周鑫城,左小清,李勇發(fā),楊 栩,鄧云龍,周家厚

(昆明理工大學 國土資源工程學院,云南 昆明 650093)

為了解地表的沉降情況,眾多學者采用持續(xù)性的形變監(jiān)測技術(shù)對地表進行觀測,從而揭示地表的活動狀態(tài),預測與防范地質(zhì)災害的發(fā)生[1]。當前,常規(guī)的地表形變監(jiān)測技術(shù)主要有:水準測量[2]、全球衛(wèi)星導航定位技術(shù)(global positioning system,GPS)[3]等。近些年來,隨著地表監(jiān)測技術(shù)水平和科學技術(shù)的發(fā)展,諸如全球?qū)Ш叫l(wèi)星系統(tǒng)(global navigation satellite system,GNSS)[4]、三維激光掃描[5]、地理信息系統(tǒng)(geographic information system,GIS)[6]等高新技術(shù)的引入,使得地表形變監(jiān)測的工作效率有顯著的提高。這些技術(shù)的應用,為區(qū)域的沉降情況提供了可靠的數(shù)據(jù)基礎,但存在一定的缺陷,如空間分辨率低、觀測周期長和監(jiān)測成本高等問題。隨著雷達衛(wèi)星(synthetic aperture radar,SAR)逐步發(fā)育成熟,具有高時空分辨率、不受云雨條件限制、覆蓋范圍廣、數(shù)據(jù)獲取周期較短、安全性高等優(yōu)勢的干涉合成孔徑雷達(interferometric synthetic aperture radar,InSAR)成為地表形變監(jiān)測的主要手段之一[7-9]。相干性[10-11]是干涉測量的基礎,不僅直接影響形變監(jiān)測數(shù)據(jù)的處理難度,而且失相干也是地表形變誤差的主要來源。InSAR失相干[12]包括時間失相干和空間失相干,而失相干主要是由時間基線或空間基線過長引起的。目前,多數(shù)學者從定性的角度進行研究,發(fā)現(xiàn)InSAR相干性與時空基線的長度呈負相關(guān)[13-14]。歐洲航天局的哨兵雙星系統(tǒng)的出現(xiàn)極大地克服了大部分空間失相干所帶來的誤差,而引起時間失相干的主要原因是研究區(qū)分辨單元內(nèi)目標的物理和化學特性隨時間的變化而變化。

當前,研究不同地表對相干性的影響較少,余祥偉等[15]分析植被及坡度對InSAR相干性的影響,發(fā)現(xiàn)相較于坡度,植被是導致高覆蓋山區(qū)InSAR影像時間失相干的主要因素,相干性和植被覆蓋度之間存在一定的相關(guān)性。佀文娜等[16]研究典型地物的時間失相干影響,發(fā)現(xiàn)風速對相干性沒有影響,而降雨量是導致地物失相干的重要因素。王天祥等[17]使用D-InSAR技術(shù)對地表進行形變監(jiān)測,在獲取大量數(shù)據(jù)后進行仿真試驗,發(fā)現(xiàn)空間基線和時間基線與InSAR相干性之間存在指數(shù)關(guān)系,而且當空間基線的長度不超過臨界基線的三分之一時,可以保證得到較好的InSAR相干性。

現(xiàn)有研究主要對植被、坡度、降雨量等多方面進行綜合分析,尚未針對不同地表覆蓋對InSAR的相干性影響進行深入研究。因此,本文選取昆明市滇池及周邊環(huán)境作為研究區(qū),采用小基線集(small baselines subset InSAR,SBAS-InSAR)技術(shù)對歐洲航天局哥白尼計劃(global monitoring for environment and security,GMES)中的地球觀測衛(wèi)星哨兵1號(Sentinel-1)衛(wèi)星數(shù)據(jù)進行處理。從定量角度分析不同地表覆蓋對相干性的影響,深入分析在不同月份、不同季節(jié)和不同降雨量下,地表覆蓋類型對相干性的影響,為提高InSAR形變精度提供有力的理論依據(jù)和數(shù)據(jù)支撐。

