1. На главную
  2. Электронные версии
  3. Исследование Земли из Космоса
  4. № 5, 2021

Исследование Земли из Космоса, 2021, № 5, стр. 3-14

Методы радарной интерферометрии и обработки оптических спутниковых изображений для исследования негативных воздействий на окружающую среду (на примере Байкальского ЦБК)

В. Г. Бондур a, *, Т. Н. Чимитдоржиев a, b, А. В. Дмитриев b, П. Н. Дагуров b

a Научно-исследовательский институт аэрокосмического мониторинга “АЭРОКОСМОС”
Москва, Россия

b Институт физического материаловедения СО РАН
Улан-Удэ, Россия

* E-mail: vgbondur@aerocosmos.info

Поступила в редакцию 16.02.2021

Полный текст (PDF)

Аннотация

Приведены результаты исследования состояния территории и районов размещения хранилищ отходов Байкальского ЦБК с использованием радарных и оптических спутниковых данных. С применением метода дифференциальной радарной интерферометрии к спутниковым данным радара L-диапазона ALOS-2 PALSAR-2 продемонстрирована возможность анализа деформаций земной поверхности в районе хранилищ отходов. На основании применения метода мультивременных интерферометрических измерений SBAS к данным спутникового радара С-диапазона Sentinel-1B выявлено наличие на исследуемой территории двух блоков, из которых один испытывает поднятие, а другой опускание. Разность деформаций за период с 2017 по 2020 гг. достигла 17–19 мм. Установлена существенная корреляция в определении обводненности отходов между радарными измерениями интенсивности обратного рассеяния (спутник Sentinel-1B) и оптическими данными (спутники Sentinel-2A/B), использующими водный индекс NDWI.

Ключевые слова: метод радарной интерферометрии, спутниковые данные

ВВЕДЕНИЕ

Природные катастрофы и техногенные аварии оказывают значительное негативное воздействие на жизнедеятельность человека и окружающую среду. Для предупреждения и снижения последствий опасных процессов и явлений эффективно использование методов дистанционного зондирования из космоса. Спутниковые данные используются, например, для мониторинга тайфунов (Бондур и др., 2008), оползневых процессов (Бондур и др., 2019), выявления предвестников землетрясений путем регистрации изменений систем линеаментов (Бондур, Зверев, 2005; Бондур В.Г., Гапонова Е.В., 2021), выявления аномалий ионосферных параметров по сигналам спутниковых навигационных систем (Бондур, Смирнов, 2005; Бондур и др., 2007), анализа динамики блоково-разломных структур методами спутниковой радиоинтерферометрии (Бондур и др., 2021) и др. При этом эффективность спутниковых методов для мониторинга сейсмоопасных территорий повышается при их комплексировании с методами, основанными на применении геомеханических моделей (Бондур и др., 2010, 2016) или методов сейсмической энтропии (Акопян и др., 2017).

Спутниковые изображения необходимы, как источники оперативных данных для предупреждения, оценки и смягчения последствий опасных процессов. Космические оптические изображения обеспечивают получение высокого пространственного разрешения и визуальную наглядность при мониторинге изменений земного покрова. Другим эффективным методом для решения задач мониторинга опасных процессов являются спутниковые радиолокационные методы (Бондур и др., 2019, 2021; Chimitdorzhiev et al., 2016; Dagurov et al., 2020; Ge et al., 2020; Tay et al., 2020). Вследствие своей независимости от погоды и освещенности земной поверхности они в ряде случаев являются незаменимым способом дистанционного зондирования.

Следует отметить, что опасные природные явления, такие, например, как землетрясения, наводнения, оползни, сели и др., могут являться причиной техногенных аварий. Особую опасность для окружающей среды представляют крупные промышленные предприятия с резервуарами-хранилищами топлива или токсичных отходов, которые расположены в сейсмически активных областях. Однако число исследований, результаты которых предупреждают о возможности экологических аварий на крупных объектах инфраструктуры и предназначены для мониторинга состояния и негативных изменений объектов с целью предотвращения чрезвычайных ситуаций (D’Aranno et al., 2021; Liu et al., 2015; Milillo et al., 2018; Sousa et al., 2013), до сих пор невелико.

В настоящей работе исследуется возможность спутникового мониторинга состояния поверхности промышленной площадки и промышленных отходов, накопленных за время работы Байкальского целлюлозно-бумажного комбината (БЦБК) (Иркутская область, Россия) с помощью использования радарных и оптических данных. Для этого были использованы методы радарной интерферометрии и метод совместного анализа амплитудных изображений в радио и оптическом диапазонах с помощью сервиса Google Earth Engine.

