InSAR技術(shù)已成為地殼形變監(jiān)測與地震研究的重要手段。當前，全球InSAR數(shù)據(jù)規(guī)模呈指數(shù)式增長，形成了前所未有的形變信息“大數(shù)據(jù)”資源，其中蘊含著大量斷層相關(guān)形變信號，其中不乏弱信號、低信噪比或非典型形變特征。傳統(tǒng)依賴人工判讀與半自動處理的分析范式，難以適應(yīng)InSAR數(shù)據(jù)規(guī)模和研究需求的快速增長，系統(tǒng)化、智能化的構(gòu)造形變信息挖掘方法體系亟待建立。
中國地震局地質(zhì)研究所單新建研究員團隊圍繞全球同震InSAR數(shù)據(jù)構(gòu)建與智能識別技術(shù)開展系統(tǒng)研究，在深度學習樣本數(shù)據(jù)集建設(shè)和斷層相關(guān)形變自動識別方面取得進展。
研究團隊依托COMET-LiCSAR平臺處理的Sentinel-1數(shù)據(jù)，構(gòu)建了全球同震InSAR深度學習訓練樣本數(shù)據(jù)集。該數(shù)據(jù)集涵蓋2015年10月1日至2024年12月31日期間全球62次中大型地震的343景原始同震干涉圖，經(jīng)過系統(tǒng)預(yù)處理與人工精細標注，形成14000個同震InSAR形變樣本（圖1），為基于InSAR數(shù)據(jù)的深度學習模型訓練提供了高質(zhì)量基礎(chǔ)數(shù)據(jù)支撐。
圖1.全球同震InSAR深度學習訓練樣本數(shù)據(jù)集數(shù)據(jù)分布統(tǒng)計
基于此數(shù)據(jù)集，團隊開發(fā)了基于遷移學習的斷層相關(guān)形變自動識別模型。模型以SarNet為骨干網(wǎng)絡(luò)，將在海量合成干涉圖上預(yù)訓練獲得的形變判別能力遷移至真實觀測數(shù)據(jù)，實現(xiàn)跨數(shù)據(jù)域應(yīng)用。在InSAR驗證集上的識別精度達到92.22%。模型在青藏高原以及2023年土耳其雙震區(qū)域的應(yīng)用結(jié)果表明，該方法能夠從海量干涉圖中自動識別原本需要人工逐幅篩查才能發(fā)現(xiàn)的斷層滑移信號，顯著提升了斷層形變信息挖掘效率（圖2）。該成果展示了面向全球多源InSAR數(shù)據(jù)開展系統(tǒng)性自動篩查的技術(shù)潛力，具備跨任務(wù)、跨區(qū)域和跨數(shù)據(jù)源的良好可移植性。
圖2 模型應(yīng)用至小地震和非震蠕變：青藏高原周邊低信噪比案例及Kahramanmara?地震的觸發(fā)事件
上述研究成果發(fā)表于IEEE Transactions on Geoscience and Remote Sensing，數(shù)據(jù)集發(fā)布于國家地震科學數(shù)據(jù)中心，研究得到國家自然科學基金（U2139202）、中國地震局地質(zhì)研究所基本科研業(yè)務(wù)專項（IGCEA2433）以及地震動力學與預(yù)測國家重點實驗室開放基金（LED2023A06）項目支持。
Liu, X., Zhang, Y.* , Biggs, J., Wang, Z., & Shan, X. (2026). Identifying Fault-Related Deformation in Large InSAR Datasets Using Transfer Learning. IEEE Transactions on Geoscience and Remote Sensing, 64, 5203512. https://doi.org/10.1109/TGRS.2026.3660317
張迎峰、劉旭等.全球同震InSAR深度學習訓練樣本數(shù)據(jù)集：基于2015-2024年Sentinel-1數(shù)據(jù)[EB/OL]. DOI:10.12080/nedc.gc_ddxb.ds00002.2025
京公網(wǎng)安備 11010502042766號
