Analysis of spatial-temporal distribution characteristics and influencing factors of land subsidence in Bozhou City, Anhui Province based on SBAS-InSAR technology
-
摘要:
近年来皖北平原地区地面沉降问题相对突出，区域地面沉降驱动力的量化研究尚且匮乏。为深入研究沉降灾害的发育特征，文章以亳州市为例，基于62景Sentinel-1数据，利用SBAS-InSAR技术获取2021年10月至2022年10月期间地面沉降的时空分布特征，并结合地理加权回归模型对亳州市地面沉降主要驱动力进行探讨。研究结果表明：（1）亳州市主体沉降速率为5～30 mm/a，平均沉降速率为5.7 mm/a。（2）最严重沉降区位于涡阳县公吉寺镇北侧，幅值为84.3 mm/a，沉降主要受煤矿开采所致；非采煤沉降区，最大沉降速率为25.8 mm/a，位于谯城区东北侧。（3）各驱动力因素对地面沉降的贡献度从大到小排序为深层水位变幅、中深层水位变幅、中深层地下水埋深、深层地下水埋深、单位面积GDP、松散层厚度、道路密度、人口密度。研究结果可为地质灾害防治提供基础数据支撑。
-
关键词:
- 亳州市 /
- 地面沉降 /
- SBAS-InSAR /
- 地理加权回归模型 /
- 形变驱动力
Abstract:In recent years, land subsidence issues have become relatively prominent in the northern plain area of Anhui province, and there is lack of quantitative research on the driving forces of regional land subsidence. In order to further investigate the developmental characteristics of subsidence disasters and provide scientific, this paper takes Bozhou City as an example. Based on 62 scenes of Sentinel-1 data, SBAS-InSAR technology is employed to obtain the spatial-temporal distribution characteristics of land subsidence from October 2021 to October 2022. Additionally, a geographic weighted regression model is applied to explore the main driving factors of land subsidence in Bozhou city. The research results indicate: (1) The main subsidence rate in Bozhou City ranges from 5 to 30 mm/year,with an average subsidence rate of 5.7 mm /year. (2) The most serious subsidence area is located north of Gongji Temple Town in Woyang County, with an amplitude of 84.3 mm/year, mainly caused by coal mining. In non-coal mining subsidence areas, the maximum subsidence rate is 25.8 mm/year, located in the northeast of Qiaocheng District. (3) The contribution order of various driving factors to ground subsidence is as follows: fluctuation of deep water level, fluctuation of middle-deep water level, burial depth of middle-deep groundwater, burial depth of deep groundwater, GDP per unit area, thickness of loose layer, road density, and population density. The study results can provide basic data support for geological disaster prevention and control.
-
0. 引言
地面沉降又称地面下降或地陷，是指在自然环境和人类建设活动影响下，由于地下松散土层及岩层压缩固结，导致地表标高损失的一种地质现象[1]。造成该现象的自然因素和社会经济因素被认为是地面沉降的驱动力，主要包括水文地质条件、矿产资源开发及地下水开采状况等[2 − 3]。地面沉降形成原因复杂，防护与治理难度较高[4 − 6]，对人民的生命财产安全造成较大的损害。为深入探索沉降机制及其变化规律，国内外学者对沉降监测方法和驱动力因素进行研究，并不断发展新的理论技术[7 − 10]。
传统的地面沉降监测手段主要为水准测量和GNSS，这种局部单点测量的技术不仅成本高而且空间分辨率低，难以识别和监测大面积的地表形变[11]。时序合成孔径雷达干涉测量（time-series interferometric synthetic aperture radar，TS-InSAR）技术不仅周期短、精度高，还能够全天时、全天候地对大范围的地表形变进行监测，极大地弥补了传统监测手段的不足[12]。其中永久散射体雷达干涉[13]（permanent scatterer interferometric synthetic aperture radar，PS-InSAR）和小基线集雷达干涉[14]（small baseline subset interferometric synthetic aperture radar，SBAS-InSAR）最具代表性。PS-InSAR方法能够有效获取高相干目标（如建筑、桥梁及裸岩等）的时序形变信息，但在植被茂盛、稳定散射体稀少的区域，无法取得足量的稳定目标点，易使得形变解算结果产生偏差[15]。而SBAS-InSAR方法是利用慢失相关滤波相位像素点获取地表形变信息，该类点能够在短时段内保持较强的相干性，且普遍存在于自然界中（如草地、裸土等）。因此SBAS-InSAR方法比PS-InSAR方法更适用于大范围区域的形变监测[16 − 17]。
皖北地区的地面沉降问题历来较为突出，亳州市作为安徽省重要的新兴产业基地，其城市地质灾害监测一直受到政府及相关管理部门广泛关注。以往对该区域地面沉降的研究更侧重于观测数据的处理方法以及成因的简单分析[18 − 19]，对于其驱动力的量化研究尚且不足。探求地面沉降的主要驱动因素，能够为地质灾害防治和城市建设提供科学指导。本文以亳州市为研究区，选取2021年10月至2022年10月共62景Sentinel-1数据，利用SBAS-InSAR技术对亳州市地面沉降进行监测，分析亳州市地面沉降的时空分布特征，并基于地理加权回归（geographically weighted regression，GWR）模型，从地质环境、水文地质条件、人类工程活动和经济发展状况等方面对亳州市地面沉降的空间分异进行分析，探究亳州市地面沉降的主要驱动因素。
1. 研究区与数据
1.1 研究区概况
