基于大气数据的时序InSAR大气延迟误差校正方法比较

来源:用户上传      作者:

　　摘  要：针对时序InSAR应用过程中处理较为困难的大气延迟误差，文章利用StaMPS时序InSAR方法和TRAIN大氣校正工具箱，以刘家峡水库及其以北地区为例，研究ERA-I、MERRA-2和GACOS三种常用的大气数据在时序InSAR大气延迟误差校正中的差异。实验表明，对轻度大气影响区域，三种数据均可实现较好的校正效果;对中度大气影响区域，三种数据的使用应当区分不同的研究区域、数据覆盖程度和大气影响强弱而定，且三者之间并无明显的优劣之分;对重度大气影响区域，在数据满足基本条件的前提下，应当优先考虑剔除该影像。
　　关键词：时序InSAR;大气延迟;ERA-I;MERRA-2;GACOS
　　中图分类号：V247.1+6         文献标志码：A         文章编号：2095-2945（2019）11-0023-05
　　Abstract： To deal with the difficult atmospheric delay error in the application of time-series InSAR， this paper uses StaMPS time series InSAR method and TRAIN atmospheric correction toolbox to study the difference of three commonly used atmospheric data ERA-I， MERRA-2 and GACOS. The example is Liujiaxia Reservoir and its northern area. The experiment shows that the three kinds of data can achieve good correction effect for the area with mild atmospheric influence. For the moderate atmospheric impact area， the three kinds of data should be used to distinguish different research areas， data coverage and atmospheric impact strength， and there is no obvious distinction between the three good and bad; for regions with severe atmospheric impacts， the removal of the image should be given priority on the premise that the data meets the basic conditions.
　　Keywords： Time Series InSAR; atmospheric delay; ERA-I; MERRA-2; GACOS
　　1 概述
　　对流层大气延迟误差校正是InSAR技术所面临的最大挑战之一[1]。其主要由两次成像时对流层大气压力、温度和相对湿度的不同，导致雷达信号穿过时的延迟量不等而引起。大气延迟的存在可能掩盖地表实际微小形变量，影响InSAR地表形变监测精度[2]。因此，研究和选用合适的大气误差校正方法，成为InSAR应用中的一项关键问题。对流层大气延迟量，其主要包括三部分[2]：一是由于与近地表异常气流有关的大气湍流引起的分量;二是由大气压力、温度和相对湿度变化引起的分量;三是由因地形起伏而引起的与地形有关的延迟分量。大气延迟量可由辅助数据估算得到，如大气模型数据、GPS测量数据、多光谱议等。
　　2001年，由Hanssen等[3]的研究表明，对特定高度h=h1和对流层顶部htop之间，沿雷达视线方向对应干湿延迟大气折射率为：
　　
　　其中，P代表总大气压、T为温度、e为水气局部气压、？兹为入射角、？姿为雷达波长;系数k1、k2'、k3为统计或经验常数值，通常取k1=77.6KhPa-1、k2'=23.3KhPa-1、k3=3.75·105K2hPa-1[4]。SAR影像成像时大气压、温度等数据可由辅助数据估算得到，由此即便可计算对应大气相位延迟。需要注意的是对InSAR干涉大气延迟相位为主辅影像大气延迟折射率差，而非整体折射率。本文选用三种较为容易获得，且有质量保证的大气模型数据，对比分析基于不同数据的大气延迟误差校正效果，为时序InSAR应用中的大气校正研究者提供参考。
　　2 实验区与数据处理