Целью работы является разработка технологии анализа состояния и деформаций поверхности в месте расположения распределенной инфраструктуры крупного промышленного объекта, который является потенциальным источником негативных изменений окружающей среды, на основе совместного применения методов радиолокационной интерферометрии и результатов анализа больших объемов оптико-микроволновых данных на облачной платформе Google Earth Engine. Исследование выполнено на примере БЦБК, который выбран в качестве объекта исследования, поскольку он находится в сейсмически опасной области, а отходы, накопленные за период деятельности комбината, представляют потенциальный источник негативных изменений окружающей среды и несут угрозу оз. Байкал – участку Всемирного природного наследия ЮНЕСКО.

ОБЪЕКТ ИССЛЕДОВАНИЯ И ИСПОЛЬЗУЕМЫЕ ДАННЫЕ

Байкальский целлюлозно-бумажный комбинат расположен на юго-западном побережье оз. Байкал. Он был введен в эксплуатацию в 1966 г. и прекратил свою деятельность в 2013 г. В так называемых картах-накопителях БЦБК, расположенных на берегу озера, за годы работы комбината накопилось порядка 6.5 млн т твердых и жидких отходов. Основной объем составляет шлам-лигнин. Отходы расположены в 14 картах-накопителях Солзанского и Бабхинского полигонов, общей площадью 180 га, а также в 6 бассейнах-отстойниках очистных сооружений. Карта-схема исследуемой территории показана на рис. 1 (https://docplayer.ru/43237855-Sostav-proekta-toma-naimenovanie-ispolnitel-1-razdel-ocenka-vozdeystviya-na-okruzhayushchuyu-sredu-ooo-pela.html). Отходы, хранящиеся в картах-накопителях, имеют различный морфологический и физико-химический состав. Формирование и анализ состава отходов в картах-накопителях и предлагаемые мероприятия по утилизации отходов приведены в работах (Богданов и др., 2017; Лапердин, 2018; Объект, 2021; Чебыкин и др., 2018). Хранилища отходов представляют большую потенциальную опасность для оз. Байкал. В работе (Лапердин, 2018) на основе многолетних наблюдений и полевых исследований указывается на возможность развития катастрофы. Угроза катастрофического загрязнения Байкала может возникнуть в случаях переполнения карт-накопителей отходов БЦБК в результате наводнений и селей и опускания Утуликско-Солзанской депрессии и погружения высокотоксичного материала в озеро при сильном землетрясении. Вероятность землетрясений обусловлена расположением рассматриваемой территории в сейсмически активной области (Бондур В.Г., Гапонова Е.В., 2021; Бондур и др., 2021).

Рис. 1.

Схема размещения отходов производства Байкальского ЦБК.

Для обработки и анализа использовались радарные и оптические спутниковые изображения. Радарные изображения были получены в L- и C-диапазонах. В L-диапазоне использовались данные, полученные радаром ALOS PALSAR, а в С-диапазоне радаром Sentinel-1B. Радарные амплитудные (некогерентные) данные Sentinel-1B в С-диапазоне и оптические данные сенсора Sentinel-2 были получены на платформе облачных вычислений Google Earth Engine. Данный сервис в последние годы получает широкое распространение в практике исследований по дистанционному зондированию (Amani et al., 2020; DeVriesa et al., 2020; Gorelick et al., 2017), обеспечивая обработку больших объемов данных.

Интерферометрическая обработка радарных когерентных данных ALOS PALSAR и Sentinel-1B проводилась с помощью программного пакета SARscape.

ИССЛЕДОВАНИЕ ДЕФОРМАЦИЙ ЗЕМНОЙ ПОВЕРХНОСТИ МЕТОДАМИ РАДИОЛОКАЦИОННОЙ ИНТЕРФЕРОМЕТРИИ

Выбор метода проведения исследований

Спутниковая радарная интерферометрия (InSAR) является эффективным методом дистанционного зондирования, позволяющим определять деформации объектов и выявлять подвижки земной поверхности с субсантиметровой точностью. Радиоинтерферометрия используется для оценки косейсмических подвижек геологических структур (Бондур и др., 2019, 2021; Grandin et al., 2017; Huang et al., 2019; Ji et al., 2020), деформаций территорий в районах интенсивной подземной добычи полезных ископаемых и водных ресурсов (Cigna, Tapete, 2021; Pawluszek-Filipiak et al., 2020), сезонной динамики обводненных грунтов (Chi-mitdorzhiev et al., 2016), оценки водного эквивалента снега (Dagurov et al., 2020) и т.д.

