合成孔徑雷達 (Synthetic Aperture Radar, SAR) 是一種主動式遙感技術，通過發射雷達信號並接收反射信號，創建高分辨率的地表影像。其獨特之處在於不受天候、光線和季節影響，可在任何時間和天氣下進行觀測。這種技術廣泛應用於地球科學、環境監測和災害管理，例如於第39期電子報提及的火山變形監測和南加州地震引發的地表位移 (圖1)。

即將於2024年1月發射的NASA-ISRO SAR Mission (NISAR)是由NASA和ISRO共同開發的低地球軌道 (Low Earth orbit, LEO)觀測衛星。它攜帶L-band和S-band的雙頻SAR，以4至6 m的解析度每月繪製地球陸地和冰層的高程5至10次，實現大範圍高分辨率數據的採集。此衛星可觀測和測量地球上複雜的自然過程，包括生態系統干擾、冰蓋崩塌以及地震、海嘯、火山和山體滑坡等自然災害。

本期電子報將介紹被譽為可能是史上最貴的地球觀測衛星-NISAR，藉由美國及印度的國際合作，一同推動地球觀測科學的進步。同時，將介紹InSAR在邊坡災害監測中的相關技術，也期待NISAR衛星的升空和InSAR技術的蓬勃發展。

NASA-ISRO SAR (NISAR) 衛星是由美國國家航空暨太空總署 (NASA) 和印度太空研究組織 (ISRO) 攜手合作開發的一個太空任務，並即將於2024年1月發射升空 (圖2)。

NISAR最引人矚目的特點是其觀測系統搭載了直徑12 m的可展開反射器，安裝於9 m支架上 (圖3)。此外，NISAR將搭載目前最先進的SAR技術，同時具備L-band (1.25 GHz / 24 cm) 和S-band (3.20 GHz / 9.3 cm) 兩種雷達頻段的雙頻能力 (表1)。這使得NISAR能夠同時捕捉不同頻段的資訊，能更全面地蒐集地表變形資訊、植被生物量及森林高度，顯著提升現有地球觀測技術的能力。

目前被廣泛應用的頻段，除常用於海洋領域的X-band外，大多為波長相對較短的C-band及較可以穿透植被的L-band (圖4)。以過往的案例為例，Earth Big Data, LLC運用ALOS衛星的L-band雷達技術，分析了2007至2009年間路易斯安那州南部木材產區的變化。成果如圖5所示，紅色區域顯示森林砍伐或疏伐區域，而藍色區域則表示人工林再生區域。此方法將能夠迅速且大範圍評估森林的生產情況和商業價值。

而在NISAR升空前的前期研究中，因其搭載著較少被應用的S-band，故Singh et al. (2022) 即探討了L-band和S-band雷達對土壤表層的穿透能力，以評估土壤的介電特性，以瞭解S-band於遙測時的應用能力。另Mandai et al. (2020) 針對模擬的NISAR L-band全極化數據提出新的植被指數 (dual-pol radar vegetation index, DpRVI)，研究顯示DpRVI的時間變化趨勢與油菜籽的生長階段變化相近，且與多個生物物理量之間具有良好的相關性 (圖6)。這些新數據可為科學家提供更多關於全球環境變化的信息，進一步支持環境保護和可持續發展的決策。

SAR具備穿透雲層及部分植被之特性，非常適合研究天然災害或人類活動導致的大範圍地表變形。因此，在1990年代出現了應用雷達波相位數據的干涉合成孔徑雷達 (InSAR) 及合成孔徑雷達差分干涉 (Differential Synthetic Aperture Radar Interferometry, DInSAR) 技術。後者逐漸發展成為目前常見的ALOS和Sentinel-1資料應用的技術。

簡單來說，DInSAR為衛星通過相同位置兩次時，測量地面兩次的相位 (Phase) 的變化來推算表面變形。
如圖7所示，在第一次通過 (Pass #1) 時，雷達衛星測量衛星與地面之間沿視線 (LOS) 方向的相位φ1，而在第二次通過 (Pass #2) 時，衛星再次對同一點測量衛星與地面之間的相位φ2，若地面在衛星兩次通過之間地表有發生位移，則相位差Δφ將與兩次通過間地面的LOS方向的變形成比例關係。

近年來，應用於邊坡監測的DInSAR延伸技術不斷發展，如謝渝棋等人 (2022) 使用SBAS-InSAR技術估算水庫集水區內邊坡的沖蝕變化。此外，陳柔妃教授多年來協助農村水保署實際應用PS-InSAR及TCP-InSAR於長時間的大規模崩塌潛勢區活動性觀測，已經成功掌握活躍邊坡長期變形趨勢，並為署內其他計畫提供參考。

