SARvey——基于SAR的测勘工具：一款新的开源InSAR研究软件

《Environmental Modelling & Software》：SARvey - survey with SAR: A new Open-Source InSAR Research Software

　　安德烈亚斯·皮特（Andreas Piter）| 马哈茂德·哈格谢纳斯·哈吉希（Mahmud Haghshenas Haghighi）| 丹妮拉·拉贝（Daniela Rabe）| 马赫迪·莫塔格（Mahdi Motagh）| 约翰内斯·克诺赫（Johannes Knoch）| 罗慕洛·贡萨尔维斯（Romulo Goncalves）| 丹尼尔·谢弗勒（Daniel Scheffler）| 艾莉森·比米什（Alison Beamish）
德国汉诺威莱布尼茨大学摄影测量与地理信息研究所

摘要
利用干涉合成孔径雷达（InSAR）时间序列分析监测地表变形对于各种地球物理和工程应用至关重要。我们介绍了我们的新开源研究软件SARvey，该软件专为工程应用设计，但并不仅限于此领域，提供了多种处理选项。它基于MintPy和MiaplPy软件包，并通过完整的空间分辨率分析点散射体（PS）和分布式散射体（DS）像素以及稀疏点数据的空间时间相位展开功能进行了扩展。我们提供了中高空间分辨率图像的案例研究，展示了其在滑坡、大坝、高层建筑和机场基础设施位移分析等场景中的性能。SARvey的结果与其他使用成熟的开源和专有InSAR时间序列软件处理相同案例的研究结果一致。我们的新软件有助于提高InSAR时间序列分析领域的研究完整性和可重复性。

1. 引言
监测和理解地表位移在包括土木工程和地球科学在内的多个学科中都至关重要，以确保基础设施的结构健康（Lorenz等人，2024；Miano等人，2024），并减轻与自然灾害（如地震、滑坡和火山活动）或人为现象（如采矿和地面沉降）相关的风险。InSAR时间序列分析是一种成熟的测地技术，能够提供广泛的空间覆盖和频繁的时间采样（Crosetto等人，2016；Haghighi和Motagh，2017；Haghighi和Motagh，2021；Morishita，2021；Festa等人，2022；Ma等人，2022）。从Sentinel-1获取的十年数据档案具有中等空间分辨率，以及TerraSAR-X或COSMO-SkyMed等传感器提供的高分辨率数据，使得广泛的用户能够研究地球表面的各种变形过程。

通过InSAR时间序列分析，可以实现多种监测应用，包括地球物理和地质应用以及工程应用。在地球物理和地质应用领域，InSAR观测显著提升了人们对火山（Zorn等人，2023）、地面沉降（Haghighi和Motagh，2024）、断层（Vassileva等人，2020）、采矿引起的运动（Tang等人，2020）和滑坡（Wang等人，2023）的理解。在这些应用中，通常评估的是较大范围的位移情况，尤其是在农村地区。相比之下，工程应用（如建筑物监测（Aziz Zanjani等人，2024）、大坝（Emadali等人，2017）、桥梁（Calò等人，2024）、公路和铁路（Piter等人，2024）以及机场（Wu等人，2020））则需要详细分析结构内部的局部位移或其周边环境的位移。这种区别突显了不同背景下所需关注的重点和方法差异。

在过去的二十五年中，提出了三类主要的InSAR时间序列分析方法及其变体，包括持续散射体干涉测量（PSI）（Ferretti等人，2001；Mora等人，2003；Werner等人，2003；Blanco-Sánchez等人，2008；Kampes，2006；Hooper等人，2007；Perissin和Wang，2012；Costantini等人，2014；Van Leijen，2014；Schenk，2015）、小基线子集（SBAS）（Berardino等人，2002；Lanari等人，2004；Manunta等人，2008；Wang等人，2012；Spaans和Hooper，2016；Jolivet和Simons，2018；Yunjun等人，2019；Manunta等人，2019；Dalaison和Jolivet，2020）以及相位链接（Guarnieri和Tebaldini，2008；Ferretti等人，2011；Fornaro等人，2014；Samaiei-Esfahany等人，2016；Ansari等人，2017；Ansari等人，2018；Mirzaee等人，2023）。尽管方法多样，但并非所有实现都对所有研究人员开放。特别是PSI实现通常属于研究机构或公司的专有软件。然而，开源软件对于研究完整性至关重要，因为它允许可透明度和新方法的比较性。例如，斯坦福持续散射体方法（StaMPS）开源软件的成功就证明了这一点，该软件在众多出版物中得到了应用。在本文的其余部分，我们不会讨论商业或闭源研究软件，而是重点关注开源InSAR时间序列分析软件。

