关键词:
时序InSAR
相位滤波
相位解缠
Unet
cGAN
摘要:
合成孔径雷达干涉测量(Interferometric Synthetic Aperture Radar,InSAR)是实现地表广域形变监测或地形反演的重要手段。在InSAR数据处理过程中,相位滤波和相位解缠是影响数据反演质量的关键步骤,高效高精度的滤波和解缠方法对InSAR精准监测地表形变至关重要。传统的基于物理模型的相位滤波和相位解缠方法,在低相干性或干涉条纹非常密集的区域难以平衡性能和效率。深度神经网络模型具有强大的特征提取能力和非线性拟合能力,被引入到InSAR相位滤波和相位解缠方法中,能极大缓解精度和效率的矛盾。本文首先构建基于数学分形法的干涉相位模拟方法,得到相位滤波和相位解缠模型数据集;然后构建多尺度卷积神经网络(Multi-scale Convolutional Neural network,MSCNN)InSAR相位滤波模型,解决分辨率和细节信息损失问题,在此基础上,增加通道注意力机制(Squeeze-and-Excitation,SE)模块,构建多尺度特征动态融合(Multi-scale Feature Dynamic Fusion Deep Convolutional Neural network,MSFF-DCNN)相位滤波模型,进一步提高InSAR相位滤波细节保持能力和噪声抑制能力;接着构建基于改进U-Net的Unwrap-R2AUnet相位解缠模型,实现高效高精度InSAR相位解缠,再次基于条件生成对抗网络,构建UnwrapcGAN相位解缠模型,提升低相干区域其绝对相位的恢复能力和细节保持能力;最后利用模拟和真实数据,验证提出的InSAR相位滤波和相位解缠模型的性能。本研究主要贡献如下:(1)本文提出了基于数学分形法的干涉相位模拟方法,构建了深度学习相位滤波或解缠模型数据集。该方法利用菱形方形方法模拟接近于真实地形特征的地形模型,基于InSAR成像几何合成其模型训练和测试所需要的数据集,避免了现有数字高程模型自身所携带的误差,在模型训练过程中更稳定,且使用模拟数据在InSAR相位滤波和相位解缠时进行定量评价更准确、更客观。(2)采用多路径多级别特征融合策略,构建了MSCNN的InSAR相位滤波模型,在此基础上,在正余弦特征融合和多尺度特征融合之后嵌入SE模块,构建了MSFF-DCNN的InSAR相位滤波模型,该模型可以动态调整多尺度特征权重分布,使模型在训练时强化重要特征,弱化次要特征;基于模拟数据和真实数据验证提出的MSCNN和MSFF-DCNN的InSAR相位滤波模型,发现提出的MSFF-DCNN相位滤波模型在性能和效率上均超越了传统的相位滤波模型,尤其在低相干区域的相位细节恢复中更具有优势;最后将提出的新模型应用于时序InSAR形变监测中,发现时间序列沉降结果在空间上的更完整,时序沉降量更接近水准数据。(3)基于U-Net模型基础架构,结合残差循环卷积模块和注意力模块,构建了基于改进U-Net的Unwrap-R2AUnet相位解缠模型,该模型充分利用了UNet的细节信息保持能力,并提升了模型收敛速度和对噪声的抗干扰能力;此外,基于Unwrap-R2AUnet模型主体框架为生成器,以Patch GAN为判别器,构建了基于cGAN的Unwrap-cGAN相位解缠模型;利用模拟数据和真实数据验证提出模型的性能,实验结果表明提出的Unwrap-cGAN相位解缠模型获得了最佳的相位解缠结果,在时序InSAR形变监测中得到了最接近水准数据的形变量。