層析SAR地表參數信息提取研究進展

李 震 張 平* 喬海偉 趙常軍 周建民 黃 磊

①(中國科學院空天信息創新研究院 北京 100094)

②(三亞中科遙感研究所海南省地球觀測重點實驗室 三亞 572029)

1 前言

隨著合成孔徑雷達(Synthetic Aperture Radar,SAR)系統及處理技術的發展，SAR的應用也逐步由最初的單極化、單波段和單基線觀測發展到目前的多極化、多波段和多基線觀測，多維度SAR更是成為近幾年的熱點[1]。傳統的SAR成像是將現實中的三維場景投影到方位-斜距向二維平面的一系列處理過程，因此損失了三維空間的高度維信息。隨著軟硬件技術的不斷發展，目前已經有一系列的方法可以獲得SAR的第三維的信息，主要有干涉SAR(Interferometric SAR,InSAR)[2]、曲線SAR (Curvi-Linear SAR,CLSAR)[3]、層析SAR (Tomographic SAR,TomoSAR)[4]等成像技術。干涉SAR僅能獲取目標的表面高度信息，對同一方位、距離單元的目標沒有高度維的分辨能力。曲線SAR只需要1次飛行就可以獲得目標散射信息在三維空間的分布，但由于傳感器天線相位中心在三維內的飛行路徑需要嚴格設定，且采樣過于稀疏導致曲線SAR的成像算法很復雜，因而實際應用中受到了很大的制約，目前的實際應用較少。層析SAR可以看作單基線SAR在成像模式上的擴展，層析處理的部分步驟可以簡化為傳統二維處理，因此不需要改變現有SAR系統的設計結構和運行模式，成為目前SAR三維信息獲取的主要手段。

層析SAR技術于20世紀90年代逐漸發展起來，1998年德國宇航中心(Deutsches zentrum für Luftund Raumfahrt,DLR)利用E-SAR實驗系統，進行了第1次機載L波段層析SAR數據獲取，得到了德國Oberpfaffcnhofen地區的13軌L波段全極化數據，垂直基線跨度約為260 m，高度向分辨率約為2.9 m，證明了層析SAR三維成像的可行性和應用價值[5]。2004年，首次通過在已有的ERS-1/2數據中，選擇合適軌跡位置的SAR影像，實現了第1幅星載層析SAR三維成像[6]。近年來隨著機載、星載SAR系統的不斷成熟和層析SAR三維成像技術的發展，更多高質量多基線SAR影像被成功獲取，發展出了更適合層析SAR三維實際應用的成像算法，使得層析SAR技術被用于多種領域，目前國際上的研究主要集中在植被遙感[7–9]、冰雪遙感[10,11]、城市遙感[12,13]等領域。

我國層析處理技術也隨之大力發展，中國科學院空天信息創新研究院、武漢大學、西安電子科技大學等單位均在層析SAR成像算法研究方面取得了豐富的成果[14–16]。目前國內層析SAR應用研究主要是以國外機載數據為基礎的植被參數反演[17,18]，以及面向星載數據的建筑物參數反演[19]，近兩年陸續出現我國機載數據的建筑物應用實驗[20,21]，這將推動我國多維度處理技術由理論研究邁入實際應用。

本文從層析SAR技術的基本原理出發，討論了目前層析SAR領域常用的一些數據處理方法，并對其在植被垂直結構、冰川厚度、積雪深度以及建筑物垂直信息等領域的發展現狀與應用潛力進行了闡述，對層析SAR技術目前存在的問題及發展趨勢進行了分析。

2 層析SAR基本原理

傳統的SAR系統通過發射一定帶寬的信號獲得距離向的高分辨率，通過合成孔徑獲得方位向的高分辨率，從而得到二維斜距圖像。層析SAR通過沿高度向的多次數據獲取構造高度維合成孔徑，利用陣列信號處理方法實現對目標高精度三維成像。層析SAR系統可以通過單天線SAR系統重復航過、多天線干涉SAR系統重復航過、陣列天線SAR系統單航過等方式完成三維原始數據獲取。陣列天線單次航系統設計難度和成本較大，目前層析數據獲取多采用重軌觀測實現，即單天線SAR系統或多天線干涉SAR系統重復軌道飛行。