在将合成孔径雷达（SAR）图像准备成配准的单次观测复合（SLC）栈之后，应用InSAR时间序列工作流程来推导位移结果。表1列出了用于此步骤的不同开源软件。这些方法可以根据InSAR时间序列方法、分析的空间分辨率（即单次观测或多次观测处理）、所处理的散射体类型以及相位展开策略进行区分。多样化的软件反映了根据特定应用定制处理策略的必要性。接下来，我们将讨论现有开源软件的优点和局限性，并指出开源InSAR时间序列软件领域尚存在的问题。

迈阿密InSAR时间序列软件MintPy（Yunjun等人，2019）是一款基于Python的软件，实现了SBAS方法，用于获取具有随机散射特性的像素的位移时间序列，这些像素被称为分布式散射体（DS）像素。SBAS方法（Berardino等人，2002）通常用于地球物理应用，但在农村或植被覆盖区域可能会因干涉相位随时间去相关而降低信号质量。该技术通过空间平均相邻像素的相位来克服这一问题，即所谓的多次观测。虽然多次观测会降低位移结果的空间分辨率，但在大多数地球物理和地质应用中，这种降低并不关键，因为重点在于整体空间位移模式。MintPy以已展开的小基线干涉图为输入，通过多次观测来提高DS像素的信噪比（SNR）。MintPy的时间序列工作流程最适合位移信号幅度较大的地球物理和地质应用，例如火山监测，因为在这种情况下，大气和噪声的影响较小（Yunjun等人，2021）。在多次观测干涉图的空间相位展开后选择相干像素，但对于监测较小物体（如基础设施）来说存在挑战。这种时间序列分析方法不适用于位移信号幅度相对于大气和噪声水平较小时的应用，在这种情况下，必须在相位展开之前将相干像素与非相干像素分离，以避免空间误差传播。因此，MintPy不适合工程应用，因为评估小范围和局部位移具有挑战性。类似的开源软件包如GMTSAR、PyRate、KFTS和LiCSBAS也使用多次观测和预展开的干涉图（表1）。

表1. 开源InSAR时间序列研究软件的分类：
- PL：相位链接
- sb：小基线
- 2D：空间相位展开
- 1D：时间相位展开
- 3D：时空相位展开

| 软件 | 分辨率 | 干涉图网络 | 展开方式 | 扩散类型 | 语言 | 参考文献 |
|-----------------|-----------------|-------------------|-----------------|-----------------|----------------|SARvey的输出采用常见的地理信息系统（GIS）数据格式，如shapefile或geopackage。由于SARvey是用Python实现的开源软件，所有研究人员都可以免费使用，这有助于减少Balz和Rocca（2020年）报告的InSAR时间序列分析研究中重现性不足的问题。它补充了已经成熟的MintPy和MiaplPy软件包，为其生态系统增添了一个多功能且灵活的独立软件包。本文的结构如下：第2节介绍InSAR时间序列分析的背景，第3节讨论SARvey的算法和多种处理选项，第4节通过四个案例研究展示性能，并讨论如何用SARvey解决其中遇到的挑战，最后在第5节总结我们的工作。

2. InSAR时间序列分析的背景
本节介绍了与SARvey实现相关的InSAR和InSAR时间序列分析的基本概念。关于InSAR的功能性和随机模型的进一步阅读，可以参考Hanssen（2001年的著作）；而关于InSAR时间序列分析方法（如PSI）的更多信息，则可以在Crosetto等人（2016年）和Osmano?lu等人（2016年）的综述中找到。InSAR的目标是评估由SAR传感器成像的地球表面相干散射体的位移。InSAR测量SAR图像中每个像素在两次SAR观测之间的相位差异。这种相位差异被称为干涉相位，其值被限制在?π到π的区间内。除了位移信号外，干涉相位还包含其他信号的贡献，这些需要被估计并去除。通常使用精确的天文历元从干涉图中去除平坦地球的效应，并根据外部数字高程模型（DEM）去除与地形相关的相位贡献。经过处理后，干涉相位剩下四个组成部分：φ = W{?_大气 + ?_残余高度 + ?_位移 + ?_噪声}，其中W是相位包裹运算符。从单个干涉图中很难区分大气、残余高度、位移和噪声的相位贡献，尤其是在位移信号较小时。

InSAR时间序列方法将分析从一个由两张SAR图像生成的干涉图扩展到由多张SAR图像堆栈生成的干涉图网络。为了准确估计相位贡献，建议使用30张以上的SAR图像（Ferretti等人，2001年）。结合多个干涉图可以根据它们独特的时间和空间相关性来区分不同的相位贡献。InSAR时间序列方法通常包括创建干涉图网络、选择相干散射体、相位解包以及过滤大气相位屏（APS）。虽然位移信号在时间和空间上通常都有一定的相关性，但已知大气在连续的图像采集之间是空间相关的（Hanssen，2001年）。残余高度的相位贡献与传感器在不同采集时的观测角度有关，可以表示为与第i张干涉图的垂直基线B⊥i的相关性：ψ_残余高度i = 4πλB⊥iRsinθ?Δh，其中λ是波长，R是传感器到目标点的斜距，θ是入射角，Δh是未知的残余高度。最后，干涉图中散射体的相位噪声受到SAR分辨率单元内所有散射体相互作用的影响，假设其在时间和空间上是相互独立的。在去除所有其他相位贡献后，再对相位噪声进行评估。

