结合目标检测及高斯建模的矿区大梯度沉降漏斗相位解缠算法

杨子贤; 田馨; 吴霞; 蒋弥

doi:10.13203/j.whugis20240400

您当前的位置：

首页 >

文章列表页 >

结合目标检测及高斯建模的矿区大梯度沉降漏斗相位解缠算法

雷达干涉测量 | 更新时间：2026-11-05

- 结合目标检测及高斯建模的矿区大梯度沉降漏斗相位解缠算法
- Phase Unwrapping Algorithm for Large-Gradient Subsidence Funnels in Mining Areas Based on Target Detection and Gaussian Modeling
- 武汉大学学报（信息科学版） 2025年50卷第8期页码：1657-1668
- 作者机构：
  
  1.东南大学交通学院，江苏南京，211189
  2.中山大学测绘科学与技术学院，广东珠海，519000
- 作者简介：
  
  杨子贤，硕士生，研究方向为雷达遥感。yzx18018022336@163.com
  田馨，博士，副教授。tianxin@seu.edu.cn
- 基金信息：
  
  国家自然科学基金(42474024);广东省基础与应用基础研究基金(2024A1515012507);中国科技部⁃欧洲空间局“龙计划”六期项目(95436)
- DOI：10.13203/j.whugis20240400
  中图分类号： P237
- 收稿：2024-11-28，
  
  纸质出版：2025-08-05
- 稿件说明：
移动端阅览
杨子贤,田馨,吴霞，等.结合目标检测及高斯建模的矿区大梯度沉降漏斗相位解缠算法[J].武汉大学学报（信息科学版）,2025,50(8):1657-1668.

YANG Zixian,TIAN Xin,WU Xia,et al.Phase Unwrapping Algorithm for Large-Gradient Subsidence Funnels in Mining Areas Based on Target Detection and Gaussian Modeling[J].Geomatics and Information Science of Wuhan University,2025,50(8):1657-1668.
杨子贤,田馨,吴霞，等.结合目标检测及高斯建模的矿区大梯度沉降漏斗相位解缠算法[J].武汉大学学报（信息科学版）,2025,50(8):1657-1668. DOI：10.13203/j.whugis20240400

YANG Zixian,TIAN Xin,WU Xia,et al.Phase Unwrapping Algorithm for Large-Gradient Subsidence Funnels in Mining Areas Based on Target Detection and Gaussian Modeling[J].Geomatics and Information Science of Wuhan University,2025,50(8):1657-1668. DOI：10.13203/j.whugis20240400

摘要

合成孔径雷达干涉测量 (interferometric synthetic aperture radar，InSAR) 技术凭借全天时、高空间分辨率的特点在地表形变监测领域极具优势。然而，因采矿活动导致的大梯度沉降漏斗在干涉图中易产生密集的非线性干涉条纹，对相位解缠带来挑战。为解决这个难题，提出一种将深度学习目标检测网络与沉降漏斗反演建模相结合的解缠方法，旨在识别和模拟干涉图中的沉降漏斗，在缠绕相位中降低相位梯度，从而实现高精度相位解缠。该方法首先在YOLOv10框架下采用模拟和真实矿区干涉图训练沉降漏斗探测模型，实现大规模干涉图沉降漏斗自动识别；然后，利用以角度偏差最小化为目标函数的二维高斯模型对每个沉降漏斗进行反演和建模；接着，从干涉图中减去模型相位，对残余相位滤波，减少因滤波导致的相位混叠并增加干涉信噪比；最后，对滤波的残余相位进行解缠并加回模型相位，恢复真实解缠相位。通过模拟数据和覆盖中国山西大同地区的陆探一号数据集，分析了所提方法解缠前后相位残点的变化以及模拟数据统计，并与传统矿区解缠处理方法进行了对比。结果表明，所提方法具有更强的鲁棒性和更高的精度，在矿区非线性高形变梯度区域的解缠中，平均均方根误差较传统方法减小了57.4%

平均残点数减小了23.4%，证明了所提方法的可行性。

Abstract

Objectives

Most phase unwrapping algorithms in interferometric synthetic aperture radar （InSAR)technology rely on the assumption of phase continuity. However

mining subsidence is characterized by its small spatial extent

large-gradient subsidence

and sudden occurrences

which result in dense interference fringes in the interferograms

making it difficult to satisfy the phase continuity assumption.