Мониторинг деформаций земной поверхности методами радарной интерферометрии предполагает регулярную съемку объектов исследования, которая в настоящее время для большей части территории России может быть реализована с использованием данных, полученных с помощью радара С-диапазона (длина волны 5.6 см) спутников Sentinel-1A/B.

При этом следует отметить, что в областях с лесным покровом когерентность мала и это затрудняет получение непрерывных площадных интерферограмм (Бондур и др., 2021). Несколько лучшую интерферометрическую временную когерентность позволяют получить радиолокационные данные спутников ALOS-1/2 PALSAR-1/2 (L-диапазон, длина волны 23.5 см). Большая проникающая способность радиолокационного эхо-сигнала L-диапазона под лесной полог позволяет выполнить оценки смещений для лесистой местности (Бондур и др., 2021).

Классическая дифференциальная радарная интерферометрия (ДРИ – DInSAR) основана на измерениях разности расстояний от спутника до земной поверхности с близких точек двух орбит последовательных пролетов спутникового радара (Gabriel et al., 1989). Основное ограничение метода DInSAR – отсутствие когерентности радиолокационных эхо-сигналов, полученных при зондировании со значительно разнесенных орбит (пространственная декорреляция), или в случае значительных изменений за время между съемками (временная декорреляция).

Развитием метода DInSAR являются метод постоянных рассеивателей (Ferretti et al., 2001) и метод малых базовых линий (Berardino et al., 2002), именуемые в зарубежной литературе MT-InSAR (от англ. Multi Time), основанныe на анализе многовременных последовательных серий изображений. Метод постоянных рассеивателей (англ. Persistent Scatterers, PS) позволяет рассчитать поведение во времени точечных постоянных рассеивателей с достаточно сильным и устойчивым во времени отраженным сигналом. Для этих дискретных рассеивателей рассчитывается множество интерферометрических фазовых соотношений относительно одного опорного изображения, которые позволяют оценить величину и скорость деформаций на определенных временных отрезках. Подход на основе малых базовых линий (англ. Small Baseline Subset, SBAS) предполагает использование серий данных с малыми пространственными интерферометрическими (менее порогового значения) базовыми линиями, в моменты съемок, и малыми временными промежутками между съемками. Динамика процесса для протяженных объектов (множества элементов разрешения) может оцениваться с минимальной декорреляцией.

Использование временных серий радарных данных для создания множества последовательных фазовых соотношений позволяет более точно (по сравнению с DInSAR) оценить величину деформаций, дискретно расположенных постоянных рассеивателей (в случае PS) или небольших площадных структур (SBAS). Обработка и анализ десятков интерферограмм позволяет существенно уменьшить влияние атмосферы, неточностей опорной цифровой модели рельефа (ЦМР) и орбитальных ошибок.

Результаты исследований радиоинтерометрическими методами и их анализ

В работе (Бондур и др., 2021) с использованием радиоинтерферометрического метода на основе данных спутникового радара ALOS PALSAR, систематизированных за период времени 2006–2011 гг., были измерены сдвиги земной поверхности в районе БЦБК (см. рис. 2) до и после наиболее сильного за современную историю наблюдений в этом районе Култукского землетрясения, состоявшегося 27 августа 2008 г. (магнитуда M = 6.3). В прибрежной части оз. Байкал были выявлены подвижные блоки – две своеобразные террасы в районе п. Утулик и г. Байкальск с промзоной БЦБК, граница между которыми проходит восточнее Бабхинского полигона по р. Бабха (см. рис. 1).

Рис. 2.

Динамика блоков в 2006–2011 гг.

Как видно из рис. 2, перед рассматриваемым Култукским сейсмическим событием с магнитудой M = 6.3 (обозначено стрелкой) наблюдался общий подъем блоков с разной скоростью. При этом различие величин деформаций перед землетрясением достигало примерно 12 мм. После Култукского землетрясения наблюдалась относительная стабильность блока “Байкальск” и опускание блока “Утулик”.

