技术领域
[0001] 本发明涉及卫星地理信息技术领域，具体涉及一种InSAR地表形变监测方法及系统。
相关背景技术
[0002] 合成孔径雷达干涉测量（InterferometricSyntheticApertureRadar,InSAR）技术，作为一种高效的遥感监测技术，能够提供高分辨率和大范围的地表形变数据，对于理解地形表面过程、灾害监测和环境评估等领域至关重要。
[0003] 尽管InSAR技术在许多方面表现出色，但在处理复杂地形（如山区、峡谷等）时仍存在一些局限性，尤其是，雷达信号的入射角变化对InSAR形变监测结果的准确性有着显著影响。入射角的变化会引起地表反射率的变化，从而影响形变信号的质量和可靠性。此外，由于地形起伏和不同地表覆盖类型的存在，入射角的不同会导致形变监测中的相位误差，影响最终形变解译的精确度。现有技术中入射角选取的较不合适导致最终对InSAR形变监测结果精确度较低。
具体实施方式
[0017] 为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种InSAR地表形变监测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
[0018] 除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
[0019] 下面结合附图具体的说明本发明所提供的一种InSAR地表形变监测方法及系统的具体方案。
[0020] 一种InSAR地表形变监测方法实施例：请参阅图1，其示出了本发明一个实施例提供的一种InSAR地表形变监测方法的步骤流程图，该方法包括以下步骤：
步骤S110，在预设时间范围内采集目标地表区域的SAR图像，包括SAR卫星升轨时对目标地表区域拍摄的第一SAR图像和SAR卫星降轨时对目标地表区域拍摄的第二SAR图像。
[0021] 具体地，第一SAR图像是SAR卫星升轨时对目标地表区域所拍摄的SAR图像，第二SAR图像是SAR卫星降轨时对目标地表区域所拍摄的SAR图像。第一SAR图像所对应的第一图像采集时刻与第二SAR图像所对应的第二图像采集时刻之间的时间差小于预设的时间阈值，例如，第一SAR图像与第二SAR图像分别是由相应的升轨卫星和降轨卫星同时采集的，以确保升轨SAR图像和降轨SAR图像的时效匹配性，能更及时且客观地反映目标地表区域的地表形变状况。同时，第一SAR图像与第二SAR图像均可被称作目标地表区域的SAR图像。
[0022] 其中，升轨拍摄是指雷达卫星在轨道上以逐渐升高的轨迹进行拍摄，雷达波束以一定的角度照射地面，随着卫星的升高，雷达波束与地面的入射角逐渐增大。降轨拍摄是指雷达卫星在轨道上以逐渐降低的轨迹进行拍摄，雷达波束以一定的角度照射地面，随着卫星的降低，雷达波束与地面的入射角逐渐减小。
[0023] 步骤S120，根据SAR图像中像素格栅的地面单元的卫星视线与地面法线方向之间的夹角，对像素格栅进行筛选获得SAR图像中的可信像素格栅。
[0024] 需说明的是，SAR图像的像素格栅是指SAR图像中每个像素所代表的地面区域单元，相应的像素格栅量可以用米/像素来进行度量。由于入射角的变化，雷达波束对地面的散射特性也会发生变化，从而导致雷达图像中出现不同的散射模式。
[0025] 图2示出了局部入射角的一示例的三维原理示意图，图中， 表示局部入射角。电磁信号的入射角、地表的坡度和坡向直接影响入射表面的后向散射大小，局部入射角 是目标表面坡度和相对于雷达照射角度的目标表面方向的函数，其为雷达电磁波的入射方向与局部地面法线之间的夹角。一个给定材料类型面向雷达照射(小局部入射角)的坡面所产生的后向散射信号比同一坡面偏离雷达照射(大局部入射角)的要强。
[0026] 对于任意一张SAR图像，将SAR图像中像素格栅的地面单元的卫星视线与地面法线方向之间的夹角作为像素格栅对应的局部入射角。将局部入射角小于预设的角度阈值对应的像素格栅作为SAR图像中的可信像素格栅。
[0027] 具体地，计算第一SAR图像中各个像素格栅所对应的第一局部入射角，计算第二SAR图像中各个像素格栅所对应的第二局部入射角，将对应第一局部入射角小于预设的角度阈值的像素格栅确定为第一可信像素格栅，将对应第二局部入射角小于角度阈值的像素格栅确定为第二可信像素格栅。
