综述：用于滑坡研究的InSAR技术：方法、挑战与新兴趋势综述

《Sensors》：InSAR Techniques for Landslide Study: A Review of Methods, Challenges, and Emerging Trends

　　

在全球复杂多变的地质地貌和气象条件下，滑坡灾害频繁发生，对生态环境和人类生命财产安全构成严重威胁。传统监测方法往往效率低下且极易受外界条件影响，难以满足大范围快速变形监测的需求。由于具有高分辨率、广域覆盖和全天候连续观测等优势，干涉合成孔径雷达（InSAR）技术已在滑坡监测中得到广泛应用。本文系统回顾了InSAR技术在滑坡监测中的发展与应用。全面总结了经典方法，包括差分InSAR（D-InSAR）、永久散射体InSAR（PS-InSAR）、小基线集InSAR（SBAS-InSAR）和分布式散射体InSAR（DS-InSAR），以及衍生技术，如准永久散射体InSAR（QPS-InSAR）、暂时相干点InSAR（TCP-InSAR）和多孔径InSAR（MAI）。此外，还重点介绍了人工智能（AI）和多源数据融合的最新进展。通过比较分析相关研究，本文总结了各种方法在滑坡监测中的适用性和潜力，并回顾了针对几何畸变、去相关噪声、大气延迟和三维变形监测困难等主要挑战的解决方案。同时讨论了未来的研究方向。总体而言，InSAR技术已从单一方法向综合化和智能化框架演变；然而，在复杂地形适应性、数据处理效率和模型可解释性方面仍存在挑战。本综述为未来的滑坡监测研究提供了技术参考。

1. 1.
   引言
   滑坡是山区生态安全和人类活动面临的主要自然灾害之一。滑坡的发生受地质构造、地貌、地震、气候条件及采矿、水利工程和植被破坏等人为活动的共同影响，具有空间分布广、隐蔽性强和破坏力大的特点。一旦成灾，会对区域生态环境、公共基础设施以及人民生命财产安全造成严重威胁。因此，加强滑坡监测与预警至关重要。传统滑坡变形监测方法，如测斜仪监测、光学遥感监测和倾斜摄影测量监测，虽然能提供一定的数据支持，但普遍存在监测周期长、空间覆盖范围有限、效率低等问题，且易受天气和地形等实际条件的制约，难以满足大范围快速地表变形监测的需求。相比之下，InSAR作为一种新兴的遥感监测技术，凭借其高监测精度、宽空间覆盖、非接触测量、成本相对较低以及能够全天候连续观测等优势，在滑坡灾害监测中得到了广泛应用和深入研究。InSAR技术非常适用于滑坡灾害的早期识别，通过探测细微的地表形变，实现对大面积滑坡的连续监测，揭示滑坡变形的空间特征和演化过程，并为滑坡风险评估和灾害预警提供重要的数据支持。研究人员从多维变形监测、多波段数据融合与反演、多因素耦合建模与机理解析等技术视角推动了InSAR在滑坡监测中的应用。多维变形监测方面发展了多轨道InSAR结合像素偏移跟踪（POT）或多孔径InSAR（MAI）的技术路线，以及引入忽略南北向变形分量或采用地表平行流假设等先验约束的方法。多波段数据融合方面，联合L波段、C波段和X波段等不同频率的合成孔径雷达（SAR）数据集，利用长波长强植被穿透能力和短波长高重访频率的互补优势，缓解植被覆盖区的去相关问题，提高时空监测覆盖范围和反演精度。多因素耦合建模方面，在InSAR形变与降雨、地震和水库水位等触发因素的耦合分析中取得了显著进展，揭示了降雨峰值与滑坡位移的滞后响应关系以及人类活动诱发的滑坡变形，促进了InSAR形变与外部触发因素的耦合建模。尽管InSAR技术在滑坡监测中取得了诸多成果，但仍面临去相关噪声、大气干扰以及三维变形信息无法全面获取等挑战。近年来，关于InSAR滑坡监测的综述研究从不同角度推动了该领域的发展，但InSAR技术本身的演化轨迹仍需进一步系统梳理，针对滑坡防灾减灾等关键场景的针对性讨论也有待加强。基于此，本综述聚焦于InSAR技术在滑坡监测中的应用，以方法演变为核心，围绕技术演进、应用场景拓展和新兴研究方向三个方面展开。
2. 2.
   滑坡监测的数据来源与处理
   2.1 数据来源
   SAR数据是InSAR技术实现精确滑坡监测的核心信息源。传感器特性（包括传感器类型、空间分辨率和重访周期）直接影响变形监测的精度和时效性。目前，多种SAR卫星可提供多波段、多极化的观测数据，以满足不同地形条件和滑坡类型的监测需求。根据运行特性和任务目标，SAR卫星通常分为军事、民用和商业三类。其中，哨兵1A（Sentinel-1A）是应用最广泛的民用C波段SAR卫星，配备C波段SAR传感器，支持双极化（VV + VH）成像，短重访间隔使其能够及时探测动态滑坡变形，特别适合监测由强降雨、地震等极端事件触发的快速演化滑坡。ALOS-2是代表性的L波段SAR任务，其较长波长具有较强的植被穿透能力，能有效减少密集植被引起的雷达信号衰减，是植被覆盖山区滑坡监测的重要数据源。Radarsat-2是代表性的商业SAR卫星，支持多种成像模式和高分辨率配置，适用于小尺度滑坡监测和详细变形分析。波长、重访间隔和空间分辨率共同决定了SAR数据对不同滑坡监测场景的适用性。近年来，以ICEYE和Capella Space为代表的高重访商业SAR星座发展迅速，通过多星组网显著缩短了重访间隔，为近实时灾害监测提供了新的业务途径。