1 研究方法

1.1 SBAS-InSAR技術(shù)

SBAS-InSAR技術(shù)是在InSAR技術(shù)基礎上發(fā)展起來的一種多主影像的時序InSAR方法。該技術(shù)的測量原理是利用兩幅具有相同觀測幾何的影像構(gòu)成干涉像對,結(jié)合衛(wèi)星和觀測目標之間的幾何關(guān)系,對干涉像對所產(chǎn)生的相位差進行相位濾波、相位解纏、地理配準等步驟,獲取觀測目標的三維信息和形變信息[18]。

在評價干涉質(zhì)量的好壞時,分析相位相干性常被作為一個重要的標準。相干性被定義為一個干涉像對中主、副影像是否存在相似,而兩者之間的相似程度目前常使用相干系數(shù)進行描述。相干系數(shù)(γ)數(shù)值分布于[0,1]區(qū)間內(nèi),相干系數(shù)為0表示主、副影像之間無相似程度,相干系數(shù)為1表示主、副影像之間完全相同。相干系數(shù)(γ)計算模型如下:

式中,N和M為最終獲取相干性像元的尺寸大小;n和m為數(shù)據(jù)內(nèi)像元的行列號;μ*為共軛復數(shù);μ1(n,m),μ2(n,m)為主、副影像數(shù)據(jù)內(nèi)像元再坐標(n,m)處的復數(shù)值;|·|為復數(shù)的絕對值。

由于雷達兩次成像期間觀測區(qū)域內(nèi)目標的物理和化學特性隨時間變化而變化,使得相干性在目標條件不穩(wěn)定的區(qū)域通常較低,而在目標條件穩(wěn)定的區(qū)域(建筑區(qū)域及工礦用地)相干性通常較高。

1.2 歸一化水指數(shù)

歸一化水指數(shù)是用遙感影像中的特定波段進行歸一化差值處理,以突顯影像中水體的信息[19-20]。該指數(shù)的主要優(yōu)點之一是能夠很好的區(qū)分水體區(qū)與非水體區(qū),其利用水體吸收的綠光(492～577 nm)和反射近紅外(780～2 526 nm)的原理建立表達式,計算公式如下:

(1)

式中,B3為遙感影像中的綠波段;B5為遙感影像中的近紅外波段。INDWI的取值范圍為[-1,1]。

1.3 垂直不透水面指數(shù)

垂直不透水面指數(shù)是利用所選樣本的光譜特性建立較高的關(guān)聯(lián)表達式,以凸顯影像中不透水面(建筑區(qū)域及工礦用地)的信息[21-23]。該指數(shù)相較于歸一化建筑指數(shù)能夠較好的區(qū)分不透水面和透水面,計算公式如下:

(2)

式中,a為選取樣本構(gòu)造出的關(guān)聯(lián)表達式的斜率;b為選取樣本構(gòu)造出的關(guān)聯(lián)表達式的截距;B2為遙感影像中的藍波段。

1.4 歸一化植被指數(shù)

歸一化植被指數(shù)是反應植被生長趨勢的重要參數(shù)之一,被廣泛應用于干旱季的監(jiān)測、農(nóng)作物生產(chǎn)情況的監(jiān)測和預測等[24-25]。該指數(shù)的主要優(yōu)點之一是能夠較好的區(qū)分植被區(qū)域與非植被區(qū)域,其利用植被吸收紅光(625～740 nm)和反射近紅外(780～2 526 nm)的原理建立表達式,計算公式如下:

(3)

式中,B4為遙感影像中的紅波段。INDVI的取值范圍為[-1,1]。

2 研究區(qū)與數(shù)據(jù)集

2.1 研究區(qū)

