 黄河下郎堤水利工程
黄河下郎堤水利工程包括大坝、泄洪结构和调水发电系统。该大坝为倾斜芯墙堆石坝，最大设计高度为154米。水库呈东西走向，平均宽度为2公里，属于峡谷型水库（方等人，引用2023年）。通过SABA-InSAR技术获得的变形图（图10）可以看出，变形像素完全覆盖了大坝。2020年10月之前，大坝没有明显变形，但10月之后，大坝顶部的沉降现象变得明显，并且沉降趋势持续加剧（如图10中的橙红色区域所示）。大坝体的变形率介于-41.9毫米/年至21.2毫米/年之间，最大累积变形为-83.36毫米。大坝体的变形从中心向两侧逐渐减小，两端坡度相对稳定，这与张等人的研究结果一致（引用2024年）。

图10. 黄河下郎堤水利工程的变形监测。注意：每月选择部分图像进行展示。完整的 time-series 图像请参见附录图S4。

在2020年的第23个监测周期，大坝上部署了六个水平点（LP）（见图11，监测点A1、A2、A3、B1、B2和B3），其中A1和B1靠近大坝南岸，A2–B4位于大坝顶部中心。卫星监测结果与地面点监测结果进行了比较，如图11(b)–(f)所示。尽管变形幅度不同，但两者的变形趋势相似，变形值范围也一致。

图11. 大坝监测点的InSAR（变形点：DP）与水准测量结果（基准点：BM）的比较。注意：(a) 六个监测点的变形曲线和降雨量；(b)–(g) 每个点的干涉变形和相应的水准变形；深蓝色条表示每年降雨量最高的月份的时间戳；红色椭圆表示变形加剧的日期。

2020年的最大降雨发生在8月，2021年则发生在7月。根据基准点数据，2020年6月至8月变形急剧增加，同年6月、7月和8月的降雨量显著。可以得出结论，下郎堤大坝的变形因强降雨而加剧，如图11所示，变形在每年最大降雨后开始增加。2021年强降雨事件后的变形最大，监测点A3的变形最大为27毫米。从干涉变形数据来看，除了B1点外，所有点的变形趋势在年最大降雨后都很明显。分别对每个点的变形值进行了线性拟合，各点的坡度分别为SlopeLPA1 = -0.488、SlopeLPA2 = -2.485、SlopeLPA3 = -4.193、SlopeDPA1 = -0.508、SlopeDPA2 = -1.021、SlopeDPA3 = -1.82、SlopeLPB1 = 0.354、SlopeLPB2 = -0.970、SlopeLPB3 = -0.899、SlopeDPB1 = 0.305、SlopeDPB2 = -0.680、SlopeDPB3 = -1.190。除B1点外，其他点的坡度均小于0，表明大坝变形趋势加剧。

在沉降过程中，大坝体内也出现了抬升现象，变形曲线呈“M”形。从2020年6月开始，变形持续加剧，直到2021年4月左右，变形率变为0。随后大坝体开始出现波动性抬升，到2021年7月达到最大抬升位置，之后变形率再次增加，形成周期性变化。这种现象可能与大坝上游水库水位的变化以及降雨的影响有关。方等人（引用2022年）报告称，下郎堤大坝顶部的变形波动并增加，整体沉降趋势随时间加剧。他们还注意到某些时期的变形呈周期性变化，并观察到大坝的变形率从中心向两端逐渐减小。这些发现与本研究观察到的变形模式一致。

4.2.2 村庄、城镇和农田的变形分析
根据实地调查，图7中的P5、P6和P7点位于煤矿-粮食复合区。点P5位于马村，处于延马矿区的影响范围内；点P6位于辉县市大北城村，处于张屯煤矿的影响范围内；点P7位于辉县市赵固镇汉义营村，受到赵固1号矿的影响。在采矿活动的影响下，煤矿-农田复合区域的居民区出现了地表裂缝、墙体裂缝和农田积水现象。一些受到严重影响村庄已经完全搬迁。在研究区域内，存在永久基本农田被废弃的情况。仅在图12的覆盖范围内，就有13.7公顷的农田受到影响，这对国家粮食安全构成了潜在威胁。