圖1所示為多基線重軌層析SAR系統數據獲取示意圖。理想情況下，層析SAR系統N個天線沿垂直航向呈直線均勻分布，形成有效孔徑長度為Lv的線性陣列，雷達視角為θ。某目標單元在第n個傳感器的回波信號可以表示為[22]

圖1 層析SAR觀測機理Fig.1 Tomographic SAR observation mechanism

其中，γ(x,y,z)是目標后向散射系數，C是雷達照射區域，Rn(x,y,z)是第n個傳感器相位中心與目標的距離，λ是波長。去調頻處理之后，補償相位殘留誤差，對式(1)進行傅里葉變換，可以得到第n個傳感器在v向的后向散射信號

其中，s(r,x,v)是目標后向散射在v向的分量，r是斜距向，bn為第n個傳感器相對于主傳感器的垂直基線。由式(2)可知，當所有N個傳感器影像均已在距離-方位二維聚焦完成之后，層析SAR的高度向成像問題轉換為利用頻譜離散采樣重構原信號的問題，即

層析SAR的各維分辨率從本質上由各維的等效帶寬決定[22]。與傳統SAR系統類似，層析SAR系統也通常發射線性調頻信號，其回波在距離向是具有延遲的線性調頻信號，方位向也近似為線性調頻信號。進行高度維成像后，層析SAR在高度維上的像同樣是一個Sinc函數，這與方位向、距離向的情況是一致的，且垂直距離向的理論分辨率主要由沿垂直航向形成的陣列孔徑長度Lv決定，此外還與系統的雷達發射信號波長λ、目標與層析陣列中心的距離在雷達入射面內的投影r0有關，因此層析SAR的高度向分辨率δv可以表示為[5]

此外，一方面要獲得垂直距離向的高分辨率，必須保證足夠大的垂直航向孔徑長度；另一方面，層析SAR飛行時基線須足夠小，確?？臻g采樣滿足奈奎斯特定理，防止空頻域的頻譜混疊造成成像模糊。這兩者是相互矛盾的，因此，應盡量選擇合適的陣元數量(觀測次數)，平衡運行成本與分辨率。假定景物高度或散射體高度為H，則空間帶寬為

當各基線長度確定時，不產生模糊的最大景物高度也是確定的，超過這個高度成像就會發生模糊，這一高度稱為該基線下的“最大不模糊高度”，即

3 常用數據處理方法

層析SAR數據處理過程如圖2所示，將不同視角獲得的多幅同一區域SAR二維成像結果，通過單視復圖像序列配準、去平地效應、相位補償(去斜、去大氣效應等)、高度維聚焦等處理實現三維高分辨率成像。下面對主要步驟進行簡要介紹。

3.1 預處理

圖2 層析SAR處理流程Fig.2 Tomographic SAR processing flow

圖像配準的主要目的是將多次觀測的不同基線單視復圖像逐像素對應，即同一目標在圖像序列對應相同的坐標，與干涉處理中的圖像配準完全相同。配準只有達到亞像元級的配準精度，才能獲得高質量的干涉圖，從而得到較為精確的三維成像結果。首先需要進行粗配準，然后進行精配準。配準方法眾多，主要分為基于區域的方法[23,24]和基于特征的方法[25–27]兩類。主影像的選取一般應選擇時間基線、空間基線居中的影像，以盡量減小時間去相干與空間去相干效應，保證干涉圖的質量。

去平地效應主要是去除因平坦的地面引起距離向和方位向呈現周期性變化的平地相位。平地相位在干涉相位圖中表現為近密遠疏的干涉條紋，其條紋的密度一般大于由地面高度起伏引起的干涉條紋。去除干涉相位中平地相位，需要對距離向和方位向的局部平均頻率進行估計，常見的估計方法可分為基于觀測數據的頻率估計方法[28]和基于成像幾何系統參數的頻率估計方法[29]?；诔上駧缀蜗到y參數的頻率估計方法，依據InSAR幾何成像關系，通過對復數干涉條紋圖中的每一點乘以復指數來消除平地相位，運算速度較慢；而基于觀測數據的頻率估計方法，不需要飛行參數、外部DEM、基線等數據，直接從干涉條紋圖本身入手，根據實際的頻譜估計出主要的條紋頻率，在頻域內完成去平地效應，運算速度較快。

