Automated Identification of InSAR Deformation Concentration Zones for Landslide Hazards Using Spearman Coefficient Filtering and HNSW-DBSCAN Clustering

HE Guoqing; LI Weile; LU Huiyan; LI Yusen; QIN Jiasong; FAN Luzhen

doi:10.13203/j.whugis20240484

您当前的位置：

首页 >

文章列表页 >

Automated Identification of InSAR Deformation Concentration Zones for Landslide Hazards Using Spearman Coefficient Filtering and HNSW-DBSCAN Clustering

更新时间：2026-11-05

- Automated Identification of InSAR Deformation Concentration Zones for Landslide Hazards Using Spearman Coefficient Filtering and HNSW-DBSCAN Clustering
- Geomatics and Information Science of Wuhan University Vol. 50, Issue 8, Pages: 1682-1693(2025)
- 作者机构：
  
  1.成都理工大学地质灾害防治与地质环境保护全国重点实验室，四川成都，610059
  2.滑坡灾害风险预警与防控应急管理部重点实验室，四川成都，610059
- 作者简介：
- 基金信息：
- DOI：10.13203/j.whugis20240484
  CLC： P237
- Received：24 December 2024，
  
  Published：05 August 2025
- 稿件说明：
移动端阅览
何国庆,李为乐,陆会燕，等.基于Spearman滤波与HNSW-DBSCAN聚类的滑坡隐患InSAR形变区自动识别[J].武汉大学学报（信息科学版）,2025,50(8):1682-1693.

HE Guoqing,LI Weile,LU Huiyan,et al.Automated Identification of InSAR Deformation Concentration Zones for Landslide Hazards Using Spearman Coefficient Filtering and HNSW-DBSCAN Clustering[J].Geomatics and Information Science of Wuhan University,2025,50(8):1682-1693.
何国庆,李为乐,陆会燕，等.基于Spearman滤波与HNSW-DBSCAN聚类的滑坡隐患InSAR形变区自动识别[J].武汉大学学报（信息科学版）,2025,50(8):1682-1693. DOI：10.13203/j.whugis20240484

HE Guoqing,LI Weile,LU Huiyan,et al.Automated Identification of InSAR Deformation Concentration Zones for Landslide Hazards Using Spearman Coefficient Filtering and HNSW-DBSCAN Clustering[J].Geomatics and Information Science of Wuhan University,2025,50(8):1682-1693. DOI：10.13203/j.whugis20240484

摘要

小基线集合成孔径雷达干涉测量（small baseline subset interferometry synthetic aperture radar，SBAS-InSAR)是一种常用的滑坡隐患识别方法，然而，SBAS-InSAR结果中包含大量非单调变形像素点，这些像素点可视为噪声，影响滑坡真实形变区的精准提取。提出一种高效的滑坡形变区识别方法，首先，计算Spearman秩相关系数，并设定阈值剔除非单调变化的像素点；然后，结合分层导航小世界图与基于密度的空间聚类算法对形变区进行聚类分析，有效抑制空间噪音。结果表明，所提方法可去除96%以上的噪声，实现大范围滑坡快速识别，在形变较慢或信号较弱的区域表现出显著优势，显著提升了滑坡隐患识别的精度。

Abstract

Objectives

Landslides are common natural disasters that cause significant casualties and economic losses worldwide. The small baseline subset (SBAS) interferometric synthetic aperture radar (InSAR) technique is widely used for the early identification of landslides. However

conventional SBAS-InSAR processing is often compromised by the presence of non-monotonic deformation pixels

which introduce substantial noise and obscure the precise delineation of landslide-prone regions. These non-monotonic deformation signals may arise from atmospheric disturbances

unmodeled topographic errors

or other environmental factors

making it challenging to differentiate actual landslide displacement from noise. Consequently

accurately extracting landslide deformation areas remains a significant challenge in InSAR-based geohazard monitoring.

