Sentinel-1卫星InSAR干涉图大气校正方法对比—

Acta Scientiarum Naturalium Universitatis Pekinensis, Vol. 61, No. 1 (Jan. 2025)

Sentinel-1卫星InSAR干涉图大气校正方法对比——以西藏中部地区为例

北京大学地球与空间科学学院, 北京 100871; †通信作者, E-mail: wang.teng@pku.edu.cn

摘要为了评估不同大气校正方法在合成孔径雷达干涉测量技术(InSAR)的形变速率, 尤其是时序形变解算中的适用性, 介绍两种典型的 InSAR 大气校正方法——InSAR 通用大气校正在线服务(GACOS)和公共影像堆叠法(common-scene-stacking)的计算原理。以西藏中部为研究区域, 将两种方法用于 InSAR 干涉图的大气校正, 从时序上评估两者的表现, 展示其对超过 1 年的长时间基线干涉图的大气校正效果, 最终得到西藏中部地表变形场。结果显示, 对于单个干涉图, 公共影像堆叠法的大气校正效果明显优于结果不稳定的 GACOS, 可以让标准差下降 60%以上。在时序上, 两种方法提供的大气延迟趋势类似, 但具体数值相差很大。GACOS 对 InSAR 时序结果起到改善作用, 可以根据实际需要, 按照两者的优劣进行取舍或结合。

合成孔径雷达(synthetic aperture radar, SAR)是一种主动遥感技术, 它向地球表面发射电磁波, 并通过接收记录了地面散射强度信息和相位信息的回波信号, 对地表进行成像。相位反映传感器与地面目标的距离, 对不同时间的相位信息进行干涉, 可获取该时间段内地表的形变, 这个过程称为合成孔径雷达干涉测量(interferometric synthetic aperture ra-dar, InSAR)。

自 1978 年美国宇航局(National Aeronautics and Space Administration, NASA)发射世界上第一颗搭载 SAR 传感器的海洋卫星(Seasat)[1]以来, SAR 已经走过 40 多年的历史。随着各国对星载 SAR 系统的建设越来越重视, InSAR 技术日益成熟与完善。

欧洲航天局(European Space Agency, ESA)分别于 2014 年和 2016 年发射 Sentinel-1 的 A 星和 B 星, 双星在轨运行后最短重访周期为 6 天, 提供了丰富的数据。Sentinel-1 卫星基于 TOPS (terrain observa-tion by progressive scan)成像技术[2], 影像幅宽为250km, 实现宽幅扫描。欧洲航天局对 Sentinel-1 的SAR 数据采取免费分发的政策, 极大地推动了 In-SAR 技术的工程化和实用化。目前, 基于 Sentinel-1数据的 InSAR 成果已经用于城市沉降监测[3–4]、重大工程检测[5–6]和自然灾害防治[7–8]等多个领域。

提高 InSAR 技术的测量精度是目前的研究重点, 大气延迟效应是影响测量精度的主要因素之一[9]。由于两次 SAR 影像获取时间的大气状态不同, 雷达信号在传播过程中受到大气的影响, 在进行干涉时可以产生高达 15～20cm 的延迟[10–11], 甚至主导干涉相位, 严重地影响形变测量的准确性。

主流的 InSAR 大气校正方法主要分为两类, 一是依靠 SAR 数据本身, 二是依靠外部数据。大气信号呈现时间上变化剧烈、空间上变化缓慢的特性, 因此永久散射体技术(persistent scatterer, PS) [12–13]和小基线集技术(small baselines subsets, SBAS)[14]等传统的 InSAR 处理方法都采取时空滤波的方法来减弱大气信号的影响。

依靠外部数据也是一种可行的大气校正方法。对流层中的大气受压力、温度和相对湿度控制, 而气象数值模拟可以提供上述参数的信息, 因此常用该方法计算大气延迟相位, 并对 InSAR 干涉图进行校正。目前, 欧洲中期天气预报中心(The European Centre for Medium-Range Weather Forecasts, ECMWF)提供的气象再分析资料 ERA5 和美国气象界联合开发的新一代中尺度预报模式和同化系统 WRF (wea-ther research and forecasting model)[15]是常用的外部数据。