InSAR时间序列分析的一个主要挑战是，并非SAR图像堆栈中的所有像素在所有干涉图里都是相干的。然而，只有相干像素的干涉相位才能被解包，而这些相干像素需要根据其相位噪声来检测。同时，评估一个像素的相位噪声需要先解包其相位。已经提出了几种相位噪声近似方法来选择可能的相干散射体像素。研究表明，所谓点散射体（PS）像素的明亮且稳定的散射特性可以通过幅度离散指数（ADI）来很好地近似其相位噪声水平（Ferretti等人，2001年）。其它方法则通过空间低通滤波去除（1）中的所有相位贡献以估计相位噪声（Hooper等人，2007年；Zhao和Mallorqui，2019年）。

对于具有随机散射机制的散射体（即分布散射体（DS）像素，通常基于其信号与其邻域信号的相关性来估计干涉图中像素的相干性。此外，DS像素的信噪比（SNR）通常较低，需要通过相位滤波来改善。一种方法是非自适应的空间滤波，称为多视场滤波（multilooking），但会降低空间分辨率，不适合工程应用；另一种方法是自适应的空间滤波，称为相位链接（Guarnieri和Tebaldini，2008年；Ferretti等人，2011年），但计算需求较高。相位链接能够保持空间分辨率，相位链接的相干性是衡量DS像素相位质量的一个指标。

InSAR面临的主要挑战是在干涉相位被包裹的情况下仍需提取相位贡献。为了得到位移时间序列，必须对干涉相位进行解包。在无限多的相位解包可能性中，通常假设位移信号在时间或空间上具有平滑性以获得有意义的结果。相位解包通常有两种方法：时间解包和空间解包。时间解包的目标是估计不同的相位分量。时间解包从两条由弧线连接的两条散射体的双差干涉相位时间序列开始。对于短弧线，假设两个散射体的APS相同，因此在双差过程中APS会显著减少，因此弧线的相位时间序列中只剩下三个相位成分。除了根据方程（2）分析残余高度Δh的相位贡献外，还可以对位移的相位贡献进行建模。假设存在一个时间位移模型，例如表示两点间平均速度差v：Δψ_位移i = 4πλBti?v，其中Bti是干涉图的时间基线。在为弧线相位时间序列拟合模型时，会评估相位残差，并用γ?arc表示时间相干性。选择最大化时间相干性的参数：argmaxv, Δhγ?arc = 1M?|∑i=1Mej?ψ_noiseiv, Δh|，其中M是干涉图的数量，j是虚数单位。

另一种相位解包方法假设干涉相位在空间上是平滑的，并且空间采样足够高以避免信号混叠（Chen，2001年）。我们假设相邻像素的真正解包相位值在一个周期内，即在空间上是连续的。这样可以通过积分空间中的包裹相位梯度来获取解包相位。然而，闭环中的残差表明连续相位假设被违反，需要通过诸如图切割（Bioucas-Dias和Valadao，2007年）等方法来解决。由于相干散射体的相位解包是一个先有鸡还是先有蛋的问题，因此有两种通用方法：稀疏化方法（Hooper等人，2007年）或密集化方法（Kampes，2006年；Van Leijen，2014年）。稀疏化方法（一步法）首先选择所有可能的相干散射体候选者，然后通过去除非相干像素来逐步改进选择；而密集化方法（两步法）先选择并解包一阶相位质量高的像素，之后添加二阶相位质量较低的点并解包它们的相位，以获得密集的点集。

散射体的相位质量受多种去相关机制的影响。通过选择具有小时间和垂直基线的干涉图网络，可以减轻时间和几何去相关性（Berardino等人，2002年）。这种方法对DS像素特别有用。PS像素受时间和几何去相关性的影响最小（Ferretti等人，2001年）。即使在具有长时间或长垂直基线的干涉图中，它们的信号也保持相干性。因此，即使是由单参考图像组成的星形干涉图网络也可以用来获取PS的位移时间序列（Ferretti等人，2001年；Kampes，2006年；Van Leijen，2014年）。可以应用不同的干涉图网络来处理PS像素（Mora等人，2003年；Perissin和Wang，2012年；Devanthéry等人，2014年；Schenk，2015年）。星形网络在连接的干涉图网络中具有最少的干涉图数量，因此计算需求较低。此外，干涉相位可以直接解释为时间序列。