Methods

To overcome this limitation

an advanced landslide deformation identification framework is proposed

integrating statistical filtering and clustering techniques. First

the Spearman rank correlation coefficient is calculated to evaluate the monotonicity of displacement time series at each pixel. A statistical threshold is then applied to remove pixels exhibiting non-monotonic deformation trends

ensuring the retention of only those showing a consistent increase or decrease in displacement over time. This process substantially reduces noise interference while preserving meaningful deformation signals. Subsequently

a hybrid clustering framework is employed

combining the hierarchical navigable small-world (HNSW) network with the density-based spatial clustering of applications with noise (DBSCAN) algorithm. The HNSW network enhances the efficiency of high-dimensional nearest neighbor searches

while DBSCAN effectively clusters pixels with similar deformation characteristics

further mitigating spatial noise. This combined approach facilitates the precise identification of landslide deformation areas while maintaining computational efficiency.

Results

Experimental validation confirms that the proposed method eliminates over 96% of background noise

significantly improving the accuracy of landslide detection. The filtering process enhances the signal-to-noise ratio of SBAS-InSAR results

allowing for the reliable identification of deformation zones across diverse topographic and climatic conditions.

Conclusions

Additionally

the method demonstrates superior performance in detecting landslides characterized by slow displacement rates or weak signal responses

which are often overlooked by traditional approaches. By improving the precision and reliability of landslide hazard assessment

the proposed methodology offers an effective and scalable solution for large-scale landslide monitoring.

关键词

Keywords

references

XU Q ， ZHAO B ， DAI K R ， et al . Remote Sensing for Landslide Investigations： A Progress Report from China ［J］. Engineering Geology ， 2023 ， 321 ： 107156 .

佘金星，许强，杨武年，等 . 九寨沟地震地质灾害隐患早期识别与分析研究［J］. 工程地质学报， 2023 ， 31 （ 1 ）： 207 - 216 .

SHE Jinxing ， XU Qiang ， YANG Wunian ， et al . Early Identification and Analysis of Earthquake and Geological Hazards in Jiuzhaigou ［J］. Journal of Engineering Geology ， 2023 ， 31 （ 1 ）： 207 - 216 .

张路，廖明生，董杰，等 . 基于时间序列InSAR分析的西部山区滑坡灾害隐患早期识别：以四川丹巴为例［J］. 武汉大学学报（信息科学版）， 2018 ， 43 （ 12 ）： 2039 - 2049 .

ZHANG Lu ， LIAO Mingsheng ， DONG Jie ， et al . Early Detection of Landslide Hazards in Mountainous Areas of West China Using Time Series SAR Interferometry—A Case Study of Danba， Sichuan ［J］. Geomatics and Information Science of Wuhan University ， 2018 ， 43 （ 12 ）： 2039 - 2049 .

许强，朱星，李为乐，等 . “天-空-地” 协同滑坡监测技术进展［J］. 测绘学报， 2022 ， 51 （ 7 ）： 1416 - 1436 .

XU Qiang ， ZHU Xing ， LI Weile ， et al . Technical Progress of Space-Air-Ground Collaborative Monitoring of Landslide ［J］. Acta Geodaetica et Cartographica Sinica ， 2022 ， 51 （ 7 ）： 1416 - 1436 .

邓李政，袁宏永，张鸣之，等 . 滑坡变形监测预警技术研究进展［J］. 清华大学学报（自然科学版）， 2023 ， 63 （ 6 ）： 849 - 864 .

DENG Lizheng ， YUAN Hongyong ， ZHANG Mingzhi ， et al . Research Progress on Landslide Deformation Monitoring and Early Warning Technology ［J］. Journal of Tsinghua University （Science and Technology）， 2023 ， 63 （ 6 ）： 849 - 864 .

许强，董秀军，李为乐 . 基于天-空-地一体化的重大地质灾害隐患早期识别与监测预警［J］. 武汉大学学报（信息科学版）， 2019 ， 44 （ 7 ）： 957 - 966 .

XU Qiang ， DONG Xiujun ， LI Weile . Integrated Space-Air-Ground Early Detection， Monitoring and Warning System for Potential Catastrophic Geohazards ［J］. Geomatics and Information Science of Wuhan University ， 2019 ， 44 （ 7 ）： 957 - 966 .

葛大庆，戴可人，郭兆成，等 . 重大地质灾害隐患早期识别中综合遥感应用的思考与建议［J］. 武汉大学学报（信息科学版）， 2019 ， 44 （ 7 ）： 949 - 956 .

GE Daqing ， DAI Keren ， GUO Zhaocheng ， et al . Early Identification of Serious Geological Hazards with Integrated Remote Sensing Technologies： Thoughts and Recommendations ［J］. Geomatics and Information Science of Wuhan University ， 2019 ， 44 （ 7 ）： 949 - 956 .

