SAR图像独立同分布样本选取理论与方法
InSAR数据具有随机性，需要采用统计推断方法进行参数估计。统计推断是研究如何利用样本信息外推到总体的方法，对采集的样本有独立同分布的基本要求。由于SAR传感器不能在同一时刻连续成像，常以空间样本代替重复观测。但是在复杂环境和细节丰富的地表，空间样本具有异质性，样本来源于不同分布，导致参数估计缺乏统计意义，空间特征亦无法维持。如何从异质的影像中挑选出独立同分布样本，进而满足统计推断的基本要求，是整个InSAR技术的基石，也是数据处理流程控制的必要条件。
研究在统计判决理论下由黎曼-皮尔逊准则推演得到参数广义似然比检验统计量，给出了拒绝域的解析解, 并在中心极限定理下，推演得到采集样本的置性区间表达式。相关理论形成了FaSHPS算法，将现有基于非参数统计方法的计算效率提高了近200倍。算法在DISpro开源软件中公布了源代码。
相干性估计理论
InSAR技术的本质是相干，衡量回波信号质量（或相干程度）的标准是相干性，在数理统计领域中是相关系数在复数域的拓展，它是InSAR数据处理流程控制的重要指标。但是相干性估计量有偏，尤其是植被环境等低相干场景，产生的高估偏差误导数据处理，极易引起误差传播，是限制InSAR技术可靠性和精度的主因之一。
研究聚焦相干性估计无偏估计量无解析形式和解析解的问题，在独立同分布样本选取的基础上，推演了非参数迭代和参数bootstrapping相干性估计量，解决了在实践中无法纠偏的问题。研究结论改正了InSAR基本观测量的可靠性，在InSAR时序分析、场景分类以及相干变化检测等方面具有潜在价值。
时空网络相干性最大化算法
时序InSAR技术的监测精度依赖于时空网络的形态与质量。在时间维，时间去相关是制约时间网络的主因，并间接影响空间网络。阈值化筛选网络边缘（小基线集是典型的时间维边缘筛选方法）一方面减少边缘数量，另一方面极易在时空维出现子集，导致设计矩阵秩亏、病态和解缠等问题，进而在形变解算时在时间和空间出现系统偏差。
研究围绕时空相干性增强，在相干性精确估计的基础上，利用每个点对（边缘）的最短路径搜集相干性最高的边缘集合，折衷最小生成树在边缘上的损失与相干性最大化，将时空上的所有点集联系在一起，避免子集的出现。
低相干场景分布式目标InSAR时序分析技术（DSI）
分布式散射体是相对于永久散射体的目标，在狭义上泛指自然地表，在广义上也包含不具有后向散射主导地位的部分不透水面。低相干场景不仅与植被环境有关，还与时间跨度有关，随着数据堆积，场景相干性衰减难以避免。从技术角度来说，DSI与SBAS均应用分布式目标，不同的是SBAS仅使用空间维信息提高相位观测的信噪比，而DSI联合时空信息，因而在理论上监测精度更高。
研究将相干性估计理论推广至复协方差矩阵估计，以相干性为主线改善时序相位优化过程，借助快速独立同分布样本选取与时空相干性最大化方法将DSI延伸至低相干地表，推演了形变参数似然估计量，将主流InSAR形变监测技术不确定性（精度+可靠性）提升约2%-40%，实现大范围高效DSI形变监测。
形变监测应用
研究对岛礁和海岸带陆地沉降进行了普查，分别应用1米分辨率数据和Sentinel-1 TOPS模式数据获取形变速率和时序位移，识别多处潜在隐患目标。
以中山大学珠海校区周边屋宇设施为例，2015-2020年期间格力海岸附近滨海公园出现连续不均匀地表沉降，最高达每年30-40mm，累计沉降量约15-20cm。