亳州市位于黄淮海平原南端，皖、豫两省交界，全市下辖一区三县，总面积约8522.58 km2（图1）。亳州市地处中朝准地台的淮河台坳二级构造单元，主要发育有褶皱、断裂构造。该地区地形起伏较小，地势西北高、东南低，辖境与黄河决口扇形地相连，总体呈典型的黄淮堆积型地貌[20]。地层属华北地层大区徐淮地层分区，第四系覆盖区内大部分基岩，第四系及新近系松散地层厚度在800～1000 m。亳州市煤炭资源丰富，根据《亳州市矿产资源总体规划（2021—2025年）》，区内现有煤矿产地17处，主要分布在涡阳、蒙城等地，保有资源储量43.50亿吨，占全省煤炭资源储量17.17%。主要含煤层为石炭、二叠系地层，煤层埋深600～1000 m。
亳州市地下水类型可划分为松散岩类孔隙水、碳酸盐岩类裂隙溶洞水和基岩裂隙水三种类型。按照含水层的埋藏条件，可进一步划分为浅层孔隙含水层组（50 m以浅）、中深层隙含水层组（50～165 m）、深层孔隙含水层组（165～660 m）、超深层孔隙含水层组（660～900 m）。根据《2021年亳州市水资源公报》，亳州市地下水资源总量约为15.67×108 m3，浅层地下水供水量4.59×108 m3，中深层地下水供水量为1.47×108 m3。全市域内已形成9个超采区，总面积约980.9 km2，其中浅层地下水超采区开采量约0.4×108 m3/a，中深层地下水超采区开采量约1.38×108 m3/a。
1.2 数据
1.2.1 Sentinel-1
Sentinel-1卫星是欧洲航天局发射的地球观测卫星，重访周期为12天，具有干涉宽幅（IW）、超宽幅（EW）、波（WV）和带状图（SM）四种工作模式。本文选取2021年10月至2022年10月间，共62景升轨Sentinel-1干涉宽幅（IW）模式的SLC影像用于形变监测，数据的基本参数见表1。
表 1. Sentinel-1卫星数据参数表Table 1. Parameters of Sentinel-1 satellite data参数 数值 监测日期 轨道高度/km 700 2021-10-02、2021-10-14、2021-10-26、
2021-11-07、2021-11-19、2021-12-01、
2021-12-13、2022-01-06、2022-01-18、
2022-01-30、2022-02-11、2022-02-23、
2022-03-07、2022-03-19、2022-03-31、
2022-04-12、2022-04-24、2022-05-06、
2022-05-18、2022-05-30、2022-06-11、
2022-06-23、2022-07-05、2022-07-17、
2022-07-29、2022-08-10、2022-08-22、
2022-09-03、2022-09-15、2022-09-27、
2022-10-09重访周期/d 12 入射角/（°） 29～46 分辨率/m 5×20 幅宽/m 250 极化方式 VV 轨道号 142,101 / 142,106 | Show Table
DownLoad:
CSV
1.2.2 SRTM DEM
SRTM数据由美国国家航空航天局（NASA）和美国国家地理空间情报局（NGA）生产并面向全球用户免费发布，该数据覆盖了全球约五分之四的陆地表面，分辨率为30 m，高程精度为±16 m。本文中用于去除干涉测量过程中由地形起伏因素导致的地形相位。
1.2.3 其它数据
驱动力因子的选择主要依据研究区地质环境、水文地质条件、人类工程活动和经济发展状况四方面的综合影响，共选取8个指标，分别为松散层厚度、中深层地下水埋深、深层地下水埋深、中深层水位变幅、深层水位变幅、道路密度、人口密度和单位面积GDP。
2. 方法原理与数据处理
2.1 地面沉降监测
2.1.1 SBAS-InSAR原理
将覆盖研究区的N+1幅影像进行配准后，参照一定的阈值组成M个干涉对[21]，则有：
N+12⩽M⩽N(N+1)2 (1) 假设第i（i∈1, 2, ···, M）个干涉对的主辅影像获取时间为ta和tb（其中tb在ta之后），并且其干涉相位中除去形变相位的部分已被剔除，则该干涉对的相位可以表示为：
Δφ(ta,tb)j=φtb−φta (2) 那么M个干涉对的形变相位可以表示为如下矩阵形式：
Δφ=[Δφ1,Δφ2,Δφ3,⋯,ΔφM]T (3) 每个干涉都可以产生一个观测方程，结合式（2）（3），可以组成具有M个观测方程的方程组，其中有N个待求未知数，矩阵形式方程组如下：
Aφ=Δφ (4) 式中：A——M×N的系数矩阵。
若矩阵A的秩r（A）大于N，则可以通过最小二乘法求解式（4），公式如下：
φ=(ATA)−1ATΔφ (5) 但在实际计算中，r(A)通常小于N，无法求得ATA矩阵的逆矩阵，此时则对矩阵A进行奇异值分解，分解形式如下：
A=USVT (6) 式中：U——M×M阶正交矩阵，由AAT的特征向量组成；
S——M阶对角矩阵；
V——由ATA的特征向量组成的N×M阶正交矩阵。
A+=VS+UT (7) φ=A+Δφ (8) 式中：UT——U的转置矩阵；
A+、S+——矩阵A、矩阵S的广义逆矩阵。
将求解出时序形变量φ，除以形变所对应的时间间隔，即可求解出对应的形变速率。
2.1.2 数据处理流程
SBAS-InSAR技术路线如图2所示，获取地面形变信息的流程主要包括两部分：数据预处理和SBAS-InSAR工作流。本研究使用ENVI平台的SARscape对Sentinel-1数据进行处理，SARscape是由sarmap公司开发的一款专业的雷达影像处理软件，已被广泛应用于处理ERS-1/2、RADARSAT-1/2、ENVISAT ASAR、ALOS PALSAR以及 Sentinel-1（哨兵）等一系列星载雷达数据[22 − 25]。
Sentinel-1数据预处理步骤如下：①将数据导入为SARscape的标准格式；②对同一时期两景SAR影像进行镶嵌；③按照研究区范围对数据进行裁剪。对预处理后的影像进行SBAS-InSAR处理，主要流程包括：①对输入数据以最优的组合方式配对；②配对后的像对进行干涉处理；③利用控制点对所有数据重去平；④去除大气相位并估算形变速率；⑤地理编码，将形变结果投影到地理坐标系上。
2.2 地理加权回归模型
空间关系具有异质性和非平稳性规律，为了对空间数据进行精确局部描述，Fotheringham基于局部光滑的思想提出了地理加权回归模型（geographical weighted regression , GWR）[26]。GWR实质上是一种空间变系数回归模型[27]，可以根据空间数据的位置信息生成对应的局部回归系数，从而对变量的局部空间关系与空间异质性进行合理的解释[28]。
2.2.1 模型构建
运用GWR模型进行回归分析时，考虑到因子间的多重共线性问题会影响模型的可靠性，因此本文首先计算各因子的方差膨胀因子（VIF）。结果显示（表2），各因子的VIF均处于0到10之间[29]，表明因子间不存在多重共线性。
表 2. 模型多重共线性检验Table 2. Model multicollinearity test因子 VIF 因子 VIF 中深层地下水埋深 1.234526 松散层厚度 1.519002 中深层水位变幅 1.625721 人口密度 1.116396 深层水位变幅 1.681352 道路密度 1.053348 深层地下水埋深 2.087465 单位面积GDP 2.481104 | Show TableDownLoad:
CSV
在此基础上，对亳州市地面沉降建立GWR模型如下：
yi=p∑i=0βj(ui,vi)xij+εii=1,2,⋯,n (9) 式中：yi——响应变量；
βj(ui, vi)——第i个样本点在(ui, vi)处的第j个回归 参数；
xij——影响因素；
εi——随机误差项。
采用赤池信息准则最优带宽策略，构建不同运行模式下的活动强度GWR模型[27]，结果如表3所示。地面沉降GWR模型的可决系数（R2）为0.394583，表明自变量与因变量之间具有相关性。校正可决系数（adjusted R2）是0.373125，说明可解释因变量在模型中具有较高比例。
