1 Einleitung
Lösliche Gesteinsgebiete sind weit verbreitet und umfassen insgesamt mehr als 17,9 Millionen Quadratkilometer oder etwa 12% der gesamten Landfläche der Erde. Die geologische Struktur der gelösten Gebiete ist komplex, die Oberfläche und das unterirdische System miteinander gekoppelt sind und sehr anfällig für natürliche und menschliche Störungen sind, wodurch eine Vielzahl von geologischen Katastrophen ausgelöst werden, von denen der Kollaps der gelösten Gebiete am typischsten ist.Yang等，2025）。 Mit der Beschleunigung des globalen Urbanisierungsprozesses und der zunehmenden Intensität der Entwicklung des unterirdischen Raums hat sich der Kollaps von Felsen zu einem wichtigen Gefahren für die geologische Sicherheit entwickelt, dem sich China, die Vereinigten Staaten, Spanien, Großbritannien und Israel gegenübersehen.Galve等，2015）。 Diese Katastrophen sind stark verborgen, abrupt und haben komplexe evolutionäre Mechanismen und verursachen häufig Probleme wie Schäden an Gebäuden, Verkehrsunterbrechungen, Instabilität des unterirdischen Rohrleitungsnetzes und Wasserleckagen, die das Leben und die Eigentumssicherheit der Menschen sowie die nachhaltige Entwicklung der Region ernsthaft bedrohen.Brinkmann等，2008）。
Die Küste des Toten Meeres ist weltweit eine der am stärksten zerstörten Gebiete (Baer等，2002）。 Durch eine Vielzahl von Faktoren wie langfristige Pumpen, Verdunstungsverstärkung und zunehmender Stromversorgung ist der Wasserspiegel des Toten Meeres seit den 1970er Jahren kontinuierlich mit einem jährlichen Rückgang von durchschnittlich 1,1 m zurückgegangen, was zu einer starken Rückkehr der Seeküste und zu einer erheblichen Veränderung der Grundwasserlandschaft führte.Atzori等，2015）。 In dieser Umgebung erleiden die flachen Salzschichten eine kontinuierliche Auflösung des Eindringens in Süßwasser, die sich allmählich zu unterirdischen Löchern bildet und somit zum Zusammenbruch der Oberfläche führt. Bisher haben sich an der Toten Meerküste mehr als 6.000 Kollapsgräben gebildet, die weit verbreitet sind in touristischen Gebieten, auf Straßen und auf industriellen und landwirtschaftlichen Geländen, was eine direkte Bedrohung für die Sicherheit der Infrastruktur und die sozioökonomische Entwicklung der Region darstellt.Nof等，2019）。 Daher ist es wichtig, eine hochpräzise, umfangreiche und langfristige Überwachung des Kollapses im Toten Meer durchzuführen.
Traditionelle Bodenüberwachungsmittel wie GNSS, horizontale Messungen Obwohl die Messgenauigkeit höher ist, ist es aufgrund der geringen räumlichen Auflösung, der begrenzten Abdeckung und der hohen Implementierungskosten schwierig, eine systematische Überwachung in großem Umfang, hoher Frequenz und hoher Dichte in den Kollapsgebieten zu erreichen.朱珺 等，2023）。 In den letzten Jahren hat die Synthetisch-Apertural-Radar-Interferenzmessung (InSAR) als berührungsfreies, rund um die Uhr umfassendes Mittel zur deformationsüberwachung eine Genauigkeit von Zentimeter bis Millimeter liefert.Hrysiewicz等，2023Neue Wege zur dynamischen Evolutionsüberwachung und zur Mechanismenanalyse von Felsenkollapskatastrophen (Gutiérrez等，2011）。 Die Entwicklung der InSAR-Technologie für Zeitreihen hat ihre Anwendung in der Überwachung geologischer Katastrophen erheblich vorangetrieben (Berardino等，2002）。 Die PS-InSAR-Technologie basiert auf hochkohärenten, stabilen Streuungspunkten und ist für künstliche oder harte Oberflächen wie Städte, nackte Felsen geeignet, ist jedoch in natürlichen Vegetationsgebieten und komplexen Gebieten eingeschränkt.Ferretti等，2000）。 DS-InSAR erweitert Erkennungspunkte auf niedrige Kohärenzbereiche (李晓田 等，2024), bietet eine breitere Anwendbarkeit für die Überwachung der natürlichen Landschaftsveränderungen. In der bestehenden DS-InSAR-Technologie ist die Homogenpunkterkennung jedoch ein entscheidendes Element, das die Genauigkeit und Stabilität der Morphologie-Schätzung beeinflusst, und die herkömmliche KS-Prüfmethode stützt sich auf die kumulative Verteilungsfunktionsunterschiedenheit in der Intensitätsverteilung des Bildes, um Homogenbild zu screenen, ist aber in kleinen Proben empfindlich für Anomalien und ist nicht stabil.Hu等，2023）； Die BWS-Methode verbessert zwar die Robustheit durch die Neuabtastung, kann jedoch aufgrund der zunehmenden Verteilung der Teststatistiken keine analytischen Ausdrücke aufweisen, um die statistische Ablehnungsdomeine genau zu konstruieren (蒋弥 等，2018）； Die HTCI-Methode, die in den letzten Jahren vorgeschlagen wurde, basiert auf der statistischen Voraussetzung der "Intensitätsannäherung der exponentiellen Verteilung und der Gehorsam des Probenmittels an die Gammaverteilung", anhand derer homogene Bilder durch die Berücksichtigung der Schätzungsparameter des Referenzbilders bestimmt werden und den Vertrauensintervall des Mittelwerts konstruiert werden. Da HTCI jedoch ein festes Referenzbild und ein festes Einzelfenster verwendet, ist die Homogenitätsdiskription sehr empfindlich für den Anfangswert und die Referenzposition: Wenn sich das Referenzbild am Ende der Intensitätsverteilung befindet oder eine kleine Anzahl von Nachbarschaftsproben (kleine Proben) hat, können die Vertrauensintervallgrenzen verschieben werden, was zu einer auslassenden / falschen Auswahl von Homogenitätsbildern führt.Hu等，2022）。 Diese Mängel haben dazu geführt, dass herkömmliche DS-InSAR systemische Probleme wie eine schlechte räumliche Kontinuität, ein niedriges Signal-Rausch-Verhältnis und eine mechanische Auflösungsverzerrung bei der Transformationsfeldrekonstruktion in gelösten Gebieten des Toten Meeres aufweisen.