　　本文以甘肃省与青海省东南交接地区为实验区，采用Sentinel-1A数据为例，使用DORIS（Delft object-oriented radar interferometric software）和StaMPS（Stanford Method for Persistent Scatterers）[5]开源软件包完成相关干涉及时序处理。图1为实验区位置示意图，长方形框为研究区地表覆盖位置，大小约为150km×90km。三角为探空数据监测站位置。
　　实验区位于青海省和甘肃省交界带，覆盖区域主要包括临夏回族自治州永靖县、刘家峡水库、兰州河口镇等地。实验区主要受刘家峡水库和黄河及其支流影响，大气条件不均一且复杂多变，特别是在夏季，水库蒸发量大，影响甚至控制区域大气环境。实验区最低点高程1545m，最高点高程2916m，高差1371m。
　　主影像依据Hooper等[5]提出的基于时空基线和多普勒基线的主影像选择方法优选20170320为主影像，共生成20景干涉图，时间跨度约为2年。所用外部参考DEM数据为SRTM-3，水平分辨率90m。去除地平及地形相位影响，解缠并经DEM误差和轨道误差校正后，在研究区提取共计7531632个PS点。由解缠相位可确定该区域夏季部分影像受大气影响较重。限于本文篇幅和研究目的，仅给出4景特例，分别代表大气影响较轻、轻、重、较重，对应解缠并经DEM和轨道误差校正后的相位见图2。4景干涉图辅影像分别为20160206、20171022、20170823、20160816，在后文中分别对应A、B、C、D，构成4个对照组。大气延迟相位计算使用由Bekaert等研究的TRAIN（Toolbox for Reducing Atmospheric InSAR Noise）[2]工具箱和式（1）、（2）完成。 　　3 基于ERA-I数据的大气延迟相位校正
　　ERA-I（European Centre for Medium-Range Weather Forecasts Re-Analysis Interim）是由歐洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts，ECMWF）基于其2006年发布的IFS（Integrated Focecast System）circle31r2生产的自1989以来的中期气象再分析资料[6]，目前提供近实时数据。数据垂直分层60层，水平分辨率约80km（采用T255格网），向上延伸至0.1hPa，采样时间为每日0、6、12、18时（UTC时间）。观测量主要包括大气压、湿度、温度、风向等。经实验，位于本文研究区的ERA-I数据节点9个，为提高校正精度，将研究区进行扩展，实际使用数据节点共计30个。
　　利用由ERA-I估计得到的大气延迟包括液态水延迟量和湿延迟量（湍流大气延迟量）。图3为A～D组总延迟量（第一行）和经误差校正后相位（第二行）。对大气影响较轻的A组，在刘家峡水库东侧及西北侧均存在不同程度的过校正问题。对大气影响较重的D组，高海拔地区欠校正，而在沿河道的中海拔地区存在过校正问题。
　　4 基于MERRA/MERRA-2数据的大气延迟相位校正
　　MERRA-2（the Modern-Era Retrospective Analysis for Research and Applications，version 2）[7]是由NASA Global Modeling and Assimilation Office （GMAO）为现代卫星应用生产的最新大气再分析资料。相比其前身MERRA（2016年以前），MERRA-2除MERRA所有的数据外，还具有MERRA所不具备观测数据类型，并且包括对GEOS（Goddard Earth Observing System）模型的数据支持。因此，本文所用数据为MERRA-2，时间为06时和12时数据，由NASA提供（https：//urs.earthdata.nasa.gov/home）。数据垂直分层为72层，水平分辨率为0.5°×0.625°，向上延伸至0.01hPa。经实验，位于本文研究区的MERRA-2数据节点有15个，同样进行适当扩展（扩展范围与ERA-I数据相同），共实际使用数据节点为42个。较ERA-I多12个，数据分辨率有所提高。
　　由MERRA-2估计得到的大气延迟，与ERA-I类似，包括液态水延迟量和湿延迟量两部分。图4为基于MERRA-2数据计算得到的实验区A～D组大气总延迟量（第一行）和经大气误差校正后相位（第二行）。在受大影响重和较重的C、D组校正相位中，由于校正误差使位于刘家峡水库东北侧的已知沉降区完全淹没在大气相位中。但较ERA-I数据，MERRA-2在数据节点增多后，整体校正效果优于ERA-I结果。因此，本文认为MERRA-2较ERA-I数据，在用于大气延迟相位校正时大区域校正效果较好，但对地表的形变保相效果较差。
　　5 基于GACOS的大气延迟相位校正