2.2 数据采集与FAIR原则

从数据特征来看，多源SAR卫星的持续观测产生了TB级至PB级的数据集，原始回波数据、单视复数（SLC）图像和衍生的干涉产品呈现出大数据量大、数据增长快和数据维度高的典型特征，对高效存储、管理和分析提出了重大挑战。在数据采集方面，民用SAR数据主要通过航天机构官方门户免费提供，商业SAR数据通常需要从卫星运营商处购买。FAIR数据原则（可查找、可访问、可互操作和可重用）为科学数据管理和共享提供了基本框架，开放SAR数据共享政策可以降低重复数据获取成本，促进全球滑坡监测研究的国际合作。

2.3 数据预处理流程

广义上的数据预处理包括影像配准、数字高程模型（DEM）配准、降噪、干涉相位计算、平地相位和地形相位去除、滤波和相位解缠。本文将数据预处理定义为生成干涉图之前的通用步骤。整体工作流程首先进行主影像选择、影像配准和共配准；然后将DEM与主影像配准以生成高程相关相位，用于后续的平地相位和地形相位去除；接着应用降噪以减轻散斑噪声对干涉测量的影响；之后计算干涉相位和相干系数以生成初始干涉图和相干图；最后进入差分干涉测量阶段。在滑坡监测应用中，主影像选择需根据滑坡类型区分，植被密集区优先选择旱季影像以减少大气延迟干扰，快速变形滑坡区则优先选择变形中期附近的影像。DEM配准精度直接影响地形相位去除的精度，复杂地形推荐使用高分辨率DEM。降噪常用方法包括多视处理和滤波技术，应根据滑坡尺寸和分辨率要求选择多视因子。干涉相位计算是核心步骤，通常采用空间滤波和自适应滤波方法来改善干涉图质量。