Methods

To address this challenge

we propose a phase unwrapping method that combines a deep learning-based object detection network with subsidence funnel inversion modeling. The goal is to identify and simulate subsidence funnels in the interferograms

reducing the phase gradient within the wrapped phase and thereby achieving high-precision phase unwrapping. The method first utilizes simulated and real-world interferograms from mining areas to train a subsidence funnel detection model within the YOLOv10 framework

enabling automatic large-scale identification of subsidence funnels in interferograms. Then

a two-dimensional Gaussian model

optimized using a minimum angular deviation objective function

is employed to invert and model each subsidence funnel. The modeled phase is subtracted from the interferogram

and the residual phase is filtered to reduce phase aliasing caused by filtering and to increase the signal-to-noise ratio of the interferogram. Finally

the filtered residual phase is unwrapped and added back to the modeled phase to restore the true unwrapped phase.

Results

Using simulated data and the Lutan-1 dataset covering the Datong region in Shanxi

China

the proposed method was analyzed in terms of phase residual points before and after unwrapping

along with statistical results from the simulated data. Compared to traditional unwrapping methods used in mining areas

the proposed method demonstrates stronger robustness and higher accuracy. In nonlinear high-gradient deformation areas

the mean squared error was reduced by 57.4%

and the average number of residual points decreased by 23.4%

Conclusions

By combining model identification with fringe reduction

the wrapped phase better satisfies the phase continuity assumption

reducing the impact of large gradient deformations on subsequent unwrapping operations and improving the accuracy of the unwrapped results. Notably

the proposed algorithm can better restore the true phase at the center of subsidence funnels

a task that traditional two-dimensional unwrapping algorithms struggle to achieve.

关键词

Keywords

references

刘国祥，丁晓利，陈永奇，等 . 极具潜力的空间对地观测新技术：合成孔径雷达干涉［J］. 地球科学进展， 2000 ， 15 （ 6 ）： 734 - 740 .

LIU Guoxiang ， DING Xiaoli ， CHEN Yongqi ， et al . New and Potential Technology for Observation of Earth From Space： Synthetic Aperture Radar Interferometry ［J］. Advance in Earth Sciences ， 2000 ， 15 （ 6 ）： 734 - 740 .

METTERNICHT G ， HURNI L ， GOGU R . Remote Sensing of Landslides： An Analysis of the Potential Contribution to Geo-spatial Systems for Hazard Assessment in Mountainous Environments ［J］. Remote Sensing of Environment ， 2005 ， 98 （ 2/3 ）： 284 - 303 .

BAYRAMOV E ， BUCHROITHNER M ， KADA M ， et al . Quantitative Assessment of Vertical and Horizontal Deformations Derived by 3D and 2D Decompositions of InSAR Line-of-Sight Measurements to Supplement Industry Surveillance Programs in the Tengiz Oilfield （Kazakhstan）［J］. Remote Sensing ， 2021 ， 13 （ 13 ）： 2579 .

杨梦诗，廖明生，常玲，等 . 城市场景时序InSAR形变解译：问题分析与研究进展［J］. 武汉大学学报（信息科学版）， 2023 ， 48 （ 10 ）： 1643 - 1660 .

YANG Mengshi ， LIAO Mingsheng ， CHANG Ling ， et al . Interpretation of Multi-Epoch InSAR Deformation for Urban Scenes： A Problem Analysis and Literature Review ［J］. Geomatics and Information Science of Wuhan University ， 2023 ， 48 （ 10 ）： 1643 - 1660 .