藍振維等人 (2021) 則將分布式散射體 (Distributed Scatterer, DS) 及PS-InSAR中的永久散射體結合，提高了探測崩塌前邊坡活動的能力，稱為「適應性時間序列雷達差分干涉法 (Adaptive Time-Series InSAR, ATS-InSAR)」。
同樣地，Weng et al. (2022) 也運用此方法，在邊坡檢測到實際移動後，立即展開為期一個月的ATS-InSAR分析。根據時間序列，LOS位移從2020年5月19日開始增加，並在5月底發生崩塌。這顯示InSAR有助於更好地理解崩塌前邊坡的活動情況，並為可能的破壞程度提供參考 (圖8)。

然而，各種類型的DInSAR都會受到大氣、同調性、地形等誤差。其中由LOS和地形角度所造成遮蔽影響的誤差最為明顯，使得DInSAR目前尚難以被應用於地形變化較大的區域。如圖9所示，衛星視角從左上方向右下方檢測，而起伏較大的地形則會於衛星在接收訊號時，出現陰影區 (綠區) 和疊加區 (紅區)。

因此，Van Natijne et al., (2022) 在Google Earth Engine上使用Sentinel-1衛星資料，開發了GEE APP來顯示Sentinel-1衛星在判斷崩塌時的敏感度。透過APP右下角的衛星軌道，可以查看關注區域的敏感度指標 (sensitivity index)、偵測潛力 (detection potential) 或極化指標 (polarity) 等。
GEE APP如圖10為例，若在山區選擇117升軌的Sentinel-1影像時，圖中顯示綠色部分為SAR偵測敏感度較高區域，而深藍色則為受限地形而形成的遮蔽區。以此藉由APP針對需應用SAR於所關注地區時，顯示可能會有的地形限制，提供應用時的參考。

1.　NASA-ISRO SAR Mission (NISAR)
2.　InSAR Principles (資料來源：ESA)
3.　THE CEOS DATABASE : NISAR (資料來源：CEOS)
4.　Laymans SAR Interpretation Guide (資料來源：CEOS)
5.　第39期電子報-1815年史上最大的火山爆發導致全球氣候變遷事件 (資料來源：RTDT)
6.　ATS-InSAR (資料來源：Webnode)

1.　藍振維, 李璟芳, 林士淵, & 林玉菁. (2021). 新世代合成孔徑雷達影像評估技術-ATS-InSAR 研發與應用. 中興工程, (153), 47-58.
2.　謝渝棋, 蕭宇伸, & 卓宥瑄. (2022). 以 SBAS-InSAR 技術量測水庫集水區邊坡沖蝕變化. Journal of Chinese Soil and Water Conservation, 53(1), 35-42.
3.　Frappart, F., Wigneron, J. P., Li, X., Liu, X., Al-Yaari, A., Fan, L., ... & Baghdadi, N. (2020). Global monitoring of the vegetation dynamics from the Vegetation Optical Depth (VOD): A review. Remote Sensing, 12(18), 2915.
4.　Kellogg, K., Hoffman, P., Standley, S., Shaffer, S., Rosen, P., Edelstein, W., ... & Sarma, C. V. H. S. (2020, March). NASA-ISRO synthetic aperture radar (NISAR) mission. In 2020 IEEE Aerospace Conference (pp. 1-21). IEEE.
5.　Kumar, S. (2022). Polarimetric Distortion Analysis of L-and S-Band Airborne SAR (LS-ASAR): A Precursor Study of the Spaceborne Dual-Frequency L-and S-Band NASA ISRO Synthetic Aperture Radar (NISAR) Mission. Engineering Proceedings, 27(1), 77.
6.　Mandai, D., Bhogapurapu, N. R., Kumar, V., Dey, S., Ratha, D., Bhattacharya, A., ... & Rao, Y. S. (2020, September). Vegetation Monitoring Using a New Dual-Pol Radar Vegetation Index: A Preliminary Study with Simulated NASA-ISRO SAR (NISAR) L-Band Data. In IGARSS 2020-2020 IEEE International Geoscience and Remote Sensing Symposium (pp. 4870-4873). IEEE.
7.　Singh, A., Niranjannaik, M., Kumar, S., & Gaurav, K. (2022). Comparison of different dielectric models to estimate penetration depth of l-and s-band sar signals into the ground surface. Geographies, 2(4), 734-742.
8.　Van Natijne, A. L., Bogaard, T. A., van Leijen, F. J., Hanssen, R. F., & Lindenbergh, R. C. (2022). World-wide InSAR sensitivity index for landslide deformation tracking. International Journal of Applied Earth Observation and Geoinformation, 111, 102829.
9.　Weng, M. C., Lin, C. H., Shiu, W. J., Chao, W. A., Chiu, C. C., Lee, C. F., ... & Yang, C. M. (2022). Towards a rapid assessment of highway slope disasters by using multidisciplinary techniques. Landslides, 19(3), 687-701.