In diesem Sinne schlägt die Studie eine verbesserte Methode zur homogenen Bildmetaerkennung (D-HTCI) vor, die auf dem dynamisch aktualisierten Vertrauensintervall basiert: Eine dynamische Aktualisierung der Referenzmittelwerte und des Vertrauensintervalls im Rahmen von Pixel für Pixel und in Verbindung mit einem erweiterten Fenster ermöglicht ein robustes homogenes Screening von Regionen mit geringer Kohärenz; Gleichzeitig kombiniert mit sequenzieller Phasenoptimierung, um die Auflösung von Big Data in langen Zeitreihen zu erreichen, verbessert die Genauigkeit der Zeitreihenrekonstruktion und kombiniert PS-Punkte weiter, um hochdichte, kontinuierliche InSAR-Morphologie-Überwachungsergebnisse zu erstellen. Auf der Grundlage von 242 Satellitenbildern von Sentinel-1A aus den Jahren 2016 bis 2024 wurde die Wirksamkeit der Methode in der Kollapsgebiete am Toten Meer überprüft, die zeitliche und räumliche Evolution der hochpräzisen Oberflächenformation am Toten Meer erfasst, die Kopplungsbeziehung zwischen der Transformation und der Veränderung des Wasserstandes des Toten Meeres analysiert und die hydrogeologischen Antriebsmechanismen des Kollapses untersucht. Diese Studie erweitert nicht nur die Anwendbarkeit der InSAR-Technologie in komplexen Naturlandschaften, sondern bietet auch eine wichtige technische Unterstützung und Datenbasis für ein tieferes Verständnis der Entstehungsmechanismen und der Evolutionstrends von felslösenden Katastrophen.
2 Forschungsmethoden oder Grundsätze
Diese Studie basiert auf dem ZeitreihenInSAR-Technologierahmen und baut einen hochpräzisen Prozess zur Überwachung von Oberflächenmormationen für felsige Gebiete an der Küste des Toten Meeres auf, dessen Gesamtdesign die Effizienz der Verarbeitung von langen Zeitreihendaten mit der Genauigkeit der Deformationslösung in komplexen Geografiezonen berücksichtigt.Fig. 1）。 Das Methodensystem umfasst hauptsächlich vier Kernglinkel: (1) Datenvorverarbeitung: Verwendung von SRTM DEM für die Topografiekorrektion und Geocodierung und die Erzeugung von Differenzialinterferentgrafiksequenzen in Kombination mit Sentinel-1A-Aufbaubildern zur Bereitstellung grundlegender Interferenzbeobachtungsdaten für die InSAR-Analyse der Zeitreihenfolge; (2) Homogene Bild-Erkennung: Durchbrechen der Grenzen der herkömmlichen Homogene Punkt-Erkennungsmethode, Einführung dynamischer Aktualisierung Vertrauensintervall-Mechanismus, in Kombination mit 5 * 5 → 15 * 15 Erweiterungsfenster und "Referenz-Mittelwert - Vertrauensintervall" iterative Aktualisierung effektiv verbessern die Präzision und Stabilität der homogenen Bild-Screening in niedriger Kohärenz, für lokale homogene Bild-Anzahl (N) kleiner als 20 Bild, wird der PS-Prozess für die individuelle Behandlung folgen; (3) Phaseoptimierung und Zeitreihenberechnung: Die Theorie der Charakterwertzerlegung zum Aufbau eines maximalen Wahrscheinlichkeitsschätzungsrahmens, zur optimalen Schätzung der phasenstatistischen Eigenschaften von DS und zur schrittweisen Komprimierung von hochdimensionalen Interferenzdaten mit einer sequenziellen Verarbeitungsstrategie für 8 Jahre lang, unter der Voraussetzung, dass die Integrität der Phaseninformation erheblich verbessert wird; (4) Ergebnis-Fusion und Fehlerkorrektur: Fusionsoptimierte PS und DS hohe Kohärenz Punkte, durch dreidimensionale Phasenentwicklung, topische Reste und atmosphärische Phasenkorrektur, schließlich erhalten hohe räumliche Kontinuität, hohe Dichte der Toten Meeres Küste der Oberfläche Zeitreihenveränderungen. Dieser Prozess ist skalierbar und gewährleistet gleichzeitig die Genauigkeit der Überwachung und passt sich den Anforderungen der InSAR-Datenverarbeitung in großem Umfang in langen Zeitreihen unter komplexen geologischen Bedingungen an und bietet eine zuverlässige Datenbasis für die nachfolgende morphologische Analyse.
2.1 Methode zur Identifizierung von InSAR-Homogenitäten basierend auf verbesserten dynamischen Vertrauensintervallen
Da DS zu oberflächenförmigen Dispersionen gehört, ist es in der Regel in Clustern im Raum verteilt und hat die gleichen Dispersionseigenschaften und statistischen Merkmale wie benachbarte Bilder (张子彦 等，2024）。 Daher ist die Auswahl des DS-Punktes mit der Anzahl von homogenen Bildern in der Nachbarschaft verbunden, die aktuelle theoretische Grundlage der homogenen Bildernennung besteht darin, dass homogene Bilder die gleichen oder ähnlichen Streueigenschaften in der räumlichen Verteilung haben, und verschiedene homogene Bildernennungsschema sind mit Hypothesen-Test als Hauptmittel, um homogene Bilder zu bestimmen, indem sie die Ähnlichkeit der Verteilungsmerkmale zwischen den einzelnen Bilderproben beurteilen.Jiang等，2015）。 Hierbei werden später auf Streuungsinformationen (wie Stärke oder Amplitude) basierende Parameterhausentests weit verbreitet zur homogenen Metaerkennung (Chen等，2023）。
Der Parameter setzt voraus, dass die Prüfmethode den Eigenschaften der exponentiellen Verteilung der SAR-Bildintensität des Ziels in der Kollaps-Zone DS entspricht, deren Wahrscheinlichkeitsdichtfunktion (蒋弥 等，2018）
Die Erwartungen und Standardabweichungen der Indexverteilung sindAufgrund der kumulativen Gehorsam der exponentiellen Verteilung der Gamma-VerteilungVielfache Probenmittelwerte unterliegen auch der Gammaverteilung:Dann gibt es. und wirdErsetzt durch eine Referenzpixelwerte, wobei der transformierte Vertrauensintervall
in der Form,für die Standardgammaverteilung,Normalerweise 0,05 (Bao等，2021）。 Durchschnittliche Breite des zu erkennenden PixelsVergleichen Sie den Wertebereich des oben genannten Intervals, in dem das zu erkennende Bild ein homogenes Bild des Referenzbildes ist. Die Konstruktion des Vertrauensintervalls nur mit der durchschnittlichen Intensität des Referenzbilders ist jedoch bias und führt zu einer geringeren Anzahl der ausgewählten homogenen Pixelproben und einer geringeren Zuverlässigkeit der homogenen Pixel. Daher sollte die Größe des geschätzten Fensters nicht festgelegt werden und der entsprechende Vertrauensintervall sollte dynamisch aktualisiert werden, um zuverlässige homogene Metaauswahlresultate zu erhalten.