[0028] 如图3为求解局部入射角的原理示意图，图3中，Vs表示卫星视线，Vn表示地表法线，Va表示卫星视线与地表法线两矢量的合矢量，表示地表坡度角，表示目标地表区域水平面法线间的夹角。
[0029] 电磁波的入射方向由两个参数来表述：入射角和方位角，其中入射角表示卫星视线与目标区域水平面法线间的夹角，方位角表示卫星轨道方向，是以正北方为零度、按照顺时针方向在水平面的旋转角度值。
[0030] 卫星视线方向水平角表示卫星的拍摄向方位角，是以正北方为零度、按照顺时针方向在水平面的旋转角度值。它的求解需要加入卫星的侧视方式，即右视情况：；左视情况： ；其中，表示卫星视线方向水平角，
表示方位角。
[0031] 以右视情况为例，卫星右视视线方向的三分量表示为：
[0032]
[0033]
[0034] 其中， 、 和 表示卫星右视视线方向的三个分量， 表示卫星视线与目标地表区域平面之间的矢量距离，为卫星视线方向水平角。
[0035] 地表法线一般也是由两个参数来描述：地表坡度角和地表方位角，地表坡度角表示地面与水平面的夹角，地表方位角表示地表坡向在水平面的投影，是以正北方为零度、按照顺时针旋转的一个角度值。则地表法线的三分量表示为：
[0036]
[0037]
[0038] 其中， 、 和 表示地表法线的地表法线的三个分量， 表示地表法线与目标地表区域平面之间的矢量距离，为地表坡度角，为地表方位角。
[0039] 卫星视线与地表法线两矢量的合矢量的三分量表示： ， ，，其中， 、 和 表示合矢量 的三分量。
[0040] 则由卫星视线方向矢量 和地表法线矢量 以及合矢量 组成一个三角形，由余弦定理可解得局部入射角计算公式为：
[0041] 其中，为地表坡度角，其表示像素格栅所对应的地面单元与水平面的夹角。为地表方位角，表示地表坡向在水平面的投影。表示卫星视线方向与水平面法线之间的夹角。为卫星视线方向水平角，表示卫星的拍摄向方位角。
[0042] 在一些实施方式中，使用的SAR数据是Radarsat‑2降轨模式编程数据。其参数为入射角39.83°，方位角189.48°，而地表的坡度、坡向可由目标地表区域的DEM（Digital Elevation Model, 数字高程模型），经过栅格数据的空间分析而获得。进而，将坡度和坡向的数据和Radarsat‑2降轨模式拍摄参数代入局部入射角的计算公式，则可求解到局部入射角分布图。
[0043] 由于局部入射角的角度值为小数类型，数据分布非常分散，对于规律统计而言并不适合，因此，本实施例将局部入射角分布图按照每10度为一组进行重新分类，则该区域内共可分出10个角度类。
[0044] 更具体地，通过DEM来计算坡度 和坡向 的公式为：
[0045]
[0046] 式中，是高程值。此外，和 分别是高程在x轴向和y轴向的空间导数。
[0047] 研究发现在复杂地形地区中，随着局部入射角的不断增大，SAR影像相干系数呈不断降低的特点，导致SAR形变信号质量受到严重干扰。
[0048] 具体地，如图4，示出了根据本申请实施例的降轨局部入射角与后向散射系数变化率之间的关系折线图，图中横坐标为局部入射角的角度，纵坐标为后向散射系数变化率，以降轨拍摄模式下，后向散射系数的每个分类单位之间的差值为统计图的Y轴，以对应的局部入射角为X轴，则得到局部入射角与后向散射系数变化率关系图。从曲线图可以看出，SAR影像的后向散射系数与局部入射角有密切的联系，数据变化率均在40°50°左右呈现出拐点。~
[0049] 如图5，示出了根据本申请实施例的降轨CC（相关系数）变化率与LIA（局部入射角）之间的关系折线图，图中横坐标为局部入射角的角度，纵坐标为降轨相关系数变化率。以各像对之间的相干系数值的统计值为Y轴，以局部入射角分类的分类号为X轴，绘制每组的相干系数统计值与局部入射角分类之间的关系图。从曲线图组可以看出，局部入射角对于SAR影像之间的相干系数影响的规律性也比较明显，降轨模式拍摄的六组SAR数据干涉像对中，相干系数随局部入射角的变化是一致的。随着局部入射角的不断增大，相干系数呈不断降低的特点。并且都在第四组分类时出现小的波动。从曲线图可以看出，SAR影像的后向散射系数与局部入射角有密切的联系。数据变化率在40°50°左右呈现出拐点趋势。~