表 3. 2022年地面沉降GWR回归模型参数Table 3. Ground subsidence GWR regression model parameters for 2022监测年份 带宽 赤池信息准则 可决系数 校正可决系数 2022年 824 11850.657545 0.394583 0.373125 | Show TableDownLoad:
CSV
3. 结果
3.1 精度验证
为验证本文中研究区地面沉降数据的可靠性，选取谯城区周围3个同期水准点测量值与SBAS-InSAR监测结果进行对比。结果（表4）显示，SBAS-InSAR结果与水准测量值的误差在1 mm以内，说明监测结果具有较高的可信度。
表 4. SBAS-InSAR监测结果与水准数据对比Table 4. Comparison between SBAS-InSAR monitoring results and leveling data点名 实测形变量/mm SBAS-InSAR监测的形变量/mm 差值/mm BJ01 3 3.83 0.83 BJ02 −1 −0.54 −0.46 BXJ08 −4 −3.78 −0.22 | Show TableDownLoad:
CSV
监测结果与实测数据间存在一定误差，主要是因为SAR影像在干涉过程中受到大气延迟、地形起伏和失相干等多种因素影响产生的误差。此外，水准测量获取的是单个监测点的高程变化，而SBAS-InSAR结果则是一个单元格网（面状）的平均形变量，二者不一定完全对应。
3.2 地面沉降时空分布特征
通过SBAS-InSAR处理，得到2021年10月至2022年10月内亳州市地表形变速率（图3）。亳州市整体沉降速率为5～30 mm/a，平均沉降速率为5.7 mm/a。地面沉降主要分布于谯城区东北部、涡阳县城、利辛县城以及蒙城县的部分地区；沉降最严重区域位于涡阳县公吉寺镇以北，受煤矿开采影响，沉降速率幅值达到84.3 mm/a；谯城区东北侧的地面沉降幅值为25.8 mm/a；在利辛县城及蒙城县的部分地区内，大多数区域地面沉降速率幅度小于10 mm/a水平，局部区域地面沉降幅度达到20 mm/a水平。
图 3. 亳州市2021年10月至2022年10月形变速率分布图Figure 3. Distribution map of the subsiding rate of Bozhou from October 2021 to October 2022监测时段内沿雷达视线向（Line of Sight, LOS）的时序累计形变量如图4所示。在涡阳县中部、谯城区东北部、利辛县西部以及蒙城县中部，均监测到明显形变，形变量随时间推移逐渐增大。截至观测结束，涡阳县受煤矿开采影响区域，累积沉降量幅值达到83.4 mm，其余地区最大累计沉降量为27.3 mm；亳州市大部分区域地表累计沉降量处于5～30 mm水平，平均累计沉降量为7.3 mm左右。
3.3 地理加权回归模型构建结果
为了能够有效地掌握建模数据的分布情况，本文使用最小值、中值、最大值及平均值对模型运算结果进行叙述性统计。各建模变量拟合系数如表5所示，当系数为正时，自变量与因变量呈正相关关系；当系数为负时，自变量与因变量呈负相关关系，且拟合系数的绝对值越大，相关性越强。因此，各因素对地面沉降的贡献度排序依次为深层水位变幅、中深层水位变幅、中深层地下水埋深、深层地下水埋深、单位面积GDP、松散层厚度、道路密度、人口密度。
表 5. 模型运算结果叙述性统计Table 5. Descriptive statistics of model calculation results变量 最小值 中值 最大值 平均值 深层水位变幅 -1.487 0.938 7.769 3.141 中深层水位变幅 -1.482 0.602 2.674 0.596 中深层地下水埋深 -0.747 -0.311 0.065 -0.341 深层地下水埋深 -0.293 -0.050 0.085 -0.104 单位面积GDP -0.003 0.000 0.001 -0.001 松散层厚度 -0.014 0.000 0.013 -0.0005 道路密度 -0.000 0.000 0.001 0.0005 人口密度 -0.001 0.000 0.001 0.000 | Show TableDownLoad:
CSV
4. 讨论
4.1 采煤区地面沉降影响因素
亳州市煤矿资源主要分布在涡阳、蒙城两县，其中涡阳县现有矿产地13处，是区内主要的采煤区。结合驱动力因子回归结果与煤炭实际开采情况可知，采煤区沉降受地下水抽取与煤矿开采共同影响，而煤矿开采是沉降严重区域形变的主导因素。驱动力因子回归系数显示，采煤区地面沉降与中深层水位变幅，见图5（c）、深层水位变幅，见图5（d）呈显著正相关，说明地下水水位变化对地面沉降具有一定贡献。而该地区沉降最严重区域位于涡阳县公吉寺镇以北的信湖煤矿，最大沉降达83.4 mm。信湖煤矿于2021年9月16日正式投产，随着采矿活动的进行，矿区沉降速率持续加快。煤炭被采出后，形成采空区，随着采空区范围不断扩张，采空区上部覆岩和周围岩体的应力平衡遭到破坏，覆岩受到的重力作用逐渐增加，当压力超过临界值后，煤层顶板及周围岩体发生弯曲、断裂和垮落，导致整个上覆岩层的变形和移动，最终在地表形成大范围塌陷坑[30]。
4.2 非采煤区地面沉降影响因素
非采煤沉降区主要位于谯城区东北部与利辛县西部，累计沉降量幅值为27.3 mm。驱动力因子回归系数显示，地下水状况与非采煤区地面沉降相关性较强，中深层水位变幅，见图5（c）和深层水位变幅，见图5（d）与地面沉降呈现正相关。自20世纪80年代以来，亳州市城市经济持续发展，人口迅速增长，对地下水资源的需求量也逐年增加。据有关资料估测[20]，亳州市目前地下水日开采量在3.5×105 m3左右，深层地下水开采量在1.9×105 m3。对深层地下水的过度开采，诱使承压水头持续降低，降落漏斗面积不断扩大。当水头压力差作用于下伏黏性土层时，黏性土层的中低压缩性，会导致其越流或者压密释水，引起自身测压水头下降，使土体被纵向压缩；而砂性含水层受水头减小的影响，会释放出一部分储存的水，使得含水层内部的应力状态发生变化。原本承压水头支撑的上覆载荷被转移至含水层砂砾间，致使砂砾间的有效压力增加，含水层被垂直压缩。在地表上监测到的沉降量，即为降落漏斗范围内黏性土层与含水砂性土层的压缩量之和[31]。
4.3 地质因素对地面沉降的影响
松散层厚度与地面沉降的关系如图5（e）所示，在亳州市中部和西南部回归系数为负，对地面沉降起抑制作用；在北部和南部回归系数为正，对地面沉降起促进作用。亳州市地处淮北平原，地下发育有第四系和新近系松散沉积物[20]，构成了地面沉降的物质基础。城市公共设施建设快速发展，城市建筑物的荷载不断增加，导致松散层被压实，进而引发地面沉降[22]；另一方面，松散层中不同土层持水性具有的很大差异，过度开采地下水，使得土层颗粒间的有效应力增大，孔隙体积被压缩，导致地面沉降。
5. 结论
本文利用2021年10月至2022年10月期间62景Sentinel-1卫星SAR影像，采用SBAS-InSAR技术获取了亳州市该时段内的地面形变速率及累计形变量，并对地面沉降的时空格局以及驱动力因素进行了分析，结果如下：
（1）亳州市全域地面基本稳定，但局部地区存在明显的地面沉降现象。2021年10月至2022年10月期间，亳州市地面沉降最严重区域位于涡阳县公吉寺镇以北，幅值为84.3 mm/a，主要受煤矿开采影响所致。其他因采水导致地面沉降最大速率为25.8 mm/a，位于谯城区东北侧。
（2）监测时段内，涡阳县中部、谯城区东北部、利辛县西部以及蒙城县中部均监测到明显形变，并且形变量随时间推移逐渐增大，亳州市整体平均累计沉降量为7.3 mm左右，采煤沉降区累计沉降量幅值为83.4 mm，非采煤沉降区累计沉降量幅值为27.3 mm。
（3）各驱动力因素对地面沉降的贡献度排序为深层水位变幅、中深层水位变幅、中深层地下水埋深、深层地下水埋深、单位面积GDP、松散层厚度、道路密度、人口密度。