1. 3.
   用于滑坡监测的InSAR方法
   自20世纪90年代以来，InSAR技术在滑坡灾害监测中发挥了核心作用。其发展从常规的差分干涉合成孔径雷达（D-InSAR）演变为多时相InSAR（MT-InSAR），并持续向智能化和近实时监测方向推进。常规D-InSAR奠定了遥感滑坡变形监测的基础，但受限于相干性丧失和大气效应，无法有效获取时间序列变形信息。为此，研究人员开发了MT-InSAR技术，主要包括基于稳定点目标实现高精度长期监测的永久散射体InSAR（PS-InSAR），以及关注分布式散射体并提高自然区域非线性变形监测点密度和可靠性的小基线集InSAR（SBAS-InSAR）和分布式散射体InSAR（DS-InSAR）。同时，地基InSAR（GB-InSAR）和多孔径InSAR（MAI）等技术进一步扩展了局部高频和三维变形监测的能力。随着研究的深入，MT-InSAR进入了集成发展阶段，暂时相干点InSAR（TCP-InSAR）和混合PS + SBAS/DS方法逐渐兴起。近年来，InSAR技术进一步向智能化、自动化和高频观测系统演进，机器学习、深度学习技术与多传感器融合方法显著提高了相位解缠、大气校正和变形预测的自动化程度和精度。

3.1 D-InSAR方法

D-InSAR是在常规InSAR方法基础上发展起来的遥感技术。该技术对不同时期获取的同一区域SAR数据进行干涉，并通过差分处理去除两次观测间的共同相位分量，从而提取地表变形信息。D-InSAR仅需两景SAR影像即可完成干涉处理，特别适用于强降雨和地震等突发因素引发的短期快速滑坡变形监测。其处理流程相对简单，能够实现快速灾害响应和大范围监测。然而，D-InSAR存在若干局限性：难以测量高空间梯度运动，在植被密集区相干性低，不适合长期分析，假设位移为线性，无法捕捉三维运动，并且对几何畸变和噪声敏感。因此，多时相InSAR技术被开发出来以克服这些限制。

3.2 PS-InSAR方法

PS-InSAR利用具有长期稳定后向散射特性的地面目标（如建筑物和岩石）作为永久散射体（PS）。通过处理和分析同一区域获取的多时相SAR数据集来提取地表变形信息。PS-InSAR更适用于具有较大空间和时间基线的长时间序列数据，有效缓解了常规D-InSAR易受时空去相关和大气干扰的影响，显著提高了变形监测精度。因此，它已广泛应用于表现出长期缓慢变形的滑坡早期识别。然而，PS密度受地表覆盖条件影响强烈，在城市地区较高，而在植被覆盖区显著降低，这直接降低了变形反演的空间分辨率和可靠性，因此PS-InSAR更适用于城市和硬目标区域。此外，该技术还存在计算效率低和对大规模监测适用性有限等局限。为解决这些问题，斯坦福永久散射体方法（StaMPS）改进了PS提取策略，显著增强了PS-InSAR在复杂地表环境中的适用性。

3.3 SBAS-InSAR方法

SBAS-InSAR是一种基于小基线子集策略的时间序列InSAR（TS-InSAR）技术。该方法通过构建受空间和时间小基线约束的干涉对网络，避免了长基线导致的严重去相关，这是其相对于D-InSAR和PS-InSAR的关键优势。SBAS-InSAR依赖多景SAR影像构建时间序列观测，比D-InSAR更适合长期缓慢滑坡变形监测，同时其处理非线性和高梯度变形的能力优于PS-InSAR。SBAS-InSAR不依赖于人工选择的永久散射体，所需数据量较少，计算效率更高，因此在自然滑坡区和广域滑坡群监测中更具优势。然而，SBAS-InSAR在滑坡监测中仍表现出明显的场景相关和技术局限性，如高相干点选取困难、作业成本高、处理流程复杂以及在强非线性变形或复杂地形下监测精度可能降低。为应对这些问题，研究人员提出了暂时相干点InSAR（TCP-InSAR）等方法，并结合PS-InSAR和SBAS-InSAR以充分发挥互补优势。

3.4 DS-InSAR方法

DS-InSAR是在PS-InSAR基础上发展起来的MT-InSAR技术，代表了一种集成PS和分布式散射体（DS）点的混合方法。它通过统计同质像素（SHPs）的识别和相位优化，显著提高了非城市区域的像元目标密度。DS-InSAR的关键优势在于克服了传统PS-InSAR对永久散射体的依赖，通过联合利用PS和DS点大幅增加了监测点的空间密度，同时避免了SBAS-InSAR中多视处理带来的空间分辨率损失，更适用于小尺度滑坡。作为代表性DS-InSAR技术，SqueeSAR在植被覆盖区可将监测点密度提高约3至5倍，干涉图相干性提高约37%，充分证明了DS-InSAR在低相干条件下滑坡监测的适用性。然而，由于需要同时处理PS和DS目标，其计算成本通常高于PS-InSAR和SBAS-InSAR，在长时序SAR数据处理中效率仍然受限。