[0050] 需要说明的是，由于升轨SAR数据与降轨SAR数据的情况一致，在此不再赘述。
[0051] 由此可知，局部入射角能够直接影响SAR数据的质量。随着局部入射角的逐渐增大，SAR数据的质量也会逐渐的降低，而且曲线出现拐点的位置在40°50°之间。说明局部入~射角小于50°区域的数据质量较为可信，则这部分区域就称为可信区域。
[0052] 角度阈值的取值范围区间为[40°,50°]，以此来实现对SAR图像中可信像素格栅和不可信像素格栅的分类。例如，角度阈值的取值为50°时，当局部入射角小于50°时，可信度较高，对应的像素格栅为可信像素格栅。当局部入射角大于50°时数据质量比较差，结果可信度较低，这部分区域就称作不可信区域。
[0053] 以50°为阈值对降轨模式的局部入射角分布图进行重新的分类，将小于50°局部入射角区域视为可信区域。
[0054] 根据栅格量的统计，数据质量比较好的可信区域的栅格量为125846个，而数据质量较差的不可信区域的栅格量为72985个，则可信区域范围占研究区域面积的63.3%。因此降轨模式拍摄的SAR数据中后向散射系数和相干系数都比较强的可信区域并没有覆盖整个区域。
[0055] 步骤S130，将第一SAR图像和第二SAR图像中的可信像素格栅进行融合，获得目标地表区域的融合SAR图像。
[0056] 通过将升轨SAR数据和降轨SAR数据中的可信像素格栅融合，能实现融合SAR图像中具有最大范围的可信像素格栅区域分布。
[0057] 由于数据质量造成的可信度的问题，单靠一种拍摄模式（如降轨模式）实现对整个区域进行监测是难以完成的任务，因此在本实施例中，进一步融合了对升轨模式下SAR数据的可信区域进行了图像补充分析。
[0058] 升轨模式和降轨模式同时拍摄的情况下，可信区域的栅格量为194965个，占研究区域总面积的98.1%。因此，升轨模式和降轨模式联合监测能够有效的增加监测区的有效监测范围，而且使可信区域增加致98.1%，而不可信区域均为细小零星分布或者呈细长条状，因此这些均与滑坡的特征不符合，因此可以排除不可信区域内有滑坡分布的可能。从而进一步使监测的确定性达到全区域覆盖。
[0059] 通过本申请实施例，SAR影像的后向散射系数和像对间的相干系数与SAR卫星的视线方向和地表法线间夹角，即局部入射角有密切联系。随着夹角的增大，后向散射系数和像对间的相干系数的值都在减小，说明SAR数据的质量也在下降。根据后向散射系数和像对间的相干系数分别与β的关系曲线图得出可信区域的局部入射角临界角度为40°50°。其中，~在局部入射角大于这个角度的区域内，SAR数据将是不可信的，因此对于同一区域采用单一拍摄模式的SAR监测，并不能覆盖全区域。进一步地，使用同样的方法制作了Radarsat‑2升轨情况的局部入射角分布情况，采用升轨与降轨联合监测的方法，能够达到近乎全覆盖的广域地表形变监测，例如滑坡监测。
[0060] 步骤S140，将融合SAR图像输入地表形变监测模型获得目标地表区域的地表形变监测结果。
[0061] 在一些实施方式中，地表形变监测模型可以采用各种已知或潜在的人工智能模型，例如直接复用现有技术中的人工智能模型来预测地表形变风险。优选地，采用融合深度学习模型模块和物理模型模块的混合模型，能够实现更高精度的地表形变监测结果。
[0062] 具体地，如图6所示为地表形变监测模型的结构示意图，地表形变监测模型1000包含级联的深度学习模型模块1010、特征转换模块1020和弹性半空间模型模块1030。由此，地表形变监测模型1000采用混合模型设计，不仅可以有效地处理InSAR数据的复杂性，还能通过物理模型提高模型的可解释性和泛化能力。
[0063] 深度学习模型模块1010，用于从融合SAR图像中提取图像特征集，所述图像特征集包括地表纹理信息、地表相位信息和图像相干性损失信息。
[0064] 深度学习模型模块1010可以采用各种结构类型的适于处理图像输入数据的分类任务的深度学习模型，例如CNN、迁移学习模型等。在一些实施方式中，针对不同类型的图像特征，可以分别采用相应的模型进行处理。
[0065] 在本实施例中，深度学习模型模块1010采用多任务CNN，该多任务CNN包含级联的输入层、卷积层、池化层、全连接层和多任务输出层。