-
表 1 Sentinel-1卫星数据参数表
Table 1. Parameters of Sentinel-1 satellite data
参数 数值 监测日期 轨道高度/km 700 2021-10-02、2021-10-14、2021-10-26、
2021-11-07、2021-11-19、2021-12-01、
2021-12-13、2022-01-06、2022-01-18、
2022-01-30、2022-02-11、2022-02-23、
2022-03-07、2022-03-19、2022-03-31、
2022-04-12、2022-04-24、2022-05-06、
2022-05-18、2022-05-30、2022-06-11、
2022-06-23、2022-07-05、2022-07-17、
2022-07-29、2022-08-10、2022-08-22、
2022-09-03、2022-09-15、2022-09-27、
2022-10-09重访周期/d 12 入射角/（°） 29～46 分辨率/m 5×20 幅宽/m 250 极化方式 VV 轨道号 142,101 / 142,106
下载: 导出CSV
表 2 模型多重共线性检验
Table 2. Model multicollinearity test
因子 VIF 因子 VIF 中深层地下水埋深 1.234526 松散层厚度 1.519002 中深层水位变幅 1.625721 人口密度 1.116396 深层水位变幅 1.681352 道路密度 1.053348 深层地下水埋深 2.087465 单位面积GDP 2.481104
下载: 导出CSV
表 3 2022年地面沉降GWR回归模型参数
Table 3. Ground subsidence GWR regression model parameters for 2022
监测年份 带宽 赤池信息准则 可决系数 校正可决系数 2022年 824 11850.657545 0.394583 0.373125
下载: 导出CSV
表 4 SBAS-InSAR监测结果与水准数据对比
Table 4. Comparison between SBAS-InSAR monitoring results and leveling data
点名 实测形变量/mm SBAS-InSAR监测的形变量/mm 差值/mm BJ01 3 3.83 0.83 BJ02 −1 −0.54 −0.46 BXJ08 −4 −3.78 −0.22
下载: 导出CSV
表 5 模型运算结果叙述性统计
Table 5. Descriptive statistics of model calculation results
变量 最小值 中值 最大值 平均值 深层水位变幅 -1.487 0.938 7.769 3.141 中深层水位变幅 -1.482 0.602 2.674 0.596 中深层地下水埋深 -0.747 -0.311 0.065 -0.341 深层地下水埋深 -0.293 -0.050 0.085 -0.104 单位面积GDP -0.003 0.000 0.001 -0.001 松散层厚度 -0.014 0.000 0.013 -0.0005 道路密度 -0.000 0.000 0.001 0.0005 人口密度 -0.001 0.000 0.001 0.000
下载: 导出CSV
-
[1] 曹群,陈蓓蓓,宫辉力,等. 基于SBAS和IPTA技术的京津冀地区地面沉降监测[J]. 南京大学学报(自然科学),2019,55(3):381 − 391. [CAO Qun,CHEN Beibei,GONG Huili,et al. Monitoring of land subsidence in Beijing-Tianjin-Hebei Urban by combination of SBAS and IPTA[J]. Journal of Nanjing University (Natural Science),2019,55(3):381 − 391. (in Chinese with English abstract)
CAO Qun, CHEN Beibei, GONG Huili, et al. Monitoring of land subsidence in Beijing-Tianjin-Hebei Urban by combination of SBAS and IPTA[J]. Journal of Nanjing University （Natural Science）, 2019, 55（3）: 381-391. （in Chinese with English abstract）
[2] 杨魁,闫利,黄国满,等. InSAR和地表覆盖的地表沉降驱动力分析[J]. 测绘科学,2019,44(1):42 − 47. [YANG Kui,YAN Li,HUANG Guoman,et al. Research on the change of urban subsidence based on InSAR and land cover of national geographic conditions[J]. Science of Surveying and Mapping,2019,44(1):42 − 47. (in Chinese with English abstract)
YANG Kui, YAN Li, HUANG Guoman, et al. Research on the change of urban subsidence based on InSAR and land cover of national geographic conditions[J]. Science of Surveying and Mapping, 2019, 44（1）: 42-47. （in Chinese with English abstract）
[3] 朱邦彦,唐超,任志忠,等. 基于PS-InSAR技术的珠海市地表形变监测与驱动力分析[J]. 测绘通报,2022(6):108 − 113. [ZHU Bangyan,TANG Chao,REN Zhizhong,et al. Surface deformation monitoring and driving force analysis in Zhuhai city based on PS-InSAR technology[J]. Bulletin of Surveying and Mapping,2022(6):108 − 113. (in Chinese with English abstract)
ZHU Bangyan, TANG Chao, REN Zhizhong, et al. Surface deformation monitoring and driving force analysis in Zhuhai city based on PS-InSAR technology[J]. Bulletin of Surveying and Mapping, 2022（6）: 108-113. （in Chinese with English abstract）
[4] 尹承深,刘全明,王福强. 基于Sentinel-1A SAR数据的呼和浩特城区地表形变分析[J]. 中国地质灾害与防治学报,2023,34(2):73 − 81. [YIN Chengshen,LIU Quanming,WANG Fuqiang. Surface deformation analysis of Hohhot urban area based on SAR data from Sentinel-1A[J]. The Chinese Journal of Geological Hazard and Control,2023,34(2):73 − 81. (in Chinese with English abstract)
