受全球气候变暖影响，青藏高原冻土退化和地表失稳问题不断加剧，对基础设施的建设维护和区域社会经济发展造成阻碍。近年来，SBAS-InSAR技术已在冻土地表形变监测中得到广泛应用，但由于青藏高原部分地区存在较为严重的失相干现象，导致形变监测结果出现空间不连续性，进而无法获得全面且精细的监测结果。针对上述问题，本文提出了一种联合机器学习与SBAS-InSAR的冻土形变监测方法，选取西藏阿里门士乡为研究区域，使用2020年1月7日至2021年6月6日共43景Sentinel-1A降轨影像数据提取地表形变信息；综合多类环境因子数据生成训练集后，引入机器学习模型拟合SBAS-InSAR监测结果与环境因子之间的内在关系，从而获取研究区连续形变速率图。结果表明，联合随机森林模型与SBAS-InSAR的方法效果最优，通过该方法对冻土形变缺失区域进行插值能极大提高原有SBAS-InSAR方法的监测覆盖率，其插值结果平均误差和均方根误差分别为0.459和0.739 mm/a。

来源平台：测绘通报