[0066] 具体地，所述输入层用于接收所述融合SAR图像；所述卷积层的结构为：
[0067] 其中， 表示第层卷积层的输出特征图， 和 分别表示第层卷积层的权重和偏置， 表示第 层卷积层的输出或融合SAR图像，表示卷积操作，ReLU表示激活函数。
[0068] 所述池化层的结构为：
[0069] 其中， 表示经池化操作后的特征图，MaxPool表示最大池化操作；展平所述经池化操作后的特征图： ；其中， 表示展平后的特征图。
[0070] 通过上述操作，虽然特征图的形状发生了变化，但特征图中的元素值和它们的相对顺序被保留，其保证了经过池化得到的重要特征在传递给全连接层时不会丢失信息。进而，经过展平操作，使得经过卷积层和池化层提取的特征可以被用于传统的全连接神经网络，进行分类、回归或其他类型的任务。
[0071] 所述全连接层的结构为：
[0072] 其中，表示全连接层的输出， 和 分别表示全连接层的权重和偏置，为激活函数， 表示展平后的特征图。
[0073] 所述多任务输出层的结构为：
[0074]
[0075]
[0076] 其中， 为输出的地表纹理信息， 为输出的地表相位信息， 为图像相干性损失信息；、和 分别表示对应任务的激活函数， 、 和 分别表示对应任务的模型层权重， 、 和 分别表示对应任务的模型层偏置。
[0077] 基于CNN模型中的多任务学习框架，使得模型可以同时学习和预测多种类型的地表信息。继而，通过不同的输出层，模型能够分别对地表形变、纹理特征和相干性损失进行有效的预测和分析。由此，提高了模型对InSAR数据的利用效率和综合预测能力。
[0078] 特征转换模块1020，用于根据所述地表纹理信息确定目标地表区域的地表粗糙度估计值；根据所述地表相位信息确定目标地表区域的地表升降量估计值；根据所述图像相干性损失信息确定SAR信号质量估计值；根据所述地表粗糙度估计值、地表升降量估计值和SAR信号质量估计值，确定目标地表区域对应的位移变化量。
[0079] 在一些实施方式中，针对特征转换模块1020的输入参数和输出参数，可以有针对性地设计相应的映射函数，以将深度学习模型模块1010的输出特征图转换成物理模型所需要的输入参数，以确保了深度学习模型与物理模型之间的兼容性。具体地，这些映射函数可以通过附加的训练过程来优化，以确保转换后的参数最大限度地保留深度学习模型模块提取的特征信息，并且能够有效地被物理模型使用。
[0080] 如图7所示为特征转换模块的结构示意图，特征转换模块1100包含多个初始特征转换层和综合特征转换层1120，多个初始特征转换层包括第一初始特征转换层1101、第二初始特征转换层1102和第三初始特征转换层1103。各个初始特征转换层的输入端连接至多任务CNN的输出端，并且各个初始特征转换层的输出均连接至综合特征转换层1120的输入端。
[0081] 针对地表纹理信息的第一初始特征转换层的结构为：
[0082] 其中，表示地表粗糙度估计值； 和 分别表示第一初始特征转换层的模型层权重和偏置， 为激活函数；由此，通过加权和偏置调整CNN提取的纹理特征，然后通过tanh激活函数输出一个合理范围内的粗糙度估计值，可以将输出值限制在一定范围内，能较佳地适用于粗糙度这种有界的量。
[0083] 针对所述地表相位信息的第二初始特征转换层的结构为：
[0084] 其中，表示地表升降量估计值； 和 分别表示第二初始特征转换层的模型层权重和偏置；需说明的是，由于地表升降量可能涵盖较大范围，因此采用更适宜的线性转换函数，能够直接对CNN提取的相位信息进行线性转换估计地表升降量。
[0085] 针对所述图像相干性损失信息的第三初始特征转换层的结构为：
[0086] 其中，表示SAR信号质量估计值； 和 分别表示第二初始特征转换层的模型层权重和偏置， 为激活函数，该激活函数用于将输出限制在0和1之间，将CNN提取的相干性损失信息转换为一个概率值，以直观地反映SAR信号的质量状况。
[0087] 所述综合特征转换层的结构为：
[0088] 式中，表示位移变化量； 、和 分别表示地表粗糙度、地表升降量和SAR信号质量所对应的关系权衡权重，表示针对SAR信号质量的预设调整参数。是双曲正切函数，用于引入非线性并将信号质量估计值映射到一个有界的范围内。