依靠数据本身的大气校正优势在于不依赖外部数据, 但时空滤波假设大气信号是高斯分布的, 因此这种方法并不完全正确[16], 不当的滤波窗口会将真实的形变信号平滑掉。气象模式的空间分辨率较低, 且准确性不能得到保证, 也存在一定的局限性。目前, 对于 InSAR 技术, 大气信号的处理仍然是一个难点。

本文详细地介绍依靠外部数据和依靠 InSAR 观测数据进行大气校正的两种典型方法——通用大气校正在线服务(generic atmospheric correction online service, GACOS)方法以及公共影像堆叠方法(com-mon-scene-stacking)的基本原理, 并以西藏中部为研究区域, 从形变速率和时序估计两个方面, 评估这两种方法对 InSAR 干涉图校正的效果, 从而给出合理的建议。

1 研究区域

青藏高原平均海拔高于 4000m, 由于亚洲板块和印度板块的相互作用, 青藏高原边缘的地质活动一直较为频繁, 例如 2008 年在青藏高原东部发生汶川 7.9 级地震[17], 2015 年在其南部边缘发生尼泊尔7.8 级地震[18]。这些剧烈的地质活动造成大量人员伤亡, 且震后变形依然在持续。

针对青藏高原地表形变的研究集中在板块的边缘, 由于西藏中部地区很少发生大地震, 目前的研究较少涉及此区域。这里裸地多, 植被少, 意味着散射特性比较稳定, 恰好有利于使用 InSAR 技术进行观测, 并对各种算法进行验证。

20 世纪 70 年代以来, 青藏高原的大多数湖泊都随着水位的升高而显著扩张[19–20], 这种大的载荷变化会引起岩石圈的黏弹性响应, 并反映在地表变形上, 而这种变形呈现梯度小、分布广的特点, 也适用于 InSAR 测量[21]。

因此, 本文选定位于西藏中部的色林错周边作为研究区域(图 1), 该区域湖泊众多。卫星扫描覆盖色林错周边的大部分区域, MODIS 提供的卫星影像也显示此区域地表以裸地为主。

2 数据与方法

本文所用 Sentinel-1 卫星数据和轨道文件数据均下载自阿拉斯加卫星设施分布式主动存档中心(ASF DAAC), 数据覆盖两个 ASF 定义的矩形框区域(图 1), 卫星飞行方向从北向南(降轨, descending orbit), 轨道号为 48, 扫描色林错的时间为 UTC 00点 01 分到 02 分。基于北京大学雷达影像测地学团队开发的 Sentinel-1 干涉处理器[22]处理雷达数据。

大气信号(或者称为对流层天顶总延迟(zenith total delay, ZTD))的计算公式[23]如下:

式(1)中第一项为静力学延迟, 第二项和第三项为湿延迟, P是大气压力, T是温度, Z表示高程, TOP 表示对流层层顶的高度(一般为 15km), e表示水汽分压, Rd=287.05J/(kg·K)代表干空气气体常数, Rv=461.495J/(kg·K)代表湿空气气体常数。k1=0.776K/Pa, k2= 0.716K/Pa 和 k3=3.75×103K2/Pa 是经验常数。e 可由以下公式计算得到:

其中, Re(z)为相对湿度; e*(z)可由以下公式计算得到:

其中, T0 =273.16K, Ti=250.16K, a1 =611.21hPa, a3,w=17.502K, a4,w=32.19K, a3,i=22.587K, a4,i=−0.7K。

GACOS 是一种典型的依靠外部数据进行大气校正的方法。它结合气象数据提供的大气延迟(由上述公式计算)和 GPS 数据, 利用迭代对流层分解(iterative tropospheric decomposition, ITD), 从对流层总延迟中分离出静力学延迟和湿延迟, 并生成高空间分辨率的天顶总延迟信号[24–26]。GACOS 数据可以从网站下载, 提供多种数据格式, 用户每次可以提交 10°×10°空间范围之内最多 20 个日期数据的下载请求。

