Ongoing climate warming and increased human activities have led to significant permafrost degradation on the Qinghai-Tibet Plateau (QTP). Mapping the distribution of active layer thickness (ALT) can provide essential information for understanding this degradation. Over the past decade, InSAR (Interferometric synthetic aperture radar) technology has been utilized to estimate ALT based on remotely-sensed surface deformation information. However, these methods are generally limited by their ability to accurate extract seasonal deformation and model subsurface water content of active layer. In this paper, an ALT inversion method considering both seasonal deformation from InSAR and smoothly multilayer soil moisture from ERA5 is proposed. Firstly, we introduce a ground seasonal deformation extraction model combining RobustSTL and InSAR, and the deformation extraction accuracy by considering the deformation characteristics of permafrost are evaluated, proving the effectiveness of RobustSTL in extracting seasonal deformation of permafrost. Then, using ERA5 soil moisture products, a smoothed multilayer soil moisture model for ALT inversion is established. Finally, integrating the seasonal deformation and multilayer soil moisture, the ALT can be estimated. The proposed model is applied to the Yellow River source region (YRSR) with Sentinel-1A images acquired from 2017 to 2021, and the ALT retrieval accuracy is validated with measured data. Experimental results show that the vertical deformation rate of the study area generally ranges from -30 mm/year to 20 mm/year, with seasonal deformation amplitude ranging from 2 mm to 30 mm. The RobustSTL method has the highest accuracy in extracting seasonal deformation of permafrost, with an RMSE (root mean square error) of 0.69 mm, and is capable of capturing the freeze-thaw characteristics of the active layer. The estimated ALT of the YRSR ranges from 49 cm to 450 cm, with an average value of 145 cm. Compared to the measured data, the proposed method has an average error of 37.5 cm, which represents a 21 % improvement in accuracy over existing methods.