[0089] 弹性半空间模型模块1030，用于确定所述位移变化量的地表弹性形变指数，根据所述地表弹性形变指数判断目标地表区域是否存在地表形变风险。
[0090] 需说明的是，弹性半空间模型是一种用于模拟地表形变的数学物理模型，它假设地表是一个均匀、各向同性、线性的弹性半空间，而在受到外力作用时，地表会发生弹性形变。
[0091] 在一个示例中，弹性半空间模型模块可以采用各种通用的弹性半空间模型。在本申请实施例的另一示例，对弹性半空间模型模块结合实际的水库地质监测场景进行增强设计。
[0092] 具体地，目标地表区域为水库周边区域，所述弹性半空间模型模块的结构为：
[0093] 其中，表示地表弹性形变指数；为地表材料的泊松比，定义了地表材料横向应变和纵向应变的比例关系；为地表材料的杨氏模量，量化了材料抵抗形变的能力；表示预设距离，例如卫星雷达波束的反射点与预设的地下点源（例如，标定的地震断层）之间的距离；为所述目标地表区域所对应的积分信息； 表示地下点源引起的位移变化量， 表示水库水位变化量， 表示地下水压力变化量；表示第一地下应力变化系数，第一地下应力变化系数是根据水库水位变化信息而确定的；表示第二地下应力变化系数，第二地下应力变化系数是根据地下水压力变化信息而确定的。
[0094] 在本申请实施例中，分别对水库水位变化、地下水压力变化对地表形变的影响贡献进行积分，更全面地考虑了水库周边区域的地质和水文条件，使得地表形变的预测更加准确和可靠，有助于及时发现潜在的地质灾害风险，如滑坡或地面沉降。
[0095] 在一个示例中，如果地表弹性形变指数 过大，则可以确定存在相应的潜在的地质灾害风险。在本申请实施例的另一示例中，在利用弹性半空间模型模块的输出结果（即地表弹性形变指数）的同时，还可以综合考虑其他因素，以进一步提高针对地质灾害风险的识别结果的精确度。
[0096] 需说明的是，大气压力是指空气对地面的压力，大气压力会影响雷达波束的折射率，雷达波束在传播过程中会受到大气压力的影响而发生折射，而大气压力越高，雷达波束的折射率越大，甚至雷达波束的传播路径越弯曲。此外，空气湿度是指空气中水蒸气的含量，而水蒸气是一种强吸收介质，它会吸收雷达波束中的能量，从而导致雷达信号减弱并出现相位误差，其会影响SAR图像的几何精度和干涉测量结果的准确性。
[0097] 如图8所示为根据地表弹性形变指数识别目标地表区域的地表形变风险的流程示意图。
[0098] 步骤S1210，将第一SAR图像和第二SAR图像对应的图像采集时刻的平均值确定为目标图像采集时刻。
[0099] 步骤S1220，获取在所述目标图像采集时刻对应所述目标地表区域的空气湿度信息和大气压力信息。
[0100] 具体地，查询气象传感器的采集日志，以确定在目标图像采集时刻对应目标地表区域的空气湿度信息和大气压力信息。
[0101] 步骤S1230，基于所述空气湿度信息和所述大气压力信息校准所述地表弹性形变指数，确定目标地表形变评分。
[0102] 将空气湿度信息和大气压力信息输入至预设的校准模型，以由所述校准模型确定相应的校准参数，校准模型采用多层感知机。进而，根据校准参数对地表弹性形变指数进行校正，以确定目标地表形变评分。
[0103] 具体地，校准模型包含输入层、特征处理层、中间层和输出层。对应所述输入层的输入变量包括空气湿度 和大气压力 以及地表弹性形变指数 。基于特征处理层对湿度和压力数据进行归一化预处理， ， ，其中， 表示归一化函数， 和 是归一化后的湿度和压力。
[0104] 然后，中间层使用一个或多个隐藏层，其中包含神经元，用于捕捉湿度和压力数据与形变指数之间的复杂非线性关系：
[0105] 其中，是第个隐藏层的输出， 和 表示中间层权重和偏置，初始层 由 构成。
[0106] 进一步的，输出层输出一个校准参数 ，该参数将用于调整原始形变指数：
[0107] 其中，表示校准参数， 和 是输出层的权重和偏置，可以是sigmoid函数。
[0108] 最后，利用校准参数对地表弹性形变指数 进行校准：
[0109] 其中， 表示校准目标地表形变评分。
[0110] 步骤S1240，当所述目标地表形变评分大于预设的评分阈值时，所述目标地表区域存在地表形变风险。
[0111] 本发明实施例综合考虑待监测的目标地表区域的大气条件数据，并将其纳入形变分析中，使用多层感知机捕捉湿度、压力与地表形变之间的复杂关系，继而根据实时环境数据动态调整形变指数，实现同步大气条件的自适应调整，能进一步提高地表形变风险评估结果的可靠性和准确性。