3.2 相位補償

在實際情況中，由于時間基線和空間基線的存在，層析SAR成像過程存在著多種相位誤差，例如地形形變、大氣擾動等因素引起誤差。相位誤差的隨機性嚴重影響了層析SAR三維測量精度。目前常用的相位誤差補償方法包括：基于永久散射體干涉(Persistent Scatterer InSAR,PSInSAR)的相位誤差補償[30–32]、基于小基線集干涉(Small BAseline Subsets,SBAS)的相位誤差補償方法[33]等。PSInSAR技術要求有足夠多的影像(通常大于30景)，主要適用于人造目標多的場景(如城區等)；SBAS則是利用較小時間、空間和多普勒基線干涉對形成多組干涉對進行相位補償，在人造目標較少的場景下也能取得較好的效果。近年來提出的分布式目標干涉技術，可以明顯增加多基線干涉的測量點密度，改進形變反演精度，其聯合PSInSAR技術、SBAS技術進行多基線數據處理是目前的研究熱點，而其中要解決兩個關鍵問題，即分布式目標同質象元選取和相位評估[34,35]。圖3為基于非線性最優化函數的相位評估算法(NonLinear optimization-based Estimation,NLE)與基于最大似然評估的相位評估算法(Maximum-Likelihood Estimation,MLE)結果比較[34]。

此外，層析SAR觀測數據通常是由雷達平臺多次飛行、重復觀測獲得，由于飛行基線不是理想的均勻分布，單視復圖像序列的參考斜距并不唯一，因此要建立觀測數據和目標垂直斜距向信息之間的內在聯系需要去除中心斜距相位，該相位的補償過程稱為去斜。目前去斜處理主要有兩種方法：斜距去斜[22]和參考斜距去斜[6]。前者利用電磁波發射與接收期間的延遲，結合光速計算參考斜距進行補償；后者利用地面參考地形、傳感器的位置信息及成像幾何關系計算參考斜距進行補償。前者處理簡單，但電磁波傳輸可能會受大氣干擾影響，導致斜距計算存在誤差，影響層析成像質量，因此這種方法較適用于機載平臺。后者利用SAR系統成像幾何關系直接計算得到參考斜距，避免了引入更多大氣相位誤差，較適用于星載平臺，但SAR圖像與參考地形數據的配準將影響其斜距計算精度。

圖3 差分干涉相位，其時間基線和空間基線是490 d和97.7 mFig.3 Differential interferograms with temporal baseline of 490 days and spatial baseline of 97.7 m

3.3 高度維聚焦

除高度維成像外，其他二維的處理與傳統方法相同，下面著重介紹三維成像處理方法中高度維的聚焦。根據“瑞利準則”(Rayleigh criterion)，分辨率受合成孔徑長度限制，使用傅里葉變換的方法成像時分辨率受瑞利準則限制。此外，由于航跡數有限且基線分布通常是非均勻的，因此通常不能直接使用傳統傅立葉變換進行高度維聚焦。

由于在進行預處理、相位補償之后，雷達回波信號的觀測模型實際上就可以表示為

其中，en(ω)為加性噪聲，n=0,1,···,N–1。這就可以選擇基于譜估計的算法、基于逆問題建模的算法、基于插值的成像算法等解決聚焦問題。

譜估計方法可以分為兩大類[36]：非參數化方法和參數化方法。用于層析SAR的非參數化譜分析包括奇異值分解(Singular Value Decomposition,SVD)方法[22]、最小方差法[2]及幅度相位譜估計法[37]等；參數化譜分析方法包括多重信號分類法(MUltiple SIgnal Classfication method,MUSIC)[6,38]、旋轉不變性子空間方法(Estimation of Signal Parameters via Rotational Invariance Technique,ESPRIT)[39]、壓縮感知類方法(Compressed Sensing,CS)[40]等，這些方法利用信號歷史參數化模型，提高分辨率和對比度，減少旁瓣假峰和相干斑[41]。非參數化方法可以直接通過譜分析得到高度維像，更適用于自然地物，比如植被、冰雪的反演；參數化方法需要估計場景內散射點數量，更適用于人造地物，比如城市的三維重建。圖4所示基于MUSIC的成像方法[38]與基于酉ESPRIT的成像方法對人造目標的處理結果[42]，其中圖4(a)和圖4(b)為海上船只結果對比，圖4(c)和圖4(d)為Mig25飛機結果對比。