Рассмотрим динамику выявленных блоков за период времени с 2017 по 2020 гг. по результатам применения методов MT-InSAR в С-диапазоне и DInSAR в L-диапазоне. Анализ, проведенный с помощью метода PS интерферометрии показал недостаточную для корректной обработки плотность постоянных рассеивателей. Применение метода SBAS интерферометрии дало возможность выполнить анализ распределенных рассеивателей. Для исключения влияния сезонных деформаций мерзло-талых почв (Chimitdorzhiev, 2016) и влияния снежного покрова (Dagurov et al., 2020) на интерферометрическую фазу были использованы радиолокационные данные Sentinel-1B для бесснежных сезонов за период 11.06.2017 по 29.10.2020 гг. (всего 42 изображения на согласованной вертикальной поляризации). В качестве опорной цифровой модели рельефа (ЦМР) исследуемой территории для расчета методом SBAS интерферометрии использовалась ЦМР, построенная по данным спутникового радара TerraSAR-X/TanDEM-X за 28 октября 2016 г.

Результаты обработки данных Sentinel-1B методом SBAS интерферометрии, приведенные на рис. 3, демонстрируют наличие блоковой структуры на исследуемой территории. На рис. 3 показано расположение кластеров SBAS (а) и представлен временной ход деформаций земной поверхности в районе населенных пунктов Байкальск и Утулик и в районe Солзанского полигона отходов производства БЦБК (б). Из анализа приведенных временных серий усредненных деформаций блоков следует, что условный блок “Байкальск–Утулик” опускается относительно положения 11 июня 2017 г., а условный блок “Солзанский полигон” поднимается. При этом различие между значениями подвижек блоков в октябре 2020 г. составило около 20 мм.

Рис. 3.

Расположение кластеров SBAS (а) и временные серии усредненных деформаций блоков (б).

Указанная величина смещений превышает значение 12 мм (см. рис. 2), после которого произошло сейсмособытие в 2008 г. Однако эта величина была измерена на двухлетнем интервале (2006–2008 гг.), в то время как на рис. 3 представлены результаты за трехлетний период. В целом, можно предположить, что происходит возрастание напряженного состояния блоковой структуры в непосредственной близости к хранилищу токсичных отходов.

Применение методов MT-InSAR к временным рядам данных Sentinel-1B для анализа деформаций поверхностей карт-накопителей показало, что на этих поверхностях отсутствуют точечные и распределенные когерентные рассеиватели, необходимые для использования методов PS и SBAS. Поэтому для анализа был использован метод DInSAR для радарных изображений, полученных с борта спутников ALOS-2 PALSAR-2 на согласованной горизонтальной поляризации (передача и прием на горизонтальной поляризации) с малыми пространственными базами. В табл. 1 приведены использованные интерферометрические пары.

Таблица 1.  

Анализ интерферограмм, полученных из интерферомерических пар

Изображение 1 Изображение 2 Пространственная
база, B (м) 		Временная база,
сутки
03.10.2015 г. 01.10.2016 г. 101 364
01.10.2016 г. 30.09.2017 г. 48 364
30.09.2017 г. 01.09.2018 г. 135 336
01.09.2018 г. 20.07.2019 г. 247 322
20.07.2019 г. 12.09.2020 г. 59 420

На рис. 4 для примера представлены интерферограммы – изображения интерферометрической фазы земной поверхности в районе г. Байкальск с цветовой шкалой в радианах; синим цветом показаны реки и оз. Байкал, красной стрелкой указано местоположение Бабхинского полигона, синей стрелкой – Солзанского полигона.

Рис. 4.

Интерферограммы земной поверхности в районе г. Байкальск: а – интерферометрическая пара 01.09.2018–20.07.2019 гг., б – интерферометрическая пара 20.07.2019–12.09.2020 гг.

При анализе подвижек поверхности особый интерес представляют сдвиги фаз относительно первой даты съемки в районе карт-накопителей. Уменьшение интерферометрической фазы свидетельствует об уменьшении расстояния от точки измерения до радара, т.е. поверхность поднимается и, наоборот, увеличение фазы соответствует опусканию поверхности. Неоднозначность 2π для оценки деформаций соответствует величине 12 см.

Анализ интерферограмм, полученных из интерферомерических пар (табл. 1), показывает, что поверхность карт-накопителей 12 Бабхинского полигона опустилась за период 30.09.2017–01.09.2018 гг. на 5 см. За период с 20.07.2019 по 12.09.2020 гг. отмечено поднятие на 3 см, а за двухлетний период 01.09.2018–12.09.2020 гг. наблюдается поднятие примерно на 4 см. Таким образом, суммарная деформация поверхности Бабхинского полигона составила 1 см. Для части 2, 3, и 4-й карт-накопителей Солзанского полигона на годичном интервале (2018–2019 гг.) отмечается опускание поверхности до 7 см. Отмечена стабильность поверхности карт-накопителей № 6 и 7 на годичном интервале (с 20.07.2019 по 12.09.2020 гг. (поднятие поверхности было менее 1 см). Однако данные карт-накопителей № 6 и 7 Солзанского полигона и участки SBAS интерферометрии в районе Солзана (темно-синий цвет на рис. 3) расположены на одном блоке, поэтому следует учитывать суммарную величину.

