Page 136 - 《武汉大学学报（信息科学版）》2025年第9期

第 50 卷 第 9 期 武 汉 大 学 学 报（ 信 息 科 学 版 ） Vol.50 No.9
2025 年 9 月 Geomatics and Information Science of Wuhan University Sept. 2025

引文格式：武帅莹,刘国祥,贾洪果，等 . 一种基于 GNSS 和机器学习的 InSAR 大气改正方法[J]. 武汉大学学报（信息科学版）,
2025,50(9):1864-1877.DOI:10.13203/j.whugis20220191
Citation：WU Shuaiying,LIU Guoxiang,JIA Hongguo,et al.An InSAR Atmospheric Correction Method Based on GNSS and
Machine Learning[J]. Geomatics and Information Science of Wuhan University, 2025, 50(9): 1864-1877. DOI: 10.13203/j. whu⁃
gis20220191

一种基于 GNSS 和机器学习的 InSAR 大气

改正方法

武帅莹 刘国祥 1,2 贾洪果 张 波 张 瑞 1,2
1
1
1
毛文飞 吴婷婷 1
1
1 西南交通大学地球科学与工程学院,四川 成都,611756
2 高速铁路运营安全空间信息技术国家地方联合工程实验室,四川 成都,611756
摘 要：准确分离干涉相位中的大气延迟是提高合成孔径雷达干涉（interferometric synthetic aperture radar, InSAR）测量
技术形变监测精度的关键所在。提出一种基于机器学习的全球导航卫星系统（global navigation satellite system，GNSS）
大气延迟建模方法，以美国加利福尼亚地区为研究区域，对 2019 年夏季和 2020 年冬季各一幅 Sentinel-1 短时基线干涉图
进行大气改正。结果表明，经该方法大气改正后的 InSAR 干涉相位均方根误差平均降低了 78%，显著优于基于相位-高
程关系的幂律函数和广泛使用的气象模型改正效果。同时，通过模拟实验验证了所提方法在存在地表形变情况时仍然
可靠。所提算法可为基于 GNSS 大气数据的 InSAR 对流层延迟时空制图提供参考。
关键词：InSAR；对流层延迟；机器学习；GNSS；气象模型；K-means
中图分类号：P237 文献标识码：A 收稿日期：2024⁃06⁃10
DOI：10.13203/j.whugis20220191 文章编号：1671⁃8860（2025）09⁃1864⁃14
An InSAR Atmospheric Correction Method Based on

GNSS and Machine Learning

1
1，2
1
1，2
WU Shuaiying LIU Guoxiang JIA Hongguo ZHANG Bo ZHANG Rui
1
1
MAO Wenfei WU Tingting 1
1 Faculty of Geosciences and Engineering, Southwest Jiaotong University, Chengdu 611756, China
2 State⁃Province Joint Engineering Laboratory of Spatial Information Technology of High⁃Speed Rail Safety, Chengdu 611756, China
Abstract： Objectives: The interferometric synthetic aperture radar (InSAR) technique has been widely ap⁃
plied to monitoring land deformation with very high spatiotemporal resolution. The elimination of atmo⁃
spheric delay in the interferometric phase is critical to achieving higher accuracy of land deformation moni⁃
toring with the technique. Methods: This paper proposes a global navigation satellite system (GNSS) atmo⁃
spheric delay modeling method based on the combination of the machine learning approach and the K-
means algorithm. To evaluate the performance of the proposed, two Sentinel-1 short-time baseline inter⁃
ferograms in Southern California for summer 2019 and winter 2020 are used in the experiment. Results:
The results after the correction of tropospheric delays show that the root mean square error of the interfero⁃
metric phase is reduced by an average of 78%, which is significantly better than that of the conventional
methods, including the power law function (highest 73%), generic atmospheric correction online service for
InSAR estimation (61%), and weather models (58%). Conclusions: The experiment results indicate that
the proposed method can effectively reduce the stratified tropospheric delay, and the modeled tropospheric

基金项目：国家自然科学基金（U22A20565，42371460，42171355）；国家重点研发计划（2023YFB2604001）。
第一作者：武帅莹，博士生，主要从事雷达干涉测量及应用研究。shining@my.swjtu.edu.cn
通信作者：刘国祥，博士，教授。rsgxliu@swjtu.edu.cn