图12. 大北城村的地表变形监测。注意：每月选择一些图像进行展示。完整的时序图像见附录图S5。N1、N2和N3位于大北城村；M1和M2位于赵屯村；R1和R2位于230省道上。红色椭圆表示积水的农田。

图13. 对典型时序变形特征的监测和现场调查。注意：(a) 房屋墙体开裂；(b) 农田积水；(c) 积水导致农田废弃；(d) 道路挤压变形。

从图12可以看出，N1、N2和N3位于大北城村积水区域附近，受到降雨量的影响；每个点的沉降速度从快逐渐变为稳定，而N3点甚至有所抬升。夏季，大量降雨渗透并补充地下水，导致地表出现暂时性抬升和反向沉降现象。M1和M2位于赵屯村，整个村庄显示出明显的沉降趋势，两年内的最大变形量为-99.1毫米，呈线性变形。M3和M4位于杭庄村，经历了部分沉降；然而，沉降幅度相对较小，并在2021年7月后逐渐稳定。R1和R2位于230省道上，2020年的监测点变形较小；仅在2021年上半年变形最大，之后似乎有所抬升。这条道路位于矿区，如图13(d)所示，变形明显。

在图13中，蓝色椭圆圈A和B的位置表示每个监测点的沉降变形规律发生变化的时期。这一时期的变形曲线异常波动，既有抬升也有沉降，这与当年的雨季一致，因此变形规律的变化是由于降雨的影响。通过检查历史Sentinel-2卫星图像，我们发现2021年9月9日之前从未发生过农田积水现象。首次积水出现在2021年9月29日，后续图像显示积水面积扩大。因此，我们得出结论，2021年7月至9月的强降雨直接导致了农田积水事件。为了确保该地区居民的安全、交通顺畅和粮食安全，有必要继续监测变形情况。

4.3. 构造活动与地表变形之间的相关性

构造活动与地质灾害密切相关。当构造活动发生时，容易引发大规模地质灾害，如地震、滑坡、断层滑动和火山活动。然而，在大多数情况下，地质活动极其缓慢。目前，已经进行了大量关于降水与断层活化、地下水开采与断层活化、地表变形以及活跃构造之间相关性的研究（Yang等人，引用2016年；Zhao等人，引用2018年；Zhou等人，引用2022年）。

如图14所示，全新世冲积层（Qh↑∠al→；地质类型包括粉质粘土、粘土质粉砂、砾石等）占总研究面积的51%（Ye等人，引用2017年）。从变形率地图（图5）可以看出，沁阳、博爱、修武和辉县市的变形像素分布在该层中，沉降和抬升幅度在±10毫米/年以内。济源市区位于全新世冲积层中，存在大规模的连贯变形现象。中部和南部地区的变形约为-10毫米。中心城区被焦作-商丘深断裂带（#4）和庞固-博比断裂带（#5）穿过。沿着NW-SE方向提取剖面线，以观察变形幅度的增加是否与这两个断裂带有关。

图14. 研究区域的地质图。

焦作-商丘深断裂带是一个走向西北-西（NWW）的深断裂带，其表面在焦作以西暴露出来，在焦作以东被第四纪系统覆盖。它是中韩地台上的一个深断裂（Wang等人，引用2003年）。庞固-博比断裂带是该地区焦作-商丘断裂带的一个表现形式，是一个隐伏断裂。这个断裂几乎呈东西（EW）方向，南侧下降，北侧上升，形成了山脉和平原之间的边界（图15）。一些沉降区的边界与地质断裂相对应。多项研究表明，地下水活动对地表变形有影响（Yang等人，引用2016年；Zhao等人，引用2022年）。因此，在规划建设时需要考虑地质断裂因素，以避免损坏地表建筑设施。

图15. NW-SE走向的地质剖面。注意：(a) 沿地质剖面的变形率；(b) 沿路线发生的变形率异常的时间变化；#1、#2、#3、#6和#7对应于剖面线穿过地质类型的地理位置，#4是焦作-商丘深断裂带，#5是庞固-博比断裂带。