В целом, результаты DInSAR по данным ALOS-2 PALSAR-2 показали, что диапазон деформаций поверхности Бабхинского полигона отходов не превышает 5 см, а деформации поверхности Солзанского полигона – 7 см.

МОНИТОРИНГ КАРТ-НАКОПИТЕЛЕЙ ПРИ ПОМОЩИ РАДАРНЫХ И ОПТИЧЕСКИХ ДАННЫХ ОБЛАЧНОЙ ПЛАТФОРМЫ GOOGLE EARTH ENGINE

В этом разделе приведем результаты, полученные из временных рядов усредненной интенсивности (амплитуды) обратного радарного рассеяния, на основании данных спутника Sentinel-1В. Эти результаты получены с использованием ресурсов облачной платформы Google Earth Engine. В левой части рис. 5 представлены величины суммарного обратного радиолокационного рассеяния (span) для согласованной и кросс-поляризации, выраженной в децибелах ${\text{span}} = 10\lg \left( {\left\langle {{{{\left| {{{S}_{{VH}}}} \right|}}^{2}}} \right\rangle + \left\langle {{{{\left| {{{S}_{{VV}}}} \right|}}^{2}}} \right\rangle } \right)$. Данные получены усреднением временных рядов за бесснежные периоды с 2016 по 2020 гг. (с начала мая по конец октября). Всего было использовано 55 изображений Sentinel-1B.

Рис. 5.

Радарные изображения, полученные со спутника Sentinel-1B (слева), и карты NDWI, полученные по оптическим данным спутника Sentinel-2А/В (справа) за 2016–2020 гг.

В правой части рис. 5 приведены карты распределений усредненного водного индекса NDWI (McFeeters S.K., 1996), характеризующего наличие воды. Водный индекс NDWI был рассчитан по каналам B3 (зеленый, 559 нм) и B8A (ближний инфракрасный, 864 нм) оптических изображений, полученных с борта спутников Sentinel-2A/B для бесснежных периодов времени 2016–2020 гг. Всего было использовано 82 оптических снимка. Изображения расположены попарно по годам.

Синим цветом на радарных изображениях отображаются водные поверхности. Для удобства цветовая палитра на изображениях NDWI выбрана так, чтобы участки, покрытые водой, имели сходные с радиолокационными оттенки цвета. Анализ рис. 5 показывает, что отмечается значительная попарная схожесть данных, полученных на основе радарных и оптических спутниковых изображений.

Для исследования состояния хранилищ отходов рассмотрим 5, 6 и 7 карты-накопители Солзанского полигона отходов (см. рис. 1), которые согласно рис. 5 характеризуются различным водным режимом. Для тестовых участков в виде окружностей радиусом 40 м (площадью 0.5 Га), указанных на рис. 6, а красным, зеленым и синим цветами были построены графики (рис. 6, б) изменения величины обратного радарного рассеяния в период времени без снежного покрова и отсутствия сезонного пучения обводненных грунтов. Цвета на графике соответствуют цветам тестовых участков на рис. 6, б. Черным цветом для сравнения представлены данные для интенсивности радарного обратного рассеяния от водной поверхности оз. Байкал. Измерения выполнены на согласованной вертикальной поляризации.

Рис. 6.

Расположение тестовых участков на 5, 6 и 7 картах-накопителях отходов (а) и временные ряды коэффициента обратного радиолокационного рассеяния (б).

Анализ результатов, приведенных на рис. 5 и на рис. 6, б, показывает, что тестовые участки и значительная часть 5 и 6 хранилища существенно не изменяли состояние водности. По графику можно полагать о существенной обводненности поверхности карты 7 (синий цвет), что согласуется с данными рис. 5. Для этого хранилища дополнительно выбраны другие точки, которые судя по данным рис. 5 расположены на водной и осушенной частях хранилища (соответственно фиолетовый и оранжевый цвета на рис. 6, в). Соответствующие временные ряды представлены на рис. 6, г, цвета на котором соответствуют цветам тестовых участков на рис. 6, в. Черным цветом для сравнения показаны данные для поверхности оз. Байкал.

Анализ мультивременных данных, полученных с использованием данных облачной платформы Google Earth Engine и характеризующих состояние обводненности карт-накопителей, показывает достаточно стабильный режим обводненности на 5 и 6 картах-накопителях Солзанского полигона (см. тренды зеленого и красного цвета на рис. 6, б).

