Print deze pagina

Satellite radar interferometry: estimation of atmospheric delay

Pog 80, Shizhuo Liu, Satellite radar interferometry: estimation of atmospheric delay

Shizhuo Liu

Publications on Geodesy 80
Delft, 2013. 230 pagina's. ISBN: 978 90 6132 340 2. Alleen verkrijgbaar als pdf.


Summary

Satellite SAR Interferometry (InSAR) is frequently promoted as an active, allweather technique in comparison to optical remote sensing techniques that need solar illumination and cloud free conditions. However, the earth’s atmospheric refractivity plays an important role in delaying the radar signal, resulting in a spatio-temporal phase shift in repeat-pass InSAR measurements (i.e., interferograms). The phase shift is also referred to as an atmospheric phase screen (APS). Therefore, repeatpass InSAR is not weather independent.

For C-band and X-band interferometry APS is mainly driven by the earth’s troposphere. The difficulty of correcting APS for surface deformation monitoring largely comes from the highly dynamic behavior of water vapor located in the lower ( 2 km) troposphere. In this study we develop two methods for the APS correction and one method for the usage of APS for meteorological purposes. The first correction method is based on numerical weather models (NWM) and the second relies o In-SAR time series analysis. The method for meteorological purposes aims at retrieving water vapor spatial distributions at single SAR acquisitions from interferograms.

In the first correction method, we use the weather research and forecast (WRF) model to simulate delay at SAR acquisitions. To evaluate the simulation, we use atmosphere-only interferograms over different climatic regions varying from tropic to semi-arid. Some of the regions have strong topography variations and the others have flat terrains. We find that significant APS correction can be achieved only in mountainous regions. This is mainly the result of correcting the delay correlated with topography. However, the simulated topography dependent delay is not always reliable with a success rate of 80% (1 out of 5 cases in which the model failed).

In flat regions the correction hardly leads to APS mitigation and very often deteriorates the original interferograms. This is because the model is not able to simulate the realistic water vapor lateral distribution at fine scales (between 1 and 50 km). We also assess the feasibility of using the model to simulate stochastic properties of APS such as spatial variograms. Unfortunately, we find the model constantly underestimates the real variability of APS at all spatial scales between 1 and 50 km.

Therefore, we conclude that contemporary weather models are useful for correcting the topography dependent delay but should not be considered reliable at all times. For flat regions, the value of the models is very limited and we recommend not to use them for delay correction.

The second correction method, based on InSAR time series, utilizes least-squares collocation (LSC) and variance-covariance estimation to separate APS and ground deformation. The LSC method regards the deformation as a temporally correlated stochastic signal and models it by its temporal variance-covariance function. APS is also modeled as a stochastic signal. In time, APS is assumed uncorrelated and modeled by a diagonal variance-covariance matrix. In space, APS is correlated and modeled by a variance-covariance function from the Mátern-family. Given the stochastic modeling, the optimal separation of APS and deformation can be achieved by least-squares collocation which not only gives the best estimates in terms of their precisions but also provides the precision estimation. We implement the method for PSInSAR. The evaluation of the method is performed over different climatic regions with and without strong topography variations. We find that the method can better separate APS and ground deformation than the APS filter in conventional PSInSAR, especially when there are significant acquisition gaps in the time series and for acquisitions taken during turbulent weather. This is because the temporal variance-covariance matrix of APS incorporates the time-varying magnitude of APS disturbance to achieve the largest suppression of APS. Moreover, the stochastic modeling of deformation is capable of estimating complex deformation that is difficult to be modeled deterministically by a functional model. Therefore, we conclude that the method provides an optimal way to separate ground deformation and APS for PSInSAR in terms of the result precision and its quality assessment.

The third and last objective is InSAR based water vapor mapping for meteorological applications. The main difficulty of the mapping comes from the so-called acquisition ambiguity in which only the spatio-temporal differences of water vapour (instead of spatial distributions at one specific epoch we observe the difference between two satellite acquisitions) are observed. To resolve the ambiguity a constrained least-squares approach is used assuming APS between acquisitions are temporally uncorrelated. Moreover, to prevent phase decorrelation we form a network of interferograms with favorable temporal and geometric baselines. The network not only permits least-squares adjustment for the retrieving but also allows hypothesis testing to reject incoherent pixels (i.e., outliers) in the interferograms. The APS at the incoherent pixels can be later spatially interpolated using kriging. To evaluate the method we choose a non-urban area over southwest Australia and obtain the water vapor spatial distributions with 1 km lateral resolution during 22 ASAR acquisitions over the area. The evaluation suggests that the retrieved distributions are realistic and accurate.

