Page 197 - 《武汉大学学报（信息科学版）》2025年第6期

第 50 卷第 6 期 陈学业等：结合 SBAS-InSAR 技术与深度神经网络的滑坡早期识别 1219

SBAS-InSAR 方法进行 InSAR 数据处理，最终获
得秭归县沿卫星视线方向的地表形变。主要参
数设置如下：多视比 10∶2，时间基线设置 90 d，空
间基线未设置，相干系数阈值 0.8，解缠相干系数
阈值 0.3。获得了监测区域的形变速率图（沿卫星
视线方向）如图 8 所示，整个研究区内 2019 年 3 月
至 2022 年 3 月间沿卫星视线方向年平均形变速
率为−42.75~78.56 mm/a。

图 7 滑坡易发性评价结果
Fig. 7 Evaluation Results of Landslide Susceptibility

与以往研究结果也颇为相似，说明本文的研究具
有充足的可靠性。
为进一步保证研究结果的可靠性，统计分析
了滑坡易发性结果各等级区间的占比情况以及
频率比值，如表 4 所示，极低易发区占研究区总面
积约为 46.50%，低易发区约占 28.84%，中、高、极
图 8 沿卫星视线方向地表形变速率
高易发区分别约占比 13.00%、7.60%、4.06%；随
Fig. 8 Surface Deformation Velocity Rate Along
着易发性等级上升，频率比值逐渐增大，高易发
the Satellites Line of Sight
区面积占比 7.60%，频率比值 2.73，极高易发区面
积占比 4.06%，频率比值 6.81，意味着灾害发育的 为 确 保 所 获 得 地 表 形 变 速 率 的 准 确 性 ，将
点密度和单位面积发育的灾害面积逐渐增大。 SBAS-InSAR 的 结 果 与 地 面 GNSS 站 点 所 监 测

的数据作对比。计算 GN1 和 GN2 两个监测站点
表 4 滑坡易发性结果分区统计表
2019 年 3 月至 2022 年 3 月间的累积形变量，获得
Table 4 Statistical Table of Landslide Susceptibility
其年均形变速率，并与采用 SBAS-InSAR 获得的
Results by Region
地表形变信息进行对比，发现其监测速率差值均
易发性 栅格数 栅格占 滑坡数 滑坡占 频率
模型 小于 10 mm/a，对比结果如表 5 所示。
等级 量/个 比/% 量/个 比/% 比值
极低 1 171 229 46.50 110 9.72 0.21
表 5 GNSS 站点与 InSAR 形变速率差值
MLP- 低 726 308 28.84 242 21.38 0.74
Table 5 Difference in Deformation Velocity Rates
Tomek 中 327 492 13.00 232 20.49 1.58
Between GNSS Sites and InSAR
Link 高 191 491 7.60 235 20.76 2.73
极高 102 196 4.06 313 27.65 6.81 2019 年 3 2022 年 3
年均形 SBAS-In‑ 形变速
月累积 月累积
站点 变速率/ SAR 形变速 率差值/
形变量 形变量
3.3 SBAS-InSAR 结果 (mm∙a −1 ) 率/(mm∙a −1 ) (mm∙a −1 )
/mm /mm
本 文 选 取 的 数 据 为 欧 洲 空 间 局 的 Sentinel- GN1 287.82 386.8 33 25.98 −7.02
1A 数据，利用操作性能及处理功能较好的 GAM‑ GN2 0 63 21 22.02 1.02
MA 及 Mintpy 软件进行 SBAS-InSAR 处理，先在
GAMMA 软件中编写预处理脚本，主要完成 Sen‑ 其中，在 InSAR 技术受 SAR 数据质量、DEM
tinel-1A 数据格式的转化和成像处理，并结合干 精度以及大气等影响的情况下 ［45］ ，加之二者监测
涉 条 纹 判 断 数 据 质 量 ，再 在 Mintpy 软 件 中 基 于 技术亦有差别，因此二者之间的测量存在一定偏