Однако на 7-м хранилище отходов БЦБК, которое расположено выше других по рельефу, отмечается увеличение обводненности (см. тренды синего цвета на рис. 6, б и фиолетового и оранжевого цвета на рис. 6, г). Последнее может быть связано с поступлением воды или жидких отходов извне.

ЗАКЛЮЧЕНИЕ

С использованием комплексного подхода к дистанционному зондированию территории Байкальского целлюлозно-бумажного комбината проанализированы участки территории с хранилищами отходов на основе методов классической дифференциальной интерферометрии и мультивременных серий радарных изображений, а также радарных и оптических изображений, представленных на облачной платформе Google Earth Engine.

В результате применения интерферометрического метода SBAS и анализа временных рядов данных спутникового радара Sentinel-1В обнаружены два подвижных блока с границей между промзоной БЦБК и Солзанским полигоном отходов, причем один из блоков испытывает подъем, а другой опускается. За период с июня 2017 г. по октябрь 2020 г. разность деформаций достигла 17–19 мм, что может свидетельствовать о возрастании напряженно деформированного состояния на данном участке Байкальского рифта.

С помощью дифференциальной радарной интерферометрии DInSAR с использованием данных спутникового радара ALOS-2 PALSAR-2 выделены фрагменты осушенных (не покрытых надшламовыми водами) карт-накопителей с разнонаправленными деформациями поверхности (опускание/поднятие) в среднем порядка 2–3 см и максимальными величинами около 7 см в 2017–2020 гг. относительно окружающей территории.

В результате анализа мультивременных радарных данных Sentinel-1В и оптических данных спутника Sentinel-2, представленных на облачной платформе Google Earth Engine, выявлено увеличение поверхности, покрытой надшламовой водой, для случая 7-й карты-накопителя.

Полученные результаты свидетельствуют о перспективности комплексирования радарных и оптических данных для анализа состояния хранилищ отходов.

Радиолокационные данные ALOS-1/2 PALSAR-1/2 получены в рамках международного сотрудничества по проекту японского аэрокосмического агентства JAXA (PI 3402). Данные спутниковой радиолокационной интерферометрической системы TerraSAR-X/TanDEM-X предоставлены немецким аэрокосмическим центром DLR в рамках проекта XTI_HYDR0485 “The study of cryogenic processes in Siberia by interferometry TanDEM-X”.

Список литературы

  1. Акопян С.Ц., Бондур В.Г., Рогожин Е.А. Технология мониторинга и прогнозирования сильных землетрясений на территории России с использованием метода сейсмической энтропии // Физика Земли. 2017. № 1. С. 34–53. https://doi.org/10.7868/S0002333717010021

  2. Богданов А.В., Шатрова А.С., Качор О.Л. Разработка экологически безопасной технологии утилизации отходов ОАО “Байкальский ЦБК” / А.В. Богданов // Геоэкология. Инженерная геология, гидрогеология, геокриология. 2017. № 2. С. 47–53.

  3. Бондур В.Г., Гапонова Е.В. Регистрация из космоса аномальных вариаций линеаментных систем байкальской рифтовой зоны в период землетрясения с магнитудой М = 5.6, состоявшегося 21 сентября 2020 г. // Исслед. Земли из космоса. 2021. № 2. С. 3–14. https://doi.org/10.31857/S0205961421020020

  4. Бондур В.Г., Зверев А.Т. Космический метод прогноза землетрясений на основе анализа динамики систем линеаментов // Исслед. Земли из космоса. 2005. № 3. С. 37–52.

  5. Бондур В.Г., Смирнов В.М. Метод мониторинга сейсмоопасных территорий по ионосферным вариациям, регистрируемым спутниковыми навигационными системами // Докл. АН. 2005. Т. 402. № 5. С. 675–679.

  6. Бондур В.Г., Гарагаш И.А., Гохберг М.Б., Лапшин В.М., Нечаев Ю.В., Стеблов Г.М., Шалимов С.Л. Геомеханические модели и ионосферные вариации для крупнейших землетрясений при слабом воздействии градиентов атмосферного давления // Докл. АН. 2007. Т. 414. № 4. С. 540–543.

  7. Бондур В.Г., Гарагаш И.А., Гохберг М.Б., Лапшин В.М., Нечаев Ю.В. Связь между вариациями напряженно-деформированного состояния земной коры и сейсмической активностью на примере Южной Калифорнии // Докл. АН. 2010. Т. 430. № 3. С. 400–404.