GACOS 的核心数据是 ECMWF 提供的气象再分析资料, 全球可用。第一代再分析资料的空间分辨率为 1°, 数据分辨率为 6 小时, 使用受限。新发布的第五代再分析资料 ERA5 的空间分辨率为 0.25°, 有大幅度的提高, 时间分辨率也提高到 1 小时, 为计算不同时间的天顶总延迟提供了便利。

公共影像堆叠法由 Tymofyeyeva 等[27]提出, 是一种典型的使用 InSAR 数据本身进行大气信号估计的方法。其原理如下:

其中,

表示时间 1 和 2 的干涉图, width=20.8,height=14.95

表示时间2 和 3 的干涉图, width=20.8,height=14.95

和

表示形变,

和

分别表示 3 个时间的大气延迟相位, width=14.4,height=14.95

和

为误差项。将两幅干涉图进行差分, 即式(5)减式(4), 得到

由于大气信号在时间上的分布接近随机状态[28], 同时假设形变是线性的, 即相同的时间间隔形变是相同的, 因此式(6)可以写为

即时间 2 的大气信号通过叠加包含时间 2 的干涉图得到

由上述原理可知, GACOS 计算得到的天顶总延迟与地形高度负相关(图 2(a)), 且提供的是大气的绝对延迟, 卫星在 2021 年 7 月 16 日飞过西藏中部地区时, 天顶总延迟约为 1.2～1.5m。

我们同样将 2021 年 7 月 16 日获取的影像作为公共主影像, 对其前后 180 天内的干涉图进行叠加, 计算大气延迟。篇幅所限, 本文只展示公共影像前后 60 天的干涉图(图 3)。拥有公共影像的干涉图在雷达信号的空间分布上呈现相似的特点, 将这些干涉图进行叠加, 意味着对公共影像日期大气信号的不断增强。需要注意的是, 公共影像堆叠法需要使用解缠后的干涉图, 因此解缠效果直接影响参与计算的干涉图数量。本文中, 我们通过目视排除解缠质量差的干涉图。

3 大气校正结果对比分析

通过两种处理流程, 我们得到每个 SAR 影像采集日期的大气延迟。基于公共影像堆叠法计算得到的大气延迟(图 3(i))与地形的相关性弱于 GACOS 给出的大气延迟(图 2(a))。这是因为高程信息决定对流层天顶总延迟的积分路径, 使结果产生较强的地形相关性。通过两个时间点延迟信号的相减, 这一相关性会在模拟干涉图中得到很大程度的削弱, 类似 InSAR 预处理过程中地形相位的去除。此外, InSAR 测量结果在时间和空间上都具有相对性, 所以公共影像堆叠法提供的大气延迟是针对影像内某一参考点的相对延迟。

为进一步评估两种方法在大气校正中的作用, 我们对校正后的干涉图进行处理, 生成形变速率和时序结果。由于本文的研究区域形变量级小, 且分布在色林错四周[21], 短时间基线干涉图中的形变信号被淹没在大气信号中, 因此, 我们使用超过一年的长时间基线干涉图来计算最后的地表形变(图 4), 且获取这些干涉图的月份相同, 避免季节性信号的影响。

考虑到不同的数据来源, 本文首先将 GACOS数据插值到与 InSAR 数据相同分辨率的地理坐标系中。InSAR 测量结果的相对性也要求我们将所有数据都统一到一个参考点, 因此本文选取一个约 5km ×5km 的区域作为参考点(图 5(a))。另外, GACOS 提供的是垂直方向的天顶总延迟, 因此需要利用准确的入射角数据, 将其投影到雷达卫星的视线向。

我们通过一个示例来展示 GACOS 和公共影像堆叠法的大气校正效果(图 5)。选取的干涉图为2020 年 7 月 21 日至 2021 年 7 月 16 日, 时间基线为360 天。此处地质活动较少, 但在干涉图的东部却表现出强烈的靠近卫星的信号, 可以判定为大气信号。两种方法都提供了 SAR 获取时间的大气延迟。对于 GACOS, 两个时间的数据非常相似, 高值集中在色林错附近, 而低值位于海拔较高的南北侧山区, 且高值与低值的差值较大。公共影像堆叠法提供的大气延迟高、低值在空间分布上与 GACOS 具有一定的相似性, 但高、低值之间的差值较小。

