| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第一章 绪论 | 第13-27页 |
| 1.1 课题研究背景及意义 | 第13-16页 |
| 1.2 国内外研究现状与分析 | 第16-24页 |
| 1.2.1 InSAR 技术研究现状 | 第16-21页 |
| 1.2.2 InSAR 数据质量控制研究现状 | 第21-23页 |
| 1.2.3 InSAR 结果后处理研究现状 | 第23-24页 |
| 1.3 论文研究内容及结构 | 第24-27页 |
| 第二章 干涉 SAR 测量基本理论与方法 | 第27-46页 |
| 2.1 引言 | 第27页 |
| 2.2 差分 InSAR 测量形变监测原理 | 第27-29页 |
| 2.3 差分 InSAR 数据处理主要步骤 | 第29-31页 |
| 2.4 时序 InSAR 技术原理 | 第31-36页 |
| 2.4.1 PS-InSAR 技术 | 第31-33页 |
| 2.4.2 SBAS-InSAR 技术 | 第33-35页 |
| 2.4.3 MInTS 技术 | 第35-36页 |
| 2.5 InSAR 数据处理的误差特性 | 第36-41页 |
| 2.5.1 SAR 信号的统计特征 | 第36-37页 |
| 2.5.2 InSAR 主要失相干源 | 第37-39页 |
| 2.5.3 InSAR 干涉相位的统计特性 | 第39-41页 |
| 2.6 InSAR 数据处理误差的减弱措施 | 第41-45页 |
| 2.6.1 失相干误差 | 第41-42页 |
| 2.6.2 基线误差 | 第42页 |
| 2.6.3 DEM 误差 | 第42-43页 |
| 2.6.4 大气误差 | 第43-44页 |
| 2.6.5 解缠误差 | 第44页 |
| 2.6.6 地理编码误差 | 第44-45页 |
| 2.7 本章小结 | 第45-46页 |
| 第三章 基于移动开窗的多面函数 InSAR 解缠相位重构 | 第46-64页 |
| 3.1 引言 | 第46页 |
| 3.2 InSAR 相位解缠 | 第46-50页 |
| 3.2.1 Goldstein 枝切法 | 第48-49页 |
| 3.2.2 质量图指导法 | 第49页 |
| 3.2.3 最小二乘相位解缠方法 | 第49-50页 |
| 3.3 解缠方法质量评价 | 第50-52页 |
| 3.3.1 评价指标 | 第50页 |
| 3.3.2 算例分析 | 第50-52页 |
| 3.4 基于移动开窗的多面函数 InSAR 解缠相位重构模型 | 第52-57页 |
| 3.4.1 不同特征点提取算法分析 | 第53-55页 |
| 3.4.2 基于特征点和相干性的拟合节点选取 | 第55-56页 |
| 3.4.3 多面函数模型建立 | 第56-57页 |
| 3.5 重构模型显著性检验 | 第57-58页 |
| 3.6 算例与分析 | 第58-62页 |
| 3.6.1 模拟数据 | 第58-59页 |
| 3.6.2 实际数据 | 第59-60页 |
| 3.6.3 重构相位的质量评价 | 第60-62页 |
| 3.7 本章小结 | 第62-64页 |
| 第四章 基于小波的抗差最小二乘 InSAR 轨道误差估计 | 第64-74页 |
| 4.1 引言 | 第64-65页 |
| 4.2 轨道误差对干涉形变的影响 | 第65-66页 |
| 4.3 基于线性拟合估计的轨道误差去除 | 第66-67页 |
| 4.4 基于小波的抗差最小二乘轨道误差去除 | 第67-70页 |
| 4.4.1 2维小波分析 | 第67-68页 |
| 4.4.2 抗差最小二乘估计 | 第68-70页 |
| 4.5 实例分析 | 第70-72页 |
| 4.5.1 模拟数据试验 | 第70-72页 |
| 4.5.2 实际数据试验 | 第72页 |
| 4.6 本章小结 | 第72-74页 |
| 第五章 融合小波多尺度分解与 SBAS 方法的 InSAR 时间序列算法 | 第74-100页 |
| 5.1 引言 | 第74-75页 |