　　GACOS（Generic Atmospheric Correction Online Service）是由纽卡斯尔大学InSAR研究团队提供的大气改正数据[8]。其利用ITD（Iterative Tropospheric Decomposition）模型[9]分离对流层和湍流大气延迟信号，并且提供用于InSAR大气校正的高分辨率天顶总延迟图。该数据使用高分辨率ECMWF天气模型数据，水平格网大小为0.125°，垂直分层137层，6小时时间分辨率。表2为本实验区所用GACOS数据信息。
　　GACOS所提供的仅为对应日期研究区的大气延迟量，而在InSAR中实际大气延迟量为差分量，需在时间上相对于主影像，空间上相对于共同参考点做差分处理。在经差分后，得到A～D组四个干涉像对对应大气延迟量和校正后相位，见图5。其中第一行为大气校正量，第二行为校正后相位。在大气影响较轻的A、B组，可以分离出地表形变相位，但部分区域如刘家峡水库西南区域。对C、D组，则完全不能分离出地表形变相位，且部分区域过校正度随着大气影响从ERA-I到MERRA-2随着数据分辨率的提高，其大区域校正效果明显提升。而且对较重大气影响干涉图的过校正问题同时得到缓解。GACOS数据较ERA-I和MERRA-2数据，在大气影响较重的干涉图中并未表现出好的校正效果，反而出现成片过校正区域。由于大气校正其重点在大气湿延迟校正，且无论何种方法或数据，都存在过校正或欠校正的问题。因此，在实际应用中，在数据量能够保证研究时间精度的条件下，应当优先考虑剔除大气影像较重的干涉图，仅保留大气湿延迟未完全淹没地表形变的干涉图。在研究范围较小时，ERA-I和MERRA-2数据空间分辨率会在很大程度上影响大气校正参数估计，使校正产生偏差。而在研究区范围过大时，大气误差又可能经解缠传播，影响全局。因此，对ERA-I、MERRA-2等大气再分析数据，应当依据实际研究范围和地表形变特征选用。
　　选择刘家峡水库东北侧一明显沉降区，对比大气校正后的时序形变结果。图6为实验区地表年均形变速率及刘家峡水库东北侧一沉降区局部。可见，基于不同大气数据所得地表年均形变速率保持相对一致。图7为图6中放大局部对应中心形变量曲线。
　　参考文献：
　　[1]罗海滨，何秀凤.用GPS改正InSAR大气延迟误差的研究[J].大地测量与地球动力学，2007，27（3）.
　　[2]Bekaert D P S，Walters R J，Wright T J，et al.Statistical comparison of InSAR tropospheric correction techniques[J].Remote Sensing of Environment，2015，170：40-47. 　　[3]Hanssen R F.Radar Interferometry[J].2001.
　　[4]Smith E K，Weintraub S.The Constants in the Equation for Atmospheric Refractive Index at Radio Frequencies[J].Proceedings of the Ire，1953，41（8）：1035-1037.
　　[5]Hooper A，Zebker H，Segall P，et al.A new method for measuring deformation on volcanoes and other natural terrains using InSAR persistent scatterers[J].Geophysical Research Letters，2004，31（23）：1-5.
　　[6]ECMWF.ERA-Interim[CP].https：//www.ecmwf.int/en/forecasts/datasets/archive-dataset
　　[7]Gelaro R，Mccarty W，Randles C，et al.The Modern-Era Retrospective Analysis for Research and Applications， Version 2 （MERRA-2）[J].Journal of Climate，2017，30（14）.
　　[8]Chen Y，Zhenhong L，Penna N T，et al.Generic atmospheric correction model for Interferometric Synthetic Aperture Radar observations[J].Journal of Geophysical Research：Solid Earth，2018.
　　[9]Yu C ，Penna N T，Li Z.Generation of real-time mode high-resolution water vapor fields from GPS observations[J].Journal of Geophysical Research：Atmospheres，2017，122（3）：2008-2025.
转载注明来源:https://www.xzbu.com/1/view-14870514.htm