[0112] 需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作合并，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0113] 下面对本申请提供的InSAR地表形变监测系统进行描述，下文描述的InSAR地表形变监测系统与上文描述的InSAR地表形变监测方法可相互对应参照。
[0114] 图9示出了一种InSAR地表形变监测系统的结构框图。如图9所示，InSAR地表形变监测系统1300包括获取单元1310、可信像素格栅筛选单元1320、图像融合单元1330和地表形变风险识别单元1340。
[0115] 获取单元1310，用于在预设时间范围内采集目标地表区域的SAR图像，包括SAR卫星升轨时对目标地表区域拍摄的第一SAR图像和SAR卫星降轨时对目标地表区域拍摄的第二SAR图像。
[0116] 可信像素格栅筛选单元1320，用于根据SAR图像中像素格栅的地面单元的卫星视线与地面法线方向之间的夹角，对像素格栅进行筛选获得SAR图像中的可信像素格栅。
[0117] 图像融合单元1330，用于将第一SAR图像和第二SAR图像中的可信像素格栅进行融合，获得目标地表区域的融合SAR图像。
[0118] 地表形变风险识别单元1340，用于将融合SAR图像输入地表形变监测模型获得目标地表区域的地表形变监测结果。
[0119] 在一些实施例中，本申请实施例提供一种非易失性计算机可读存储介质，所述存储介质中存储有一个或多个包括执行指令的程序，所述执行指令能够被电子设备（包括但不限于计算机，服务器，或者网络设备等）读取并执行，以用于执行本申请上述的InSAR地表形变监测方法。
[0120] 在一些实施例中，本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述的InSAR地表形变监测方法。
[0121] 在一些实施例中，本申请实施例还提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行InSAR地表形变监测方法。
[0122] 图10是本申请另一实施例提供的执行InSAR地表形变监测方法的电子设备的硬件结构示意图，如图10所示，该设备包括：一个或多个处理器1410以及存储器1420，图10中以一个处理器1410为例。
[0123] 执行InSAR地表形变监测方法的设备还可以包括：输入装置1430和输出装置1440。
[0124] 处理器1410、存储器1420、输入装置1430和输出装置1440可以通过总线或者其他方式连接，图10中以通过总线连接为例。
[0125] 存储器1420作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的InSAR地表形变监测方法对应的程序指令/模块。处理器1410通过运行存储在存储器1420中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的InSAR地表形变监测方法。
[0126] 存储器1420可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器1420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器1420可选包括相对于处理器1410远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0127] 输入装置1430可接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的信号。输出装置1440可包括显示屏等显示设备。
[0128] 所述一个或者多个模块存储在所述存储器1420中，当被所述一个或者多个处理器1410执行时，执行上述任意方法实施例中的InSAR地表形变监测方法。
[0129] 以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。