COLESANTI C ， FERRETTI A ， PRATI C ， et al . Monitoring Landslides and Tectonic Motions with the Permanent Scatterers Technique ［J］. Engineering Geology ， 2003 ， 68 （ 1/2 ）： 3 - 14 .

DONG X J ， YIN T ， DAI K R ， et al . Identifying Potential Landslides on Giant Niexia Slope （China） Based on Integrated Multi-Remote Sensing Technologies ［J］. Remote Sensing ， 2022 ， 14 （ 24 ）： 6328 .

LU H Y ， LI W L ， XU Q ， et al . Active Landslide Detection Using Integrated Remote Sensing Technologies for a Wide Region and Multiple Stages： A Case Study in Southwestern China ［J］. Science of the Total Environment ， 2024 ， 931 ： 172709 .

ZHOU S S ， CHEN B L ， LU H Y ， et al . Analysis of the Spatial Distribution and Deformation Types of Active Landslides in the Upper Jinsha River， China， Using Integrated Remote Sensing Technologies ［J］. Remote Sensing ， 2024 ， 16 （ 1 ）： 100 .

LI X Q ， LI W L ， WU Z L ， et al . Identification and Deformation Characteristics of Active Landslides at Large Hydropower Stations at the Early Impoundment Stage： A Case Study of the Lianghekou Reservoir Area in Sichuan Province， Southwest China ［J］. Remote Sensing ， 2024 ， 16 （ 17 ）： 3175 .

韦春豪，李为乐，吴章雷，等 . 白鹤滩库区活动滑坡识别及形变影响因素分析［J］. 地质科技通报， 2024 ， DOI： 10.19509/j.cnki.dzkq.tb20240351 http://dx.doi.org/10.19509/j.cnki.dzkq.tb20240351 .

WEI Chunhao ， LI Weile ， Wu Zhanglei ， et al . Identification of Active Landslides and Analysis of Deformation Influencing Factors in the Baihetan Reservoir Area ［J］. Bulletin of Geological Science and Technology ， 2024 ， DOI： 10.19509/j.cnki.dzkq.tb20240351 http://dx.doi.org/10.19509/j.cnki.dzkq.tb20240351 .

许强，李为乐，董秀军，等 . 四川茂县叠溪镇新磨村滑坡特征与成因机制初步研究［J］. 岩石力学与工程学报， 2017 ， 36 （ 11 ）： 2612 - 2628 .

XU Qiang ， LI Weile ， DONG Xiujun ， et al . The Xinmocun Landslide on June 24， 2017 in Maoxian， Sichuan： Characteristics and Failure Mechanism ［J］. Chinese Journal of Rock Mechanics and Engineering ， 2017 ， 36 （ 11 ）： 2612 - 2628 .

王新程，伍鸾宇，李为乐，等 . “天-空-地”协同的滑坡监测：以川西小金县甘沟村为例［J/OL］. 成都理工大学学报（自然科学版）， https：//link.cnki.net/urlid/51.1634.N.20240919.1346.004 https://link.cnki.net/urlid/51.1634.N.20240919.1346.004 ， 2024 .

WANG Xincheng ， WU Luanyu ， LI Weile ， et al . Landslide Monitoring Based on Cooperative Observation of Space-Air-Ground： A Case Study at Gangou Village， Xiaojin County， Western Sichuan ［J］. Journal of Chengdu University of Technology （Science & Technology Edition）， https：//link.cnki.net/urlid/51.1634.N.20240919.1346.004， 2024 .

许强，陆会燕，李为乐，等 . 滑坡隐患类型与对应识别方法［J］. 武汉大学学报（信息科学版）， 2022 ， 47 （ 3 ）： 377 - 387 .

XU Qiang ， LU Huiyan ， LI Weile ， et al . Types of Potential Landslide and Corresponding Identification Technologies ［J］. Geomatics and Information Science of Wuhan University ， 2022 ， 47 （ 3 ）： 377 - 387 .

FERRETTI A ， PRATI C ， ROCCA F . Nonlinear Subsidence Rate Estimation Using Permanent Scatterers in Differential SAR Interferometry ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2000 ， 38 （ 5 ）： 2202 - 2212 .

