《Remote Sensing Applications: Society and Environment》：Precise 3D Crustal Displacement Retrieval in GCP-Free Environments: A Geodetic and Deep Learning–Assisted Integration of InSAR and Optical Stereo Data near the Denali Fault
编辑推荐：
三维形变场反演中，结合PS-InSAR与Pleiades立体影像，通过U-Net模型实现毫米级精度的不确定性量化，为高海拔复杂地形区提供无地面控制点的创新监测方案。
Zahra Alizadeh Zakaria | Farshid Farnood Ahmadi | Hamid Ebadi
伊朗德黑兰K.N. Toosi理工大学大地测量与地理信息工程系
摘要
从干涉合成孔径雷达（InSAR）的视距（LOS）测量中获取精确的3D变形场具有挑战性，因为LOS数据仅提供一维运动信息，而偏远地区缺乏地面控制点（GCP）使得可靠的3D重建更加困难。本研究介绍了一种基于深度学习的方法，在没有GCP的情况下绘制3D变形场，该方法将Pleiades立体图像与InSAR技术结合，应用于阿拉斯加德纳利断层的20公里×20公里区域。通过Pleiades数据生成的初始3D位移结果（利用DEM差分和COSI-Corr算法）消除了对GCP的依赖，显示出垂直位移为±10毫米（抬升/沉降），水平位移为±6.4毫米（东西向）和±5.9毫米（南北向），这与断层的右旋走滑运动学特征及当地GNSS IGS14/NNR速度数据（2019–2024年）一致。这些Pleiades位移数据结合PS-InSAR的变形速率以及地形起伏指数（TRI）等地质特征，作为输入数据输入到U-Net模型中，将LOS数据转换为3D场，使位移范围扩展到所有分量方向上的±20毫米。我们通过大地测量优化进一步改进了U-Net的估计结果，并使用蒙特卡洛Dropout方法（10个样本）量化了水平位移的不确定性为0.1–0.3毫米，南北向和垂直位移的不确定性为0.5–0.8毫米。将该模型与Pleiades测试数据进行验证后，得到的均方根误差（RMSE）分别为东西向1.17毫米、南北向1.46毫米、垂直方向1.52毫米；同时与三个本地GNSS站点的垂直分量数据（距离6至50公里，IGS14/NNR框架，2019–2024年）进行对比，得到的RMSE为1.98毫米。这种InSAR-Pleiades深度学习方法为无GCP环境下的3D变形监测提供了一种可扩展的解决方案。
引言
准确获取三维（3D）地面变形数据对于理解构造应力、断层运动学和长期地壳应变积累至关重要。尽管InSAR（Fuhrmann & Garthwaite, 2019）和全球导航卫星系统（GNSS）（DeSanto et al., 2023）提供了有价值的观测数据，但在许多活跃的构造区域仍难以获得完整的3D变形场。阿拉斯加的德纳利断层是一个延伸近1200公里的主要右旋走滑系统，这一现象凸显了这些挑战（Fitzgerald et al., 2014）。该断层陡峭的地形、持续的积雪覆盖、阴影效应以及极其稀少的大地测量基础设施（研究区域内仅有三个GNSS站点）使得可靠地获取3D运动数据变得复杂。这些限制凸显了需要远程感知、高分辨率方法来重建无GCP环境中的3D变形数据。
InSAR能够提供毫米级精度的广域变形测量。然而，InSAR本质上仅观测到运动的一维视距（LOS）分量，导致其对东西向变形的敏感性较低，垂直位移的不确定性较大。此外，雪层或植被覆盖的地形会导致时间上的相位延迟，以及几何失真（如压缩、重叠和阴影效应），进一步限制了InSAR在高起伏地区的性能。因此，传统的从LOS到3D的反演方法通常需要密集的GNSS观测数据、升轨和降轨轨道或简化的变形模型——而这些资源在偏远山区往往难以获得（Fuhrmann & Garthwaite, 2019; Gündo?du, Erdo?an, & Oktar, 2021; X. Hu, Li, & Zhang, 2016）。
虽然提出了几种替代的3D重建策略，但在缺乏GCP的高起伏环境中应用时仍存在局限性。升轨-降轨InSAR可以提高方向敏感性，但由于轨道几何原因仍无法准确解析东西向位移（Zhong et al., 2024）。联合GNSS-InSAR反演可以提供物理约束的3D场，但这依赖于德纳利地区不存在的密集GNSS网络（Chen et al., 2025）。基于模型的LOS分解方法（Peng et al., 2024）通常基于一些假设，如垂直运动可以忽略或变形在空间上平滑，这些假设与实际的断层带运动学不符。