YIN Chengshen, LIU Quanming, WANG Fuqiang. Surface deformation analysis of Hohhot urban area based on SAR data from Sentinel-1A[J]. The Chinese Journal of Geological Hazard and Control, 2023, 34（2）: 73-81. （in Chinese with English abstract）
[5] 戴真印,刘岳霖,张丽平,等. 基于改进时序InSAR技术的东莞地面沉降时空演变特征[J]. 中国地质灾害与防治学报,2023,34(1):58 − 67. [DAI Zhenyin,LIU Yuelin,ZHANG Liping,et al. Spatial-temporal evolution characteristics of land subsidence in Dongguan City based on improved InSAR technology[J]. The Chinese Journal of Geological Hazard and Control,2023,34(1):58 − 67. (in Chinese with English abstract)
DAI Zhenyin, LIU Yuelin, ZHANG Liping, et al. Spatial-temporal evolution characteristics of land subsidence in Dongguan City based on improved InSAR technology[J]. The Chinese Journal of Geological Hazard and Control, 2023, 34（1）: 58-67. （in Chinese with English abstract）
[6] 董少春,种亚辉,胡欢,等. 基于时序InSAR的常州市2015—2018年地面沉降监测[J]. 南京大学学报(自然科学),2019,55(3):370 − 380. [DONG Shaochun,CHONG Yahui,HU Huan,et al. Ground subsidence monitoring during 2015-2018 in Changzhou based on time series InSAR method[J]. Journal of Nanjing University (Natural Science),2019,55(3):370 − 380. (in Chinese with English abstract)
DONG Shaochun, CHONG Yahui, HU Huan, et al. Ground subsidence monitoring during 2015-2018 in Changzhou based on time series InSAR method[J]. Journal of Nanjing University （Natural Science）, 2019, 55（3）: 370-380. （in Chinese with English abstract）
[7] 郭世鹏,张王菲,康伟,等. 融合PS、SBAS、DS InSAR技术的昆明地面沉降研究[J]. 遥感技术与应用,2022,37(2):460 − 473. [GUO Shipeng,ZHANG Wangfei,KANG Wei,et al. The study on land subsidence in Kunming by integrating PS,SBAS and DS InSAR[J]. Remote Sensing Technology and Application,2022,37(2):460 − 473. (in Chinese with English abstract)
GUO Shipeng, ZHANG Wangfei, KANG Wei, et al. The study on land subsidence in Kunming by integrating PS, SBAS and DS InSAR[J]. Remote Sensing Technology and Application, 2022, 37（2）: 460-473. （in Chinese with English abstract）
[8] 陈毅,何毅,张立峰,等. 长短时记忆网络TS-InSAR地表形变预测[J]. 遥感学报,2022,26(7):1326 − 1341. [CHEN Yi,HE Yi,ZHANG Lifeng,et al. Surface deformation prediction based on TS-InSAR technology and long short-term memory networks[J]. National Remote Sensing Bulletin,2022,26(7):1326 − 1341. (in Chinese with English abstract) doi: 10.11834/jrs.20221457
CHEN Yi, HE Yi, ZHANG Lifeng, et al. Surface deformation prediction based on TS-InSAR technology and long short-term memory networks[J]. National Remote Sensing Bulletin, 2022, 26（7）: 1326-1341. （in Chinese with English abstract） doi: 10.11834/jrs.20221457
[9] ZHANG Peng,GUO Zihao,GUO Shuangfeng,et al. Land subsidence monitoring method in regions of variable radar reflection characteristics by integrating PS-InSAR and SBAS-InSAR techniques[J]. Remote Sensing,2022,14(14):3265. doi: 10.3390/rs14143265
[10] 张凯翔,张占荣,于宪煜. SBAS-InSAR和PS-InSAR技术在鲁西南某线性工程沿线地面沉降成因分析中的应用[J]. 中国地质灾害与防治学报,2022,33(4):65 − 76. [ZHANG Kaixiang,ZHANG Zhanrong,YU Xianyu. Application of SBAS-InSAR and PS-InSAR technologies in analysis of landslide subsidence along a linear infrastructure in Southwestern Shandong[J]. The Chinese Journal of Geological Hazard and Control,2022,33(4):65 − 76. (in Chinese with English abstract)
ZHANG Kaixiang, ZHANG Zhanrong, YU Xianyu. Application of SBAS-InSAR and PS-InSAR technologies in analysis of landslide subsidence along a linear infrastructure in Southwestern Shandong[J]. The Chinese Journal of Geological Hazard and Control, 2022, 33（4）: 65-76. （in Chinese with English abstract）