将两个日期的大气延迟进行差分, 显示与上述相反的结果。由于两个时间的 GACOS 数据相似, 差分后的大气延迟的空间变化很小, 而公共影像堆叠法进行差分后的结果与原始干涉图非常类似, 再次说明原始干涉图中出现的信号全部为大气信号造成的扰动。

用原始干涉图直接减去差分后的大气延迟, 就完成整个大气校正的过程(图 5)。公共影像堆叠法的大气校正效果良好, 校正后的干涉图整体上趋近0mm, 意味着大气信号基本上被消除。在色林错出现的低值主要是水域失相干导致的, 后续会被掩膜处理, 因此可以忽略。GACOS 的校正效果不尽如人意, 与原始干涉图相比, 校正后的干涉图几乎没有变化。

为了进一步定量地评估两种方法的大气校正效果, 计算校正前后干涉图的标准差。由于大气信号在干涉图上出现的位置是随机的, 因此标准差越大, 表示大气信号的扰动越强烈, 而没有大气信号且没有形变的干涉图标准差, 理论上应该接近 0mm。

对于示例中 360 天时间基线干涉图(20200721–20210716), 其标准差为 15.70mm(表 1), 经过公共影像堆叠法大气校正后, 标准差下降到 4.20mm, 降幅为 73.26%, 而经过 GACOS 提供的天顶总延迟数据校正后, 标准差下降到 13.80mm, 降幅只有12.12%。

除上述例子外, 本文还选取另外 10 张大气效应较强的干涉图进行大气校正效果评估(表 1), 这些干涉图中时间跨度最长的约为 4 年(1440 天), 且标准差都在 15mm 以上, 如果不进行大气校正, 会严重影响后续形变的提取。

对于公共影像堆叠法, 其大气校正效果良好, 经过大气校正后, 标准差多数降到 6mm 以下, 每一幅干涉图标准差的降幅都达到 60%以上, 最高可达85.13%。

GACOS 也能起到一定的校正效果, 但标准差的下降幅度多数在 50%以下。对于任意干涉图, 公共影像堆叠法的大气校正效果都好于 GACOS。就20191007–20211008 的干涉图而言, 在使用 GACOS进行大气校正后, 标准差反而上升 0.33%, 起到相反的作用。

为了进一步对比 GACOS 与公共影像堆叠法计算的大气延迟之间的差异, 下面对比它们在时序上的表现。

选取 3 个点(图 2 中点 A, B 和 C)进行对比, 其中点 A 位于地形较平缓的色林错附近, 点 B 和 C 则位于南边地形起伏较大的区域。在进行对比之前, 仍然将每个日期的大气延迟统一到一个固定的参考点(图 5(a)中参考点), 并将 GACOS 数据投影到卫星的视线向。3 个点的时序结果表明, GACOS 和公共影像堆叠法提供的大气延迟在时序上的变化具有一定的相似性, 但具体数值的差距很大(图 6)。

假设公共影像堆叠法计算的大气延迟代表卫星视线向真实的大气延迟, 那么仅就例子中的 3 个点而言, 与 GACOS 提供的大气延迟数值的差距在40～150mm 之间, 从气象学的角度而言, 这 0.1m 左右的差距可以忽略, 但是对于 InSAR 精细测量, 这样的差距就造成 GACOS 对单个干涉图中与地形无关的、较强的大气扰动校正效果不佳。

本文通过绘制两种方法提供的大气延迟的散点图并计算相关系数 R 来研究它们的相关性, 结果如图 6 所示。3 个点的 R 值均高于 0.5, 即两种方法的结果呈现一定的相关性, 相关性在点 C 最高, R= 0.72。上述结果表明, 在时序上, GACOS 能够较好地反映大气信号的变化, 对于 SBAS 这样利用时空滤波方法来进行大气校正的 InSAR 处理办法, 使用GACOS 数据进行辅助, 可以对大气信号进行一定程度的削弱。

3 个点所处区域地形的不同并没有对结果产生影响, 公共影像堆叠法提供的大气延迟在时序变化上更加剧烈。特别是在点 B, GACOS 的时序变化非常平缓, 而公共影像堆叠法则显示出大气在时序上更大的扰动。