4 層析SAR主要應用

4.1 植被垂直結構反演

圖4 人造目標成像結果對比Fig.4 Manmade targets imaging results comparison

植被狀態是反映區域生態環境的重要標志之一，同時作為自然資源和碳儲存庫，對全球碳循環和區域氣候變化發揮重要作用[43]。植被的實地監測可提供最準確的數據參數，但涉及昂貴且費時的野外工作。利用層析技術對植被場景進行三維成像，提取植被垂直結構剖面后向散射信息，可以得到植被高度、地上生物量、葉面積密度、垂直結構密度等參數與回波信號的關系，建立植被參數反演模型[9]。目前層析SAR應用研究也主要集中在植被參數反演方面，主要分為森林參數探測和高桿農作物反演兩個方向。

森林結構是森林生態學的重要因素，但是目前沒有可用的全球森林結構圖，僅存在少量的粗分辨率圖，且僅顯示了森林結構的組成部分(例如，距MODIS和ICESat的森林高度，分辨率為1 km)[44]。早期的森林參數提取是在理論分析基礎上的實驗性研究。1998年DLR使用機載SAR數據進行了層析成像實驗研究，首次提取了實驗區的植被高度信息[5]。2006年DLR利用E-SAR試驗系統開展了機載L波段和P波段的層析SAR實驗，獲取了11軌數據，反演了區域的森林的生物量和層析切片，這是第1次展示較大森林面積的P波段層析SAR圖像。同年，Cloude[45]首次提出極化干涉相干層析理論，并利用仿真實驗驗證了其森林地上生物量的定量反演潛力，該實驗中還提出了一種基于時域反投影算法的層析成像聚焦方法，此方法利用原始傳感器位置和成像目標之間的幾何關系，無需引入任何近似值[46]，避免了影像配準帶來的誤差。

隨著應用需求的推動，歐空局(European Space Agency,ESA)聯合眾多研究機構推出面向森林探測的BIOMASS衛星計劃，意在從全球森林結構和生物量研究碳循環[7]，為此該衛星計劃依托E-SAR,F-SAR系統實施了大量機載飛行項目，驗證傳感器在森林、雪冰探測中的能力，包括BioSAR,Tropi-SAR,IceSAR等項目。

2007年ESA利用DLR的機載E-SAR系統開展了BioSAR機載層析SAR森林飛行驗證實驗，在瑞典北部Krycklan流域的Remningstorp森林地區獲取了P波段和L波段的極化層析數據，P波段水平基線8 m，L波段水平基線6 m，獲得了森林的垂直結構，并利用激光雷達進行驗證，精度可達3 m[47,48]。2011年，Frey and Meier改進了時域反投影(Time Domain Back Projection,TDBP)層析SAR成像處理方法，結合譜估計方法對2007年獲取的數據集重新處理，結果表明L波段可以檢測到冠層和地面，而P波段可以將樹冠和下面的地表完全區分[49]。

2012年，ESA[50]又推出了TropiSAR項目探測Biomass計劃的森林觀測性能，在法國ONERA地區獲取了P波段層析SAR數據，垂直分辨率約為20 m，森林高度反演范圍為20～40 m，在不假設任何物理模型或采用超分辨率技術的情況下相干聚焦，可以在多達3個獨立的層中映射場景復后向散射系數的三維分布，且垂直結構分析發現，在地面層中存在二面角散射，地形坡度對森林最內層的后向散射影響較小。為更好了解BIOMASS層析成像對熱帶地區森林生物量和高度反演的能力，Minh等人[51]利用TropiSAR項目獲取的數據生成了BIOMASS衛星仿真數據，處理后得到了熱帶雨林的垂直分布形狀與樹高，為BIOMASS衛星計劃提供了算法支持。通過分析不同高度處的層析復后向散射系數與森林地上生物量(Above-Ground Biomass,AGB)之間的相關性，發現后向散射信號與冠層上部(20～40 m)的AGB之間存在高度相關性，而較低的層相關性較差[52]。利用一個簡單的AGB模型，在分辨率為125×125 m2(1.5公頃)時，AGB制圖精度可以達到RMSE為10%～15%[51]。