下载：下载高分辨率图像（543KB）
下载：下载全尺寸图像

图1. 使用SARvey进行InSAR时间序列分析的一般工作流程。橙色：获取数据集信息。紫色：处理或操作输入或输出数据集。

3. 算法与实现
3.1. 总体流程
InSAR时间序列分析的整体工作流程（图1）从基于DEM和精确轨道信息的SLC图像配准开始，这通常在专门的软件中进行，如InSAR Scientific Computing Environment（ISCE）或GAMMA。之后使用MiaplPy将数据加载到其特定的数据格式中。可以选择应用相位链接来过滤DS像素的相位。SARvey从使用MiaplPy准备好的配准SLC图像堆栈开始，生成位移时间序列。SARvey提供了五个模块用于数据操作、掩蔽、可视化和导出到GIS可读格式（表2）。MintPy中也有工具可用于查看、裁剪和掩蔽输入数据。最终位移时间系列的可视化和分析可以通过sarvey_plot（提供图形用户界面，图2、图3）或InSAR Explorer（Haghighi，2025年；Haghighi等人，2025年）插件在Quantum Geographic Information System（QGIS）中实现（图4）。

表2. SARvey模块概述
| 模块 | 功能 | 输入 | 输出 |
|------------------|-----------------------------------------------------------------------------------------------------------------|----------------------------------|-------------------------------|
| sarvey | 执行InSAR时间序列分析。处理参数通过配置文件控制
配准的SLC图像堆栈、几何信息（如DEM、入射角等）和配置文件。
相干散射体的位移时间序列 | | |
| sarvey_plot | 绘制位移时间序列和中间结果
干涉相位（解包或未解包），或相干散射体的位移时间序列 | | |
| sarvey_export | 将位移时间序列导出为shapefile | | |
| sarvey_osm | 从OpenStreetMap数据库下载线性基础设施类型（铁路、高速公路、桥梁）及SAR堆栈的空间范围 | | |
| sarvey_mask | 从shapefile创建二进制掩膜，指示SARvey处理的感兴趣区域 | | |

图2. sarvey_plot的图形用户界面，用于可视化位移图。图3显示了使用Sentinel-1数据为Masjed-Soleyman大坝生成的位移图。

图3. sarvey_plot的图形用户界面，用于可视化位移时间序列。图2中圆圈标记的像素的位移时间序列示例，该位移时间序列来自Sentinel-1数据。

图4. InSAR Explorer QGIS插件的图形用户界面（底部），用于可视化美国迈阿密Oceana大楼屋顶上散射体（黄色框）的位移时间序列，数据来自TerraSAR-X（背景图像为ESRI转换成灰度）。

3.2. InSAR时间序列分析算法
在本节中，我们从方法论的角度介绍了Piter等人（2024年）描述的InSAR时间序列工作流程的实现。表3概述了SARvey中的五个处理步骤。接下来将描述这些处理步骤，并讨论SARvey的其他特性。SARvey InSAR时间序列分析处理步骤概述：

步骤 功能性
0 - 准备 创建干涉图网络
空单元格 计算像素选择标准

1 - 一致性检查 选择相干点
空单元格 估计每个弧线和点的相位噪声
空单元格 删除异常值

2 - 解包裹 将点的干涉相位解包裹
空单元格 检索位移时间序列

3 - 过滤 基于高质量点估计APS
空单元格 在其他点插值APS

4 - 密集化 对更密集的点集解包裹干涉相位
空单元格 检索位移时间序列

3.2.1 第0步 - 准备
此步骤的目标是读取并准备时间序列分析的输入数据。SARvey的输入包括共配准的SLC堆栈以及高度、斜距、入射角等几何信息，以及每个像素的地理坐标查找表。设计了一个小基线干涉图网络（Berardino等人，2002年；Mora等人，2003年），并据此从SLC堆栈中计算干涉图。选择小基线网络是为了获取非线性的时间位移模式，而无需预定义的时间位移模型。此外，它还可以减少散射体的去相关效应。为图像中的每个像素计算一个质量标准。我们从干涉图堆栈中计算时间相位一致性（TPC）（Zhao和Mallorqui，2019年），以初步估计每个像素的相位噪声。可以基于此标准在后续处理步骤中选择相干像素。

3.2.2 第1步 - 一致性检查
此步骤的目的是通过强制空间点网络的一致性来识别高质量点并删除异常值。SARvey选择基于TPC严格阈值的第一类点。由于这些点中可能存在异常值，我们从第一类点中形成一个空间网络，并检查该网络中观测值的一致性（Kampes，2006年；Van Leijen，2014年）。计算空间网络中每个弧线的双差干涉相位。我们通过估计弧线的线速度差异和剩余高度差异的相位贡献来评估每个弧线的噪声水平。大气造成的相位贡献很小，因为对于短距离弧线来说影响可以忽略不计，因此会移除长距离弧线。我们通过对每个弧线进行时间解包裹来估计相位贡献（Ferretti等人，2001年）。噪声水平由时间一致性γ?arc（公式（4）组成）。我们从空间网络中移除异常值，包括弧线和点。