4 讨论

从本文结果可知, 在西藏中部区域, 针对每个独立干涉图的纠正, 公共影像堆叠法的大气校正效果优于 GACOS, 这可以从以下几方面进行解释。

首先从 GACOS 使用的数据源来看, 即使使用最新的 ERA5 数据, 也存在以下 3 个方面的问题。1)在时间分辨率上, ERA5 提供的是每小时整点时刻的气象参数, 而 SAR 卫星的过境时间并不一定是整点; GACOS 提供的分钟级别纠正是通过插值而来。考虑到大气信号随时间变化剧烈, 距离整点越远, 越可能出现一定的偏差。2)在空间分辨率上, ERA5 提供的气象参数空间分辨为 0.25°, GACOS 将其插值为 90m, 虽然大气信号在空间上的变化较为平滑, 但不排除会有局部的大气扰动, 而这些局部扰动可以通过公共影像堆叠法得到很好的纠正。3)ERA5 数据是通过探空气球测得, 然后使用气象模式进行整合, 但并不是每个区域都有真实的气象资料, 毋庸置疑, 欧洲中期天气预报中心开发的 ERA5在欧洲地区的表现优于其他区域, 这也是一个重要的误差来源。虽然 GACOS 通过 GPS 提供的天顶总延迟对其产品做了校正, 但 GPS 站点的空间分布不均匀, 更多的区域只能依靠 ERA5 数据本身。

其次, 使用气象参数计算天顶总延迟需要地形参数, 意味着在本文研究区域这样地形起伏大区域计算出来的天顶总延迟肯定与地形高度相关(图 2 (a))。即使 GACOS 可以通过差分来弱化地形的影响(图 5), 但地形的影响依然存在, 还需要更多的研究来评估这种影响。

最后, GACOS 计算的天顶总延迟是绝对的, 而InSAR 是相对测量, 这种情况下参考点的选取就会产生一定的影响。理想的参考点是不存在变形的区域, 但是在野外, 这样的区域很难直接选取, 这也带来一定的不确定性。

但是, 从时序结果来看, GACOS 和公共影像堆叠法有着类似的表现。当使用InSAR时序方法估计形变速率时, GACOS 对时序结果是有帮助的。此外, 公共影像堆叠法假设形变是线性的, 计算时还需要大量的干涉图, 要求地表散射特性稳定, 当计算非线性变形或者地表散射特性不稳定时, GACOS更具实用性。

综上所述, 对于西藏中部这样地形起伏较大的地区, 公共影像堆叠法在 InSAR 的大气校正方面有着比 GACOS 更好的表现。因此, 在后续的处理过程中, 我们使用公共影像堆叠法估计的大气延迟对长时间基线干涉图进行大气校正(图 4 中实线流程), 并最终叠加长时间基线干涉图, 得到西藏中部地区2017—2021 年 5 年等效累积形变结果(图 7(a)), 然后结合升降轨结果反演垂直形变, 并推断下地壳流变性质, 获得的下地壳黏滞系数与千年尺度湖岸线反演结果[21]一致, 证明了该方法的可靠性。作为对比, 经过 GACOS 校正后(图 4 中虚线流程)的形变在色林错西部出现异常的远离卫星信号(图 7(b)中黑色矩形框)。根据前人的模拟结果[29], 色林错黏弹性响应产生的地表形变呈现“碗状”, 且形变信号仅分布在湖边, 并没有扩散开, 因此本文将这个异常信号归结为 GACOS 未能校正的残留局部大气湍流, 而公共影像堆叠法在进行这种大气信号校正时有更好的表现。但是, 相对于公共影像堆叠法, GACOS较好地纠正了与地形相关的大气相位(图 7(b)中黑色矩形框以南的区域和影像的东北部)。后续研究中可以考虑结合两种方法, 实现湍流和地形相关大气效应的同步纠正。

经过公共影像堆叠法校正后的形变结果显示出卫星视线向的色林错周边每年不超过 3mm 的远离卫星的信号, 这与色林错水位上涨, 地表负载变化导致岩石圈黏弹性响应有关[21]。