Für jedes Referenz-Image gibt es ein anfängliches Schätzungsfenster für homogene Images (Normalerweise auf 15*15 eingestellt)Fig. 2Mittelschwarzer Rahmengezeigt. Die in dieser Studie vorgeschlagene Methode setzt zuerst ein lokales Schätzungsfenster für Referenzbilder ein (auf 5*5 eingestellt), wieFig. 2Im gelben Feld wird gezeigt, dass die Verwendung式（2）Referenzbilder erhaltenHomogene Metasammlung von Bildern in lokalen FensternErsatz der durchschnittlichen Intensität aller homogenen Elemente in der Sammlung式（2）In μref wird ein neuer Vertrauensintervall erstellt:
Erweitern Sie das lokale Schätzungsfenster um ein Pixel nach außen, um das Schätzungsfenster nach der ersten Erweiterung zu erhalten (z.B.Fig. 2Das blaue Feld zeigt), um alle Pixel im erweiterten Schätzungsfenster mit dem neuen Vertrauensintervall zu unterscheiden, um eine neue homogene Metasammlung zu erhalten.Suchen Sie dann nach einem Durchschnitt der Intensität aller homogenen Bilder in dieser Sammlung, erstellen Sie einen neuen Vertrauensintervall und erweitern Sie das Fenster nach außen (z.B.Fig. 2Das lila Fenster) wird wiederholt, um den Wert der Referenzbilder-Intensität und ihren Vertrauensintervall zu aktualisieren, bis das Fenster auf die ursprüngliche gegebene Fenstergröße (15 * 15) erweitert wird, und dann wird das Referenzbilder erhalten.Endgültige homogene MetasammlungWiederholen Sie diese Schritte durch alle Pixel im SAR-Bild, um eine homogene Metasammlung aller Pixel im Bild zu erhalten.
2.2 Maximale Wahrscheinlichkeit Phaseoptimierung basierend auf der Charakterwerteaufteilung
Für verteilte Ziele zur Erfüllung der Phasenkonsistenzbedingungen (Guarnieri和Tebaldini，2007Um die Qualität der Phasenschätzung zu verbessern, muss eine Reihe von optimalen Phasenwerten aus der Beobachtungsphase mehrerer Interferenzpaare gemeinsam geschätzt werden, da in vielen Interferenzpaaren die Auswirkungen des gestörten Kohärenzrauschens unterschiedlich sind, ist es notwendig, bei der Phasenschätzung verschiedene Interferenzphasen je nach Kohärenz zwischen den Interferenzphasen oder anderen Bedingungen unterschiedliche Gewichte zuzuweisen. Die optimale Phasenschätzung kann im Rahmen der maximalen Wahrscheinlichkeit als Maximierung der Phasenkonsistenz oder gleichwertig die Optimierungsfrage der verbleibenden Phasenvarianz zu minimieren, wodurch ein allgemeines Phasenoptimierungsfunktionsmodell wie folgt ausgedrückt wird:沈鹏 等，2025）：
in der Form,Angabe des Gewichtsfaktors, der der Restphase entspricht;Beobachtungsphase für das Interferenzpaar m-n;undUnbekannte "optimale Phase" für den Moment m bzw. n. Der aktuelle DS-Phaseoptimierungsalgorithmus basiert meist auf der Zerlegung von Charakterwerten, um mehrfache Streumechanismen zu verarbeiten.Fornaro等（2015）Im Rahmen von CAESAR wird vorgeschlagen, dass durch eine Charakterwertspaltung der Kovarianzmatrix der Probe die Charaktervektoren, die ihren maximalen Charakterwerten entsprechen, als optimale Phasenschätzungen extrahiert werden. Der Charakterwert der Kovarianzmatrix kann als
in der Form,Zeigt den Charakterwert an und ordnet den Charakterwert in abnehmender Reihenfolge an, d.h.:；Ein Charaktervektor, der dem Charakterwert entspricht.jaIn einer diagonalen Matrix besteht das Matrixelement aus mehreren Eigenschaften von nicht-realen Zahlen.besteht aus den jeweiligen Merkmalenwerten entsprechenden orthogonalen Merkmalenvektoren.Die Matrix. Daher können auf der Grundlage der Hauptkomponentenanalyse, die die meisten Informationen in der ersten Hauptkomponente enthält, die optimalen Phasenschätzungen für den maximalen Eigenschaftswert des entsprechenden Eigenschaftsvektors als Ergebnis der folgenden Maximierungsprobleme abgeleitet werden:
Kombinieren Sie die Beziehung zwischen der Kovarianzmatrix und der multiplen Drehmatrix,式（6）Ebenso kann ein Phasenoptimierungsfunktionsmodell in eine kohärente Matrix umgewandelt werden:
in der Form,Darstellung einer wiederkehrenden MatrixDer größte Charakterwert entspricht dem Charaktervektor.
2.3 DS-InSAR-Sequenzschätzungsmethode
Der herkömmliche DS-Algorithmus verwendet das "Pixel für Pixel"-Berechnungsmodus, das längere Zeit aufnimmt, während die derzeitige Stern-SAR hauptsächlich durch breite und kurze Wiederbesuchszyklen gekennzeichnet ist, um eine hochräumliche Auflösung der Oberflächenüberwachung zu erreichen, die eine beispiellose Menge an SAR-Daten liefert.Wang等，2020Dies stellt eine Herausforderung für die bestehende DS-InSAR-Technologie dar.Minh和Ngo，2022）。 Ansari schlägt eine konsequente Schätzungsmethode vor, die auf der SqueeSAR-Technologie basiert, die Datenreduzierung erreicht, indem die Daten zuerst in kleinen Batches aufgeteilt werden, wodurch eine rekursive Schätzung und Analyse der Kovarianzmatrix der Daten durchgeführt werden, die Daten anschließend in einer Batch komprimiert und aus jeder komprimierten Datenbatch-Verarbeitung ein Interferenzdiagramm gebildet werden.Ansari等，2018）。
Angenommen, dass der ursprüngliche Datensatz gemeinsam istBild, die Daten inEinzelne Datensätze, die jeweils enthaltenBild, allgemeine Anforderungen vorDie Anzahl der Bilder ist gleich, während dieDie Anzahl der Bilder kann unterschiedlich sein (Wang等，2023）。 Datenkomprimierung ist die klassische Methode, um große Datenmengen zu verarbeiten, und es kann die Datenmappung von hochdimensionalen Datenräumen in den Raum der niedrigen Ordnung, die TransformationsbasisDie lineare Karte kann als
in der Form,für die Dimensionen der Rohdaten,Es ist die Dimension der komprimierten Daten, aus denen man sieht, dass die komprimierten Daten zeitlich und räumlich dimensioniert sind.Die Größe hat sich nicht geändert.
Nach der ersten Sequenzeine Sequenzkann ausgedrückt werden als
in der Form,Darstellung enthaltenDie SLC-DatenEinzelne Datensätze,Vor dem aktuellen DatensatzKomprimierte Daten für einzelne DatensätzeEs wird verwendet, um vorhandene Datensätze mit neuen Datensätzen zu verknüpfen, um Phasenzeitreihen wiederherzustellen. Unter ihnen, in derIndividuelle Konzentration, Phaseoptimierung basierend auf maximalen Wahrscheinlichkeitsschätzungen
in der Form,Zeigt das Hadama-Produkt,undjeweils für dieEin und einSchätzungen der kohärenten Matrix und Kovarianzmatrix, die einzelne Datensätze aufbauen,für dieDer wahre SLC-komplexe Phasenvektor des einzelnen Datensatzes, der zu schätzende optimale Phasenvektor, ruft durch maximale Wahrscheinlichkeitsschätzungen jede Sequenz relativ zu einer neuen, willkürlichen und einzigartigen Benchmark-Phase ab:
in der Form,Es ist ein Vektor, der die Kalibrierungsphase enthält, die unabhängige Teilmengen verbindet, um eine Datenverbindung zwischen jeder Teildatenmengensequenz zu ermöglichen.
in der Form,SLC-Seriennummer für den KalibrierungsvektorEin Element. Nach der Kalibrierung des Benchmarks werden die Phasenzeitreihenergebnisse für den einzelnen Benchmark berechnet.