[11] 何秀凤,高壮,肖儒雅,等. InSAR与北斗/GNSS综合方法监测地表形变研究现状与展望[J]. 测绘学报,2022,51(7):1338 − 1355. [HE Xiufeng,GAO Zhuang,XIAO Ruya,et al. Application and prospect of the integration of InSAR and BDS/GNSS for land surface deformation monitoring[J]. Acta Geodaetica et Cartographica Sinica,2022,51(7):1338 − 1355. (in Chinese with English abstract)
HE Xiufeng, GAO Zhuang, XIAO Ruya, et al. Application and prospect of the integration of InSAR and BDS/GNSS for land surface deformation monitoring[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51（7）: 1338-1355. （in Chinese with English abstract）
[12] 李志伟,许文斌,胡俊,等. InSAR部分地学参数反演[J]. 测绘学报,2022,51(7):1458 − 1475. [LI Zhiwei,XU Wenbin,HU Jun,et al. Partial geoscience parameters inversion from InSAR observation[J]. Acta Geodaetica et Cartographica Sinica,2022,51(7):1458 − 1475. (in Chinese with English abstract)
LI Zhiwei, XU Wenbin, HU Jun, et al. Partial geoscience parameters inversion from InSAR observation[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51（7）: 1458-1475. （in Chinese with English abstract）
[13] FERRETTI A,PRATI C,ROCCA F. Permanent scatterers in SAR interferometry[J]. IEEE Transactions on Geoscience and Remote Sensing,2001,39(1):8 − 20. doi: 10.1109/36.898661
[14] BERARDINO P,FORNARO G,LANARI R,et al. A new algorithm for surface deformation monitoring based on small baseline differential SAR interferograms[J]. IEEE Transactions on Geoscience and Remote Sensing,2002,40(11):2375 − 2383. doi: 10.1109/TGRS.2002.803792
[15] 高胜,曾琪明,焦健,等. 永久散射体雷达干涉研究综述[J]. 遥感技术与应用,2016,31(1):86 − 94. [GAO Sheng,ZENG Qiming,JIAO Jian,et al. A review on persistent scatterer interferometric synthetic aperture radar[J]. Remote Sensing Technology and Application,2016,31(1):86 − 94. (in Chinese with English abstract)
GAO Sheng, ZENG Qiming, JIAO Jian, et al. A review on persistent scatterer interferometric synthetic aperture radar[J]. Remote Sensing Technology and Application, 2016, 31（1）: 86-94. （in Chinese with English abstract）
[16] 朱建军,李志伟,胡俊. InSAR变形监测方法与研究进展[J]. 测绘学报,2017,46(10):1717 − 1733. [ZHU Jianjun,LI Zhiwei,HU Jun. Research progress and methods of InSAR for deformation monitoring[J]. Acta Geodaetica et Cartographica Sinica,2017,46(10):1717 − 1733. (in Chinese with English abstract) doi: 10.11947/j.AGCS.2017.20170350
ZHU Jianjun, LI Zhiwei, HU Jun. Research progress and methods of InSAR for deformation monitoring[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46（10）: 1717-1733. （in Chinese with English abstract） doi: 10.11947/j.AGCS.2017.20170350
[17] 潘建平,邓福江,徐正宣,等. 基于轨道精炼控制点精选的极艰险区域时序InSAR地表形变监测[J]. 中国地质灾害与防治学报,2021,32(5):98 − 104. [PAN Jianping,DENG Fujiang,XU Zhengxuan,et al. Time series InSAR surface deformation monitoring in extremely difficult area based on track refining control points selection[J]. The Chinese Journal of Geological Hazard and Control,2021,32(5):98 − 104. (in Chinese with English abstract)
PAN Jianping, DENG Fujiang, XU Zhengxuan, et al. Time series InSAR surface deformation monitoring in extremely difficult area based on track refining control points selection[J]. The Chinese Journal of Geological Hazard and Control, 2021, 32（5）: 98-104. （in Chinese with English abstract）