FERRETTI A ， FUMAGALLI A ， NOVALI F ， et al . A New Algorithm for Processing Interferometric Data-Stacks： SqueeSAR ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2011 ， 49 （ 9 ）： 3460 - 3470 .

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 .

MURA J C ， PARADELLA W R ， GAMA F F ， et al . Monitoring of Non-Linear Ground Movement in an Open Pit Iron Mine Based on an Integration of Advanced DInSAR Techniques Using TerraSAR-X Data ［J］. Remote Sensing ， 2016 ， 8 （ 5 ）： 409 .

XU B ， FENG G C ， LI Z W ， et al . Coastal Subsidence Monitoring Associated with Land Reclamation Using the Point Target Based SBAS-InSAR Method： A Case Study of Shenzhen， China ［J］. Remote Sensing ， 2016 ， 8 （ 8 ）： 652 .

杨梦诗，廖明生，史绪国，等 . 联合多平台InSAR数据集精确估计地表沉降速率场［J］. 武汉大学学报（信息科学版）， 2017 ， 42 （ 6 ）： 797 - 802 .

YANG Mengshi ， LIAO Mingsheng ， SHI Xuguo ， et al . Land Subsidence Monitoring by Joint Estimation of Multi-Platform Time Series InSAR Observations ［J］. Geomatics and Information Science of Wuhan University ， 2017 ， 42 （ 6 ）： 797 - 802 .

陆会燕，李为乐，许强，等 . 光学遥感与InSAR结合的金沙江白格滑坡上下游滑坡隐患早期识别［J］. 武汉大学学报（信息科学版）， 2019 ， 44 （ 9 ）： 1342 - 1354 .

LU Huiyan ， LI Weile ， XU Qiang ， et al . Early Detection of Landslides in the Upstream and Downstream Areas of the Baige Landslide， the Jinsha River Based on Optical Remote Sensing and InSAR Technologies ［J］. Geomatics and Information Science of Wuhan University ， 2019 ， 44 （ 9 ）： 1342 - 1354 .

代聪，李为乐，陆会燕，等 . 甘肃省舟曲县城周边活动滑坡InSAR探测［J］. 武汉大学学报（信息科学版）， 2021 ， 46 （ 7 ）： 994 - 1002 .

DAI Cong ， LI Weile ， LU Huiyan ， et al . Active Landslides Detection in Zhouqu County， Gansu Province Using InSAR Technology ［J］. Geomatics and Information Science of Wuhan University ， 2021 ， 46 （ 7 ）： 994 - 1002 .

许文斌，罗兴军，朱建军，等 . InSAR火山形变监测与参数反演研究进展［J］. 武汉大学学报（信息科学版）， 2023 ， 48 （ 10 ）： 1632 - 1642 .

XU Wenbin ， LUO Xingjun ， ZHU Jianjun ， et al . Review of Volcano Deformation Monitoring and Modeling with InSAR ［J］. Geomatics and Information Science of Wuhan University ， 2023 ， 48 （ 10 ）： 1632 - 1642 .

许才军，何平，温扬茂 . 利用PSInSAR研究意大利Etna火山的地表形变［J］. 武汉大学学报（信息科学版）， 2011 ， 36 （ 9 ）： 1012 - 1016 .

XU Caijun ， HE Ping ， WEN Yangmao . Surface Deformation of Mt.Etna， Italy from PSInSAR ［J］. Geomatics and Information Science of Wuhan University ， 2011 ， 36 （ 9 ）： 1012 - 1016 .

李雨森，李为乐，许强，等 . 2023年积石山Ms 6.2级地震InSAR同震形变探测与断层滑动分布反演［J］. 成都理工大学学报（自然科学版）， 2024 ， 51 （ 1 ）： 22 - 32 .

LI Yusen ， LI Weile ， XU Qiang ， et al . Coseismic Deformation and Slip Distribution of the 2023 Jishishan Ms 6.2 Earthquake Revealed by InSAR Observations ［J］. Journal of Chengdu University of Technology （Science & Technology Edition）， 2024 ， 51 （ 1 ）： 22 - 32 .

李雨森，李为乐，许强，等 . 2024年新疆乌什Ms 7.1地震InSAR同震形变探测与断层滑动分布反演［J］. 成都理工大学学报（自然科学版）， 2024 ， 51 （ 4 ）： 641 - 653 .