3.2.3 第2步 - 解包裹
在第二步中，解包裹所有第一类点的干涉相位。我们假设位移信号具有空间相关性，并在first类点的稀疏位置解包裹每个干涉图的空间相位。应用了相位解包裹MAx-flow（PUMA）方法（Bioucas-Dias和Valadao，2007年），这是一种图割方法（Boykov和Kolmogorov，2004年），具有保持不连续性的L1范数优化。相位解包裹速度很快，因为它通过迭代方式切割图。处理时间取决于需要解包裹的相位循环数，而不是像素数。位移时间序列是从每个干涉图的解包裹相位中检索的，并通过最小二乘法对每个点的干涉图网络进行反演得到。这样，即使没有明确的时间位移模型，也可以检索到非线性的时间位移模式。

3.2.4 第3步 - 过滤
在第三步中，使用低相位噪声的高质量点来估计APS，然后将其插值到相位噪声较高的点位置。在第一类点中，我们仅使用稳定点（即没有位移的点）来估计APS（Crosetto等人，2018年），因为这些点的时间序列仅由APS和相位噪声组成。这两个组成部分可以根据它们的不同相关性进行区分。假设APS在空间上是相关的，在时间上是不相关的，而相位噪声在空间和时间上都是不相关的。使用Kriging（Müller等人，2022年）在每个时间步骤独立评估信号的空间相关部分，因为Kriging考虑了信号的潜在空间相关性以进行未观测位置的插值。为了计算效率，过滤是在时域进行的，而不是在干涉图域进行的。最后，将估计的APS插值到其他点的位置并移除。

3.2.5 第4步 - 密集化
第4步的目标是获得密集的位移观测点地图。选择第二类点并添加到第一类点集中。现在，第一类和第二类点的干涉相位将按照第3.2.3节中描述的相同相位解包裹方法共同解包裹。因此，通过反演每个像素的干涉图网络来检索位移时间序列。

3.3 SARvey的额外功能
除了SARvey的一般工作流程（第3.2节）之外，该软件还提供了一些额外功能，以适应研究区域和位移信号的特性，包括幅度、时间和空间模式以及主导散射体类型。

3.3.1 灵活的干涉图网络
SARvey支持不同类型的干涉图网络。小基线和星形网络是最常见的网络。然而，SARvey支持任何类型的网络。应该根据研究区域中主要的位移类型来选择干涉图网络类型。虽然低位移率可能在短基线干涉图中不可观测，但使用长基线（如星形网络）可以观测到。相反，快速位移可能在短基线干涉图中可见，但在长基线干涉图中可能会被欠采样。

3.3.2 处理DS像素
使用TPC选择的相干散射体主要是PS像素。由于其高信噪比（SNR），PS像素被用作第一类点来检索APS。然而，在密集化步骤中，SARvey提供了包含相位过滤的DS点的选项，以便在非城市区域实现更高的点密度。然后共同解包裹PS像素和DS像素的干涉相位。为此，需要MiaplPy产生的phase_series.h5和maskPS.h5文件作为相位链接的输入。phase_series.h5文件包含相位链接后的DS像素的过滤相位以及用于选择像素的相位链接一致性，而maskPS.h5文件是一个二进制掩码，指示像素是否符合Mirzaee等人（2023年）描述的选择标准。可选地，可以使用TPC选择的PS像素与maskPS.h5文件中的PS像素结合起来。

3.3.3 时间和空间中的相位解包裹
第3.2.3节中介绍的空间相位解包裹方案依赖于干涉相位的空间连续性假设。在存在空间不连续性（例如局部化的位移模式）的情况下，这个假设被打破。此外，由于选择的散射体太少，位移信号在空间上被欠采样，可能会导致信号出现混叠效应。因此，SARvey还提供了基于移除-恢复技术的时间和空间相位解包裹组合。在第二步-解包裹中，空间网络中的弧线在时间上被解包裹，以估计描述来自平均速度和剩余高度的相位贡献的参数。这两个参数相对于任意参考点在空间网络中积分，以在点处检索参数。然后，从每个点的解包裹干涉相位中移除这些相位贡献，只保留剩余相位（Remove）。然后分别对每个干涉图的剩余相位进行空间解包裹。最后，将之前从平均速度和剩余高度中移除的相位贡献加回到解包裹的剩余相位中（Restore）。最终，通过反演每个点的干涉图网络中的解包裹相位来检索位移时间序列。

3.3.4 第4步 - 密集化
第4步的目标是获得密集的位移观测点地图。选择第二类点并添加到第一类点集中。现在，按照第3.2.3节中描述的相同相位解包裹方法共同解包裹第一类和第二类点的干涉相位。相应地，通过反演每个像素的干涉图网络来检索位移时间序列。