5 结论

本文对比 GACOS 和公共影像堆叠法在西藏中部区域对 InSAR 干涉图的大气校正效果。结果表明, 公共影像堆叠法的大气校正效果明显优于 GACOS, 可让干涉图的标准差的降幅达到 60%以上; GACOS的校正效果不稳定, 甚至出现标准差增大的情况, 造成这种结果的原因来自 GACOS 的数据源、地形因素以及参考点选取等多方面。

本文还首次从时序上直接对比 GACOS 与公共影像堆叠法提供的大气相位, 发现两者在时序上有着类似的表现, 意味着在进行 InSAR 时序处理时, GACOS 能起到一定的改善作用。对于相干性好且需要使用长时间基线 InSAR 干涉图叠加计算微弱变形的区域, 公共影像堆叠法有着更好的表现。

[1] Born G H, Dunne J A, Lame D B. Seasat mission overview. Science, 1979, 204: 1405–1406

[2] De Zan F, Monti Guarnieri A. TOPSAR: terrain obser-vation by progressive scans. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(9): 2352–2360

[3] 张艳梅, 王萍, 罗想, 等. 利用Sentinel-1 数据和SBAS-InSAR技术监测西安地表沉降. 测绘通报, 2017(4): 93–97

[4] 李广宇, 张瑞, 刘国祥, 等. Sentinel-1A TS-DInSAR京津冀地区沉降监测与分析. 遥感学报, 2018, 22 (4): 633–646

[5] 王振林, 廖明生, 张路, 等. 基于时序Sentinel-1 数据的锦屏水电站左岸边坡形变探测与特征分析. 国土资源遥感, 2019, 31(2): 204–209

[6] 徐东彪, 冯瀚, 闫世勇. 基于Sentinel-1A影像的小浪底大坝稳定性时序InSAR分析. 中国农村水利水电, 2020(6): 165–170

[7] 王腾, 廖明生. Sentinel-1 卫星数据提取同震形变场:最新技术及震例. 遥感学报, 2018, 22(增刊1): 120–127

[8] 单新建, 屈春燕, 龚文瑜, 等. 2017 年 8 月 8 日四川九寨沟 7.0 级地震InSAR同震形变场及断层滑动分布反演. 地球物理学报, 2017, 60(12): 4527–4536

[9] Zebker H A, Villasenor J. Decorrelation in interfero-metric radar echoes. IEEE Transactions on Geoscience & Remote Sensing, 1992, 30(5): 950–959

[10] Hooper A, Bekaert D, Spaans K, et al. Recent advances in SAR interferometry time series analysis for mea-suring crustal deformation. Tectonophysics, 2012, 514: 1–13

[11] Zebker H A, Rosen P A, Hensley S. Atmospheric ef-fects in interferometric synthetic aperture radar sur-face deformation and topographic maps. Journal of Geo-physical Research Solid Earth, 1997, 102(B4): 7547–7563

[12] Ferretti A, Prati C. Nonlinear subsidence rate estima-tion using permanent scatterers in differential SAR in-terferometry. IEEE Transactions on Geoscience & Re-mote Sensing, 2000, 38(5): 2202–2212

[13] Ferretti A, Prati C, Rocca F. Permanent scatterers in SAR interferometry. IEEE Transactions on Geoscience & Remote Sensing, 2001, 39(1): 8–20

[14] Berardino P, Fornaro G, Lanari R, et al. A New al-gorithm for surface deformation monitoring based on small baseline differential SAR interferograms. IEEE Transactions on Geoscience & Remote Sensing, 2002, 40(11): 2375–2383

[15] 章国材. 美国WRF模式的进展和应用前景. 气象, 2004, 30(12): 27–31

[16] Doin M, Lasserre C, Peltzer G, et al. Corrections of stratified tropospheric delays in SAR interferometry: validation with global atmospheric models. Journal of Applied Geophysics, 2009, 69(1): 35–50

[17] Wang M, Shen Z K, Wang Y Z, et al. Postseismic defor-mation of the 2008 Wenchuan earthquake illuminates lithospheric rheological structure and dynamics of eas-tern Tibet. Journal of Geophysical Research: Solid Earth, 2021, 126(9): e2021JB022399