云南省昆明市總體的地貌趨勢為北部高,南部低,呈階梯式降低,高程主要分布在1 500～2 800 m之間;以亞熱帶高原季風氣候為主,因此,植被以常綠闊葉林為主,年平均氣溫為15℃左右,年日照平均時長為2 200 h左右,年平均降水量為1 035 mm。經(jīng)全國第三次全國國體調(diào)查,昆明市耕地面積約為3 865.73 km2;林地面積約為11 317.67 km2;草地面積約為1 244.40 km2;建筑區(qū)域及工礦用地面積約為1 480.53 km2。本次研究區(qū)包括云南省昆明市滇池及周邊區(qū)域,包括安寧區(qū)的東部地區(qū),地處中國西南地域、云貴高原中部地區(qū),其覆蓋研究區(qū)覆蓋面積約為2 287 km2,位于東經(jīng):102°28′05″E—102°57′40″E,北緯:24°36′34″N—25°13′52″N,如圖1所示。

圖1 研究區(qū)位置Fig.1 Location of study area

2.2 數(shù)據(jù)集

本文使用的數(shù)據(jù)集包括從歐空局(https://search.asf.alaska.edu/)獲取2020年1月11日—2021年2月22日的35景降軌Sentinel 1A數(shù)據(jù),該數(shù)據(jù)的波段為C波段,波長為5.6 cm,分辨率為5 m×20 m,觀測模式為干涉寬幅 (interferometric wide swath,IW),極化方式為VV(單極化),單視復數(shù)(single look comple,SLC)。土地利用分類數(shù)據(jù)來源于中國科學院資源環(huán)境科學與數(shù)據(jù)中心數(shù)據(jù)平臺 (http://www.resdc.cn)。從地理空間數(shù)據(jù)云(http://www.gscloud.cn/)網(wǎng)站下載得到的2020年2月5日Landsat 8影像。2020年全年MODIS系列NDVI產(chǎn)品的原始數(shù)據(jù)是從Nasa(https://www.nasa.gov/)網(wǎng)站下載得到的2020年全年MODIS數(shù)據(jù)。降雨數(shù)據(jù)是從中國地面氣候資料日值數(shù)據(jù)集中獲取。

2.3 數(shù)據(jù)預處理

本文通過使用SBAS-InSAR技術(shù)對35景Sentinel 1A降軌數(shù)據(jù)進行處理,將SBAS-InSAR的時間基線閾值設置為120 d,經(jīng)過數(shù)據(jù)導入、研究區(qū)裁剪、地理配準、反演等步驟,最終得到204幅相干性圖,并將獲取相干性的兩個日期對相干性圖進行命名,每幅影像的分辨率為17 m×17 m,地理坐標為WGS_1984。

本文對地理空間數(shù)據(jù)云中2020年全年的影像進行篩選,最終使用2020年2月5日的Landsat 8影像(云量小于5%)作為研究影像,利用光譜特性與三種指數(shù)(INDWI、IPII和INDVI)的計算公式,計算出研究區(qū)內(nèi)各像元在2020年2月5日的三種指數(shù)值,其分辨率為30 m*30 m,投影坐標為WGS_1984_48N。

為研究不同類型的地表覆蓋與InSAR相干性之間的關(guān)系,以三種指數(shù)的像元分辨率和坐標為準,對相干性數(shù)據(jù)進行匹配、投影轉(zhuǎn)換、重采樣、掩膜提取等步驟使4種數(shù)據(jù)的行列號保持一致。對各類型的地表覆蓋隨機選擇1 200個點,分析所選點的指數(shù)數(shù)據(jù)與相干性之間的關(guān)系,以確定各類型的地表覆蓋是否存在研究的意義,并進一步了解不同地表覆蓋對相干性的影響。

MODIS系列的歸一化植被指數(shù)產(chǎn)品在獲取時間序列上的間隔為16 d,因此,需對該數(shù)據(jù)進行預處理,獲取每月的月度歸一化植被指數(shù)數(shù)據(jù)。降雨量是日值數(shù)據(jù),同樣也要對此進行月份劃分,獲取月度降雨量數(shù)據(jù)。相干性數(shù)據(jù)是由每兩幅不同時間段的影像計算得到的,而本文所使用的時間基線為120 d,因此,會出現(xiàn)跨月時間影像生成的相干性圖,針對該現(xiàn)象,本文將命名中較早的日期作為分類依據(jù),進行歸納各月的相干性圖,以方便計算各月的相干性平均值(如:2020年3月11日的影像和2020年4月4日的影像所計算出來的相干性圖歸納為三月份的相干性圖,2020年3月11日的影像和2020年6月3日的影像所計算出來的相干性圖也歸納為三月份的相干性圖)。最終結(jié)合降雨量數(shù)據(jù)與季節(jié)數(shù)據(jù),研究分析在降雨量與季節(jié)變化的條件下,不同地表覆蓋對InSAR相干性的影響。