3.3.4 SARvey的附加功能
除了SARvey的一般工作流程（第3.2节）外，该软件还提供了一些附加功能，可以修改处理工作流程，以适应研究区域和位移信号的特性，如幅度、时间和空间模式以及主导散射体类型。

3.3.1 灵活的干涉图网络
SARvey支持不同类型的干涉图网络。小基线和星形网络是最常见的网络。但是，SARvey支持任何类型的网络。应根据研究区域中主要的位移类型来选择干涉图网络类型。虽然低位移率可能在短基线干涉图中不可观测，但在长基线干涉图中可以观测到。相比之下，快速位移可能在短基线干涉图中可见，但在长基线干涉图中可能会被欠采样。

3.3.2 处理DS像素
使用TPC选择的相干散射体主要是PS像素。由于其高信噪比，PS像素被用作第一类点来检索APS。然而，在密集化步骤中，SARvey提供了包含相位过滤的DS点的选项，特别是在非城市区域实现更高的点密度。然后共同解包裹PS像素和DS像素的干涉相位。为此，需要MiaplPy生成的phase_series.h5和maskPS.h5文件作为相位链接的输入。phase_series.h5文件包含相位链接后DS像素的过滤相位以及用于选择像素的相位链接一致性，而maskPS.h5文件是一个二进制掩码，指示像素是否符合Mirzaee等人（2023年）描述的选择标准。可选地，可以使用TPC选择的PS像素与maskPS.h5文件中的PS像素结合起来。

3.3.3 时间和空间中的相位解包裹
第3.2.3节中介绍的空间相位解包裹方案假设干涉相位具有空间连续性。在存在空间不连续性（例如局部化的位移模式）的情况下，这个假设被违反。此外，由于选择的散射体太少，位移信号在空间上的欠采样可能导致信号出现混叠效应。因此，SARvey还提供了基于移除-恢复技术的时间和空间相位解包裹组合。在第二步-解包裹中，空间网络中的弧线在时间上被解包裹，以估计描述来自平均速度和剩余高度的相位贡献的参数。这两个参数相对于任意参考点在空间网络中积分，以在点处检索参数。然后，从每个点的解包裹干涉相位中移除这些相位贡献，只保留剩余相位（Remove）。最后，分别为每个干涉图的空间剩余相位解包裹。在第四步-密集化中，对每个第二类点相对于其最近的第一类点应用时间相位解包裹（Van Leijen，2014年）。我们不是最大化某个弧线的时间一致性γ?arc（相当于最小化相位残差，参见公式（4）），而是选择最小化连接第二类点与其最近的第一类点的所有弧线的相位残差的参数。从所有弧线的相位残差计算的时间一致性被用作质量标准，以从第二类点中移除噪声点。在空间相位解包裹之前移除噪声点可以防止其噪声传播到其他点，并避免最终位移时间序列的失真。

3.3.4 稀疏化（或一步法）
SARvey的一般工作流程采用两步法，首先检索高质量第一类点的位移时间序列，然后可以包含信噪比较低的第二类点以获得更密集的点集。然而，在空间中有相位不连续性的研究区域（例如由于高层建筑），稀疏化方法可能更适用。可以从所有点开始，并像第1步-一致性检查一样迭代地移除错误点。需要注意的是，一步法需要一个密集的点集，以便从附近点创建的弧线的APS较小。对于一步法，处理可以在第二步-解包裹之后停止。

3.3.5 处理大型数据集
包含许多SLC图像和高数量相干像素的数据集可能导致处理时间较长和内存消耗较高。为了解决这个问题，SARvey使用多线程在服务器上并行处理多个核心，从而利用多核技术。并行任务包括：创建干涉图、估计TPC以及空间解包裹干涉图。此外，空间点网络中的弧线在时间上并行解包裹，并且每个图像的APS被并行估计和过滤。对于每个散射体，使用Scipy实现的最小二乘法反演干涉图网络，以利用并行化减少运行时间。在第一步-准备期间，内存消耗也可能成为限制。因此，SARvey提供了将共配准的SLC堆栈分割成等大小的空间块的功能，以便依次适应计算机内存。

3.3.6 掩罩
SARvey提供了在处理过程中的多个步骤中屏蔽数据的可能性。掩码可以减少计算需求，同时将重点放在感兴趣的区域。可以在第一步-一致性检查中屏蔽第一类点，在第三步-过滤中屏蔽第二类点，以及通过相位链接选择的散射体。