[18] 王守沛,胡留洋. 基于D-InSAR技术在亳州市地面沉降分析[J]. 西部探矿工程,2020,32(7):114 − 116. [WANG Shoupei,HU Liuyang. Analysis of land subsidence in Bozhou city based on D-InSAR technology[J]. West-China Exploration Engineering,2020,32(7):114 − 116. (in Chinese)
WANG Shoupei, HU Liuyang. Analysis of land subsidence in Bozhou city based on D-InSAR technology[J]. West-China Exploration Engineering, 2020, 32（7）: 114-116. （in Chinese）
[19] 彭鹏. 基于SBAS技术的亳州市地面沉降遥感监测应用研究[J]. 西部资源,2016(4):152 − 155. [PENG Peng. Bozhou city ground subsidence monitoring based on SBAS[J]. Westem Resources,2016(4):152 − 155. (in Chinese with English abstract)
PENG Peng. Bozhou city ground subsidence monitoring based on SBAS[J]. Westem Resources, 2016（4）: 152-155. （in Chinese with English abstract）
[20] 辛洪光,朱虎,辛翌龙. 亳州市地面沉降成因分析与防治对策[J]. 城市与减灾,2021(3):34 − 38. [XIN Hongguang,ZHU Hu,XIN Yilong. Cause analysis and controlling countermeasures of surface subsidence in Bozhou City,Anhui Province[J]. City and Disaster Reduction,2021(3):34 − 38. (in Chinese)
XIN Hongguang, ZHU Hu, XIN Yilong. Cause analysis and controlling countermeasures of surface subsidence in Bozhou city, Anhui Province[J]. City and Disaster Reduction, 2021（3）: 34-38. （in Chinese）
[21] 潘光永,陶秋香,陈洋,等. 基于SBAS-InSAR的山东济阳矿区沉降监测与分析[J]. 中国地质灾害与防治学报,2020,31(4):100 − 106. [PAN Guangyong,TAO Qiuxiang,CHEN Yang,et al. Monitoring and analysis of sedimentation in Jiyang mining area of Shandong Province based on SBAS-InSAR[J]. The Chinese Journal of Geological Hazard and Control,2020,31(4):100 − 106. (in Chinese with English abstract)
PAN Guangyong, TAO Qiuxiang, CHEN Yang, et al. Monitoring and analysis of sedimentation in Jiyang mining area of Shandong Province based on SBAS-InSAR[J]. The Chinese Journal of Geological Hazard and Control, 2020, 31（4）: 100-106. （in Chinese with English abstract）
[22] 莫莉,王贤能. 基于PS-InSAR技术的后海深槽地面及建筑物形变监测分析[J]. 中国地质灾害与防治学报,2023,34(1):68 − 74. [MO Li,WANG Xianneng. Monitoring and analysis of ground and building settlement of deep trough in Houhai based on PS-InSAR technology[J]. The Chinese Journal of Geological Hazard and Control,2023,34(1):68 − 74. (in Chinese with English abstract)
MO Li, WANG Xianneng. Monitoring and analysis of ground and building settlement of deep trough in Houhai based on PS-InSAR technology[J]. The Chinese Journal of Geological Hazard and Control, 2023, 34（1）: 68-74. （in Chinese with English abstract）
[23] 杨正荣,喜文飞,史正涛,等. 基于SBAS-InSAR技术的白鹤滩水电站库岸潜在滑坡变形分析[J]. 中国地质灾害与防治学报,2022,33(5):83 − 92. [YANG Zhengrong,XI Wenfei,SHI Zhengtao,et al. Deformation analysis in the bank slopes in the reservoir area of Baihetan Hydropower Station based on SBAS-InSAR technology[J]. The Chinese Journal of Geological Hazard and Control,2022,33(5):83 − 92. (in Chinese with English abstract)
YANG Zhengrong, XI Wenfei, SHI Zhengtao, et al. Deformation analysis in the bank slopes in the reservoir area of Baihetan Hydropower Station based on SBAS-InSAR technology[J]. The Chinese Journal of Geological Hazard and Control, 2022, 33（5）: 83-92. （in Chinese with English abstract）
[24] 蒲川豪,许强,蒋亚楠,等. 延安新区地面沉降分布及影响因素的时序InSAR监测分析[J]. 武汉大学学报(信息科学版),2020,45(11):1728 − 1738. [PU Chuanhao,XU Qiang,JIANG Yanan,et al. Analysis of land subsidence distribution and influencing factors in Yan’an new district based on time series InSAR[J]. Geomatics and Information Science of Wuhan University,2020,45(11):1728 − 1738. (in Chinese with English abstract)