3.5 其他衍生InSAR方法

除了上述经典InSAR方法外，近年来还出现了几种衍生InSAR技术，各自在不同应用场景下展现出特定优势。地基InSAR（GB-InSAR）于1999年首次提出，使用地基雷达系统进行近距离观测，具有灵活部署、高时间分辨率（分钟级）和毫米级精度的优点，但其应用仍受植被区相干性丧失、复杂大气扰动引起的相位误差、成本高和观测范围有限的限制，主要适用于单个明确滑坡的监测。多孔径InSAR（MAI）于2006年提出，提取方位向地表变形信息，弥补了传统D-InSAR只能测量视线（LOS）变形的局限，可用于三维变形监测，但其易受去相关噪声、干涉图残余相位和电离层扰动的干扰。准永久散射体InSAR（QPS-InSAR）于2012年提出，采用像元自适应干涉图选择策略从部分相干目标中提取变形信息，显著增加了非城市区域的测量点密度，适用于大规模滑坡筛查。暂时相干点InSAR（TCP-InSAR）同样于2012年提出，识别仅在特定时间窗口内保持相干的暂时相干点，并自适应选择时间子集，显著扩展了InSAR在非城市区域的应用。上述衍生方法各有侧重，在实际应用中应根据滑坡类型、监测尺度和数据可用性选择合适的方法或组合。

3.6 人工智能与InSAR方法的集成

尽管InSAR技术已在滑坡监测中得到广泛应用并趋于成熟，但仍存在相位解缠困难、噪声污染、低相干区处理以及变形时间序列预测复杂等固有挑战。近年来，人工智能特别是深度学习的快速发展为解决这些局限提供了新的技术机遇。在相位解缠和噪声抑制方面，现有方法可分为辅助处理方法和端到端方法。辅助处理方法利用人工智能优化传统处理流程中的特定步骤，如利用不连续性估计网络（DENet）预测相位不连续性的概率，或利用分支切割网络（BCNet）将残差点检测转化为语义分割任务。端到端方法则直接执行相位解缠或去噪任务，如PhaseNet 2.0将相位解缠重新定义为密集分类问题，Unwrap-Net集成激光雷达数据辅助相位解缠，以及扩张多路径相位解缠网络（DMP-PUNet）在处理强噪声和复杂条纹图案方面表现出色。在噪声抑制方面，早期PDNet利用相位自相似性实现近实时去噪，无监督生成神经网络同时执行InSAR相位滤波和相干性估计，三维卷积神经网络（3D CNN）在去噪过程中优化解缠兼容性，混合Transformer-CNN网络（HTCNet）采用双分支并行结构提取全局和局部特征。传统方法在物理模型明确、数据充足和高相干场景中仍具实用价值，但在低相干区和高噪声环境下易出错。人工智能方法虽展现出更好的鲁棒性，但仍面临训练数据质量和代表性不足、标记不确定性引入系统偏差以及端到端模型的黑箱特性限制其在高可靠性场景应用等挑战。

在滑坡检测与预测方面，传统方法依赖专家目视解译，效率低且主观性强。人工智能方法通过自动学习变形的时空特征，显著提高了滑坡检测的准确性和变形预测的前瞻性。早期研究主要采用随机森林（RF）和支持向量机等浅层模型，结合InSAR变形特征与地形、地质和水文因素进行滑坡易发性评估。随后，卷积神经网络（CNN）及其变体成为应用最广泛的深度学习架构，如U-Net及其改进版本深度残差收缩U-Net（DRs-UNet）实现了精确的像素级分割，改进的更快区域卷积神经网络（Faster R-CNN）模型实现了缓慢移动滑坡的自动检测。近年来，Transformer架构带来新的突破，多尺度Swin Transformer InSAR产品检测网络（MSIDNet）利用多尺度时空注意力机制实现精确检测。在预测方面，研究人员结合长短期记忆网络（LSTM）、时间门控长短期记忆（TGLSTM）和门控循环单元（GRU）等模型，构建了耦合框架，如CNN-Attention-双向门控循环单元网络，实现了滑坡位移的高精度预测。尽管人工智能方法取得了显著进展，但仍受限于对高质量训练数据的依赖、可解释性不足以及跨区域泛化能力有限等问题。基础模型在缓解标记样本稀缺方面展现出潜力，但其在InSAR场景中的适应性仍需进一步研究。

