学术成果 | 深圳大学朱传华副研究员及汪驰升教授在Nature Index期刊GRL发文:单幅InSAR干涉图快速提取高精度同震形变

近日，深圳大学朱传华副研究员（第一作者）与汪驰升教授（通讯作者）在国际权威地球科学期刊Geophysical Research Letters （GRL）上发表了题为“Holistic Retrieval of Absolute Coseismic Displacement Fields From Single Interferograms via Physics-Aware GANs”的研究论文，研究生甘佳巧和蓝祖琦分别为该论文的第二、第三作者。

GRL是美国地球物理联合会（AGU）旗下的旗舰快报期刊，也是全球公认的地球科学领域顶级期刊之一，是Nature Index（自然指数）首批收录的少数地球与环境科学类核心期刊。

论文信息：

Zhu, C., Gan, J., Lan, Z., & Wang, C.* (2026). Holistic retrieval of absolute coseismic displacement fields from single interferograms via physics-aware GANs. Geophysical Research Letters, 53, e2025GL121419.

https://doi.org/10.1029/2025GL121419

卫星雷达干涉测量（InSAR）是当前监测地震同震地表位移的核心大地测量手段，具有高空间分辨率、覆盖范围广等不可替代的优势。然而，传统InSAR数据处理流程较为繁琐，通常包括影像配准、空间滤波、多源误差校正（如地形相关误差、轨道误差、大气延迟等），以及最终的相位解缠 。这一串行流程存在的两处瓶颈，使得InSAR形变产品的生成往往滞后于数据获取数小时甚至更久，难以满足震后应急响应对“即时态势感知”的需求：

如精密轨道星历、大气模型、GNSS观测等，而这些数据的时空分辨率可能不足或在灾后无法实时获取；

断层近场高形变梯度带与低相干区域，相位解缠算法极易产生相位跳变与孤立分割，严重制约了自动化产品的可靠性，往往需要人工介入质量控制。

针对上述挑战，该研究提出了一种物理感知生成对抗网络（Physics-Aware GAN），可以实现绝对同震形变的端到端直接提取，简化了复杂的传统数据处理流程，降低了对外部数据的依赖。区别于普通的纯数据驱动模型，该模型在一个基于物理定律构建的庞大合成数据集上进行训练：

结合Okada弹性半空间位错模型生成真实物理形变。

全面模拟了大气湍流、轨道斜坡、地形相关的分层延迟以及失相干等噪声。

网络采用多尺度残差引导判别器约束，在区域尺度上消除长波长的轨道和大气误差，同时在局部精准保留近场断裂的清晰边缘。

该模型在未经任何微调的情况下，在真实世界的复杂场景中展现出良好的泛化能力和精准度：

团队利用18个处于不同构造和观测条件下的真实地震事件对模型进行了验证，与COMET-LiCSAR系统标准解缠产品的对比清晰揭示了本方法的优越性。

例如，在2019年Kiblawan地震和2021年Mw 5.6 Lethem地震等低相干场景中，该模型能够推断出空间连续的形变场，显著改善了传统产品中易出现的数据间断和碎片化问题。

以2016年Mw 6.2级Amatrice地震为例，模型反演的绝对位移场与高精度的独立GPS观测结果进行了点对点比对。结果表明，无需任何后处理去趋势，高达69.2%的验证站点结果与GPS测量值在1σ置信区间内达到了统计上的一致！

图3. 基于独立GPS观测数据的定量验证（2016年Mw 6.2 意大利Amatrice地震）

(a, c) 分别为降轨和升轨的输入干涉图。(b, d) 背景为由生成对抗网络直接反演得到的绝对视线向位移场。白色箭头表示投影至卫星视线向的GPS测量值，圆圈标记了1σ观测不确定性范围。紫色箭头代表生成对抗网络推断出的同位置位移值，与GPS 1σ一致性数量超69%。

该研究有效降低了传统InSAR地震形变监测对外部精密轨道星历和大气模型的依赖。在获取到干涉图数据后，基于GPU的单次推断时间不到0.1秒，实现了无需人工干预的地震形变全自动估算，为地震灾后的近实时态势感知提供了可行的技术路径。

本研究的源代码与合成训练数据集已在Zenodo平台开源发布：

https://doi.org/10.5281/zenodo.17982716