3 Forschungsbereiche und Datenquellen
3.1 Übersicht der Forschungsbereiche
Das Tote Meer liegt im Übergangskreis zwischen der afrikanischen Platte und der arabischen Platte und ist der niedrigste Punkt des Landes auf der Welt, dessen Seehöhe derzeit etwa -430 m (im Vergleich zum Meeresspiegel) beträgt.Baer等，2024）。 Seine Landschaft kann in zwei Teile des nördlichen Tiefseebeckens und des südlichen flachen Wasserdampfbeckens unterteilt werden (Fig. 3）。 Das nördliche Seebecken ist das wichtigste natürliche Wassergebiet mit einer maximalen Tiefe von mehr als 300 m und einem Tiefstein von rund 730 m unter dem Meeresspiegel, während der südliche Teil von den israelischen und jordanischen Kaliumsalzungsunternehmen in ein Verdampfungsbeckensystem mit einer Höhe von etwa -410 m umgewandelt wurde, wobei das nördliche Seewasser hauptsächlich auf künstliche Wasserversorgungssysteme angewiesen ist (Closson und Abou Karaki, 2009).
Aufgrund des gemeinsamen Einflusses des Klimawandels und menschlicher Aktivitäten hat der Wasserspiegel des Toten Meeres seit den 1960er Jahren einen kontinuierlichen Trend zum Rückgang mit einem jährlichen Rückgang von mehr als 1 m und einem kumulativen Rückgang von mehr als 40 m verzeichnet, ein Prozess, der hauptsächlich auf eine Verringerung des Upstream-Wasservolumens, eine verstärkte Verdampfung und ein negatives Gleichgewicht der Wassermenge durch industrielle Wassergewinnung zurückzuführen ist. Der Rückgang des Wasserstandes hat die hydraulische Struktur des Grundwassersystems an der Küste erheblich verändert und eine Reihe geologischer Katastrophenprozesse ausgelöst, vor allem durch den Zusammenbruch von Felsen.Fig. 3Rote Zone). Der Kollaps ist hauptsächlich am Westrand des nördlichen Seebeckens verteilt und gehört zu den stärksten und aktivsten Gebieten der Welt: Seit den 1980er Jahren hat sich die Kollapsaktivität allmählich verstärkt und hat sich nach dem Jahr 2000 erheblich beschleunigt.Shalev等，2006）。 Bis 2016 wurden in der Region mehr als 5900 Kollapskräber identifiziert, typische Kollapskräber mit einem Durchmesser von 1 bis 40 m und einer maximalen Tiefe von bis zu 28 m, oft begleitet von einer langsamen Landungsentwicklung, deren Auswirkungsbereich bis zu Hunderten von Metern bis zu Kilometern erreichen kann.Shviro等，2017）。 Der Mechanismus der Kollapsbildung wird hauptsächlich durch eine weitgehend verteilte Steinsalzschicht mit einer Dicke von etwa 5 bis 20 m unter der Oberfläche kontrolliert.Fig. 3 (Closson und Abou Karaki, 2009). Da der Wasserstand des Toten Meeres weiter sinkt, bewegt sich die ursprünglich stabile Grundwasser-Süßsalzwasser-Grenzfläche kontinuierlich nach unten, und das Küstensüßwasser wandert durch Wasserträger, Falten und Risssysteme in die Tiefe und dringt in die Salzschicht ein, was eine starke Löseeffekt verursacht und unterirdische Hohlräume bildet. Wenn das Hohlvolumen die Schwelle der Bodenstützung überschreitet, stürzt die Abdeckung plötzlich zusammen und bildet eine Kollapsgrube (Sevil和Gutiérrez，2024）。 Dieser Antriebsmechanismus der "Süßwasserinvasion - Salzolosion - Strukturzusammenbruch" wurde durch mehrfache Beweise wie Bohrungen und geophysikalische Untersuchungen bestätigt.
Um die wahren Formen und Verteilungsmerkmale der zusammenfallenden Landschaft intuitiv darzustellen,Fig. 3Es werden drei Fotos von typischen Zusammenbruchgebieten gezeigt, die vom israelischen Geologischen Sonderdienst vor Ort aufgenommen wurden.Fig. 3In der Mitte ist ein weißes Feld markiert (A1, A2, A3). Darunter ist A1 eine massive Kollapsgruppe am Rande des Seeflügels in der Nähe von Mizpeshalem, die sich als mehrstufige Kollapswande und Oberflächenrissungen manifestiert; A2 befindet sich südlich von Enge und zeigt eine farbenfrohe Seelandschaft, die durch Süßwasser mit hochsalzigen Gewässern gefüllt wurde; A3 befindet sich auf der Zelin-Halbinsel und zeigt eine typische Verteilung dichter kleiner Kollapskräber und langsamer Abfallestreifen, die die Komplexität und Vielfalt der Kollapsaktivitäten im Forschungsgebiet widerspiegelt.
3.2 Datenquellen
Die Studie erhielt 242 Aufnahmen des Satelliten Sentinel-1A, der das gesamte Forschungsgebiet abdeckte, im Modell Interferometric Wide Swath (IW) für die Oberflächenbeoberwachung, im Zeitraum vom 2. Juni 2016 bis zum 20. Juni 2024. Forschungsbereich wieFig. 3Das blaue Rechteckfeld zeigt. Um die Genauigkeit der Interferenzgeometrie zu gewährleisten, werden alle SAR-Daten mit präzisen Orbitalprodukten der Europäischen Weltraumorganisation (ESA) korrigiert. Vor der Interferenzbehandlung wurde ein digitales Höhenmodell (DEM) mit 30 m Auflösung, das von der Shuttle Radar Topography Mission (SRTM) zur Entfernung von topografischen Phasen und zur Geocodierung von Bildern bereitgestellt wurde, verwendet und die DEM-Daten wurden durch Gauss-Filter verfiltert, um die Fehlerverbreitung durch hochfrequente Geräusche zu reduzieren.Zhao等，2016）。 Darüber hinaus, um die Beziehung zwischen Oberflächenformation und Kollapsaktivitäten und hydrologischen Prozessen zu analysieren, werden in diesem Artikel auch Daten zur Überwachung von Kollapsen an der südwestlichen Küste des Toten Meeres und Aufzeichnungen über Wasserspiegelveränderungen im gleichen Zeitraum eingeführt, die vom Geological Survey of Israel (GSI) veröffentlicht wurden.