3.7 多源数据融合方法

单一数据源不足以全面表征滑坡的复杂演化过程。通过整合InSAR与光学遥感、全球导航卫星系统（GNSS）、气象数据和激光雷达（LiDAR），可以显著提高滑坡监测的全面性和可靠性。根据融合层次，多源数据融合一般分为数据级融合、特征级融合和决策级融合。针对滑坡监测的不同应用目标，现有研究主要采用了相应的融合策略。在滑坡识别与边界提取方面，主要采用特征级和决策级融合，结合InSAR变形信息与光学影像的纹理特征，提高滑坡识别的准确性和完整性。在三维变形监测方面，主要采用数据级融合，整合InSAR、GNSS和DEM数据，进行视线向至三维位移分解，重建三维位移场。在预警与预测方面，主要采用特征级融合辅以决策级融合，整合变形时间序列与降水、温度等外部触发因素，进行耦合建模，识别加速阶段并预测潜在失稳时间。总体而言，多源数据融合研究正逐步从早期的数据叠加模型转向面向特定任务目标的协同监测模型，未来应致力于克服异质数据高精度配准、跨尺度协同建模和物理机制约束等关键挑战。

1. 4.
   InSAR技术的局限性与挑战
   尽管InSAR技术在滑坡监测中具有高精度、大覆盖和长时期连续观测等优势，其实用性仍受成像机制、观测条件和复杂地表环境的制约。当前局限性主要包括几何畸变、去相关噪声、大气延迟误差和三维变形监测困难。

4.1 几何畸变

SAR卫星采用侧视成像模式，入射参数与地形特征的交互作用是决定SAR能否成功获取有效影像的关键因素。侧视成像模式是几何畸变的主要原因，包括透视压缩、叠掩和阴影效应。在陡峭地形（如高山峡谷、深切河谷和水库岸坡）区域，几何畸变尤为突出，是限制滑坡识别完整性和长期监测连续性的关键因素之一。为减少几何畸变的影响，通常利用外部数字高程模型（DEM）结合SAR系统几何参数生成阴影和叠掩区域，然后对时间序列InSAR（TS-InSAR）技术掩盖这些区域。为了扩大空间覆盖范围，可利用升轨和降轨数据在叠掩和阴影区域的互补特性。然而，几何畸变尚未从根本上解决，在极其陡峭的斜坡或深切山谷中，即使采用多轨道观测也可能存在永久盲区。

4.2 去相关噪声

去相关噪声是指由于时间基线、密集植被覆盖和大地表变形梯度等多种因素，导致不同时期获取的影像间雷达信号失去相干性而产生的噪声信号。在滑坡监测中，这一问题主要发生在两种典型场景：植被覆盖引起的时间去相关和滑坡快速运动引起的大变形梯度去相关。对于植被覆盖区，L波段比C波段具有更强的植被穿透能力和更好的抗时间去相关性能，但即使在密集植被区，L波段也可能失效。增强型时间序列InSAR方法（如SBAS-InSAR和SqueeSAR）联合利用分布式散射体来增加相干观测数量。极化SAR技术的发展也为相位优化提供了新途径。对于大梯度变形区域，可采用SAR像素偏移跟踪（POT）和距离向分裂谱干涉测量（RSSI）技术联合测量大变形梯度。然而，去相关在极端植被区或大梯度变形区仍未从根本上解决，现有方法大多针对特定场景优化，缺乏适用于多样滑坡环境的统一框架。