LI Yusen ， LI Weile ， XU Qiang ， et al . Coseismic Deformation and Slip Distribution of the 2024 Ms 7.1 Wushi Earthquake Based on InSAR Observations ［J］. Journal of Chengdu University of Technology （Science & Technology Edition）， 2024 ， 51 （ 4 ）： 641 - 653 .

徐丹青，吴一全 . 光学遥感图像目标检测的深度学习算法研究进展［J］. 遥感学报， 2024 ， 28 （ 12 ）： 3045 - 3073 .

XU Danqing ， WU Yiquan . Progress of Research on Deep Learning Algorithms for Object Detection in Optical Remote Sensing Images ［J］. National Remote Sensing Bulletin ， 2024 ， 28 （ 12 ）： 3045 - 3073 .

BAKON M ， OLIVEIRA I ， PERISSIN D ， et al . A Data Mining Approach for Multivariate Outlier Detection in Heterogeneous 2D Point Clouds： An Application to Post-Processing of Multi-temporal InSAR Results ［C］// IEEE International Geoscience and Remote Sensing Symposium （IGARSS）， Beijing， China ， 2016 .

ZHANG P ， GUO Z H ， GUO S F ， 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 .

VINUEZA A U ， HANDWERGER A L ， BAKKER M ， et al . A New Method to Detect Changes in Displacement Rates of Slow-Moving Landslides Using InSAR Time Series ［J］. Landslides ， 2022 ， 19 （ 9 ）： 2233 - 2247 .

LIU M ， YANG W T ， YANG Y T ， et al . Identify Landslide Precursors from Time Series InSAR Results ［J］. International Journal of Disaster Risk Science ， 2023 ， 14 （ 6 ）： 963 - 978 .

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 .

HOOPER A ， BEKAERT D ， SPAANS K ， et al . Recent Advances in SAR Interferometry Time Series Analysis for Measuring Crustal Deformation ［J］. Tectonophysics ， 2012 ， 514 ： 1 - 13 .

陈宝林，李为乐，陆会燕，等 . 基于SBAS-InSAR的黄河干流军功古滑坡形变分析［J］. 武汉大学学报（信息科学版）， 2024 ， 49 （ 8 ）： 1407 - 1421 .

CHEN Baolin ， LI Weile ， LU Huiyan ， et al . Deformation Analysis of Jungong Ancient Landslide Based on SBAS-InSAR Technology in the Yellow River Mainstream ［J］. Geomatics and Information Science of Wuhan University ， 2024 ， 49 （ 8 ）： 1407 - 1421 .

MALKOV Y A ， YASHUNIN D A . Efficient and Robust Approximate Nearest Neighbor Search Using Hierarchical Navigable Small World Graphs ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2020 ， 42 （ 4 ）： 824 - 836 .

HAN J F ， GUO X F ， JIAO R C ， et al . An Automatic Method for Delimiting Deformation Area in InSAR Based on HNSW-DBSCAN Clustering Algorithm ［J］. Remote Sensing ， 2023 ， 15 （ 17 ）： 4287 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Analysis of the Erosion-Sedimentation Characteristics and Dynamic Evolution Process of Mountain Flood Debris Flows in Xiaogou， Hanyuan， Sichuan

InSAR Time-Series Deformation Monitoring and Analysis for 17 Years Before and After the Yintao Project in Baicaoyuan， Loess Plateau

Early Landslide Identification by Integrating SBAS-InSAR and Deep Neural Network

Tectonic Geodesy： Research Advancements， Opportunities， and Challenges

Geometric and Frequency-Domain Constrained Single-Step Diffusion for Seabed Terrain Super-Resolution Reconstruction

Related Author

LI Hongjie

LI Linze

MA Yanfei

ZHANG Ning

ZHOU Kangchi

CHEN Ming

CHANG Ming

YIN Daolong

Related Institution

College of Geological Engineering and Geomatics, Chang'an University

State Key Laboratory of Loess Science

Big Data Center for Geosciences and Satellites (BDCGS), Chang'an University

Key Laboratory of Western China's Mineral Resource and Geological Engineering, Ministry of Education

Shaanxi Basic Geographic Information Center, Ministry of Natural Resources

AI问答

⁰