受全球气候变暖影响，青藏高原冻土退化和地表失稳问题不断加剧，对基础设施的建设维护和区域社会经济发展造成阻碍。近年来，SBAS-InSAR技术已在冻土地表形变监测中得到广泛应用，但由于青藏高原部分地区存在较为严重的失相干现象，导致形变监测结果出现空间不连续性，进而无法获得全面且精细的监测结果。针对上述问题，本文提出了一种联合机器学习与SBAS-InSAR的冻土形变监测方法，选取西藏阿里门士乡为研究区域，使用2020年1月7日至2021年6月6日共43景Sentinel-1A降轨影像数据提取地表形变信息；综合多类环境因子数据生成训练集后，引入机器学习模型拟合SBAS-InSAR监测结果与环境因子之间的内在关系，从而获取研究区连续形变速率图。结果表明，联合随机森林模型与SBAS-InSAR的方法效果最优，通过该方法对冻土形变缺失区域进行插值能极大提高原有SBAS-InSAR方法的监测覆盖率，其插值结果平均误差和均方根误差分别为0.459和0.739 mm/a。
受全球气候变暖影响，青藏高原冻土退化和地表失稳问题不断加剧，对基础设施的建设维护和区域社会经济发展造成阻碍。近年来，SBAS-InSAR技术已在冻土地表形变监测中得到广泛应用，但由于青藏高原部分地区存在较为严重的失相干现象，导致形变监测结果出现空间不连续性，进而无法获得全面且精细的监测结果。针对上述问题，本文提出了一种联合机器学习与SBAS-InSAR的冻土形变监测方法，选取西藏阿里门士乡为研究区域，使用2020年1月7日至2021年6月6日共43景Sentinel-1A降轨影像数据提取地表形变信息；综合多类环境因子数据生成训练集后，引入机器学习模型拟合SBAS-InSAR监测结果与环境因子之间的内在关系，从而获取研究区连续形变速率图。结果表明，联合随机森林模型与SBAS-InSAR的方法效果最优，通过该方法对冻土形变缺失区域进行插值能极大提高原有SBAS-InSAR方法的监测覆盖率，其插值结果平均误差和均方根误差分别为0.459和0.739 mm/a。
受全球气候变暖影响，青藏高原冻土退化和地表失稳问题不断加剧，对基础设施的建设维护和区域社会经济发展造成阻碍。近年来，SBAS-InSAR技术已在冻土地表形变监测中得到广泛应用，但由于青藏高原部分地区存在较为严重的失相干现象，导致形变监测结果出现空间不连续性，进而无法获得全面且精细的监测结果。针对上述问题，本文提出了一种联合机器学习与SBAS-InSAR的冻土形变监测方法，选取西藏阿里门士乡为研究区域，使用2020年1月7日至2021年6月6日共43景Sentinel-1A降轨影像数据提取地表形变信息；综合多类环境因子数据生成训练集后，引入机器学习模型拟合SBAS-InSAR监测结果与环境因子之间的内在关系，从而获取研究区连续形变速率图。结果表明，联合随机森林模型与SBAS-InSAR的方法效果最优，通过该方法对冻土形变缺失区域进行插值能极大提高原有SBAS-InSAR方法的监测覆盖率，其插值结果平均误差和均方根误差分别为0.459和0.739 mm/a。
受全球气候变暖影响，青藏高原冻土退化和地表失稳问题不断加剧，对基础设施的建设维护和区域社会经济发展造成阻碍。近年来，SBAS-InSAR技术已在冻土地表形变监测中得到广泛应用，但由于青藏高原部分地区存在较为严重的失相干现象，导致形变监测结果出现空间不连续性，进而无法获得全面且精细的监测结果。针对上述问题，本文提出了一种联合机器学习与SBAS-InSAR的冻土形变监测方法，选取西藏阿里门士乡为研究区域，使用2020年1月7日至2021年6月6日共43景Sentinel-1A降轨影像数据提取地表形变信息；综合多类环境因子数据生成训练集后，引入机器学习模型拟合SBAS-InSAR监测结果与环境因子之间的内在关系，从而获取研究区连续形变速率图。结果表明，联合随机森林模型与SBAS-InSAR的方法效果最优，通过该方法对冻土形变缺失区域进行插值能极大提高原有SBAS-InSAR方法的监测覆盖率，其插值结果平均误差和均方根误差分别为0.459和0.739 mm/a。