3.4 软件包
SARvey是用Python编写的，并在GNU通用公共许可证（GPLv3）下分发。所有软件版本都存放在Zenodo上，并带有数字对象标识符，以提高研究的可重复性。SARvey的可用性通过命令行接口、基于JSON的配置文件和包含教程的完整文档来实现，这些文档帮助用户理解SARvey的功能和工作流程，为初学者和有经验的用户提供逐步说明。SARvey可以无缝集成到现有的InSAR工具中，如MintPy、MiaplPy、ISCE和GAMMA。SARvey兼容Linux、macOS和Windows（通过Windows Subsystem for Linux），并且设计为与云无关，能够部署在多种计算环境中。通过Conda环境管理依赖隔离，确保开发和部署期间配置的一致性。SARvey遵循现代软件工程实践，以确保高质量开发和长期可持续性。使用Pylint检查SARvey的源代码是否遵循PEP8风格指南，并通过URL检查器验证文档中的超链接的可访问性。在GitHub上，使用持续集成管道在开发过程中验证软件的可靠性。每次持续集成运行时，使用Docker容器在清洁环境中安装SARvey以验证其兼容性。此外，应用自动化测试来验证SARvey的核心功能的行为，最后使用Sphinx自动生成软件文档，确保用户指南和示例与源代码保持同步。案例研究
在本节中，我们展示了SARvey在不同应用场景中的适用性，这些场景具有不同的需求。我们提供了四个案例研究的位移结果：山体滑坡、水坝、城市和机场基础设施。对于其中一些案例研究，我们处理了TerraSAR-X和Sentinel-1图像，以突出该软件对不同传感器的适用性。数据集和定制的处理参数列在表4中，配置文件则提供在补充材料中。我们根据每个研究区域的整体位移模式和检索到的最大位移率来验证SARvey的位移结果。为了验证结果，我们将其与文献中用其他InSAR时间序列软件得出的结果进行了比较。此外，我们还展示了在两台不同计算机上运行不同案例研究所需的时间。一方面，我们使用了一台配备AMD EPYC 7601 32核CPU、2.2 GHz和256 GB RAM的Linux服务器；另一方面，我们在一台搭载Apple M2芯片的2022款MacBook Air上进行了实验，该电脑具有8核CPU、24 GB统一内存和100 GB空闲SSD存储空间，以及macOS Sequoia 15.2操作系统。报告的运行时间是每个数据集5次运行的平均值。

表4. 案例研究的数据集描述及SARvey处理参数选择。
| 案例研究 | 位置 | 文献参考 | 数据集 | 传感器 | 轨道方向 | 开始时间 | 结束时间 | 图像数量 | 空间范围 [km2] | 图像大小 [pixel2] | 参数 | 解缠方法 | 策略 | 运行时间 |
|-----------------|------------------|----------------|----------|----------|-----------|-----------|------------|------------|-------------|--------------|-----------------|-----------------|----------------|-----------------|大坝顶部与坝体相比显示出显著更大的位移，但在SAR图像中，顶部的延伸范围要小得多。原始研究的作者Emadali等人（2017年）强调了使用小时间基线干涉图和单视分辨率图像对于从TerraSAR-X图像中正确获取顶部位移的重要性。此外，多视干涉图的空间相位解缠具有挑战性，因为大坝顶部和坝体的信号混合在一起，特别是在Sentinel-1图像中。由于顶部的高位移率，使用单参考干涉图网络的PSI方法不适用于此案例研究，因为长时间基线干涉图中的位移信号会发生混叠。在我们的SARvey分析中，我们对Sentinel-1和TerraSAR-X图像都使用了小时间基线干涉图网络和单视分辨率。如位移图所示，与坝体相比，大坝顶部的位移率更高。

分析城市地区的高层建筑时会遇到挑战，因为这些建筑的高度在空间高分辨率的TerraSAR-X图像中比在中等分辨率的Sentinel-1图像中更为明显。一个挑战是图像失真，例如由于侧视SAR传感器几何特性导致的建筑重叠和阴影。这些图像失真使得SAR图像的视觉解释变得复杂。此外，由于重叠现象，一个像素内可能存在多个散射体。在解释SARvey的城市地区位移结果时，需要注意的是SARvey无法分辨一个像素内的多个散射体。如果目标是区分一个像素内的多个散射体（例如在建筑立面处），则SAR层析成像是一个合适的选择（例如Zhu和Bamler，2010年）。城市地区的另一个挑战是相邻像素之间急剧的高程变化。虽然一个像素可能与高层建筑的顶部相关，但其相邻像素在SAR图像中可能与地面相关。为了估计这两个像素之间的高程差，需要一条具有较小高程差的空间积分路径（Wu等人，2022年），否则空间不连续性可能导致弧形相位解缠失败。SARvey提供的稀疏化方法解决了这一问题。空间网络中的弧线根据估计质量进行解缠，并移除不连续处的弧线。这样，最终的空间积分路径可以正确获取建筑物的高度。StaMPS、MintPy和MiaplPy的相位解缠策略在高程不连续的情况下存在局限性。MintPy和MiaplPy中使用的基于网格的SNAPHU相位解缠方法没有考虑由于高程变化引起的相位跳变。在StaMPS中，三维相位解缠方法将散射体聚集成二维地理坐标网格单元，导致同一建筑物不同高度的散射体可能落在同一个网格单元中（参见Hooper等人，2007年的第4.2节），从而给相位解缠带来挑战。虽然这对地球物理应用来说不是关键问题，但对城市监测来说是一个主要限制。