  8. Бондур В.Г., Гарагаш И.А, Гохберг М.Б., Родкин М.В. Эволюция напряженного состояния Южной Калифорнии на основе геомеханической модели и текущей сейсмичности // Физика Земли. 2016. № 1. С. 120–132. https://doi.org/10.7868/S000233371601004X

  9. Бондур В.Г., Захарова Л.Н., Захаров А.И., Чимитдоржиев Т.Н., Дмитриев А.В., Дагуров П.Н. Мониторинг оползневых процессов с помощью космических интерферометрических радаров l-диапазона на примере обрушения склона берега реки Бурея // Исслед. Земли из космоса. 2019. № 5. С. 3–14.

  10. Бондур В.Г., Пулинец С.А., Ким Г.А. О роли вариаций галактических космических лучей в тропическом циклогенезе на примере урагана Катрина // Докл. АН. 2008. Т. 422. № 2. С. 244–249.

  11. Бондур В.Г., Чимитдоржиев Т.Н., Тубанов Ц.А., Дмитриев А.В., Дагуров П.Н. Анализ динамики блоково-разломной структуры в районе землетрясений 2008 и 2020 гг. на южном Байкале методами спутниковой радиоинтерферометрии // Докл. РАН. Науки о Земле. 2021. В печати.

  12. Лапердин В.К. Мероприятия по утилизации и хранению лигнин-содержащих промышленных и жидких бытовых отходов в бассейне оз. Байкал // Геоэкология. Инженерная геология, гидрогеология, геокриология. 2018. № 3. С. 77–85. https://doi.org/10.7868/S0869780318030092

  13. Объект накопленного экологического вреда (Байкальский ЦБК), 2021 (https://network.bellona.org/content/uploads/sites/4/2021/04/2021_BCBK.pdf)

  14. Чебыкин Е.П., Дамбинов Ю.А., Сутурин А.Н. Многоэлементный анализ надшламовых вод карт-накопителей Байкальского целлюлозно-бумажного комбината для выбора стратегии ремедиации территории // Вода и экология: проблемы и решения. 2020. № 4(84). С. 67–80. https://doi.org/10.23968/2305-3488.2020.25.4.67-80

  15. Amani M., Ghorbanian A., Ahmadi S.A., Kakooei M., Moghimi A., Mirmazloumi S.M., Moghaddam S.H.A., Mahdavi S., Ghahremanloo M., Parsian S., Wu Q., Brisco B. Google Earth Engine Cloud Computing Platform for Remote Sensing Big Data Applications: A Comprehensive Review // IEEE J. Selected Topics in Applied Earth Observations and Remote Sensing. 2020. V. 13. P. 5326–5350. https://doi.org/10.1109/JSTARS.2020.3021052

  16. Berardino P., Fornaro G., Lanari R., Sansosti E. A new algorithm for surface deformation monitoring based on small baseline differential SAR interferograms // IEEE Transactions on geoscience and remote sensing. 2002. V. 40. № 11. P. 2375–2383. https://doi.org/10.1109/TGRS.2002.803792

  17. Chimitdorzhiev T.N., Dagurov P.N., Bykov M.E., Dmitriev A.V., Kirbizhekova I.I. Comparison of ALOS PALSAR interferometry and field geodetic leveling for marshy soil thaw/freeze monitoring, case study from the Baikal lake region, Russia // J. Applied Remote Sensing. 2016. T. 10. № 1. C. 016006.

  18. Cigna F., Tapete D. Satellite InSAR survey of structurally-controlled land subsidence due to groundwater exploitation in the Aguascalientes Valley, Mexico // Remote Sensing of Environment. V. 254. 2021. P. 112254. https://doi.org/10.1016/j.rse.2020.112254

  19. Dagurov P.N., Chimitdorzhiev T.N., Dmitriev A.V., Dobrynin S.I. Estimation of snow water equivalent from L-band radar interferometry: simulation and experiment // International J. Remote Sensing. 2020. V. 41. № 24. P. 9328–9359.

