Robust and Flexible Persistent Scatterer Interferometry for Long-Term and Large-Scale Displacement Monitoring

Die Persistent Scatterer Interferometrie (PSI) ist eine Methode zur Überwachung von Verschiebungen der Erdoberfläche aus dem Weltraum. Sie basiert auf der Identifizierung und Analyse von stabilen Punktstreuern (sog. Persistent Scatterer, PS) durch die Anwendung von Ansätzen der Zeitreihenanalyse auf Stapel von SAR-Interferogrammen. PS Punkte dominieren die Rückstreuung der Auflösungszellen, in denen sie sich befinden, und werden durch geringfügige Dekorrelation charakterisiert. Verschiebungen solcher PS Punkte können mit einer potenziellen Submillimetergenauigkeit überwacht werden, wenn Störquellen effektiv minimiert werden.
... mehr

Im Laufe der Zeit hat sich die PSI in bestimmten Anwendungen zu einer operationellen Technologie entwickelt. Es gibt jedoch immer noch herausfordernde Anwendungen für die Methode. Physische Veränderungen der Landoberfläche und Änderungen in der Aufnahmegeometrie können dazu führen, dass PS Punkte im Laufe der Zeit erscheinen oder verschwinden. Die Anzahl der kontinuierlich kohärenten PS Punkte nimmt mit zunehmender Länge der Zeitreihen ab, während die Anzahl der TPS Punkte zunimmt, die nur während eines oder mehrerer getrennter Segmente der analysierten Zeitreihe kohärent sind. Daher ist es wünschenswert, die Analyse solcher TPS Punkte in die PSI zu integrieren, um ein flexibles PSI-System zu entwickeln, das in der Lage ist mit dynamischen Veränderungen der Landoberfläche umzugehen und somit ein kontinuierliches Verschiebungsmonitoring ermöglicht. Eine weitere Herausforderung der PSI besteht darin, großflächiges Monitoring in Regionen mit komplexen atmosphärischen Bedingungen durchzuführen. Letztere führen zu hoher Unsicherheit in den Verschiebungszeitreihen bei großen Abständen zur räumlichen Referenz.

Diese Arbeit befasst sich mit Modifikationen und Erweiterungen, die auf der Grund lage eines bestehenden PSI-Algorithmus realisiert wurden, um einen robusten und flexiblen PSI-Ansatz zu entwickeln, der mit den oben genannten Herausforderungen umgehen kann. Als erster Hauptbeitrag wird eine Methode präsentiert, die TPS Punkte vollständig in die PSI integriert. In Evaluierungsstudien mit echten SAR Daten wird gezeigt, dass die Integration von TPS Punkten tatsächlich die Bewältigung dynamischer Veränderungen der Landoberfläche ermöglicht und mit zunehmender Zeitreihenlänge zunehmende Relevanz für PSI-basierte Beobachtungsnetzwerke hat. Der zweite Hauptbeitrag ist die Vorstellung einer Methode zur kovarianzbasierten Referenzintegration in großflächige PSI-Anwendungen zur Schätzung von räumlich korreliertem Rauschen. Die Methode basiert auf der Abtastung des Rauschens an Referenzpixeln mit bekannten Verschiebungszeitreihen und anschließender Interpolation auf die restlichen PS Pixel unter Berücksichtigung der räumlichen Statistik des Rauschens. Es wird in einer Simulationsstudie sowie einer Studie mit realen Daten gezeigt, dass die Methode überlegene Leistung im Vergleich zu alternativen Methoden zur Reduktion von räumlich korreliertem Rauschen in Interferogrammen mittels Referenzintegration zeigt.