郑美楠，邓喀中，郭庆彪，等 . 淮南矿区关闭矿井地表次生沉陷InSAR监测与规律分析［J］. 武汉大学学报（信息科学版）， 2024 ， 49 （ 8 ）： 1356 - 1366 .

ZHENG Meinan ， DENG Kazhong ， GUO Qingbiao ， et al . Monitoring and Law Analysis of Surface Secondary Subsidence of Closed Mines in Huainan Mining Area Based on InSAR ［J］. Geomatics and Information Science of Wuhan University ， 2024 ， 49 （ 8 ）： 1356 - 1366 .

江克贵，王磊，滕超群 . 融合单视线D-InSAR和BK模型的煤矿地表三维变形动态监测方法［J］. 武汉大学学报（信息科学版）， 2023 ， 48 （ 4 ）： 620 - 630 .

JIANG Kegui ， WANG Lei ， TENG Chaoqun . A Dynamic Monitoring Method of Surface 3D Deformation of Coal Mine Based on Fusion of Single Sight D-InSAR and BK Model ［J］. Geomatics and Information Science of Wuhan University ， 2023 ， 48 （ 4 ）： 620 - 630 .

ITOH K . Analysis of the Phase Unwrapping Algorithm ［J］. Applied Optics ， 1982 ， 21 （ 14 ）： 2470 .

COSTANTINI M . A Novel Phase Unwrapping Method Based on Network Programming ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 1998 ， 36 （ 3 ）： 813 - 821 .

GOLDSTEIN R M ， ZEBKER H A ， WERNER C L . Satellite Radar Interferometry： Two-Dimensional Phase Unwrapping ［J］. Radio Science ， 1988 ， 23 （ 4 ）： 713 - 720 .

JIANG M ， LI Z W ， DING X L ， et al . Modeling Minimum and Maximum Detectable Deformation Gradients of Interferometric SAR Measurements ［J］. International Journal of Applied Earth Observation and Geoinformation ， 2011 ， 13 （ 5 ）： 766 - 777 .

刘斌，张丽，葛大庆，等 . 陆地探测一号卫星滑坡大变形InSAR监测应用［J］. 武汉大学学报（信息科学版）， 2024 ， 49 （ 10 ）： 1753 - 1762 .

LIU Bin ， ZHANG Li ， GE Daqing ， et al . Application of InSAR Monitoring Large Deformation of Landslides Using Lutan-1 Constellation ［J］. Geomatics and Information Science of Wuhan University ， 2024 ， 49 （ 10 ）： 1753 - 1762 .

ROTTER P ， MURON W . Automatic Detection of Subsidence Troughs in SAR Interferograms Based on Convolutional Neural Networks ［J］. IEEE Geoscience and Remote Sensing Letters ， 2021 ， 18 （ 1 ）： 82 - 86 .

WU Z P ， WANG T ， WANG Y J ， et al . Deep Learning for the Detection and Phase Unwrapping of Mining-Induced Deformation in Large-Scale Interferograms ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2021 ， 60 ： 5216318 .

SHANKER A P ， ZEBKER H . Edgelist Phase Unwrapping Algorithm for Time Series InSAR Analysis ［J］. Journal of the Optical Society of America A， Optics， Image Science， and Vision ， 2010 ， 27 （ 3 ）： 605 - 612 .

DIAO X P ， WU K ， XU Y K ， et al . Prediction-Based Phase Unwrapping for Differential Interferograms of Coal Mining Areas Using a Stochastic Medium Model ［J］. Remote Sensing Letters ， 2018 ， 9 （ 5 ）： 477 - 486 .

WANG L Y ， DENG K Z ， FAN H D ， et al . Monitoring of Large-Scale Deformation in Mining Areas Using Sub-Band InSAR and the Probability Integral Fusion Method ［J］. International Journal of Remote Sensing ， 2019 ， 40 （ 7 ）： 2602 - 2622 .