  20. D’Aranno P.J.V., Di Benedetto A., Fiani M., Marsella M., Moriero I., Palenzuela Baena J.A. An Application of Persistent Scatterer Interferometry (PSI) Technique for Infrastructure Monitoring, Remote Sens. 2021. V. 13. № 6. P. 1052. https://doi.org/10.3390/rs13061052

  21. DeVriesa B., Huang C., Armston J., Huang W., Jones J.W., Lang M.W. Rapid and robust monitoring of flood events using Sentinel-1 and Landsat data on the Google Earth Engine // Remote Sensing of Environment. 2020. 240. 111664

  22. Ferretti A., Prati C., Rocca F. Permanent scatterers in SAR interferometry // IEEE Transactions on Geoscience and Remote Sensing. 2001. V. 39. № 1. P. 8–20. https://doi.org/10.1109/36.898661

  23. Huang Z., Zhang G., Shan X., Gong W., Zhang Y., Li Y. Co-Seismic Deformation and Fault Slip Model of the 2017 Mw 7.3 Darbandikhan, Iran–Iraq Earthquake Inferred from D-InSAR Measurements // Remote Sens. 2019. V. 11. № 21. P. 2521. https://doi.org/10.3390/rs11212521

  24. Gabriel A., Goldstein R., Zebker H.A. Mapping small elevation changes over large areas: Differential radar interfero-metry // J. Geophys. Res. 1989. V. 94. № B7. P. 9183–9191.

  25. Rosen P. A., Henseley S., Joughin I. R., Li F.K., Madsen S.N., Rodriguez E., Goldstein R. Synthetic aperture radar interferometry // Proc. IEEE. 2000. V. 88. № 3. P. 333–382.

  26. Ge P., Gokonb H., Meguroc K. A review on synthetic aperture radar-based building damage assessment in disasters // Remote Sensing of Environment. 2020. V. 240. 111693. https://doi.org/10.1016/j.rse.2020.111693

  27. Gorelick N., Hancher M., Dixon M., Ilyushchenko S., Thau D., Moore R. Google earth engine: Planetary-scale geospatial analysis for everyone // Remote Sens. Environ. 2017. V. 202. P. 18–27. https://doi.org/10.1109/JSTARS.2020.3021052

  28. Grandin R., Vallée M., Lacassin R. Rupture Process of the Mw 5.8 Pawnee, Oklahoma, Earthquake from Sentinel-1 InSAR and Seismological Data // Seismol. Res. Lett. 2017. V. 88. № 4. P. 994–1004. https://doi.org/10.1785/0220160226

  29. Ji L., Zhang W., Liu C., Zhu L., Xu J., Xu X. Characterizing interseismic deformation of the Xianshuihe fault, eastern Tibetan Plateau, using Sentinel-1 SAR images // Adv. Space Res. 2020. V. 66. № 2. P. 378–394. https://doi.org/10.1016/j.asr.2020.03.043

  30. Le Cozannet G., Kervyn M., Russo S., Ifejika Speranza C., Ferrier P., Foumelis M., Lopez T., Modaressi H. Space‑Based Earth Observations for Disaster Risk Management // Surveys in Geophysics. 2020. V. 41. P. 1209–1235. https://doi.org/10.1007/s10712-020-09586-5

  31. Liu X., Tong X., Ding K., Zhao X., Zhu L., Zhang X.D. Measurement of Long-Term Periodic and Dynamic Deflection of the Long-Span Railway Bridge Using Microwave Interferometry // IEEE J. Sel. Top. Appl. Earth Observ. Remote Sens. 2015. V. 8. P. 4531–4538.

  32. McFeeters S.K. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features // International J. Remote Sensing. 1996. V. 17. № 7. P. 1425–1432.

  33. Milillo P., Giardina G., DeJong M.J., Perissin D., Milillo G. Multi-Temporal InSAR Structural Damage Assessment: The London Crossrail Case Study // Remote Sens. 2018. V. 10. P. 287.

  34. Pawluszek-Filipiak K., Borkowski A. Integration of DInSAR and SBAS Techniques to determine mining-related deformations using sentinel-1 data: The case study of Rydułtowy mine in Poland // Remote Sens. 2020. V. 12. № 2. P. 242. https://doi.org/10.3390/rs12020242

  35. Sousa J.J., Bastos L. Multi-temporal SAR interferometry reveals acceleration of bridge sinking before collapse // Nat. Hazard. Earth Syst. 2013. V. 13. P. 659–667.

  36. Tay C.W.J., Sang-HoYun, Shi Tong Chin, Alok Bhardwaj, Jungkyo Jung, Hill E.M. Rapid food and damage mapping using synthetic aperture radar in response to Typhoon Hagibis, Japan // Scientific Data. 2020. 7:100. https://doi.org/10.1038/s41597-020-0443-5

Дополнительные материалы отсутствуют.

Инструменты

следующая статья выпуска содержание выпуска

Исследование Земли из Космоса

Архивы выпусков Информация о журнале Отправить рукопись в журнал