基于张量分解的广域长时序InSAR影像压缩及地表形变监测

李勇发; 左小清; 朱大明; 吴文豪; 布金伟; 李永宁; 顾晓娜; 张荐铭; 黄成

doi:10.13203/j.whugis20230164

您当前的位置：

首页 >

文章列表页 >

基于张量分解的广域长时序InSAR影像压缩及地表形变监测

摄影测量与遥感 | 更新时间：2026-11-05

- 基于张量分解的广域长时序InSAR影像压缩及地表形变监测
- Tensor Decomposition-Based Compression of Wide-Area Long Time Series InSAR Images and Application to Surface Deformation Monitoring
- 武汉大学学报（信息科学版） 2025年50卷第12期页码：2472-2484
- 作者机构：
  
  1.昆明理工大学国土资源工程学院，云南昆明，650093
  2.云南省自然资源智能监测与时空大数据治理重点实验，云南昆明，650051
  3.湖南科技大学煤炭资源结利用与矿山环境保护湖南省重点实验室，湖南湘潭，411201
  4.云南省地质环境监测院，云南昆明，650216
- 作者简介：
  
  李勇发，博士，讲师，主要从事InSAR数据处理与技术理论等方面的研究。yfli@kust.edu.cn
  左小清，博士，教授。zxq@kust.edu.cn
- 基金信息：
  
  国家自然科学基金(42161067;42471483;42004006);部省合作试点项目(2023ZRBSHZ048);云南省重大科技专项计划(202202AD080010);云南省基础研究计划项目(202501AT070310;202401AU070173);云南省教育厅科学基金项目(2024J0067)
- DOI：10.13203/j.whugis20230164
  中图分类号： P237
- 收稿：2024-08-13，
  
  纸质出版：2025-12-05
- 稿件说明：
移动端阅览
李勇发,左小清,朱大明，等.基于张量分解的广域长时序InSAR影像压缩及地表形变监测[J].武汉大学学报（信息科学版）,2025,50(12):2472-2484.

LI Yongfa,ZUO Xiaoqing,ZHU Daming,et al.Tensor Decomposition-Based Compression of Wide-Area Long Time Series InSAR Images and Application to Surface Deformation Monitoring[J].Geomatics and Information Science of Wuhan University,2025,50(12):2472-2484.
李勇发,左小清,朱大明，等.基于张量分解的广域长时序InSAR影像压缩及地表形变监测[J].武汉大学学报（信息科学版）,2025,50(12):2472-2484. DOI：10.13203/j.whugis20230164

LI Yongfa,ZUO Xiaoqing,ZHU Daming,et al.Tensor Decomposition-Based Compression of Wide-Area Long Time Series InSAR Images and Application to Surface Deformation Monitoring[J].Geomatics and Information Science of Wuhan University,2025,50(12):2472-2484. DOI：10.13203/j.whugis20230164

摘要

随着合成孔径雷达（synthetic aperture radar，SAR）影像的持续积累，合成孔径雷达干涉测量（interferometric synthetic aperture radar，InSAR）技术在处理广域长时序地表形变监测任务时，面临数量激增带来的计算瓶颈。尤其是采用分布式散射体InSAR（distributed scatterers InSAR，DS-InSAR）方法时，干涉对的全组合策略导致解算过程极为耗时，限制了其在大区域形变监测中的广泛应用。由于时序InSAR数据在时空维度上通常包含大量冗余信息，影像压缩成为去除冗余信息的有效解决手段。因此提出一种基于张量分解的广域长时序InSAR影像压缩方法，利用空间内像素统计特性的一致性将协方差矩阵重构为三阶张量，并借助Tucker分解实现时空维数据压缩。为验证其有效性，选取昆明市主城区Sentinel-1A影像进行实验。结果显示，在2×3和2×5的子空间窗口设置下，处理效率分别提高约24倍与40倍，且形变反演精度仍符合监测要求；当子空间窗口为2×10和2×15时，尽管部分信息丢失，主要形变区域依然可辨识，此时效率提升分别达约80倍与120倍。为应对广域长时序InSAR形变监测中的计算难题提供了一种新的途径，具有较好的工程应用前景。

Abstract

Objectives

With the continuous accumulation of synthetic aperture radar (SAR) images

interferometric synthetic aperture radar (InSAR) technology is facing a computational bottleneck caused by the surge in the number of SAR images when processing wide area and long-term surface deformation monitoring tasks. Especially for the distributed scatterers InSAR (DS InSAR) method

the full combination strategy of interferometric pairs results in an extremely time-consuming solution process

limiting its widespread application in large-scale deformation monitoring. However

temporal InSAR data often contains a large amount of redundant information in the spatiotemporal dimension. Removing redundant information through image compression has become an effective solution.