2015年，美國國家航空航天局(National Aeronautics and Space Administration,NASA)和DLR聯合推出AfriSAR項目，開始在非洲加蓬(Gabon)熱帶雨林地區實施機載森林結構調查項目，利用DLR的F-SAR系統、NASA的無人機SAR系統以及激光雷達LVIS系統獲取了P波段和L波段的森林層析SAR數據，對比激光雷達數據，反演精度可達2～5 m[53,54]。隨后，結合TropiSAR實驗與Afri-SAR實驗對L波段和P波段數據反演森林的垂直結構估計能力進行了綜合評估，得出P波段和L波段反演樹高的均方根誤差分別為3.02 m和3.68 m[44]。圖5給出了Paracou熱帶森林和Boreal Krycklan森林在L波段和P波段的TomoSAR反演的森林樹高切片，白線表示激光雷達測量得出的森林最高高度，結果表明P波段受外部因素影響較小，具有更強的反演能力[44]。

除了森林監測之外，DLR在2014年推出CROPEX項目，利用機載多基線SAR進行農作物物候期生長高度監測，主要研究C波段反演農作物的三維極化散射特征，并將其與土壤和植被參數的時變散射特征進行響應分析。研究表明對于玉米等高桿植物，可以通過使用植被垂直廓線、垂直散射剖面的質心、體散射強度來檢測初始生長，但隨著生長，植物中水的重新分布將會增加反演難度；對于谷物等低桿植物，主要從垂直剖面、垂直散射剖面的質心、以及地表散射與體散射功率比的變化進行干枯監測[55,56]。未來的研究應考慮如何利用多基線SAR數據進一步研究植被含水量的物理反演，以及通過對植被生物物理參數在不同頻率上的敏感性差異研究，推測多頻率觀測的有效性。

當前機載實驗數據的研究結果表明通過反演平面和高度維的信息，TomoSAR可以估算植被的范圍和結構信息，并且結合極化信息可以在三維空間上厘清植被不同層面的散射機制。復雜的垂直散射剖面反映了雷達實際接收的森林后向散射統計值，包含了傳播路徑引起的任何功率損耗。理想情況下，應知道并補償每個植被層的衰減，根據雷達接收數據進行直接估算垂直剖面本身就是一個嚴重的不適定問題，因此在森林觀測中應當使用HH極化通道或長波信號減小多路徑衰減的影響。星載TomoSAR技術的主要問題之一是由于獲取時間的差異導致的時間去相干，目前星載數據多用于比較穩定的目標(如城市建筑)，但只要重訪時間不超過4天，森林觀測中的植被變化量是可以接受的[51]；而采用減小時間去相關的觀測方式和處理技術，如類似Tandem結構的雙星觀測和新型單航過處理技術，還可以更好地對森林等自然環境目標進行三維信息提取。此外，結合植被垂直結構散射模型進行層析SAR散射特征分析，形成一種可以表征植被水平和垂直結構的算子，進而提高植被參數反演精度將是該領域的前沿課題。層析處理技術可為后續的生物量估計提供支持，利用層析技術進行植被地上參數估測可解決光學遙感估測常規方法無法獲得植被垂直結構的問題，大范圍動態監測植被地上生物量，隨著2022年BIOMASS衛星的發射，屆時會迎來層析SAR應用研究的高潮。

圖5 TomoSAR反演的森林樹高切片[44]Fig.5 Forest tree height transects inverted by TomoSAR[44]

4.2 冰川內部結構反演

冰川是氣候變化最為敏感的要素之一，冰川的面積與長度、運動狀態、物質平衡等參數變化是氣候變化的直接體現，探究冰川參數變化在水資源利用、海平面上升、冰川災害防治等方面有重要作用。層析SAR技術在獲取地物三維信息，剖析地物內部結構方面具有獨特的優勢，是研究冰川垂直結構最可行的遙感方法之一。目前層析SAR在冰川結構方面的研究主要在機載平臺和地基平臺開展，尚未有星載平臺的研究。