Die entwickelte PSI-Methode wird schließlich zur Untersuchung von Landsenkung im Vietnamesischen Teil des Mekong Deltas eingesetzt, das seit einigen Jahrzehnten von Landsenkung und verschiedenen anderen Umweltproblemen betroffen ist. Die geschätzten Landsenkungsraten zeigen eine hohe Variabilität auf kurzen sowie großen räumlichen Skalen. Die höchsten Senkungsraten von bis zu 6 cm pro Jahr treten hauptsächlich in städtischen Gebieten auf. Es kann gezeigt werden, dass der größte Teil der Landsenkung ihren Ursprung im oberflächennahen Untergrund hat. Die präsentierte Methode zur Reduzierung von räumlich korreliertem Rauschen verbessert die Ergebnisse signifikant, wenn eine angemessene räumliche Verteilung von Referenzgebieten verfügbar ist. In diesem Fall wird das Rauschen effektiv reduziert und unabhängige Ergebnisse von zwei Interferogrammstapeln, die aus unterschiedlichen Orbits aufgenommen wurden, zeigen große Übereinstimmung. Die Integration von TPS Punkten führt für die analysierte Zeitreihe von sechs Jahren zu einer deutlich größeren Anzahl an identifizierten TPS als PS Punkten im gesamten Untersuchungsgebiet und verbessert damit das Beobachtungsnetzwerk erheblich. Ein spezieller Anwendungsfall der TPS Integration wird vorgestellt, der auf der Clusterung von TPS Punkten basiert, die innerhalb der analysierten Zeitreihe erschienen, um neue Konstruktionen systematisch zu identifizieren und ihre anfängliche Bewegungszeitreihen zu analysieren.

The Persistent Scatterer Interferometry (PSI) is a powerful technique to monitor displacements of the Earth’s surface from space. It is based on identifying and analyzing Persistent Scatterers (PSs) by applying time series analysis approaches to stacks of Synthetic Aperture Radar (SAR) acquisitions. PSs dominate the backscatter of the resolution cells they are located in and are affected by marginal decorrelation over time. Displacements of such PSs can be monitored with potential sub-millimeter accuracy if noise sources are properly minimized.

PSI has developed into an operational technology over time in certain applications. ... mehrHowever, challenging applications of the technique still exist. Physical land surface changes and changes in the acquisition geometry can cause PSs to appear or fade over time. The number of continuously coherent PSs decreases with increasing time series length, while the number of Temporary Persistent Scatterers (TPSs) increases which are only coherent during one or several separated segments of the analyzed time series. This is why it is desirable to include the analysis of such TPSs into PSI in order to develop a flexible PSI system which is able to handle dynamic land surface changes, thus enabling continuous displacement monitoring. Another main challenge is large-scale monitoring in regions with complex atmospheric conditions, leading to high uncertainty in the displacement time series at large distances to the spatial reference.

This thesis deals with modifications and extensions which were realized on the basis of an existing PSI algorithm with the purpose to develop a robust and flexible PSI approach that handles the above-mentioned challenges. The first main contribution is the proposal of a method to fully integrate TPSs into PSI. It is demonstrated in evaluation studies with real SAR data that the TPS integration indeed enables the handling of dynamic land surface changes and has increasing relevance for PSI-based observation networks with increasing time series length. The second main contribution is the presentation of a covariance-based reference integration into large-scale PSI for the estimation of spatially correlated noise in interferograms. The method is based on sampling the noise at reference pixels with known displacement time series and interpolating it at other PS locations, taking the spatial statistics of the noise into account. It is shown in a simulation and a real data study that the proposed method exhibits superior performance compared to alternative methods to remove spatially correlated noise in interferograms by integrating reference pixels.

The developed PSI approach is finally applied to subsidence monitoring in the Vietnamese Mekong Delta, which has recently been affected by subsidence and various other environmental challenges. The estimated subsidence rates feature high variability on short as well large spatial scales. Highest subsidence rates of up to 6 cm/yr are mainly found in urban cities. Furthermore, it can be shown that the largest part of the subsidence originates from shallow subsurface depths. The proposed method to reduce spatially correlated noise significantly improves the results in case that a proper spatial distribution of reference areas is available. In that case, noise is effectively reduced and independent results from two interferogram stacks agree, which were acquired from different orbits. The TPS integration leads to considerably larger number in identified TPSs than PSs across the study area for the analyzed time series of six years, thus enhances the observation network significantly. A special use case of the TPS integration is presented which bases on clustering appearing TPSs to systematically identify new constructions and analyze their initial subsidence time series.