| 5.2 数据预处理 | 第75-77页 |
| 5.2.1 InSAR 数据中的无效值填充 | 第75-77页 |
| 5.3 基于小波多尺度分解的 InSAR 时间序列处理算法 | 第77-82页 |
| 5.3.1 时间相关形变的参数化建模 | 第78-79页 |
| 5.3.2 InSAR 数据空间域的小波分解 | 第79-82页 |
| 5.3.3 干涉小波系数的最小二乘反演 | 第82页 |
| 5.4 改进的 SBAS-InSAR 时间序列处理算法 | 第82-88页 |
| 5.4.1 SBAS-InSAR 方法 | 第83-85页 |
| 5.4.2 改进的 SBAS-InSAR 算法 | 第85-88页 |
| 5.5 融合小波多尺度分解和 SBAS 的综合 InSAR 时间序列算法 | 第88-89页 |
| 5.6 应用分析—以西安地区 Envisat 数据为例 | 第89-98页 |
| 5.6.1 数据情况 | 第90-91页 |
| 5.6.2 时间序列形变比较 | 第91-93页 |
| 5.6.3 与 GPS、水准的比较分析 | 第93-98页 |
| 5.7 本章小结 | 第98-100页 |
| 第六章 基于 Kalman 滤波的 InSAR 时间序列形变误差分析 | 第100-115页 |
| 6.1 引言 | 第100页 |
| 6.2 Kalman 滤波模型原理 | 第100-102页 |
| 6.3 InSAR 时间序列 Kalman 滤波模型建立 | 第102-108页 |
| 6.3.1 趋势分离 | 第104页 |
| 6.3.2 状态方程模型 | 第104-105页 |
| 6.3.3 观测方程模型 | 第105-106页 |
| 6.3.4 InSAR 数据噪声方差函数估计 | 第106-108页 |
| 6.4 实验与分析 | 第108-114页 |
| 6.4.1 西安时间序列数据处理 | 第108-109页 |
| 6.4.2 滤波结果的质量评价与分析 | 第109-114页 |
| 6.5 本章小结 | 第114-115页 |
| 第七章 顾及协方差函数的 InSAR 数据噪声分析及数据压缩 | 第115-126页 |
| 7.1 引言 | 第115页 |
| 7.2 噪声各项同性分析 | 第115-117页 |
| 7.3 噪声协方差估计 | 第117-120页 |
| 7.3.1 协方差函数估计方法 | 第117-119页 |
| 7.3.2 InSAR 相位噪声协方差函数估计 | 第119-120页 |
| 7.4 顾及协方差函数的自适应四叉树 InSAR 数据压缩 | 第120-124页 |
| 7.4.1 四叉树分解原理 | 第121-122页 |
| 7.4.2 算法的实现 | 第122页 |
| 7.4.3 算例与分析 | 第122-124页 |
| 7.5 本章小结 | 第124-126页 |
| 第八章 基于 GIS 的运城市地面沉降地裂缝活动性预测 | 第126-144页 |
| 8.1 引言 | 第126页 |
| 8.2 GIS 在地裂缝灾害研究中的应用 | 第126-128页 |
| 8.3 运城盆地地裂缝灾害分析 | 第128-135页 |
| 8.3.1 研究区域概况 | 第128-130页 |
| 8.3.2 地裂缝的成因及影响因素分析与量化 | 第130-135页 |
| 8.4 基于层次分析法的地裂缝敏感性研究 | 第135-138页 |
| 8.4.1 层次分析法 | 第135-137页 |
| 8.4.2 实验分析 | 第137-138页 |
| 8.5 基于 BP 神经网络的地裂缝活动强度预测 | 第138-142页 |
| 8.5.1 BP 模型 | 第138-140页 |
| 8.5.2 模型建立与结果分析 | 第140-142页 |
| 8.6 本章小结 | 第142-144页 |
| 第九章 结论与展望 | 第144-147页 |
| 9.1 本文结论 | 第144-145页 |
| 9.2 研究展望 | 第145-147页 |
| 参考文献 | 第147-161页 |
| 攻读学位期间取得的研究成果 | 第161-164页 |
| 致谢 | 第164页 |