DAI Y W ， NG A H ， WANG H ， et al . Modeling-Assisted InSAR Phase-Unwrapping Method for Mapping Mine Subsidence ［J］. IEEE Geoscience and Remote Sensing Letters ， 2021 ， 18 （ 6 ）： 1059 - 1063 .

JIANG C ， WANG L ， YU X X . Retrieving 3D Large Gradient Deformation Induced to Mining Subsidence Based on Fusion of Boltzmann Prediction Model and Single-Track InSAR Earth Observation Technology ［J］. IEEE Access ， 2021 ， 9 ： 87156 - 87172 .

史健存 . 矿区大梯度与长时序地表形变InSAR监测方法及应用研究［D］. 长沙：中南大学， 2022 .

SHI Jiancun . Research on InSAR Monitoring Methods and Applications for Large Gradient and Long-Term Surface Deformation in Mining Areas ［D］. Changsha ： Central South University ， 2022 .

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 .

REDMON J ， DIVVALA S ， GIRSHICK R ， et al . You Only Look Once： Unified， Real-Time Object Detection ［C］// IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， Las Vegas， NV， USA， 2016 .

REDMON J ， FARHADI A . YOLO9000： Better， Faster， Stronger ［C］// IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， Honolulu， HI， USA， 2017 .

BOCHKOVSKIY A ， WANG C Y ， LIAO H Y M . YOLOv4： Optimal Speed and Accuracy of Object Detection ［EB/OL］. ［ 2020-04-23 ］. https：//arxiv.org/abs/2004.10934 https://arxiv.org/abs/2004.10934 .

WANG C Y ， BOCHKOVSKIY A ， LIAO H M . YOLOv7： Trainable Bag-of-Freebies Sets New State-of-the-Art for Real-Time Object Detectors ［C］// IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）， Vancouver， BC， Canada， 2023 .

WANG C Y ， YEH I H ， LIAO H P . YOLOv9： Learning What You Want to Learn Using Programmable Gradient Information ［EB/OL］. ［ 2024-02-29 ］. https：//arxiv.org/abs/2402.13616 https://arxiv.org/abs/2402.13616 .

WANG A ， CHEN H ， LIU L ， et al . YOLOv10： Real-Time End-to-End Object Detection ［EB/OL］. ［ 2024-05-23 ］. https：//arxiv.org/abs/2405.14458 https://arxiv.org/abs/2405.14458 .

VERMA T ， SINGH J ， BHARTARI Y ， et al . SOAR： Advancements in Small Body Object Detection for Aerial Imagery Using State Space Models and Programmable Gradients ［EB/OL］. ［ 2024-05-06 ］. https：//arxiv.org/abs/2405.14458 https://arxiv.org/abs/2405.14458 .

FEIGL K L ， THURBER C H . A Method for Modelling Radar Interferograms Without Phase Unwrapping： Application to the M 5 Fawnskin， California Earthquake of 1992 December 4 ［J］. Geophysical Journal International ， 2009 ， 176 （ 2 ）： 491 - 504 .

GOLDSTEIN R M ， WERNER C L . Radar Interferogram Filtering for Geophysical Applications ［J］. Geophysical Research Letters ， 1998 ， 25 （ 21 ）： 4035 - 4038 .

BARAN I ， STEWART M P ， KAMPES B M ， et al . A Modification to the Goldstein Radar Interferogram Filter ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2003 ， 41 （ 9 ）： 2114 - 2118 .

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

考虑InSAR地表形变的滑坡易发性评价负样本选取与结果优化

基于深度学习的InSAR影像局部与非局部联合相位滤波

陆地探测一号卫星用于干涉测量精度验证与分析——以大同市为例

四川筠连县金坪村滑坡灾前地貌变化和形变特征研究

一种基于GNSS和机器学习的InSAR大气改正方法