非常高分辨率（VHR）的光学立体数据（如Pleiades图像）理论上可以通过DEM差分和亚像素光学相关性提供完整的3D几何信息（Zhou, Parsons, Elliott, Barisin, & Walker, 2015）；然而，其精度很大程度上取决于光照条件、表面纹理以及分布良好的地面控制点（GCP）的可用性。VHR Pleiades立体图像通过DEM差分捕捉垂直运动，通过COSI-Corr特征跟踪捕捉水平运动，但仍然容易受到错位、阴影噪声和季节性积雪影响的干扰。因此，它们需要可靠的外部约束（理想情况下是GCP）来稳定和细化最终的3D场。
为克服这些限制，本研究开发了一种全新的、完全无需GCP的工作流程，用于获取德纳利断层Post River和Fish Creek附近20×20公里区域的3D变形数据。这项工作的主要贡献在于方法论创新，德纳利断层区域作为具有挑战性的验证场所。所提出的框架整合了三项关键创新：
- •
通过混合持续散射体干涉测量（PS-InSAR）和差分InSAR（DInSAR）方法获得InSAR衍生的虚拟GCP，从而无需物理GCP即可实现精确的DEM配准。
- •
与Pleiades立体图像的跨传感器融合，其中DEM差分和光学特征跟踪提供了初步的3D变形估计，弥补了InSAR在方向上的局限性。
- •
深度学习+大地测量优化框架：U-Net模型利用地形指标、变形簇和PS-InSAR的LOS位移速率将LOS位移转换为完整的3D场，随后进行物理约束优化和不确定性量化。
这种多传感器集成方法实现了高精度的3D变形估计，预期误差范围为东西向±0.1–0.3毫米，南北向和垂直方向±0.5–0.8毫米。通过消除对物理GCP的需求并解决单个传感器的局限性，所提出的无GCP框架为地形崎岖、基础设施有限的地区提供了可扩展且可靠的地壳变形监测解决方案。
重要的是，本研究的主要目标是开发和验证所提出的方法，而非对德纳利断层的全面构造解释。结果中展示的所有变形模式仅用于评估该方法在现实环境挑战下的性能。
数据和方法论
德纳利断层是位于阿拉斯加中南部和加拿大西部的一条1200公里长的右旋走滑系统，它吸收了太平洋板块和北美板块斜向汇聚产生的应变，滑动速率为每年5–10毫米（Elliott, Freymueller, & Grapenthin, 2024）。该断层曾在2002年引发7.9级地震，导致德纳利断层和Totschunda断层发生超过8米的同震位移和340公里的破裂（Eberhart-Phillips et al., 2003）。尽管此后没有发生7级以上的地震，
结果与讨论
本节仅用于评估所提出的无GCP 3D变形恢复方法的性能、可靠性和局限性。在德纳利断层附近20×20公里测试区域内获得的变形数据仅用于评估该方法的方法论准确性和一致性，而不用于地质或构造分析。
所有结果均用于评估该方法的性能、可靠性和局限性。
本节首先报告了基于Pleiades数据初步估算的3D位移场
结论
本研究提出了一种新框架，通过整合高分辨率Pleiades立体图像、PS-InSAR测量数据和经过大地测量优化的U-Net深度学习模型，将单次视距雷达观测转换为完整的3D地壳位移场。应用于德纳利断层中部的20×20公里区域后，该方法获得了东西向、南北向和垂直方向的位移，位移幅度最大为±20毫米，均方根误差分别为1.17毫米、1.46毫米和1.52毫米。
作者声明
作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。
CRediT作者贡献声明
Zahra Alizadeh Zakaria：撰写——初稿、可视化、验证、软件开发、资源管理、方法论设计、调查、资金获取、正式分析、数据整理、概念构思。
Farshid Farnood Ahmadi：撰写——审稿与编辑、验证、监督、方法论设计、概念构思。
Hamid Ebadi：撰写——审稿与编辑、项目管理
未引用的参考文献
Berthier et al., 2005; Freymueller et al., 2008; Hu et al., 2016; Liu et al., 2024.
数据可用性
伦理声明
作者确认本文为原创作品，未曾发表过，也未在其他地方接受发表审查。所有作者均已审阅并同意将本文提交给《Remote Sensing Applications: Society and Environment》期刊。
本研究未涉及人类参与者或动物，也不需要伦理审批。所有数据均来自公开可用的卫星数据集。
资助
本研究未获得任何外部资助。