Methods

This paper proposes a tensor decomposition⁃based method for wide area long time series InSAR image compression. The proposed method utilizes the consistency of spatial pixel statistical properties to reconstruct the covariance matrix into a third-order tensor

and uses Tucker decomposition to achieve spatiotemporal data compression.

Results

To verify its effectiveness

Sentinel-1A images from the main urban area of Kunming city are selected for the experiment. The results show that under the compression subspace settings of 2×3 and 2×5

the processing efficiency is improved by about 24 times and 40 times

respectively

and the deformation inversion accuracy still meets the monitoring requirement. When the subspace is expanded to 2×10 and 2×15

although some information is lost

the main deformation area can still be identified

and the efficiency is improved by about 80 times and 120 times

respectively.

Conclusions

This paper provides a new approach to address the computational challenges in wide area long-term InSAR deformation monitoring

and has good engineering application prospects.

关键词

Keywords

references

LIU G ， ZBIGNIEW P ， STEFANO S ， et al . Land Surface Displacement Geohazards Monitoring Using Multi-temporal InSAR Techniques ［J］. Journal of Geodesy and Geoinformation Science ， 2021 ， 4 （ 1 ）： 77 - 87 .

戴可人，许强，邓晋，等 . 滑坡隐患InSAR广域识别研究综述［J］. 武汉大学学报（信息科学版）， 2025 ， 50 （ 8 ）： 1469 - 1482 .

DAI Keren ， XU Qiang ， DENG Jin ， et al . Review on Large-Scale Identification of Potential Landslides with InSAR ［J］. Geomatics and Information Science of Wuhan University ， 2025 ， 50 （ 8 ）： 1469 - 1482 .

何毅，姚圣，陈毅，等 . ConvLSTM神经网络的时序InSAR地面沉降时空预测［J］. 武汉大学学报（信息科学版）， 2025 ， 50 （ 3 ）： 483 - 496 .

HE Yi ， YAO Sheng ， CHEN Yi ， et al . Spatiotemporal Prediction of Time-Series InSAR Land Subsidence Based on ConvLSTM Neural Network ［J］. Geomatics and Information Science of Wuhan University ， 2025 ， 50 （ 3 ）： 483 - 496 .

LIU Y Y ， ZHAO C Y ， ZHANG Q ， et al . Land Subsidence in Taiyuan， China， Monitored by InSAR Technique with Multisensor SAR Datasets from 1992 to 2015 ［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing ， 2018 ， 11 （ 5 ）： 1509 - 1519 .

肖儒雅，卢钰，李涛，等 . InSAR形变产品应用：以欧洲地表形变监测服务EGMS为例［J］. 测绘地理信息， 2025 ， 50 （ 2 ）： 6 - 11 .

XIAO Ruya ， LU Yu ， LI Tao ， et al . Applications of InSAR Displacement Products： EGMS as an Example ［J］. Journal of Geomatics ， 2025 ， 50 （ 2 ）： 6 - 11 .

VALENTE E ， ALLOCCA V ， RICCARDI U ， et al . Studying a Subsiding Urbanized Area from a Multidisciplinary Perspective： The Inner Sector of the Sarno Plain （Southern Apennines， Italy）［J］. Remote Sensing ， 2021 ， 13 （ 16 ）： 3323 - 3334 .

DAI K R ， RAN P L ， LI Z H ， et al . Land Subsidence in Xiongan New Area， China Revealed by InSAR Observations ［J］. Journal of Geodesy and Geoinformation Science ， 2021 ， 4 （ 1 ）： 70 - 76 .

LI Y F ， ZUO X Q ， ZHU D M ， et al . Identification and Analysis of Landslides in the Ahai Reservoir Area of the Jinsha River Basin Using a Combination of DS-InSAR， Optical Images， and Field Surveys ［J］. Remote Sensing ， 2022 ， 14 （ 24 ）： 6274 - 6285 .

李振洪，宋闯，余琛，等 . 卫星雷达遥感在滑坡灾害探测和监测中的应用：挑战与对策［J］. 武汉大学学报（信息科学版）， 2019 ， 44 （ 7 ）： 967 - 979 .