受全球气候变暖影响，青藏高原冻土退化和地表失稳问题不断加剧，对基础设施的建设维护和区域社会经济发展造成阻碍。近年来，SBAS-InSAR技术已在冻土地表形变监测中得到广泛应用，但由于青藏高原部分地区存在较为严重的失相干现象，导致形变监测结果出现空间不连续性，进而无法获得全面且精细的监测结果。针对上述问题，本文提出了一种联合机器学习与SBAS-InSAR的冻土形变监测方法，选取西藏阿里门士乡为研究区域，使用2020年1月7日至2021年6月6日共43景Sentinel-1A降轨影像数据提取地表形变信息；综合多类环境因子数据生成训练集后，引入机器学习模型拟合SBAS-InSAR监测结果与环境因子之间的内在关系，从而获取研究区连续形变速率图。结果表明，联合随机森林模型与SBAS-InSAR的方法效果最优，通过该方法对冻土形变缺失区域进行插值能极大提高原有SBAS-InSAR方法的监测覆盖率，其插值结果平均误差和均方根误差分别为0.459和0.739 mm/a。
针对仅利用单轨道SAR卫星只能获取地表沿着雷达视线向(LOS)的变形，而无法准确描述多年冻土垂直向的季节性冻胀和融沉的问题，本文利用短基线干涉测量(SBAS-InSAR)技术，并联合地表二维形变解算模型和时间序列分解模型，获得了青藏廊道唐古拉山至楚玛尔河路段2020年6月—2023年6月的垂向形变时间序列及其季节性形变幅度，分析季节性形变时空分布特征及其对气候变化的响应。研究结果表明，研究区的垂向形变速率为-41～32 mm/a,东西向形变速率为-33～34 mm/a,季节性形变幅度为0～41 mm;垂向形变较大的路段集中在五道梁、北麓河、风火山、乌丽、沱沱河及通天河等地，主要以沉降为主，形变速率超过了-15 mm/a,相应地，这些区域的季节性形变也较大，形变幅度超过15 mm;不同地表覆盖类型季节性形变差异明显，高寒草甸区季节性形变幅度高于高寒荒漠与河漫滩区；地表温度和降水是影响冻土区季节性形变的主要外部因素，其造成的季节性形变时滞2～3个月。
针对仅利用单轨道SAR卫星只能获取地表沿着雷达视线向(LOS)的变形，而无法准确描述多年冻土垂直向的季节性冻胀和融沉的问题，本文利用短基线干涉测量(SBAS-InSAR)技术，并联合地表二维形变解算模型和时间序列分解模型，获得了青藏廊道唐古拉山至楚玛尔河路段2020年6月—2023年6月的垂向形变时间序列及其季节性形变幅度，分析季节性形变时空分布特征及其对气候变化的响应。研究结果表明，研究区的垂向形变速率为-41～32 mm/a,东西向形变速率为-33～34 mm/a,季节性形变幅度为0～41 mm;垂向形变较大的路段集中在五道梁、北麓河、风火山、乌丽、沱沱河及通天河等地，主要以沉降为主，形变速率超过了-15 mm/a,相应地，这些区域的季节性形变也较大，形变幅度超过15 mm;不同地表覆盖类型季节性形变差异明显，高寒草甸区季节性形变幅度高于高寒荒漠与河漫滩区；地表温度和降水是影响冻土区季节性形变的主要外部因素，其造成的季节性形变时滞2～3个月。
针对仅利用单轨道SAR卫星只能获取地表沿着雷达视线向(LOS)的变形，而无法准确描述多年冻土垂直向的季节性冻胀和融沉的问题，本文利用短基线干涉测量(SBAS-InSAR)技术，并联合地表二维形变解算模型和时间序列分解模型，获得了青藏廊道唐古拉山至楚玛尔河路段2020年6月—2023年6月的垂向形变时间序列及其季节性形变幅度，分析季节性形变时空分布特征及其对气候变化的响应。研究结果表明，研究区的垂向形变速率为-41～32 mm/a,东西向形变速率为-33～34 mm/a,季节性形变幅度为0～41 mm;垂向形变较大的路段集中在五道梁、北麓河、风火山、乌丽、沱沱河及通天河等地，主要以沉降为主，形变速率超过了-15 mm/a,相应地，这些区域的季节性形变也较大，形变幅度超过15 mm;不同地表覆盖类型季节性形变差异明显，高寒草甸区季节性形变幅度高于高寒荒漠与河漫滩区；地表温度和降水是影响冻土区季节性形变的主要外部因素，其造成的季节性形变时滞2～3个月。
针对仅利用单轨道SAR卫星只能获取地表沿着雷达视线向(LOS)的变形，而无法准确描述多年冻土垂直向的季节性冻胀和融沉的问题，本文利用短基线干涉测量(SBAS-InSAR)技术，并联合地表二维形变解算模型和时间序列分解模型，获得了青藏廊道唐古拉山至楚玛尔河路段2020年6月—2023年6月的垂向形变时间序列及其季节性形变幅度，分析季节性形变时空分布特征及其对气候变化的响应。研究结果表明，研究区的垂向形变速率为-41～32 mm/a,东西向形变速率为-33～34 mm/a,季节性形变幅度为0～41 mm;垂向形变较大的路段集中在五道梁、北麓河、风火山、乌丽、沱沱河及通天河等地，主要以沉降为主，形变速率超过了-15 mm/a,相应地，这些区域的季节性形变也较大，形变幅度超过15 mm;不同地表覆盖类型季节性形变差异明显，高寒草甸区季节性形变幅度高于高寒荒漠与河漫滩区；地表温度和降水是影响冻土区季节性形变的主要外部因素，其造成的季节性形变时滞2～3个月。