图像的变形率在-17.2至9.1毫米/年之间，#3和#6之间的区域保持稳定。在非连贯像素处，我们发现A点和B点的沉降较为明显，A点的变形率为-17.2毫米/年，B点的变形率为-15.4毫米/年。点A靠近点P1（图5），受到济源科泾镇煤矿开采的影响，导致异常变形。点B位于志成镇，根据图6，该地区从2021年初开始沉降，表现为持续的小幅度沉降。然而，在“7·20”强降雨事件期间，沉降达到了年度最大值-32.7毫米，自然沉降加速（图15(b)）。

观察整个剖面的变形情况可以看出，剖面线穿过了五种地质类型，在穿过不同地质类型时没有发现异常变形。此外，两个断裂带附近的地表相对稳定，没有剧烈变形，短时间的强降雨也没有引发断层活化。通过叠加同一时期的降雨数据，图15(b)中的抬升和沉降变化更多地受到降雨的影响。与地质类型相比，降雨是增加变形率的加速因素。

4.4. 南北调水工程（MRP）中段路线的变形与突变分析

节水项目将惠及所有人。对水利项目的变形监测是维护水库安全的基础。随着水基础设施使用的增加，工程安全问题变得越来越突出。因此，迫切需要提高风险预防和控制能力。先前的研究表明，由于降水的影响，大坝变形表现出“夏季快速、冬季缓慢”的季节性趋势（Huang等人，引用2023年；Zhao等人，引用2023年；Liu等人，引用2024年）。

MRP起源于汉江（长江的支流之一）的丹江口水库，穿越河南省和河北省，然后到达北京和天津。MRP穿过河南省的焦作、修武和辉县市，南太行段的主渠道总长度为130公里，跨越不同的地质条件和地质结构（图16）。

图16. MRP的变形监测时间。注意：(a) MRP的地理位置；(b) 沿路线的逐像素地表变形。

对于大规模的水传输项目，显著的变形会严重影响其功能。因此，监测这些变形对于及时采取预防措施至关重要。P1–P?和P2–P2?主要由粉质粘土、粘土质粉砂、砂和砾石组成的全新世冲积层构成，被归类为膨胀性土壤。P3–P3?由中更新世坡积层组成，包含粘土质粉砂和砂，被归类为可塌陷黄土。变形点A1–A4位于P3–P3?，靠近焦作市的解放桥；B1–B3位于P2–P2?，靠近辉县市的博比镇；C1和C2位于P1–P?，在辉县市的邵窝村北部和石门河附近。

结果显示，A1点的最大变形为-10.9毫米，在整个研究期间保持相对稳定。A2–A4点的变形模式相似，变形在2021年6月达到最大值，在此之前，这三个点都表现出线性变形。A3点在2021年上半年变形显著加速，变形在2021年6月达到最大值，从-27.6毫米变为-44.5毫米。这与Dong等人报告的焦作市解放桥MRP的变形特征一致。他提到，在解放桥附近的堤岸上出现了明显的变形，最大变形发生在转弯处。2021年7月短暂抬升后，A1–A4点的变形在一定范围内波动，暂时改变了原有的沉降趋势。B1和B2点总体上表现出抬升趋势，最大抬升幅度为35.3毫米。每年7月至9月，变形显著增加，最大增加量为15.6毫米。C1和C2点表现出短暂的周期性抬升和沉降，但总体上呈现线性沉降趋势。B点和C点的变形与地质类型有关，辉县市项目段通过的土壤类型是膨胀性土壤和可塌陷黄土。膨胀性土壤通常表现出周期性变形，波动逐渐接近水平线，而可塌陷黄土通常表现出轻微的周期性变化，呈现振荡沉降趋势（Zhang等人，引用2021年）。为了确定MRP是否因降雨而突然变形，我们应用了Mann-Kendall趋势测试进行分析（图17(d)）。M-K突变测试的结果显示，三组数据在测试范围内没有突变。2020年1月至3月，UFA小于零，处于临界阈值以下，表明该位置的变形不显著。当UFA超过临界阈值时，表明该位置发生了显著沉降。然而，UFA和UBA的交点不在临界阈值范围内，表明该位置的变形没有突然变化。同样，B点和C点的变形也没有显示出任何突变。

图17. 不同工程段的变形监测。注意：(a)–(c) 南北调水项目监测点的地表变形；(d) 是时间序列变形结果的M–K趋势测试，其中A是A1–A3的平均变形，B是B1和B2的平均变形，C是C1和C2的平均变形，ɑ是0.05的显著性水平。