4 Ergebnisse
4.1 Simulationsprüfung
Um die Differenzierungsleistung von vier homogenen Metaselektionsalgorithmen zu vergleichen, wurde ein Monte-Carlo-Random-Test zur Simulationsverifizierung verwendet. Einstellung1515 (N=225) Metafenster, das zentrale Bild [8] als Referenzbilder und die übrigen 224 als zu schätzende Bilder erkannt wurden. Referenz auf SAR-Wertstatistiken, wie Metawerte, die der Reilly-Verteilung unterliegen, im Fenster festgelegt werden = 120 Bildern (einschließlich Referenzbilder) in der Riley-VerteilungDer Rest. = 105 heterogene Bilder in der Reilly-VerteilungDann mit den KontrastparameternKontrolle der Heterogenität (Je größer, desto stärker ist der Unterschied).Unabhängig wiederholen Sie 10.000 Versuche unter dem Wert, auf die gleiche Menge von analogen Daten, beziehungsweise Anwendung von KS, BWS, HTCI (Festfenster) und dieser Artikel D-HTCI (dynamische Aktualisierung + Erweiterung) 4 Methoden für die Bild-nach-Bild-Unterscheidung von "Homogenität mit dem Referenzbild", die Signifikanz ist einheitlichDie Zahl der als „nicht homogen“ eingestuften Bilder für jeden Versuch wird berechnet und die Ablehnungsrate berechnet, um letztendlich den Mittelwert der Ablehnung und die Standardabweichung der Ablehnung bei jedem Verhältnis zu erhalten, um die Genauigkeit (ob sie sich dem theoretischen Wert nähert) und die Stabilität (Varianzgröße) der Methode zu bewerten. Unter dieser Einstellung kann die theoretische Ablehnungsrate von "alle heterogenen Bildern korrekt abgelehnt werden + homogene Bilder mit der WahrscheinlichkeitFehlerhaft abgelehnt" erhalten:Daher mitDie Ablehnungsrate der vier Methoden sollte sich schrittweise dieser Obergrenze nähern; Je robuster die Methode ist, desto näher ist der Durchschnittswert der Ablehnungsrate an 49,33% und desto geringer ist die Schwankung (Standardabweichung).
Fig. 4Zeigt Ablehnungsrate zu Parameterverhältnis anVeränderungen. Jeder Algorithmus konvergiert mit zunehmendem Parameterverhältnis auf den theoretischen Wert. Parametrische Hypothesen-Prüfmethoden sind deutlich besser als nicht-parametrische Hypothesen-Prüfmethoden, bei denen der HTCI-Algorithmus aufgrund der Instabilität der Anfangswertschätzung durch ein festes Einzelfenster höher als die theoretischen Ablehnungsraten ist, was sich als hoher Fehler der Klasse I ausdrückt. Im Gegensatz dazu reduziert dieser Algorithmus durch die Einführung eines dynamischen Aktualisierungsmechanismus, der nicht nur unter gleichen Bedingungen schneller konvergiert, sondern auch der theoretischen Ablehnungsrate am nächsten ist, effektiv Fehler der Kategorie I undFig. 4Auch die mittlere Standardabweichung ist deutlich kleiner als andere Methoden, was ihre Stabilität und Vorteile weiter bestätigt. Die zentrale Verbesserung besteht darin, dass sich der Vertrauensintervall mit der allmählichen Erweiterung der Fenstergröße dynamisch anpassen kann, um die homogene Metabestimmung stabiler und genauer zu machen; Insbesondere in den Bereichen mit niedriger Kohärenz verhindert die Methode die Verschiebung, die durch die kontinuierliche Aktualisierung des Vertrauensintervalls des Referenzbilders auf der Grundlage des lokalen Bilddurchschnitts entsteht, wenn das Referenzbilder am Ende der statistischen Verteilung fällt, wodurch die ungünstigen Auswirkungen der Anomalien auf die Bestimmungsgenauigkeit effektiv geschwächt werden. Unter der Voraussetzung, dass die oben genannten statistischen Eigenschaften gewährleistet werden, zeigen die Ergebnisse der Bewertung der Effizienz und des Erkennungsgewinns pro Bild, dass D-HTCI bei der gleichen Datenmenge und der gleichen Implementierungsumgebung eine Beschleunigung von mehr als dem herkömmlichen KS/BWS-Algorithmus erreicht hat (etwa 430/67-mal). Gleichzeitig kann D-HTCI die homogenen Meta-Indikatoren geringfügig und stabil verbessern, ohne die Fehler der zweiten Kategorie zu vergrößern. Insgesamt bietet D-HTCI eine zuverlässigere homogene Nachbarschaftsbestimmung und eine bessere Synthesizerleistung für akzeptable zusätzliche Kosten, die sowohl statistische Rationalität als auch Berechnungsfähigkeit bieten.
Table 1 Comparison of rejection rates among different methods （Theoretical rejection rate： 0.4933）
| 方法 | 拒绝率估值 |
|---|
| KS | 0.4782 |
| BWS | 0.4945 |
| HTCI | 0.4974 |
| D-HTCI | 0.4938 |
4.2 Ergebnisse der Ablagerungsüberwachung
Auf der Grundlage von 242 Aufnahmen von Sentinel-1A, die zwischen Juni 2016 und Juni 2024 aufgenommen wurden, wurde eine zeitliche Sequenzanalyse der Oberflächenveränderungen an der Toten Meerküste mit der PS-InSAR-Methode von StaMPS, der konventionellen DS-InSAR-Methode (basierend auf der HTCI-Homogenitätspunkterkennung) und dem in diesem Artikel vorgeschlagenen verbesserten Algorithmus für die Homogenitätspunkterkennung (D-HTCI) durchgeführt.Fig. 5）。Fig. 5Als Ergebnis der Behandlung der PS-InSAR-Methode ist die Methode stark abhängig von permanenten Dispersionen und zeigt eine offensichtliche Überwachungsblindzone in den Forschungsgebieten, in denen die natürliche Landschaft dominiert ist und künstliche Ziele selten sind, mit einer Gesamtzahl von nur 464.898 Überwachungspunkten und einer selten räumlichen Verteilung, insbesondere in den Gebieten mit häufigen Kollapsen.Fig. 5Bei herkömmlichen HTCI-basierten DS-InSAR-Ergebnissen stieg die Anzahl der Überwachungspunkte auf 679.349 (eine Steigerung um etwa 46,1% gegenüber der PS-Methode), aber aufgrund der homogenen Punkterkennung mit einem festen Fenster ist die Überwachungspunkträumliche Verteilung ungleichmäßig und die Kontinuität der Transformationsbänder unzureichend. Lokale Vergrößerung (Fig. 5Es wurde gezeigt, dass sich das Formationszentrum der Seditionszone als fragmentierte Cluster manifestiert, die es schwierig machen, die Grenzen kontinuierlicher geologischer Aktivitäten zu zeichnen. Im Gegensatz dazu wurden die in dieser Studie vorgeschlagenen Ergebnisse der kombinierten Behandlung von DS und PS mit der Methode zur Verbesserung der Homogenitätserkennung (D-HTCI)Fig. 51) erhebliche Vorteile zeigen. Diese Methode basiert auf der Aufrechterhaltung der PS-Punktstabilität, in Kombination mit einer verbesserten homogenen Metaerkennungstechnik, die die Extraktionskapazität von verteilten Dispersionen (DS) erheblich verbessert hat, erhöhte sich die Gesamtzahl der Überwachungspunkte auf 832.453, eine Steigerung um etwa 79,0% gegenüber der herkömmlichen StaMPS-Methode und eine Steigerung um etwa 22,5% gegenüber der herkömmlichen DS-InSAR-Methode, und die räumliche Gleichmäßigkeit der Überwachungspunkte wurde deutlich verbessert. Insbesondere an den Seeufern (insbesondere in Gebieten, in denen die traditionelle PS-Methode schwer zu überwachen ist), füllt die Methode effektiv die räumliche Lücke in den Transformationsfeldern und bietet eine umfassendere Datenunterstützung für die Transformationsüberwachung im komplexen geologischen Kontext an der Toten Meereküste.