3 結(jié)果與分析

3.1 三種指數(shù)結(jié)果與分析

圖2(a)為求取平均值后的相干性圖,從該圖可知,研究區(qū)內(nèi)的相干性取值范圍為0～1,其中,建筑區(qū)域的相干性最高,其次是植被覆蓋區(qū)域的相干性,水體的相干性最低。本文的土地利用一級類別有五類,分別為:水域、林地、草地、耕地和建筑區(qū)域及工礦用地,其二級分類如圖2(b)所示。統(tǒng)計一級類別的像元,可以發(fā)現(xiàn)建筑區(qū)域及工礦用地的像元最多,其次為林地。

(a)求取平均值后相干性圖 (b)二級分類圖2 相干性與土地利用分類圖Fig.2 Coherence and land use classification map

圖3(a)為研究區(qū)的INDWI指數(shù)圖,由圖可知,其INDWI取值范圍為-0.61～1。圖3(b)為研究區(qū)的IPII指數(shù)圖,IPII指數(shù)的獲取與INDWI指數(shù)不同。在影像中選取暗色不透水面(居民建筑區(qū)等)、亮色不透水面(工廠等)、藍色不透水面(廠房等)、透水面(林地、草地、耕地等)5種類別作為樣本,根據(jù)樣本生成的特征空間,計算出(2)式中的a和b分別為1.514和2 118.066,因此,(2)式可以表示為

圖3 INDWI、IPII、INDVI指數(shù)圖Fig.3 INDWI, IPII and INDVI index diagram

由圖3(b)可知,IPII數(shù)值的取值范圍為-7 299.6～8 065.1。圖3(c)為研究區(qū)的INDVI影像圖,其取值范圍為-1～0.82。

圖3中,三種指數(shù)可以明顯的區(qū)分出水體區(qū)域、建筑區(qū)域和植被覆蓋區(qū)域。為定量分析不同地表覆蓋與相干性之間的關(guān)系,利用隨機點繪制散點圖,并通過最小二乘法進行擬合,最終得到三種指數(shù)與相干性之間的關(guān)聯(lián)程度圖,如圖4所示。由于每種地表覆蓋類型的光譜特性不同,用不同的指數(shù)表達不同地表覆蓋可以更好的體現(xiàn)地表覆蓋的差異性,因此,本文對不同地表覆蓋的隨機點賦予不同的指數(shù)。INDWI指數(shù)能夠很好的區(qū)分水體區(qū)域與非水體區(qū)域,所以對水體類型的隨機點賦予INDWI數(shù)據(jù);IPII指數(shù)主要用于區(qū)分透水面和不透水面,而透水面主要是植被覆蓋區(qū)域,不透水面主要是建筑區(qū)域,因此,對兩者區(qū)域賦予IPII數(shù)值能夠進一步了解兩者與相干性之間的關(guān)系,由于建筑區(qū)域及工礦用地的建設需符合國家綠化面積要求,其周邊附著一定的植被及綠化帶,而在農(nóng)村居民點及城鎮(zhèn)周邊,多為植被覆蓋區(qū)與建筑區(qū)的交匯,影像中存在混淆像元,因此,為減少此方面的誤差,對建筑區(qū)域及工礦用地與植被覆蓋區(qū)的隨機點賦予INDVI數(shù)值。

圖4 INDWI、IPII、INDVI指數(shù)與相干性的關(guān)聯(lián)程度Fig.4 Correlation degree of INDWI, IPII, INDVI index and coherence