总之，MRP穿过焦作市，整体上保持良好的稳定性，但在解放桥附近的项目两侧发生了一些变形。辉市内的工程段表现出两种类型的变形：靠近焦作市区域的显著抬升和靠近石门桥区域的沉降趋势。通过将变形模式与降雨数据相结合，我们推测变形的变化受到降雨量的影响。在应用了Mann-Kendall突变检验后，没有检测到突变，这表明尽管降雨会影响工程变形，但它并不是决定性因素。

4.5. 局限性和挑战
当前的技术挑战如下：首先，Sentinel-1图像的时空分辨率相对较低，导致在山区、农业区和采矿区（这些地方变形显著）出现连贯性损失，从而限制了InSAR技术的应用。其次，对流层水汽和电离层扰动的变化引入了相位噪声，导致厘米级的位移误差，残余的大气误差可能会影响结果的准确性（Fattahi和Amelung，引用2015年）。为了解决当前的技术问题，未来的研究可以采取以下改进措施：(1) 数据融合：整合多源数据（例如ALOS-2、TerraSAR-X等）以促进相位解包，从而提高相位信息的稳定性和连续性（Morishita等人，引用2020年；Dun等人，引用2025年），或者使用更高分辨率的DEM（例如12.5米）来提高地形模拟的准确性。(2) 大气校正：基于ERA5再分析数据构建大气残余误差模型，并结合1公里/小时的GACOS产品进行确定性校正。这些措施旨在进一步提高地表变形监测的准确性和可靠性，为应对极端气候事件和保护基础设施安全提供有力支持。

5. 结论和未来工作
(1) 通过使用SBAS-InSAR技术，我们获得了2020-2021年南太行山麓在极端降雨条件下的地面沉降率和时间序列变形值。结果显示，最大沉降率达到-144.4毫米/年。然而，88.9%的变形像素的沉降率保持在-10至+10毫米/年的范围内，表明研究区域的大部分地表在观测期间相对稳定。这种方法为大规模地表变形监测提供了一种有效途径。研究结果支持了对南太行山麓地表稳定性的评估，并为应对气候变化及其影响的紧急行动提供了遥感支持（SDG 13）。
(2) 本研究进一步评估了活跃构造特征、水力结构（大坝和灌溉系统）以及居民设施在强降雨前后的地表稳定性。结果表明，这些区域的变形模式受到降雨强度的显著影响，表现为强降雨后立即出现短暂的地表抬升，随后变形加速并恢复到长期沉降趋势。对关键工程结构和建筑物的持续监测能够有效跟踪其变形动态和模式，从而保障城市基础设施的稳定性和人类居住区的安全（SDG 11）。
(3) 本研究还沿着关键的水资源调配项目（MRPs）进行了地表稳定性监测。由于地质类型和降雨的影响，MRP不同地质条件段的地表变形存在空间差异。为了确保其安全性，未来仍需要持续跟踪和监测。这项研究为保障北京-天津地区的水资源输送项目安全提供了数据支持，并为供水区域内所有人提供安全的水源和卫生设施及其可持续管理提供了有力帮助（SDG 6）。
然而，这项研究仍面临某些技术限制。未来的研究将重点关注：(1) 整合多源遥感数据（例如SAR、GNSS和LiDAR）与先进的大气延迟校正算法，以提高监测结果的准确性和可靠性。(2) 整合地表水文和地下水数据，研究极端强降雨事件期间的动态变形响应过程，阐明南太行山麓地表抬升和沉降的原因，并分析大型工程结构（如小浪底大坝）的长期变形趋势。(3) 将SBAS-InSAR技术扩展到其他易受极端气候影响的地区，评估不同类型基础设施在极端天气事件中的稳定性。(4) 加强与水力工程和城市建设等领域的跨学科合作，为重大工程项目的安全规划和管理提供科学依据。

致谢
作者感谢所有匿名审稿人的帮助。

补充材料
下载MS Word文件（123.7 MB）

数据可用性声明
支持本研究结果的数据可向第一作者索取。

本文的补充数据可在以下链接获取：https://doi.org/10.1080/19475705.2026.2629587