PU Chuanhao, XU Qiang, JIANG Yanan, et al. Analysis of land subsidence distribution and influencing factors in Yan’an new district based on time series InSAR[J]. Geomatics and Information Science of Wuhan University, 2020, 45（11）: 1728-1738. （in Chinese with English abstract）
[25] 叶勇超,闫超德,罗先学,等. 时序InSAR郑州地铁沿线地面沉降分析[J]. 遥感学报,2022,26(7):1342 − 1353. [YE Yongchao,YAN Chaode,LUO Xianxue,et al. Analysis of ground subsidence along Zhengzhou metro based on time series InSAR[J]. National Remote Sensing Bulletin,2022,26(7):1342 − 1353. (in Chinese with English abstract) doi: 10.11834/jrs.20211246
YE Yongchao, YAN Chaode, LUO Xianxue, et al. Analysis of ground subsidence along Zhengzhou metro based on time series InSAR[J]. National Remote Sensing Bulletin, 2022, 26（7）: 1342-1353. （in Chinese with English abstract） doi: 10.11834/jrs.20211246
[26] BRUNSDON C,FOTHERINGHAM A S,CHARLTON M E. Geographically weighted regression:A method for exploring spatial nonstationarity[J]. Geographical Analysis,2010,28(4):281 − 298. doi: 10.1111/j.1538-4632.1996.tb00936.x
[27] 张扬. 武汉市地面沉降时空格局、驱动因子及水文效应研究[D]. 武汉: 武汉大学, 2019
ZHANG Yang. Spatial-temporal patterns, driving forces and hydrological effects of land subsidence: A case study of Wuhan City, China[D]. Wuhan: Wuhan University, 2019. （in Chinese with English abstract）
[28] 张琦,曹蔚宁,延书宁. 旅游发展对城乡收入差距影响的空间异质性—基于多尺度地理加权回归模型(MGWR)[J]. 中国地质大学学报(社会科学版),2022,22(5):112 − 123. [ZHANG Qi,CAO Weining,YAN Shuning. Spatial heterogeneity of the impact of tourism development on urban-rural income gap in china—based on multi-scale geographically weighted regression model(MGWR)[J]. Journal of China University of Geosciences (Social Sciences Edition),2022,22(5):112 − 123. (in Chinese with English abstract)
ZHANG Qi, CAO Weining, YAN Shuning. Spatial heterogeneity of the impact of tourism development on urban-rural income gap in china—based on multi-scale geographically weighted regression model（MGWR）[J]. Journal of China University of Geosciences （Social Sciences Edition）, 2022, 22（5）: 112-123. （in Chinese with English abstract）
[29] JI Yanjie,MA Xinwei,YANG Mingyuan,et al. Exploring spatially varying influences on metro-bikeshare transfer:A geographically weighted Poisson regression approach[J]. Sustainability,2018,10(5):1526. doi: 10.3390/su10051526
[30] 梁勇旗,杜守华. 浅谈煤矿采空区的塌陷机理及发展因素[J]. 岩土工程界,2008(8):35 − 37. [LIANG Yongqi,DU Shouhua. Discussion on collapse mechanism and development factors of coal mine goaf[J]. Geotechnical Engineering World,2008(8):35 − 37. (in Chinese)
LIANG Yongqi, DU Shouhua. Discussion on collapse mechanism and development factors of coal mine goaf[J]. Geotechnical Engineering World, 2008（8）: 35-37. （in Chinese）
[31] 黄多成,王守沛. 亳州市城市环境地质问题及防治对策浅析[J]. 地下水,2020,42(4):126 − 128. [HUANG Duocheng,WANG Shoupei. A brief analysis of Bozhou City environmental geological problems and countermeasures[J]. Ground Water,2020,42(4):126 − 128. (in Chinese with English abstract)
HUANG Duocheng, WANG Shoupei. A brief analysis of Bozhou city environmental geological problems and countermeasures[J]. Ground Water, 2020, 42（4）: 126-128. （in Chinese with English abstract）
期刊类型引用(5)
1. 王勇，邢振涛，李锁，闫勇，司甜. 基于SBAS-InSAR和光学遥感的天津市北部山区潜在滑坡识别研究. 灾害学. 2025(01): 30-35 . 
百度学术
2. 谢哲，侯照方，谢杰. 基于钻探及室内试验的蒙城县地面沉降量预测. 能源技术与管理. 2025(01): 24-26 . 百度学术
3. 李幸丽，戴华阳，方军，张豪磊. 基于SBAS-InSAR技术的老采空区注浆充填地表变形时空分布特征分析. 中国矿业. 2024(11): 86-94 . 百度学术
4. 马恩华，李益敏，俞文轩，吕圣彬. 基于InSAR的玉溪市红塔区地面沉降时空分布特征. 人民长江. 2024(S2): 113-120 . 百度学术
5. 李松虎. 亳州市地下水超采现状及存在问题分析. 治淮. 2023(11): 7-9 . 百度学术
其他类型引用(1)
-
图(5)
表(5)
计量
- 文章访问数: 1115
- PDF下载数: 84
- 施引文献: 6