SARvey实现的相位解缠策略提供的建筑物高度与在Google Earth上叠加显示的结果相符，见图8和图9。众所周知，来自Sentinel-1图像的高度估计不如TerraSAR-X图像准确。这是由于Sentinel-1的轨道轨道较窄，限制了用于估计其相关性的垂直基线带宽，进而影响了高度误差的估计。尽管有这个限制，但使用SARvey从Sentinel-1图像估计的高度与建筑物的高度吻合得很好。然而，由于空间积分参数的计算需求，稀疏化方法仅适用于小范围的研究区域。最小二乘法的空间积分包括矩阵的求逆，其大小取决于网络中的点数，因此计算时间也会相应增加。最小二乘法的空间积分依赖于法向矩阵的求逆，其维度由网络中的点数决定。计算时间随着点数的增加而增加，这一点也可以从表4中观察到的TerraSAR-X相对于Sentinel-1的计算时间增加中看出。对于稀疏化方法，当前的实现限制了SARvey处理更大区域的能力。未来版本可以采用分段处理方法（D?rr，2024年）来克服这一限制。

对于机场案例研究的分析，正确估计APS对于处理沿海环境中强烈的大气和时空变化至关重要。干涉图显示大气湍流，这可能是由于机场靠近海洋造成的，其强度足以掩盖微小的位移信号。本案例研究表明，使用SARvey可以正确区分大气信号和位移信号。机场研究区域在终端建筑处有多个强散射体，如果不对侧瓣进行抑制，在相位解缠过程中侧瓣可能会对相邻像素产生负面影响。尽管当前版本的SARvey没有实现显式的侧瓣减少功能，但由于侧瓣像素和一阶点之间的弧相位质量较低，在空间相位解缠前的密度化步骤中已经去除了这些侧瓣。不过，未来的软件版本将支持显式的侧瓣减少功能（例如Van Leijen，2014年）。

在桥梁或大坝监测等工程应用中，使用人造角反射器可以提高位移结果的精度和可解释性（Czikhardt等人，2022年）或增强基础设施的观测能力（J?nichen等人，2025年）。当前版本的SARvey不支持角反射体的分析。不过，有一个专门的开源软件Geodetic Corner Reflector (In)SAR Toolbox (GECORIS)（Czikhardt等人，2021年）支持Sentinel-1图像，但其InSAR时间序列分析模块的访问权限有限。在未来版本中通过接口将GECORIS和SARvey的功能结合起来将是有益的。

5. 结论

我们开发了一种名为SARvey的新软件，用于利用InSAR获得位移时间序列。与现有的开源InSAR研究软件相比，SARvey提供了适合各种应用的单视处理功能，支持PS和DS像素。它填补了开源InSAR时间序列研究软件领域的空白。针对稀疏点的相位解缠策略使SARvey适用于工程应用。该软件在处理参数上具有灵活性，可以根据研究区域的挑战调整InSAR时间序列分析的关键设置。此外，基于Python的实现使得所有研究人员都能使用该软件，并在同一框架内进行应用和方法论的InSAR研究。我们证明了所实施方法在多种工程和地质研究任务中的有效性和灵活性，包括滑坡、机场和大坝监测以及高层建筑的位移估计。我们发现SARvey的结果在不同传感器（Sentinel-1和TerraSAR-X）之间的比较结果以及与先前使用免费和商业软件（MiaplPy、StaMPS、TCPInSAR和SARProZ）进行的同一研究区域的比较结果中都表现良好。我们讨论了案例研究中的挑战，并指出了当前版本SARvey的局限性。需要注意的是，必须根据研究区域的特性来选择适当的InSAR时间序列方法和相应软件，这些特性包括位移信号的幅度、空间范围和时空模式、大气特征、植被覆盖情况以及由此产生的重叠、阴影或压缩效应。SARvey在GPL3开源许可证下提供，我们鼓励InSAR研究社区为该软件的开发做出贡献。

**作者贡献声明：**
- Andreas Piter：撰写-原始草稿、可视化、验证、软件、方法论、调查、概念化。
- Mahmud Haghshenas Haghighi：撰写-审阅与编辑、验证、监督、软件、方法论、调查、概念化。
- Daniela Rabe：撰写-原始草稿、软件。
- Mahdi Motagh：撰写-审阅与编辑、监督、概念化。
- Johannes Knoch：软件。
- Romulo Goncalves：软件。
- Daniel Scheffler：软件。
- Alison Beamish：软件。

**代码可用性：**
SARvey - survey v1.1.0
**联系方式：** [e-mail]
**硬件要求：** 无需特殊硬件要求。
**编程语言：** Python
**所需软件：** Linux或Mac、ISCE或Gamma、MintPy、MiaplPy
**程序大小：** 479 KB
**源代码下载链接：** https://github.com/luhipi/sarvey