针对延安市滑坡多发的特点，因地制宜的运用多时相InSAR技术全面调查滑坡和高精度监测滑坡，以及对灾害进行动态分析来更好的防范滑坡是有必要而且非常迫切的。本文以延安市为研究区，选取覆盖研究区的18景Sentinel-1A数据，利用一种多时相InSAR技术——小基线子集（Small Baseline Subset）InSAR技术和光学影像以及DEM信息进行处理分析，提取了2017年1月到2019年11月的滑坡范围。
（2）利用多时相InSAR技术，对研究区地表的形变过程进行反演，获取滑坡区域时序形变结果，从而提取了滑坡的位置范围，结合DEM信息重点分析形变速率结果，并与光学影像图进行对比，识别到了10处疑似滑坡区域。
（3）对得到的8处潜在滑坡地点进行分析。
延安市地处陕西省北部，黄土高原的中南部地区，黄河中游，西安以北371公里。北接榆林，南接咸阳、铜川、渭南，东临黄河，西邻甘肃庆阳，与山西临汾、吕梁隔河相望。全市于东经107°41′—110°31′和北纬35°21′—37°31′之间，总面积37037平方公里。城区处于延河、汾川河二水交汇，宝塔山、凤凰山、清凉山三山鼎峙之处。
延安市行政区划图
①滑坡的诱发和黄土颗粒的成份有很大关联
②滑坡常常发生在河流交汇区和河流河谷区的两侧
④滑坡集中分布在人类工程活动密集的区域
滑坡在空间、时间分布上是有规律的。因此要精确地识别滑坡，就要结合该地区内滑坡的物质组成、时空分布及大小、构造及斜坡形态等特征分析，根据地方特点制定相应的最合理的预防滑坡的方案，给防灾减灾奠定基础。
由于计算机软件能处理的数据量有限，本文选取了延安市最具有代表性意义的典型地理位置中心城区来进行研究分析，如图所示：
研究区影像图
本文以18景sentinel-1A的数据为数据源，覆盖时间范围从2017年1月到2019年11月，覆盖了全部研究区域，成像模式为IW，极化方式为VV，每两个月选取一景影像。图为研究区域的卫星影像图。
sentinel-1A卫星影像图
在用InSAR技术来分析研究区的滑坡变化时，为了除去地形所导致的相位条纹，要用到数字高程模型数据来进行辅助。
本文下载了陕西省的NASA STRM1的30米DEM数据，选取了覆盖整个研究区的9幅图像数据，经过拼接和镶嵌后得到的DEM数据如图所示：
镶嵌后生成的标准格式DEM数据
本文的辅助数据为sentinel-1A卫星精密轨道数据。POD精密定轨星历数据(POD Precise Orbit Ephemerides) 是轨道数据中最精确的一种，可是这个数据在GNSS下行二十一天以后才能够被正常应用。精密轨道数据每一天会获取一个文件，包含26个小时。定位精度小于5mm。
在InSAR数据的处理中，轨道信息十分重要，在第一步的影像配准一直到结束时生成形变图像都发挥了很大的用处。最后在干涉图中的是以残差条纹的形式存在的，是含有误差的轨道信息造成的基线误差。因此，为了更有效去除因轨道误差引起的系统性误差，使用卫星精密轨道数据来对轨道信息进行修正。
本文下载的研究区sentinel1-A卫星数据为IW模式数据，解压后通过SARscape5.2.1软件处理后，和轨道数据一起输入。因为下载的原始影像数据所得到的区域比研究范围大很多，滑坡地区一定只是其中的一小区域，全部处理要求计算机有很大的内存空间，而且一个轨道得到的数据也会发生移动，还会耗费大量时间。所以，从所有SLC 数据中筛选出研究区所需要的，再提前做好矢量文件，对研究区域进行裁剪处理，从而迅速得到结果。得到数据导入后的结果为矢量范围内的数据，
直接导入裁剪后的18景SLC数据，将其配对成干涉像对，生成连接图配对时会自动选择效果最好的组合方式，像对输出结果是以图表的方式。自动选择超级主影像，在进行像对编辑等处理过程中可以除去相干性小的像对，其他的像对都配准到其参考影像超级主影像上。
18景影像干涉对连接图
对照像对的连接关系，对所有已经配对的像对做干涉处理，分别进行干涉图生成和去平，然后产生相干系数和自适应滤波，再做相位解缠，生成相位图。
以其中某两景影像形成的像对为例，生成的相干系数如图所示。相干系数越小，则扰动性越大。下图的a，b两幅图分别为相干性图和解缠结果图：
a.相干性图
b.解缠结果图
选取的两幅影像的干涉处理结果
相干系数图是灰度图像。越深表示相干性越低，越浅相干性越高。相位解缠图彩色图像，黄色相干性较高，蓝色较差，解缠的结果也不好。
进行SBAS 处理时，要用到控制点对所有数据对做重去平处理，GCP 的选择在这一步极其重要。选取控制点的基本的标准是：远离形变的区域，除非该点的形变速率是已知的，没有形变条纹、残余的地形条纹、相位跃变。因此本文选择了比较多的GCP，共有26个点。
本实验选取的地面控制点分布图
第一次反演是SBAS－InSAR反演的最重要的一步，先开始计算残余地形和位移速率，然后对生成的干涉图去平，再做一次相位解缠和精炼处理，重新进行第二次解缠，用来优化之前输入的干涉图，得到更好的结果。主要是剔除残余地形相位的影响，用奇异值分解法和线性模型估计高程和形变速率。
图中的a和b分别为两次反演得到的结果：
a.估算形变速率和残余相位
b.消除大气相位误差
两次反演分别得到的结果图
再对经过两次地表形变信息反演后的结果进行地理编码，地理编码的核心目的是进行坐标转换，将SAR坐标转变为地理坐标，就可以得到和参考DEM坐标一致的形变结果，然后对这个结果进行制图，得到的形变速率图如图所示，图中用颜色显示研究区不同形变速率的大小。
研究区形变速率图
分析得到的2017-2019年的年平均形变速率结果图，提取可能滑坡的位置范围，图中心形变非常明显的蓝色区域是宝塔区的中心城区，人类工程活动频繁导致的地面形变较大，除此地之外识别出了10处潜在滑坡点。通过对比谷歌影像确定了8处潜在滑坡地点，然后就可以对通过形变速率图对其影响因素进行分析。
本文通过利用SBAS-InSAR技术生成的形变速率图和光学影像图分析以上研究区内的8处滑坡点，可以发现滑坡的主要原因可以分为地质条件和人类活动，其中在近些年人类工程活动的影响是造成滑坡的主要原因。研究区位于宝塔区内，因为宝塔区是延安市的核心城区，人类工程活动很频繁，进行修建房屋和道路等工程建设时在坡脚开挖卸载或在坡顶不当堆载，都会使得本身就很疏松的黄土稳定条件恶化，斜坡下部失去支撑，越来越陡，又因为宝塔区每年平均降雨量较大，且降雨时间连续，连续冲刷和浸泡使得黄土堆积物很容易转化为泥石流，引发旧滑坡再次滑动或诱发新滑坡。因此在进行工程建设施工时对坡体进行一定的加固和防护是很有必要的，在黄土地区，降雨是滑坡的主要诱因，所以在降雨集中的6-9月，也需要做好滑坡地区人员的疏散工作。