科 研 经 历

InSAR和高光谱联合的地表沉降半自动风险评估和快速成因分析

2024.09 ~ 2026.02
研究框架图

研究框架 整体架构

本项目面向区域生态保护需求，构建了由三大核心模块组成的联合分析框架：

1. SBAS-InSAR 时序形变监测：处理 Sentinel-1 影像，提取高精度形变信息。
2. 高光谱图像分类：基于 SAM-Transformer 框架实现精细化地物分类。
3. 联合分析与风险评估：深度融合数据，实现沉降成因判别与潜在风险评估。

形变监测图

形变处理 SBAS-InSAR地表形变监测

处理方法：对 2023 年 7 月至 2025 年 9 月间的 27 景 Sentinel-1 升轨影像进行处理。通过构建小基线集（Small Baseline Subsets），经过干涉图生成、相位解缠、GACOS 大气校正及两步反演，剔除噪声并提取线性沉降速率及时间序列形变。

核心结论：研究区域呈现显著的非均匀沉降特征。监测识别出多个明显的沉降漏斗，局部最大年平均沉降速率超过 -425 mm/year。并利用统计分析的方法，得到沉降随时间逐渐增大的结论。

图像分类图

图像分类 黄河三角洲土地利用类型图

处理方法：采用高空间分辨率的 GF-5 高光谱遥感数据，应用优化的 SAM-Transformer 框架。通过引入分块推理与缝合策略（patch-based inference-and-stitching）以及加权 Dice 损失函数，显著提升了沿海湿地地物的识别精度。

核心结论：实现了黄河三角洲土地利用的精细化制图，涵盖人工建筑区、农田、湿地和水体四大类及细分子类。分类结果有效克服了同谱异物和复杂纹理的干扰，为沉降成因分析提供了精密的底层地理空间背景数据。

风险预测图

风险预测 沉降成因分析与风险评估

处理方法：通过空间叠加分析与联合反演，定量评估不同土地利用类型对地表沉降的影响权重。利用沉降漏斗的时空演变特征，建立了一套半自动成因归因模型，通过形变加速度与地物属性自动识别地下资源开发、基础设施建设等人类活动干扰强度。

核心结论：
1.成因判别：证实了人工建筑区与显著形变之间的强空间相关性，成因主控因子由“自然压密沉降”转向“人类活动驱动”。
2.预测范式：提出的协同框架不仅能根据土地利用模式预估沉降风险，还能反向推导开发强度。这为沿海地区的灾害预警和生态保护提供了从“现象观察”到“机制归因”的一体化技术支持，大幅提升了防灾减灾的时效性。

基于深度学习的相位解缠模型与应用

2025.08 ~ 至今
网络架构搭建

网络搭建 深度解缠模型

基于 PyTorch 框架独立搭建 U-Net 与深度全卷积 PUNet，利用多层膨胀卷积（Dilated Convolution）有效扩大感受野，提升全局相位特征的提取能力。

空间上下文感知与感受野优化：
相位解缠本质上高度依赖全局的相位梯度积分。为突破传统卷积在提取大尺度形变趋势时的局限性，在网络的核心层叠加强化了空洞卷积模块（Dilated Block）。该结构在不降低空间分辨率、不丢失高频干涉条纹特征的前提下，成倍扩大了特征提取的感受野，使模型能够跨越水体、植被覆盖区等低相干区域捕获连续的相位演化规律，从而大幅提升了解缠的全局一致性。

训练结果对比

训练样本复原对比

训练Loss曲线

Loss收敛曲线

数据与训练 仿真生成与模型预训练

大规模数据集构建：针对真实相位标签获取难的问题，设计了基于高斯平滑与随机噪声的仿真生成器，构建了高质量模拟数据集。
训练机制：独立搭建PUNet网络及训练全流程，引入动态均值相位偏移校正机制，显著加速了网络在训练初期的收敛速度，确保了模型对全局相位的准确捕获。

测试集复原结果

测试集解包裹表现

测试评估 模型泛化与复原精度

复原精度：在未参与训练的测试集上，模型成功实现了从-π 到 π 卷曲相位到连续绝对相位的精准还原，图像边缘与细节保持良好。
性能分析：通过对测试集结果的分析，得到RMSE平均值为0.07左右，验证了模型具备极强的泛化能力，能够有效抑制模拟噪声干扰，能够满足复杂场景下的相位解包裹需求。

D-InSAR处理

传统基准 多维交叉验证

利用 Sentinel-1 影像实现 D-InSAR 形变处理，得到不同月份的地表沉降图。并用 PS-InSAR, SBAS-InSAR 对结果进行多维交叉验证。