從整體上看,圖4中存在一些離散點,出現(xiàn)離散點的主要原因是三種指數(shù)由影像通過波段差計算得到的,而相干性的計算方式是由兩幅Sentinel 1A影像通過干涉處理得到的,在影像源的使用和計算方法上存在差異;各類型地表覆蓋的隨機點是在土地利用的分類基礎上進行選擇的,而土地利用在分類上存在誤差,因此,在數(shù)值上會出現(xiàn)異常值,在圖像上出現(xiàn)無規(guī)律分布的離散點。如圖4(a)所示,結(jié)合光學遙感影像和土地利用類型可以發(fā)現(xiàn),該點的利用類型為水體,而在遙感影像中,該點位于昆明南繞城高速上,且從相干性和INDWI的數(shù)值大小可以斷定,該點屬于異常點。因此,研究三種指數(shù)與相干性之間的關(guān)系前,需對離散點進行剔除。

圖4(a)為INDWI指數(shù)相關(guān)性圖,圖4(b)為IPII指數(shù)相關(guān)性圖,圖4(c)為INDVI指數(shù)相關(guān)性圖。由圖4(a)可知,INDWI數(shù)值集中分布在0.75～0.85之間,其對應的相干性分布在0.05～0.58之間,兩者的相關(guān)系數(shù)R2為0.180 6,呈負相關(guān)。且從圖中的點分布可知,INDWI數(shù)值與相干性之間無關(guān)聯(lián)程度,故研究水體對相干性的影響沒有意義,后續(xù)將不對水體進行研究分析。

由圖4(b)可知,不透水面(建筑區(qū)域及工礦用地)的IPII數(shù)值主要分布在0～2 000之間,其對應的相干性主要分布在0.4～0.9之間;透水面(植被覆蓋區(qū))的IPII數(shù)值主要分布在-2 000～0之間,其對應的相干性數(shù)值主要分布在0.4～0.8之間,兩者的相關(guān)系數(shù)R2為0.180 3,呈正相關(guān)。導致IPII指數(shù)與InSAR相干性之間的關(guān)聯(lián)程度低有兩個原因,一是本文所選取的隨機點多為植被覆蓋類型,所以在圖中點分布較為密集,呈現(xiàn)出上部分稀疏下部分密集的分布情況;二是IPII數(shù)值取值范圍遠大于InSAR相干性。雖然在圖中呈現(xiàn)出隨著IPII數(shù)值的增加,相干性增加,但是兩者之間的關(guān)聯(lián)程度低,無法顯著的體現(xiàn)出不同地表對相干性的影響。

從圖4(c)可知,植被覆蓋區(qū)域的INDVI數(shù)值主要分布在0～0.55之間,相干性主要分布在0.4～0.8之間;建筑區(qū)域及工礦用地的INDVI數(shù)值主要分布在-0.2～0之間,相干性主要分布在0.6～0.98之間,兩者的相關(guān)系數(shù)R2為0.399 8,呈負相關(guān)。結(jié)合INDVI指數(shù)特性,不同地表覆蓋的INDVI取值范圍不同,即可以通過INDVI指數(shù)區(qū)分不同地物。故本文將通過使用INDVI作為主要的研究指數(shù),研究不同地表覆蓋對相干性的影響。

3.2 不同地表覆蓋類型對相干性影響分析

為研究不同地表覆蓋對相干性的影響,本文對4種地表覆蓋類型的1 200個隨機點賦予2020年月度平均INDVI數(shù)值和月度平均相干性,將隨機點的INDVI數(shù)值以0.2的步長進行劃分,繪制各類型的地表覆蓋在不同INDVI數(shù)值下相干性的分布圖,如圖5所示。