In this study we have assessed the feasibility of mitigating APS for InSAR using numerical weather models. We develop a method to separate APS and surface deformation based on InSAR time series for PSInSAR. For meteorological purposes, we develop a method to retrieve water vapor spatial distributions at single SAR acquisitions. Future work should focus on improving the reliability of numerical weather simulation by incorporating high spatial resolution water vapor maps as inputs for weather analysis. InSAR water vapor products can play an important role in such aspect. In return, the improved simulation will have a higher success rate in mitigating APS for events such as earthquakes and volcano eruptions in which the time series based method is no longer applicable.


Table of contents

  • Preface … v
  • Summary … ix
  • Samenvatting (summary in Dutch )… xv
  • Nomenclature … xvii
  • Introduction … 1
  • Tropospheric delay and its effects on InSAR measurements … 7
  • Delay mitigation using numerical weather prediction (NWP) … 15
  • Least-squares collocation (LSC) method for InSAR time series … 39
  • Evaluation of the least-squares collocation method using simulated InSAR time series … 61
  • Application of the least-squares collocation method to PSInSAR … 91
  • Optimal water vapor mapping: a network approach … 157
  • Conclusions and Recommendations … 177
  1. Random process models … 185
  2. Groningen: master APS and DEM inaccuracy estimation … 187
  • Bibliography … 199
  • About the Author … 201
  • Index … 203

Samenvatting

Satelliet SAR Interferometrie (InSAR) wordt vaak neergezet als een actieve techniek werkend onder alle weersomstandigheden. Dit in vergelijking met optische remote sensing technieken die zonlicht en bewolkingsvrije omstandigheden nodig hebben. De refractiviteit van de aardse atmosfeer speelt echter een belangrijke rol in het vertragen van het radarsignaal, resulterend in een ruimtelijk-temporele faseverschuiving in InSAR metingen gebaseerd op herhaalde overkomsten (dat wil zeggen, interferogrammen). De faseverschuiving wordt ook aangeduid als een atmosferisch fasebeeld (APS). Daarom is InSAR gebaseerd op herhaalde overkomsten niet weersonafhankelijk.

Voor C-band en X-band interferometrie wordt het APS vooral veroorzaakt door de aardse troposfeer. De moeilijkheid van het corrigeren van het APS voor oppervlaktedeformatie monitoring is grotendeels afkomstig van het zeer dynamische gedrag van waterdamp in de onderste ( 2 km) troposfeer. In deze studie ontwikkelen we twee methoden voor de APS correctie en een methode voor het gebruik van APS voor meteorologische doeleinden. De eerste correctiemethode is gebaseerd op numerieke weermodellen (NWM) en de tweede berust op InSAR tijdreeksnalyse. De methode voor meteorologische doeleinden beoogt het reconstrueren van de ruimtelijke distributie van waterdamp voor individuele SAR opnamen uit interferogrammen.

Bij de eerste correctiemethode gebruiken we het Weather Research and Forcast (WRF) model om de vertraging gedurende SAR opnamen te simuleren. Om de simulatie te evalueren gebruiken we interferogrammen met uitsluitend atmosfeer in verschillende klimatologische regio’s variërend van tropisch tot semi-aride. Een deel van de regio’s hebben sterke hoogtevariaties en de anderen hebben een vlak oppervlak. We ondervinden dat significante APS correctie alleen kan worden bereikt in bergachtige gebieden. Dit is voornamelijk het gevolg van het corrigeren van de vertraging die gecorreleerd is met de topografie. De gesimuleerde topografie afhankelijke vertraging is echter niet altijd betrouwbaar met een slagingspercentage van 80% (1 van de 5 gevallen waarin het model faalde).

In vlakke gebieden leidt de correctie nauwelijks tot APS reductie en verslechteren heel vaak de oorspronkelijke interferogrammen. Dit komt omdat het model niet in staat is de realistische ruimtelijke waterdampverdeling op kleine schaal te simuleren (tussen 1 en 50 km). Ook hebben we de haalbaarheid beoordeeld van het gebruik van het model om stochastische eigenschappen van APS te simuleren, zoals ruimtelijke variogrammen. Helaas vinden we dat het model de werkelijke variabiliteit van APS voortdurend onderschat op alle ruimtelijke schalen tussen 1 en 50 km.

Daarom concluderen we dat de hedendaagse weermodellen bruikbaar zijn voor het corrigeren van de topografie afhankelijke vertraging, maar niet altijd als betrouwbaar moet worden beschouwd. Voor vlakke gebieden is de waarde van de modellen zeer beperkt en we raden aan ze niet te gebruiken voor vertragingscorrectie.