4.3 大气延迟误差

大气延迟误差是指电磁波穿过大气层时，由于大气物理特性（如温度、湿度和压力）的时空非均匀性导致传播速度变化，从而产生电离层和对流层延迟。在滑坡监测中，这一问题在湿润气候区和季风区尤为突出。为应对该问题，研究人员提出了多种方法，包括外部数据辅助校正、时间序列InSAR技术、时空滤波方法以及大气相位延迟时空特征分析。例如，结合全球定位系统（GPS）、中分辨率成像光谱仪（MODIS）和InSAR数据开发水汽校正模型，或利用独立成分分析（ICA）估计大气相位。尽管已开发出多种校正策略，但在山区气象站稀疏、外部数据集空间分辨率有限以及真实变形信号与大气噪声在时空频域重叠的情况下，许多挑战依然存在。

4.4 三维变形监测的挑战

与滑坡相关的地表变形高度复杂，涉及水平和垂直运动等多个分量。传统InSAR技术从单一视角几何获取数据，主要测量沿卫星视线（LOS）方向的位移，难以准确分离和量化不同方向的变形分量。获取真实三维变形通常需要至少三组具有显著不同成像几何的观测数据。在实际工程中，受卫星重访周期、轨道参数和成像模式的限制，数据驱动方法常采用多轨道D-InSAR联合反演、InSAR与GPS测量集成、以及结合POT和MAI技术来增加观测维度。在偏远山区，当SAR观测稀疏或观测几何受限时，常引入滑坡行为的先验信息作为约束，如地质约束、假定滑动方向和运动学模型。其中，斜坡平行流（SPF）模型是一个代表性的地质先验约束模型，它将滑坡体简化为沿坡面平行流动的薄层，利用升降轨InSAR观测估算三维运动。然而，该方法的效力严重依赖于先验假设的有效性，如果施加的约束与实际滑坡运动学行为不一致，反演结果可能出现系统性偏差。此外，对于快速演化的滑坡，InSAR的有效性受到其有限时间分辨率和快速去相关的制约，此时采用实时GNSS定位、地面激光扫描和无人机摄影测量等具有更高时间分辨率的补充监测技术可能更为合适。

1. 5.
   结论与未来方向
   InSAR技术以其广域覆盖、高精度测量和全天候昼夜观测优势，已成为滑坡监测和灾害评估的重要工具。本文系统回顾了InSAR技术在滑坡监测中的研究进展，总结了多时相InSAR方法的发展和应用。现有研究表明，多时相InSAR技术可实现毫米级地表变形监测，并在区域尺度滑坡识别、变形演化分析和灾害风险评估中发挥重要作用。同时，InSAR与光学遥感、GNSS、LiDAR和气象等多源信息的综合使用，正推动滑坡监测从单一变形观测向多维感知和综合解译转变。然而，几何畸变、去相关、大气延迟和三维变形反演能力不足等挑战仍影响着监测精度。未来研究可能集中在以下几个方向：建立自动化和近实时的滑坡监测系统，利用开放获取的SAR数据集和云计算平台实现从数据获取到变形分析的自动化工作流；加强InSAR与光学遥感数据的协同集成，在数据、特征和决策层面实现融合，综合分析“变形监测-边界识别-活动性追踪”；开发人工智能驱动的连续跟踪和预测模型，整合InSAR时间序列与降雨、地形、地质和历史灾害数据，构建基于Transformer或图神经网络的时空框架；增强InSAR观测与物理模型的耦合，将变形时间序列与水文过程模型、地下水响应模型和岩土力学模型相结合；提高复杂环境下的监测鲁棒性和模型可解释性，特别是在高山峡谷、密林区和多云多雨区；推广标准化的地理参考和拉格朗日数据建模框架，采用十进制经纬度元组[dLL]作为统一空间参考，减少坐标格式转换误差，促进多源观测的比较与整合。总体而言，未来研究应推动InSAR应用从灾后识别和静态监测向近实时传感、连续追踪、机理分析和风险预测转变，通过自动化处理、多源数据融合以及数据驱动与物理机制模型的结合，建立更全面的滑坡监测预警框架。