機載層析SAR在冰川結構反演中的研究重要集中在L波段和P波段SAR。2006年5月和2008年7月Kansas大學的研究人員利用自主研發的多相中心甚高頻(Very High Frequency,VHF)雷達系統在Greenland的Summit Camp地區獲取了機載層析SAR數據，利用針對VHF雷達數據的三維層析冰測深方法，對冰蓋表面形貌、冰厚度以及冰蓋表面和床層的雷達后向散射系數進行測量，可以達到5 m的表面精度以及14 m的冰厚精度[57,58]。2011年，NASA的IceBridge項目利用Kansas大學研發的多通道相干雷達測深儀MCoRDS系統在格陵蘭島南部的Isunnguata Sermia冰川進行數據獲取，使用了天底探測和層析SAR處理技術對冰川厚度進行研究，層析成像數據較好地捕捉了冰川底部地形，特別是深處的冰川低谷部分[59]。2012年ESA的IceSAR項目開展了首次P波段層析雪冰探測，評估了P波段合成孔徑雷達獲取冰下結構信息的能力，探測了格陵蘭島的冰川、冰蓋運動速度、消融和表面結構，分析了冰面到50 m范圍內的冰層內部結構[60]。2014年，ESA又開展了AlpTomoSAR機載實驗，探測L波段雷達的層析冰川觀測能力，AlpTomo-SAR實驗證明了干雪條件下可以清晰區分雪冰交界面，提取淺層冰川的基巖交界面、冰裂隙等信息，且層析SAR可以得到與低頻探地雷達(Ground Penetrating Radar,GPR)一致的結果。圖6結果顯示由于過渡冰-巖石的介電特性的強烈梯度，均勻冰下的基巖表現出非常尖銳的反射，不同極化狀態的層析SAR提取的冰川-基巖交界面與探地雷達的結果一致性較好，且交叉極化具有更好的效果[61]。

圖6 阿爾卑斯山冰川反演實驗[61]Fig.6 Reversion experiment of Alps Glacier[61]

2014年，DLR推出HoloSAR項目，利用F-SAR實驗系統搭載L波段傳感器，在瑞士蒙特羅莎的Findel冰川進行合成孔徑雷達層析成像，聯合極化信息可以區分雪、冰原和基巖，并且由于采用多角度測量減小了山體陰影造成的影響，能更好地了解冰川的后向散射[62]。

此外，地基合成孔徑雷達(Ground-Based SAR,GB-SAR)也在冰層探測方面有一定的發展。2011年Chai等人[63]使用地基多模調頻連續波雷達GPRIII系統獲取了GB-SAR數據集，提出了一種使用區域生長的差分層析SAR(Differential TomoSAR,D-TomoSAR)處理框架，并在瑞士Aletsch冰川的采用GB-SAR數據進行實驗，形成了第1個差分合成孔徑雷達層析成像結果，可以探測到冰川上的大規模形變。2013年Yitayew[10]采用X波段GB-SAR研究海冰的三維成像，成像結果能夠區分不同分界面，包括空氣積雪交界面，積雪海冰交界面和海冰海水交界面，其結果可用于簡化雪冰電磁散射模型。

層析SAR在冰層探測方面的應用顯示出了巨大的潛力，但如果在聚焦處理中未正確考慮到波在冰層中的傳播速度，則所得圖像可能會出現失真，因此冰川中電磁波的運行速度校正是應用中的重要問題，可以通過射線追蹤技術來解決這一問題，而以層析SAR數據本身推斷波傳播速度的三維分布校正方法將成為層析SAR冰川探測算法的發展方向。層析SAR對冰川的觀測不僅可以獲取冰川表面散射，還可以揭示冰下復雜的體散射，包括冰裂隙，雪冰過渡層、基巖等散射信號，因此傳統根據均勻消光構造的指數衰減模型不足以表征冰川散射特性，基于層析SAR的冰川觀測信號分析將推動冰川電磁散射機制的深入研究。大量的重復航過數目使得層析SAR的應用成本很高，考慮雙基和多基SAR系統，配合超分辨率信號處理可以提高層析SAR的觀測效率，而后續面向森林觀測的長波段(P和L波段)衛星載荷以及多星組網觀測的實現，將對干旱環境中的地質結構反演、森林覆蓋的數字高程模型(Digital Elevation Model,DEM)精度提高以及冰川流速觀測將產生重要意義，將使層析SAR技術可以在冰川探測中發揮巨大的作用。

4.3 分層積雪參數反演

積雪對氣候系統具有顯著的正反饋作用，是全球變化研究的關鍵變量之一。積雪表面的高反照率，內部冰/水相變產生的潛熱，以及雪層的絕熱效應顯著地影響著全球能量、水循環過程進而影響氣候變化。多基線SAR測量在垂直結構變化探測方面具有優勢，基于InSAR復相干系數或相位的參數反演方法能獲取積雪參數及其變化信息，但目前研究集中在單層積雪反演，無法獲得多層積雪的變化機制和特征[64]。層析SAR技術可以得到積雪內部分層結構信息，進而反演獲得多層積雪參數，但微波穿透積雪的過程涉及許多因素，例如：雪/空氣界面，雪/土壤界面，內部冰層等的多種相互作用、傳播速度的變化[11]。目前層析SAR對積雪的探測還停留在地基雷達，尚未有機載、星載的實驗嘗試。