De tweede correctiemethode, gebaseerd op InSAR tijdreeksen, maakt gebruik van kleinste-kwadraten collocatie (LSC) en variantie-covariantie schatting om APS en deformatie van de ondergrond te onderscheiden. De LSC methode beschouwt de deformatie als een in tijd gecorreleerd stochastisch signaal en modelleert dat door zijn temporele variantie-covariantie functie. Het APS wordt ook gemodelleerd als een stochastisch signaal. APS worden ongecorreleerd in tijd verondersteld en gemodelleerd door een diagonale variantie-covariantie matrix. In ruimte is een APS gecorreleerd en wordt gemodelleerd door een variantie-covariantie functie uit de Mternfamilie. Gebaseerd op de stochastische modellering kan het optimale onderscheid tussen APS en deformatie worden bereikt door kleinste-kwadraten collocatie, dat niet alleen de beste schattingen geeft in termen van precisie, maar ook de schatting van de precisie zelf. We hebben de methode voor PSInSAR geïmplementeerd. De evaluatie van de methode is uitgevoerd voor verschillende klimatologische gebieden met en zonder sterke topografische variaties. We vinden dat de methode APS en deformatie beter kan onderscheiden vergeleken met het APS-filter in conventionele PSInSAR, vooral wanneer er significante onderbrekingen zitten in de opname tijdreeksen en voor opnamen gedurende turbulent weer. Dit komt doordat de temporele variantie-covariantie matrix van APS de in tijd variërende sterkten van APS verstoring bevat, om zodoende de sterkste onderdrukking van APS te bereiken. Bovendien is de stochastische modellering van deformatie in staat om complexe deformaties te schatten, die moeilijk te deterministisch te modeleren zijn door een functioneel model. Daarom concluderen we dat de methode zorgt voor een optimale manier om deformatie en APS te onderscheiden in PSInSAR, zowel in termen van de precisie van het resultaat als de kwaliteitsbeschrijving.

De derde en laatste doelstelling is het op InSAR gebaseerd in kaart brengen van waterdamp voor meteorologische toepassingen. De grootste moeilijkheid voor het in kaart brengen wordt veroorzaakt door de zogenaamde opname meerduidigheid waarmee de ruimtelijk-temporele variaties in waterdamp worden waargenomen (in plaats van ruimtelijke verdelingen op een specifiek epoch worden verschillen tussen
twee satellietopnamen geobserveerd). Om de meerduidigheid op te lossen wordt een geconditioneerde kleinste-kwadraten methode toegepast, waarbij aangenomen wordt dat de APS van verschillende opnamen ongecorreleerd zijn in tijd. Bovendien vormen we een netwerk van interferogrammen met gunstige temporele en geometrische basislijnen, ter voorkoming van fase decorrelatie. Het netwerk staat niet alleen een kleinste-kwadraten vereffening voor het oplossen toe, maar maakt het ook mogelijk hypothese testen uit te voeren om incoherente pixels (dat wil zeggen, blunders) in de interferogrammen te verwerpen. De APS waarde voor de incoherente pixels kan later ruimtelijk geïnterpoleerd worden met behulp van kriging. Om de methode te evalueren kiezen we een niet-stedelijk gebied in zuidwest Australië en verkrijgen we de ruimtelijke verdeling van waterdamp met 1 km ruimtelijke resolutie gedurende 22 ASAR opnamen van het gebied. De evaluatie suggereert dat de gevonden verdelingen realistisch en nauwkeurig zijn.

In deze studie hebben we de haalbaarheid onderzocht van het reduceren van APS voor InSAR met behulp van numerieke weermodellen. We ontwikkelen een methode om APS en deformatie van het oppervlak te onderscheiden op basis van InSAR tijdreeksen voor PSInSAR. Voor meteorologische doeleinden ontwikkelen we een methode om ruimtelijke verdelingen van waterdamp te bepalen voor individuele SAR acquisities. Toekomstige werkzaamheden moeten worden toegespitst op het verbeteren van de betrouwbaarheid van numerieke weer simulatie door het toevoegen van een ruimtelijk hoge resolutie waterdampkaarten als invoer voor weeranalyse. InSAR waterdamp producten kunnen in die zin een belangrijke rol spelen. In ruil daarvoor zal de verbeterde simulatie een hoger slagingspercentage hebben in het reduceren van APS voor gebeurtenissen zoals aardbevingen en vulkaanuitbarstingen, waarvoor de tijdreeks gebaseerde methode niet meer toepasbaar is.