LI Zhenhong ， SONG Chuang ， YU Chen ， et al . Application of Satellite Radar Remote Sensing to Landslide Detection and Monitoring： Challenges and Solutions ［J］. Geomatics and Information Science of Wuhan University ， 2019 ， 44 （ 7 ）： 967 - 979 .

DONG J ， ZHANG L ， TANG M G ， et al . Mapping Landslide Surface Displacements with Time Series SAR Interferometry by Combining Persistent and Distributed Scatterers： A Case Study of Jiaju Landslide in Danba， China ［J］. Remote Sensing of Environment ， 2018 ， 205 ： 180 - 198 .

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 .

赵超英，刘晓杰，张勤，等 . 甘肃黑方台黄土滑坡InSAR识别、监测与失稳模式研究［J］. 武汉大学学报（信息科学版）， 2019 ， 44 （ 7 ）： 996 - 1007 .

ZHAO Chaoying ， LIU Xiaojie ， ZHANG Qin ， et al . Research on Loess Landslide Identification， Monitoring and Failure Mode with InSAR Technique in Heifangtai， Gansu ［J］. Geomatics and Information Science of Wuhan University ， 2019 ， 44 （ 7 ）： 996 - 1007 .

许月怡，徐贝贝，徐晨雨，等 . 基于远震P波、强震波形和InSAR联合反演2025年西藏定日Ms 6.8地震破裂过程［J］. 地震地质， 2025 ， 47 （ 03 ）： 734 - 746 .

XU Yueyi ， XU Beibei ， XU Chenyu ， et al . Joint Inversion of the 2025 Dingri Ms 6.8 Earthquake Rupture Process Based on Teleseismic P Waves， Strong-Motion and Insar Data ［J］. Seismology and Geology ， 2025 ， 47 （ 3 ）： 734 - 746 .

LIU L ， JIANG L M ， JIANG H J ， et al . Accelerated Glacier Mass Loss （2011–2016） over the Puruogangri Ice Field in the Inner Tibetan Plateau Revealed by Bistatic InSAR Measurements ［J］. Remote Sensing of Environment ， 2019 ， 231 ： 111 - 121 .

JIANG L ， BAI L ， ZHAO Y ， et al . Combining InSAR and Hydraulic Head Measurements to Estimate Aquifer Parameters and Storage Variations of Confined Aquifer System in Cangzhou， North China Plain ［J］. Water Resources Research ， 2018 ， 54 （ 10 ）： 8234 - 8252 .

BAI L ， JIANG L M ， WANG H S ， et al . Spatiotemporal Characterization of Land Subsidence and Uplift （2009-2010） over Wuhan in Central China Revealed by TerraSAR-X InSAR Analysis ［J］. Remote Sensing ， 2016 ， 8 （ 4 ）： 350 - 360 .

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 ， PRATI C ， ROCCA F . Permanent Scatterers in SAR Interferometry ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2001 ， 39 （ 1 ）： 8 - 20 .

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 .

CAO N ， LEE H ， JUNG H C . A Phase-Decomposition-Based PSInSAR Processing Method ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2016 ， 54 （ 2 ）： 1074 - 1090 .

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 .

POTIN P ， ROSICH B ， MIRANDA N ， et al . Sentinel-1 Mission Status ［J］. Procedia Computer Science ， 2016 ， 100 ： 1297 - 1304 .

AKBARI V ， MOTAGH M . Improved Ground Subsidence Monitoring Using Small Baseline SAR Interferograms and a Weighted Least Squares Inversion Algorithm ［J］. IEEE Geoscience and Remote Sensing Letters ， 2012 ， 9 （ 3 ）： 437 - 441 .

CASU F ， ELEFANTE S ， IMPERATORE P ， et al . SBAS-DInSAR Parallel Processing for Deformation Time-Series Computation ［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing ， 2014 ， 7 （ 8 ）： 3285 - 3296 .

HUA H ， MANIPON G ， et al . The Advanced Rapid Imaging and Analysis Data System： Automating SAR Data Analysis for Science and Hazard Response ［C］// IGARSS ， Milan， Italy ， 2015 .

MEYER F J ， MCALPIN D B ， GONG W ， et al . Integrating SAR and Derived Products into Operational Volcano Monitoring and Decision Support Systems ［J］. ISPRS Journal of Photogrammetry and Remote Sensing ， 2015 ， 100 ： 106 - 117 .

DE LUCA C ， BONANO M ， CASU F ， et al . Automatic and Systematic Sentinel-1 SBAS-DInSAR Processing Chain for Deformation Time-Series Generation ［J］. Procedia Computer Science ， 2016 ， 100 ： 1176 - 1180 .