2013年ESA的AlpSAR項目在奧地利阿爾卑斯山開展實驗，采用X和Ku波段地基合成孔徑雷達獲取積雪層析SAR數據，該設備距離向分辨率為3.75 cm，方位向分辨率為4 cm,X波段垂直分辨率為15 cm,Ku波段垂直分辨率為10 cm，采用TDBP處理技術得到了清晰的積雪垂直剖面，結果表明雪/空氣界面和積雪上層的后向散射能量很弱，積雪底層后向散射能量最強，通過對積雪分層折射率的反演，可計算得到積雪分層介電常數、積雪密度等參數[11,65]，圖7為該實驗數據反演積雪分層的結果，從圖中可以看出層析反演結果可以較好的捕捉積雪內部分層結構。2015年，ESA推出SnowLab項目針對SnowScat散射計設備進行了改造，使其具備了探測積雪垂直結構的能力，2015年—2018年的3個積雪季在瑞士格里姆塞爾山口附近進行實驗，獲得了積雪層析剖面的完整時間序列數據，通過研究發現積雪層中融凍結殼/冰層可被識別，這與許多學者使用不同方式測量的結果一致，表現出了層析雷達成像在雪層結構無損檢測和分析中的潛力[66]。2016—2017年積雪季NASA的SnowEx項目在美國科羅拉多州弗雷澤部署了3種頻率(9.6 GHz,13.5 GHz和17.2 GHz)的全極化調頻連續波便攜式SAR系統，該系統安裝在一個升降軌道的框架上，能夠對每個雷達通道的三維變化進行全面重建，實驗獲得的積雪分層剖面圖與地面測量結果一致，同時，該系統能高頻次的觀測積雪在晝夜內的融化和再凍結的過程[67,68]。

層析SAR對積雪的探測將對積雪資源精細化評估帶來契機，層析觀測模式可以探測不同雪層之間的界面，進而反演獲得多層積雪參數，這是目前除人工測量之外的遙感觀測方式所不能達到的，其中主要問題之一是如何解決自由空間傳播假設對雪層聚焦的影響。層析SAR構建的積雪三維結構不僅可以給出積雪深度，還可以通過雪層的折射效應計算雪密度，因此層析SAR在提高積雪水當量精度方面的巨大潛力。同時，地基層析雷達的結果顯示，層析SAR技術將推動積雪特性反演、雪層間電磁相互作用的物理機制研究，結合積雪物理模型的層析SAR雪層反演技術將成為應用發展的新方向，未來極化層析SAR的深入研究將面向更多的積雪關鍵參數反演，如積雪粒徑、密度、分層結構等。

圖7 地基層析SAR積雪結構觀測結果[11]Fig.7 Snow structure observation result of ground based tomography SAR[11]

4.4 建筑物信息提取

由于城區密集的建筑物互相遮擋，傳統SAR系統在觀測城區時會收到多次散射、疊掩和陰影等現象的影響，使得解譯工作很難進行。層析SAR技術可以分離同一像元內的多個散射體目標，提取每個散射體的三維空間位置及后向散射強度信息，分析城市建筑高度等信息，而在層析SAR基礎上發展起來的差分層析SAR技術還可以獲取高度維的形變信息，形成包括方位向、距離向、高度向以及時間維的四維成像[69]。目前建筑物信息提取方面的應用主要分為基于高分辨率衛星數據的三維信息重構和考慮城市建筑物物理結構的層析SAR關鍵算法研究兩方面。

目前，大部分城區三維結構重建采用了衛星數據，2009年—2014年，意大利電磁環境研究中心的Fornaro研究團隊[69–72]利用ERS,TerraSAR-X等衛星數據開展城市三維結構重建研究，利用差分層析技術研究了意大利那不勒斯市區建筑的形變、城區以及橋梁的熱變形，提出了基于多視層析影像的濾波和疊掩分離算法，為多視層析SAR的三維精細重建、建筑物及基礎設施監控提供了可能性。2010年—2019年DLR的Zhu研究團隊[13,40,73–75]利用高分辨率星載SAR數據對層析SAR的城市應用進行了持續的研究，提出了一系列提高高度維分辨率的方法，包括基于L1范數正則化的方法、基于壓縮感知的方法、基于非局部均值(nonlocal means)等，重構單個建筑物和整個城市區域的三維信息，生成四維點云(具有與激光雷達相當的點密度)，在柏林市驗證的平均像素精度約為93.84%，還利用非線性關系分離建筑物的運動或變形，可以用于動態城市模型重建。