Um die Merkmale der räumlichen Verteilung von stark deformierten Gebieten weiter aufzudecken,Fig. 5、Fig. 5undFig. 5getrennt gegeben.Fig. 5、Fig. 5undFig. 5Lokales Vergrößerungsergebnis für den ausgewählten Bereich des gestrichelten Linienrahmens. Das Gebiet ist eines der aktivsten Stellen für den Kollaps an der Küste des Toten Meeres mit einer lokalen maximalen Niederschlagsrate von mehr als -120 mm/a. Vergleichsergebnisse zeigen: Traditionelle PS-Ergebnisse (Fig. 5fragmentierte Verteilung, kann nur sporadisch hohe Verformungspunkte erfassen; Die gewöhnlichen DS-InSAR-ErgebnisseFig. 5Obwohl das Seditionszentrum erkannt werden kann, ist die Überwachungspunktdichte niedrig und die Raumverteilung nicht kontinuierlich; Die in dieser Studie vorgeschlagene Verbesserung der DS-InSAR-Methode (Fig. 5Die Punktdichte im signifikanten Seditionsbereich (lokale Seditionsgeschwindigkeit > -60 mm/a) ist etwa dreimal höher als der herkömmliche PS und etwa 1,6 mal höher als der herkömmliche DS und kann die dichte, kontinuierliche Seditionsband-Struktur eindeutig abbilden und die räumliche Grenze und die Seditionsgradiente des potenziellen Kollapsbandes vollständig abbilden. Dieses Ergebnis zeigt ausreichend, dass die verbesserte DS-InSAR-Methode zur Homogenpunkterkennung die Einschränkungen herkömmlicher Algorithmen in natürlichen Gebieten mit geringer Kohärenz erheblich überwindet, die Diskohärenzeffekte durch spezielle hydrogeologische Bedingungen an der Toten Meerküste effektiv unterdrückt und eine praktikable und effiziente Lösung für die hochpräzise Extraktion von verteilten Dispersionen und die morphologische Überwachung in natürlichen Gebieten mit geringer Kohärenz bietet.
4.3 Analyse typischer Seditionsgebiete
basierendFig. 5Die offenbarten Raumverteilungsmuster und Schwerpunktabsetzungsbereiche, ausgewählt in diesem ArtikelFig. 5Zwei typische Profillinien (A-A′ und B-B′), die die typischen Lössenlandungen an der südwestlichen Küste des Toten Meeres abdecken, analysieren systematisch die evolutionären Merkmale der Oberflächenveränderung entlang der Profilrichtung, die Verteilung der Seditionszentren und ihre Korrespondenz zu unterirdischen Lössenkonstruktionen.
Fig. 6Zeigt die Merkmale der Oberflächenformation in der Region Lissabon-Halbinsel von Juni 2016 bis Juni 2024, die sich in einer bedeutenden Senkzone an der Toten Meerküste befindet,Fig. 6Die Verteilung der durchschnittlichen jährlichen Veränderungsraten (LOS) durch die DS-InSAR-Technologie, die auf der verbesserten Homogenpunkterkennung basiert, zeigt, dass die maximale Ablagerungsrate in der Region über -100 mm/a liegt. Auf der nördlichen Halbinsel entlang der Toten Meerküste fand eine starke Ablagerung statt, wobei die Ablagerungsrate von Norden nach Süden entlang der Toten Küste allmählich abnahm, was vermutlich eng mit der Auflösung der Salzgügel und der differenziellen Verdichtung der salzhaltigen Ablagerungen verbunden ist. Um die Raum-Zeit-Evolutionsgesetze der Transformation vertieft zu analysieren, wurden die kumulativen Transformationsergebnisse entlang des A-A'-Profils (insgesamt ca. 3 km lang) extrahiert.Fig. 6Die Absenkung von 2000 m vor der Profillinie (in der Nähe der Küste) war während des Studienzeitraums besonders bemerkenswert, wobei die kumulative Variablenspitze über -800 mm lag, während die Variablen im Südsegment relativ gering variierten. Es ist bemerkenswert, dass in der Nähe des Charakteristikpunkts P (in der Zone des Salzverdampfungsbeckens, der in den 1990er Jahren von der jordanischen Arabischen Kaliumgesellschaft (APC) gebaut wurde und im März 2000 aufgrund der regionalen Ablagerung zusammenbrach), dieFig. 6Die gezeigte P-Punkt-Zeitreihendeformationskurve zeigt eine stabile lineare Absenktendenz, einen hohen Passvorteil und eine durchschnittliche jährliche Absenkrate von -102,88 mm/a. Eine umfassende Analyse zeigte, dass die kontinuierliche Ablagerung in der Region nicht nur durch den Prozess der Auflösung und Differenzverdichtung von Salzsteinen bedingt wurde, sondern bereits durchgeführte Studien zeigten auch eine versteckte False entlang des A-A'-Profils, deren Konstruktionsaktivitäten die beschleunigte Ablagerung von äußeren Wasserkörpern förderten, was die Auflösung und Ablagerung der unterirdischen Gesteinsschicht verschärfte.Fiaschi等，2017）。