[18] Tian Z, Freymueller J T, Yang Z. Spatio-temporal va-riations of afterslip and viscoelastic relaxation follo-wing the Mw 7.8 Gorkha (Nepal) earthquake. Earth and Planetary Science Letters, 2020, 532: 116031

[19] Lei Y, Yang K, Wang B, et al. Response of inland lake dynamics over the Tibetan Plateau to climate change. Climatic Change, 2014, 125: 281–290

[20] Song C, Huang B, Richards K, et al. Accelerated lake expansion on the Tibetan Plateau in the 2000s: induced by glacial melting or other processes?. Water Resour-ces Research, 2014, 50(4): 3170–3186

[21] Fan W, Wang T, Shi X. Lower crust viscosity in central Tibet inferred from InSAR derived deformation around Siling Co Lake after its rapid expansion in the 2000s. Geophysical Research Letters, 2023, 50(24): e2023GL 104863

[22] Jiang H, Feng G, Wang T, et al. Toward full exploita-tion of coherent and incoherent information in Sen-tinel-1 TOPS data for retrieving surface displacement: Application to the 2016 Kumamoto (Japan) earthqua-ke. Geophysical Research Letters, 2017, 44(4): 1758–1767

[23] Zhu B, Li J, Tang W. Correcting InSAR topographi-cally correlated tropospheric delays using a power law model based on ERA-interim reanalysis. Remote Sen-sing, 2017, 9(8): 765

[24] Yu C, Penna N T, Li Z. Generation of real-time mode high-resolution water vapor fields from GPS observa-tions. Journal of Geophysical Research Atmospheres, 2017, 122(3): 2008–2025

[25] Yu C, Li Z, Penna N T. Interferometric synthetic aperture radar atmospheric correction using a GPS-based iterative tropospheric decomposition model. Remote Sensing of Environment, 2017, 204: 109–121

[26] Yu C, Li Z, Penna N T, et al. Generic atmospheric correction model for interferometric synthetic aperture radar observations. Journal of Geophysical Research: Solid Earth, 2018, 123(10): 9202–9222

[27] Tymofyeyeva E, Fialko Y. Mitigation of atmospheric phase delays in InSAR data, with application to the eastern California shear zone. Journal of Geophysical Research: Solid Earth, 2015, 120(8): 5952–5963

[28] Emardson T R, Simons M, Webb F H. Neutral atmosph-eric delay in interferometric synthetic aperture radar applications: Statistical description and mitigation. Journal of Geophysical Research: Solid Earth, 2003, 108(B5): 2231

[29] Doin M P, Twardzik C, Ducret G, et al. InSAR measu-rement of the deformation around Siling Co Lake: Inferences on the lower crust viscosity in central Tibet. Journal of Geophysical Research: Solid Earth, 2015, 120(7): 5290–5310

Comparison of Atmospheric Correction Methods for InSAR Interferograms of Sentinel-1 Satellite: Taking the Central Tibet as an Example

School of Earth and Space Sciences, Peking University, Beijing 100871; †Corresponding author, E-mail: wang.teng@pku.edu.cn

Abstract In order to evaluate the applicability of different atmospheric correction methods to the deformation rate of interferometric synthetic aperture radar (InSAR) technology, especially in the time series deformation calculation, the principles of two typical InSAR atmospheric correction methods, namely the Generic Atmospheric Correction Online Service for InSAR (GACOS) and common-scene-stacking, are introduced. Taking the central Tibet as the study area, the two methods are applied to the atmospheric correction of InSAR interferograms to evaluate their performance in time series. The atmospheric correction effect on long-term baseline interferograms of more than one year is presented, and finally, the equivalent cumulative deformations in central Tibet are derived. The results show that for a single interferogram, the atmospheric correction effect of the common-scene-stacking method is signifi-cantly better than that of GACOS with unstable results, and the common-scene-stacking method can reduce the standard deviation by more than 60%. In terms of time series, the atmospheric delay trends provided by the two methods are similar, but the specific values differ greatly. GACOS can improve the time series results of InSAR. It is recommended to choose one or a combination of the two methods according to actual needs, based on their advantages and disadvantages.

Key words InSAR; atmospheric correction; GACOS; common-scene-stacking; central Tibet