此外，城市區域干擾因素很多，人為影響較大，因此與城市建筑物空間結構、熱效應等有關的層析SAR關鍵算法近年來得到了大力發展。2015年Ma等人[76]利用44幅TerraSAR-X圖像對城市中的建筑物進行層析處理，發現由于受熱向上膨脹的作用，熱量與建筑物高度之間有著線性變形關系，該技術有助于監測具有不同結構設計的新建混凝土建筑物。2019年，Aghababaee等人[12]針對層析數據獲取中采樣不規則以及采樣點較少的問題，在標準譜估計器的基礎上引入了正則化項，基于圖割的優化算法將三維成像問題轉化為能量最小化問題，利用E-SAR L波段層析數據生成三維點云。通常在城市地區的層析處理中會用到稀疏先驗條件，但是這樣假設往往錯過了部分城市表面，尤其是平坦區域，例如地面或屋頂，因此Rambour等人[77]研究了一種基于流網絡最優切割計算的曲面分割算法，利用TerraSAR-X數據在三維重建過程中改善城市表面信息。2020年，Rambour等人[78]分析了層析SAR在城區數據處理中一些關鍵問題，包括散射體三維定位、散射體選擇、對底層目標的準確描述和恢復等問題，對目前TomoSAR技術用于城市建筑提取的不同方法進行了詳細的比較，提出了一套適合精確重建市區的正則化和后處理的處理方案，并利用TerrSAR-X和Cosmo-Skymed數據進行了城區形變監測方面的應用，采用聚束(spotlight)模式的Tomo-SAR數據能夠達到7 m的高度分辨精度，而條帶(stripmap)模式能夠達到18.7 m的高度分辨精度。

城區的場景復雜，存在大量形狀、高度各異的建筑物，SAR影像的地物特征更加復雜，導致二維圖像難以解譯。層析SAR數據可以進行建筑結構的層析重建，給出三維城市結構乃至四維形變(三維結構與表面形變速率)信息，未來層析SAR城市觀測技術發展方向將面向統一框架下的城區多要素反演方法，實現城市動態監測，這必將是后續城市遙感領域的熱點研究之一。城市的層析成像對輻射精度要求較低，這與自然介質層析成像顯著不同，因此基于稀疏結構的三維重建算法是建筑物應用中的主流方法，但存在兩個實際問題影響其更廣泛的應用，其一是需要大量重復航過數據，通常需要20景以上，即使是算法模型優化后也至少需要進行11景才能實現在有效參數范圍內的合理重構；其二是高昂的計算代價，因此很難擴展到大規模行業應用中。結合垂直結構信息和極化信息，根據散射機制組合選擇不同的城市模型，開展高精度的相位定標技術、針對平滑表面和植被區的處理技術、時間序列大氣延遲糾正技術、雙基和多基系統處理技術，以及機器學習技術在層析SAR中的應用將是未來城市監測中的重要研究方向。

5 結束語

本文介紹了層析SAR機理和處理流程，并針對層析SAR主要應用方向國內外研究現狀進行了綜述，分析了層析SAR成像技術的研究熱點，總結了其在植被垂直結構、冰川厚度、積雪深度、建筑物結構方面的應用研究前景，并對未來的發展趨勢進行了展望。目前的研究集中在植被和建筑物等領域，星載層析SAR觀測主要集中在建筑物信息提取方面，有關冰凍圈的層析SAR應用研究較少，尤其是積雪方面還停留在地基觀測。近年來SAR衛星的研制正在朝著星座化、高重訪密度的方向發展，隨著BIOMASS,Sentinel-1A/B雷達衛星組網、

COSMO-SkyMed星座、RCM (Radarsat Constellation 1,2,3)星座計劃、SAOCOM-CS衛星組網和我國SAR衛星組網計劃等新型空間探測概念的推出和實施，多波段、多極化聯合處理技術的升級，層析SAR必將在不遠的將來得到更廣泛便捷的應用。