Fig. 7Darüber hinaus zeigen die Charakteristiken der Oberflächenformation und die Gesetze der zeitlichen Evolution des typischen Felsenkollapses an der südwestlichen Küste des Toten Meeres von Juni 2016 bis Juni 2024, eine Region, die als eine der bedeutendsten Gebiete des Toten Meeres (maximale jährliche Durchschnittsrate von mehr als -90 mm / a) bekannt ist, die für häufige Salzhüllenlösungen und Kollapsaktivitäten bekannt ist.Fig. 7Die auf der verbesserten DS-InSAR-Technologie basierende jährliche durchschnittliche Variabilitätsverteilung (überlagerte hochauflösende Bilder von Google Earth) zeigt, dass deutlich sinkende Gebiete (gelb bis dunkelrot) konzentriert auf Küstensalzschwärmen und hochgefährdeten Gebieten, die stark übereinstimmen mit den bekannten Kollapsgebieten (rote Polygone), die vom israelischen Geologischen Sonderamt (GSI) veröffentlicht wurden, was die Anwendbarkeit und Zuverlässigkeit der verbesserten DS-InSAR-Methode an der Toten Meerküste bestätigt. Durch die gemeinsame Behandlung von permanenten Dispersionen (PS) und verteilten Dispersionen (DS) erhöht die Methode die Überwachungspunktdichte und die räumliche Abdeckungskapazität erheblich und überwindet die Einschränkungen einer einzigen Methode bei unzureichender Abdeckung in nicht-städtischen Gebieten. Die hohe Konsistenz der GSI-Kollaps-Zone und der Anormalitätszone bestätigt die Genauigkeit der Ergebnisse; Verteilung der multiphase kumulativen Formvariablen entlang der B-B' Profillinie (insgesamt ca. 12 km)Fig. 7Darstellung mehrerer Wellentalstrukturen, von denen die 4.000-6.000 m und 8.000-10.000 m Segmente am bemerkenswertesten sind.Fig. 7Die kollabierende Entwicklungszone mit einer kumulativen Verformung von bis zu 500 mm zeigt die Existenz mehrerer aktiver Seditionszentren und die räumliche Skalierbarkeit und die Kontinuität der Zeitreihenfolge. Auswahl der Merkmale Q und R (Fig. 7Die Kurven der Zeitreihenfolge 7(d) zeigen eine durchschnittliche jährliche Ablagegeschwindigkeit von -55,55 mm/a bzw. -63,44 mm/a, die sich als stabile lineare Ablagetrends in der Nähe von 1 mit einem passenden Vorteil auszeichnet, was darauf hindeutet, dass der Ablageprozess hauptsächlich durch die Mechanismen der unterirdischen Korrosion und des Schwerkraftkollapses dominiert wird. Insgesamt sind die starken Abfälle in der Region eng mit den spezifischen Salzsteingeologischen Bedingungen an der Küste des Toten Meeres verbunden, bei denen langfristige Süßwasserindringungen und Grundwasserstörungen zu einer Auflösung der unterirdischen Salzschichten führen und schließlich zu massiven Oberflächenkollapsen führen.
4.4 Analyse von Ablagerungen und Veränderungen des Toten Meeres
Zur quantitativen Aufklärung der Auswirkungen des anhaltenden Rückgangs des Toten Meeres auf die Küstenoberflächenformation wählten die Studie drei typische Beobachtungspunkte P, Q und R nach doppelten Kriterien der geologischen Repräsentativität und der statistischen Robustheit aus, die sich innerhalb der „räumlichen Überlappung von signifikanten Seditionshotspots und bekannten Kollapsgebieten“ der GSI veröffentlichten. Dabei wird ein Pufferbereich von 500 m für jeden Punkt aufgebaut, um eine ausreichende Anzahl von PS+DS-Überwachungspunkten zu aggregieren, wobei die kumulative Variable der durchschnittlichen Zeitreihenfolge des Pufferbereichs als repräsentative Sequenz verwendet wird, um die Auswirkungen von lokalem Rauschen und Offcluster-Bildern auf das Ergebnis zu unterdrücken. Anschließend wurden die oben genannten Sequenzen von Formvariablen mit den gleichzeitigen Änderungen des Toten Meeresspiegels verglichen, um die dynamische Reaktionsverhältnis zwischen den beiden zu untersuchen.
Fig. 8Die durchschnittliche akumulative Variable des 3-Punkt-Puffers P, Q und R mit den kombinierten Variablen des Toten Meeresspiegels ist gezeigt, wobei die linke Längsachse die akumulative Variable der Oberfläche ist (Einheit: mm), die rechte Längsachse den Toten Meeresspiegel ist (Einheit: m) und die Querachse die Überwachungszeit ist. Rote, grüne und blaue Streuungspunkte repräsentieren die ursprünglichen Transformationsbeobachtungen der P-, Q- und R-Punkte, die entsprechenden festen Linien sind ihre lineare Fit-Kurve, während schwarze gestrichelte Linien den Trend der Veränderung des Toten Meeresspiegels während des Studienzeitraums anzeigen. Die Ergebnisse zeigten, dass alle drei charakteristischen Punktpufferzonen eine signifikante kontinuierliche Sedentation zeigten und dass ihre zeitliche Evolution in hohem Maße mit dem Abfall des Toten Meeresspiegels übereinstimmte. Der P-Punkt hat die größte Größe der Formvariable und die höchste durchschnittliche jährliche Seditionsrate; R anschließend; Der Q-Punkt ist relativ langsam. Der Unterschied kann auf Faktoren wie den geologischen Hintergrund der einzelnen Punkte, die Entfernung zu den Seeufern und die Entwicklung der salzigen Schichten zurückzuführen sein.
Zur weiteren Darstellung der linearen Kopplungsbeziehung zwischen Form und Wasserstand,Fig. 8Dabei wurde die lineare Anpassung der Formvariable an den Totmeerwässerspiegel der entsprechenden Periode (R²) berechnet. Die Ergebnisse zeigten, dass die Formvariablen der P-, Q- und R-Punkte eine hohe Korrelation mit den passenden Vorteilen (R²) für die gleichzeitige Veränderung des Toten Meeresspiegels von 0,984, 0,982 und 0,986 zeigten. Dieses Ergebnis deutet darauf hin, dass der Rückgang des Toten Meeres in den untersuchten Gebieten eine deutliche Kontrolle über die Veränderung der Küstenoberfläche hat, und dass die anhaltende Schrumpfung des Seewassers die Auflösung und Verdichtungsprozesse der Salzhügel oder der salzigen Lager am Seeufer beschleunigen kann, was zu regionalen Oberflächensatzungen führt.