圖5 不同地表覆蓋類型的相干性分布圖Fig.5 Coherence distribution map of different surface Types

對比不同地表覆蓋的整體相干性可以發(fā)現(xiàn),建筑區(qū)域及工礦用地的整體相干性較高,植被覆蓋區(qū)的整體相干性較低。由圖5可知,建筑區(qū)域及工礦用地的相干性在INDVI數(shù)值為0.34～0.57的區(qū)間內(nèi)下降程度最大,而在0.18～0.34區(qū)間內(nèi),相干性的衰減程度平穩(wěn),由此可見,在建筑區(qū)域及工礦用地中,相干性受INDVI數(shù)值變化影響顯著,特別是在INDVI數(shù)值超過0.34之后,隨著INDVI數(shù)值增加,相干性以較大的趨勢下降。林地的相干性在INDVI數(shù)值為0.35～0.66的區(qū)間內(nèi)快速下降,而在0.27～0.35和0.66～0.81的區(qū)間內(nèi)下降程度比較平穩(wěn),可以確定林地的相干性受INDVI數(shù)值的變化影響較大,特別是在INDVI數(shù)值為0.35～0.66之間,之后,隨著INDVI數(shù)值增加,相干性將以較平穩(wěn)的趨勢下降。耕地的相干性在INDVI數(shù)值為0.36～0.45區(qū)間下降趨勢較小,在0.27～0.36和0.45～0.81的區(qū)間內(nèi)下降趨勢程度最大,由此可知,耕地的相干性受INDVI數(shù)值變化影響明顯;而草地的相干性受INDVI數(shù)值的增加而降低,且以較相同的趨勢下降,由此可見,草地的相干性變化趨勢受INDVI數(shù)值的影響較小。

進一步對比4種地表覆蓋類型的相干性變化趨勢,可以發(fā)現(xiàn),在INDVI數(shù)值為0.18～0.55之間,不同地表覆蓋的相干性變化趨勢不相同,建筑區(qū)域及工礦用地的變化趨勢最大,其次是林地,而耕地與草地的變化趨勢相似;在INDVI數(shù)值為0.55～0.65區(qū)間內(nèi),草地的變化趨勢低于林地與耕地;在INDVI數(shù)值為0.65～0.75區(qū)間內(nèi),草地的變化趨勢高于林地與耕地;INDVI數(shù)值大于0.75,三種植被類型的相干性變化趨勢一致,由此可知,當INDVI數(shù)值大于0.75之后,相干性不再受地表覆蓋類型的影響,而只受植被覆蓋率影響,且隨著INDVI數(shù)值增加而降低。

3.3 基于各月不同地表覆蓋對相干性的影響分析

為研究不同月份下,地表覆蓋類型對相干性的影響,本文提取2020年月度平均INDVI數(shù)據(jù)和平均相干性數(shù)據(jù)繪制圖6,圖中的數(shù)值刻度為相干性。

圖6 不同地表覆蓋的月季變化Fig.6 The change of Rose in different surface covers

從圖6中可以發(fā)現(xiàn),在各月份中,建筑區(qū)域及工礦用地的相干性最高,且不低于0.7,其次是耕地和草地,林地的相干性最低,其主要原因是建筑區(qū)域及工礦用地的INDVI最低,林地的INDVI最高。從整體上看,該圖的整體趨勢靠近1月與12月,偏離6月與7月。從整體的相干性變化趨勢上可以發(fā)現(xiàn),在11月至2月,建筑區(qū)域及工礦用地的相干性變化趨勢較為平緩,其次是林地,草地與耕地的變化趨勢最大;而在5月至8月,建筑區(qū)域及工礦用地、林地和草地的變化穩(wěn)定,耕地的變化較大。結(jié)合不同地表覆蓋類型的植被覆蓋度可以發(fā)現(xiàn),在11月至2月建筑區(qū)域及工礦用地的整體植被覆蓋度低,林地的整體覆蓋度高,因此,整體變化趨勢較小,而耕地與草地的植被覆蓋度高于建筑區(qū),低于林地,因此,在該階段內(nèi),植被覆蓋率增加較快,相干性變化大;在5月至8月,建筑區(qū)、林地與草地的植被生長情況穩(wěn)定,耕地在該階段屬于豐收期,因此,相干性變化較大。由此可知,植被覆蓋度對相干性影響較大,且對于不同地表覆蓋,對相干性的影響不同。