SPAANS K ， HOOPER A . InSAR Processing for Volcano Monitoring and Other Near-Real Time Applications ［J］. Journal of Geophysical Research： Solid Earth ， 2016 ， 121 （ 4 ）： 2947 - 2960 .

DUAN W ， ZHANG H ， WANG C ， et al . Multi-temporal InSAR Parallel Processing for Sentinel-1 Large-Scale Surface Deformation Mapping ［J］. Remote Sensing ， 2020 ， 12 （ 22 ）： 3749 .

ZINNO I ， BONANO M ， BUONANNO S ， et al . National Scale Surface Deformation Time Series Generation Through Advanced DInSAR Processing of Sentinel-1 Data Within a Cloud Computing Environment ［J］. IEEE Transactions on Big Data ， 2020 ， 6 （ 3 ）： 558 - 571 .

YU Y H ， BALZ T ， LUO H ， et al . GPU Accelerated Interferometric SAR Processing for Sentinel-1 TOPS Data ［J］. Computers & Geosciences ， 2019 ， 129 ： 12 - 25 .

ROSEN P A ， SHAMS K S ， GURROLA E M ， et al . InSAR Scientific Computing Environment on the Cloud ［C］// AGU Fall Meeting ， Miami， USA ， 2012 .

DE LUCA C ， ZINNO I ， MANUNTA M ， et al . Large Areas Surface Deformation Analysis Through a Cloud Computing P-SBAS Approach for Massive Processing of DInSAR Time Series ［J］. Remote Sensing of Environment ， 2017 ， 202 ： 3 - 17 .

MANUNTA M ， DE LUCA C ， ZINNO I ， et al . The Parallel SBAS Approach for Sentinel-1 Interferometric Wide Swath Deformation Time-Series Generation： Algorithm Description and Products Quality Assessment ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2019 ， 57 （ 9 ）： 6259 - 6281 .

DE ZAN F ， LOPEZ-DEKKER P . SAR Image Stacking for the Exploitation of Long-Term Coherent Targets ［J］. IEEE Geoscience and Remote Sensing Letters ， 2011 ， 8 （ 3 ）： 502 - 506 .

ANSARI H ， DE ZAN F ， BAMLER R . Sequential Estimator： Toward Efficient InSAR Time Series Analysis ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2017 ， 55 （ 10 ）： 5637 - 5652 .

ZHANG L F ， ZHANG L P ， TAO D C ， et al . Compression of Hyperspectral Remote Sensing Images by Tensor Approach ［J］. Neurocomputing ， 2015 ， 147 ： 358 - 363 .

GUO X ， HUANG X ， ZHANG L F ， et al . Support Tensor Machines for Classification of Hyperspectral Remote Sensing Imagery ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2016 ， 54 （ 6 ）： 3248 - 3264 .

COMON P . Tensor Decompositions： State of the Art and Applications ［M］. Oxford ： Oxford University Press ， 2002 .

LEE J S ， HOPPEL K W ， MANGO S A ， et al . Intensity and Phase Statistics of Multilook Polarimetric and Interferometric SAR Imagery ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 1994 ， 32 （ 5 ）： 1017 - 1028 .

SAMIEI E S . Exploitation of Distributed Scatterers in Synthetic Aperture Radar Interferometry ［D］. Delft ： Delft University of Technology ， 2017 .

TUCKER L R . Implications of Factor Analysis of Three-Way Matrices for Measurement of Change ［J］. Problems in Measuring Change ， 1963 ， 1 （ 1 ）： 122 - 137 .

TUCKER L R . Some Mathematical Notes on Three-Mode Factor Analysis ［J］. Psychometrika ， 1966 ， 31 （ 3 ）： 279 - 311 .

卢莹，颜惠庆，杨俊凯，等 . 不同分辨率DEM对InSAR变形监测精度的影响分析［J］. 测绘地理信息， 2018 ， 43 （ 6 ）： 106 - 109 .

LU Ying ， YAN Huiqing ， YANG Junkai ， et al . Analysis of the Effect of Different Resolution DEM on InSAR Deformation Monitoring Accuracy ［J］. Journal of Geomatics ， 2018 ， 43 （ 6 ）： 106 - 109 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

秦岭生态地质环境监测研究进展与智能化监测体系构建

船舶航行海洋地理信息三态融合保障问题研究

呼包鄂榆城市群草地脆弱性时空演变及因子可解释性分析

星载温室气体激光雷达技术发展与展望

时空智能学：理论与应用