5 Analyse des Mechanismus des Kollapses an der Küste des Toten Meeres unter Antrieb des Wasserstandsabfalls
zur Erklärung des inneren Zusammenhangs zwischen dem Abschlag der Oberfläche an der Küste des Toten Meeres und der Veränderung des Wasserstandes,Fig. 9im Vergleich zu 1980)Fig. 9im Jahr 2010)Fig. 9Die Veränderungen des Toten Meeres und ihre Auswirkungen auf die Entwicklung von Gesteinslösungen enthüllen intuitiv die wichtigsten Antriebsmechanismen und den evolutionären Weg für die Bildung von Gesteinslösungen. Insgesamt ist der langfristige Rückgang des Toten Meeres durch die Rekonstruktion des Grundwassersystems und die starke Auflösung der Salzschicht zu einer Kernkraftkraft für die Entwicklung von Kollapsen an der Küste geworden.Avni等，2016）。 1980 war der Wasserstand des Toten Meeres etwa -400 m (siehe die rechte Höhenskala), der regionale Grundwasserspiegel und der Tote Meeresspiegel waren ungefähr im Gleichgewicht, die Süßwasser-Salzwasser-Grenzfläche lag über der Salzschicht, so dass die Salzschicht durch das Salzwasser des Toten Meeres umhüllt war und sich in einer relativ stabilen und geschlossenen Umgebung befand, aber da die Salzschicht nicht direkt der Süßwasserumgebung ausgesetzt war, trat ihre Löseeffekt fast nicht auf, die Salzschichtstruktur blieb intakt, die Grube wurde noch nicht gebildet. Zwischen 1980 und 2010 sank der Wasserstand des Toten Meeres um etwa 23 m (auf -423 m), was dazu führte, dass sich der gesamte Grundwasserspiegel der Region nach unten und nach Osten verschoben hat, und die Süßwasser-Salzwasser-Grenzfläche synchron nach unten in die mittlere Salzschicht verschoben wurde, wodurch die westliche Salzschicht einer Süßwasser- oder Salzwassergemischte ausgesetzt wurde. Zu diesem Zeitpunkt strömen Oberflächenwasser und Eindringströme aus dem Hochwassergebiet auf der westlichen Seite (durch den gelben festen Pfeil gezeigt) entlang der hochdurchlässigen Kiesschicht und des Bruchbandes nach Osten, um ein neues Grundwasserversorgungsmuster zu bilden, das Frischwasser direkt mit der ungesättigten Salzschicht in Kontakt steht und eine starke Lösenzone bildet.Fig. 9Die deutliche orientierte Penetrationsfähigkeit, die durch die Unterdruckwassergeschichte gezeigt wird, wird deutlich demonstriert, wobei Wasserströme entlang der vorteilhaften Kanäle die obere Salzschicht erodieren, vertikale Lösekanale bilden und bei lokaler Spülung "Löslocher" bilden, die sich schließlich zu unterirdischen Hohlstrukturen entwickeln. Mit der Bildung und kontinuierlichen Ausdehnung der Löslocher werden die feinkörnigen Lehmschichten an der Spitze der Salzschicht und die Schotterplatte durch den Verlust der unteren Unterstützung allmählich verdünnt und die Strukturfestigkeit sinkt deutlich. Wenn die obere Strukturinstabilität den kritischen Punkt erreicht, tritt ein felsenförmiger Zusammenbruch auf, bildet eine unterirdische Höhle und induziert die Oberflächensetzung und den Zusammenbruch von Kraten, was schließlich zu der Bildung von Oberflächenkraten führt, deren Verteilung oft linear oder perlenförmig ist. Darüber hinaus führte ein sinkender Wasserstand zu einer erheblichen Erhöhung des regionalen hydraulischen Gradienten; Gleichzeitig erhöhte die Penetration von Oberflächenwasser (Niederschläge oder Oberflächenabflüsse, wie in den orangefarbenen Pfeilen in der Abbildung gezeigt) die Intensität der Versorgung des westlichen Grundwassers und verschärfte das Spülen und Auflösen der Salzschicht. Dieser Prozess beschleunigt die räumliche Migration der Entwicklung des Grubens und bildet so einen positiven Feedback-Mechanismus.
Der obige Prozess bestätigt sich gegenseitig mit unserer InSAR-Zeitreihenanalyse: Die Veränderungsraten mehrerer typischer Punkte sind stark linear gekoppelt an gleichzeitige Wasserspiegelveränderungen (R²> 0,98), die seitlich die hydrogeologische Antriebskette „Wasserspiegelsinkel → Oberflächenverschiebung → Salzolosion und Hohlvergrößerung → Deckplatten-Instabilität → Oberflächenkollabs“ validieren. Die hohe Übereinstimmung beider in Bezug auf die räumliche Lage, die Zeitskala und die Evolutionstendenzen bestätigt die Eigenschaften des Kollapses im Toten Meer als eines typischen, durch hydrogeologische Prozesse getriebenen Oberflächenverformungsphänomens weiter.
6 Schlussfolgerungen
Diese Studie schlägt vor und validiert eine Methode zur homogeneen Metaerkennung (D-HTCI), die auf der Aktualisierung des dynamischen Vertrauensintervalls basiert und die Präzision und Stabilität der DS-Punktextraktion erheblich verbessert; Durch die Synergie von permanenten Dispersionen und sequenzieller Phaseoptimierungstechnologie wurde ein langzeitiges, dichtes und präzises Transformationsüberwachungssystem aufgebaut, das effektiv die Einschränkungen der herkömmlichen DS-InSAR-Methode in Anwendungen in nicht-städtischen, felslöslichen Umgebungen überwindet. Die Ergebnisse der Studie zeigen, dass die verbesserte DS-InSAR-Methode die Überwachungskapazitäten der nicht-städtischen felsigen Umgebung erheblich erweitert, während die Zuverlässigkeit der Messpunkte beibehalten wird: Die Gesamtzahl der Überwachungspunkte in den studierten Regionen stieg um etwa 79,0% gegenüber der herkömmlichen PS-Methode und um etwa 22,5% gegenüber der herkömmlichen DS-InSAR-Methode (basierend auf HTCI) und die Kontinuität der räumlichen Abdeckung deutlich verbessert wurde. Insbesondere in den typischen Kollapsgebieten an der Südwestküste des Toten Meeres ist die Punktdichte etwa dreimal höher als die herkömmliche PS-Methode und etwa 1,6 mal höher als die herkömmliche DS-InSAR-Methode, die in der Lage ist, dichte und kontinuierliche Seditionsstrecken zu zeichnen, die räumlichen Grenzen und Seditionsgradienteigenschaften potenzieller Kollapsgebiete genau zu definieren, was eine solide Unterstützung für die hochpräzise Rekonstruktion komplexer Seditionsprozesse bietet. Die morphologischen Überwachungsergebnisse zeigen die Merkmale einer deutlichen räumlichen Differenz in der Ablagerung in der Studiengebiete, wobei die Ablagerungshotspotzone eine deutliche räumliche Konzentration und eine streifenförmige Verteilung aufweist, wobei die maximale lokale Ablagerungsrate über -120 mm/a liegt. Die Analyse der InSAR-Transformationsergebnisse in Kombination mit den empirischen Wasserstandaufzeichnungsdaten bestätigte auf regionaler Ebene eine hohe lineare Kopplungsbeziehung zwischen der Oberflächensetzungsrate und dem Todwasserspiegelabgang (typische lineare Anpassung des Überwachungspunkts R²> 0,98), bietet eine starke empirische Unterstützung für den dynamischen hydrogeologischen Antriebsmechanismus "Wassersink - Süßwasserinvasion - Salzolosion - Felsenkollaps" und vertieft die entsprechenden theoretischen Modelle. Diese Studie hat entscheidende Fortschritte bei der Entwicklung der DS-InSAR-Technik, der Erkenntnis der Evolutionsprozesse von Kollapsen im Toten Meer und der Analyse der regionalen geologischen Umweltreaktionsmechanismen erzielt. Das gebildete technische System und die Forschungsergebnisse können eine wichtige technische Unterstützung und theoretische Referenz für die hochpräzise Überwachung und Analyse von Kollaps in anderen felsenlöslichen Gebieten bieten.