為進一步分析不同地表覆蓋類型的相干性在各季節(jié)中情況,按照節(jié)氣的劃分規(guī)則,將12個月份劃分成春、夏、秋、冬四個季節(jié),提取對應的相干性求取平均值,并加入研究區(qū)內(nèi)的降雨量數(shù)據(jù)繪制出圖7。

圖7 不同地表覆蓋的四季相干性變化Fig.7 Seasonal coherence change of different surface covers

圖7中(a)圖為耕地,(b)圖為林地,(c)圖為草地,(d)圖為建筑區(qū)域及工礦用地。由圖7可知,建筑區(qū)域及工礦用地的相干性變化趨勢較小,耕地、林地和草地的相干性變化趨勢較大。從INDVI數(shù)值的季節(jié)分布情況,可以發(fā)現(xiàn)秋季的INDVI數(shù)值最高,其主要原因是研究區(qū)以亞熱帶高原季風氣候為主,植被以常綠闊葉林為主[26]。對比不同地表覆蓋的四季相干性分布情況,可以發(fā)現(xiàn)不同地表覆蓋的相干性在冬季最高,其次是春季,秋季和夏季最低。其主要原因是冬季的植被處于落葉期,植被覆蓋率低,而且降雨量少,因此,冬季相干性高;春季的植被處于生長期,植被覆蓋率和降雨量均大于冬季的情況,因此,冬季的相干性大于春季的相干性。由此可以發(fā)現(xiàn),相干性受降雨量和植被覆蓋率共同影響。對比夏季和秋季的情況可以發(fā)現(xiàn),夏季的植被覆蓋率低于秋季的植被覆蓋率,而夏季的降雨量高于秋季的降雨量,從圖中可以發(fā)現(xiàn)夏季的相干性略低于秋季的相干性。為進一步了解植被覆蓋率和降雨量對相干性的影響,本文使用灰色關(guān)聯(lián)度進行對比分析,如表1所示。

表1 不同地表覆蓋的INDVI與降雨量之間的灰色關(guān)聯(lián)度分析Tab.1 Grey correlation analysis between INDVI and rainfall under different surface covers

由表1可以發(fā)現(xiàn),不同地表覆蓋的相干性受INDVI影響較大,降雨量較小,對比4種不同地表覆蓋的降雨量關(guān)聯(lián)度可知,4種不同地表覆蓋的相干性受降雨量的影響一致,數(shù)值在0.4～0.412之間;INDVI對相干性的影響相差較大,林地受INDVI影響較大,其余類型的地表覆蓋類型受INDVI的影響大致一致,數(shù)值在0.87左右。

4 結(jié)論

相干性是InSAR技術(shù)廣泛應用于形變監(jiān)測與三維重建的基礎,相干性的好壞決定著InSAR技術(shù)最終結(jié)果的精度。本研究以覆蓋昆明市滇池周邊的Sentinel 1A數(shù)據(jù)為例,基于不同指數(shù)研究地表覆蓋與相干性之間的關(guān)聯(lián)程度,將效果最好的指數(shù)為依據(jù),進一步分析不同地表覆蓋對相干性的影響及在不同月份、季節(jié)和降雨量下對相干性的影響,得出以下結(jié)論:

1)INDVI指數(shù)能夠顯著體現(xiàn)出不同地表覆蓋與相干性之間的關(guān)系。隨著INDVI增加,不同地表覆蓋的相干性以不同的趨勢下降。

2)在不同月份下,所有地表覆蓋類型的相干性在1月與12月最高,6月、7月和8月的相干性最低。且在一年的時間內(nèi),建筑區(qū)域及工礦用地的相干性最高,其次是耕地與草地,林地的相干性最低。

3)在四季的變化中,建筑區(qū)域及工礦用地的相干性變化趨勢較平緩,植被覆蓋區(qū)域的相干性變化趨勢較大,且春、冬兩季的相干性較高,夏、秋兩季的相干性低。

4)通過灰色關(guān)聯(lián)度的分析可知,INDVI對不同地表覆蓋的相干性影響較大,降雨量對相干性的影響較小。相比于其他地表覆蓋,INDVI對林地的相干性影響最大。