CN116068511A - 一种基于深度学习的InSAR大尺度系统误差改正方法 - Google Patents
一种基于深度学习的InSAR大尺度系统误差改正方法 Download PDFInfo
- Publication number
- CN116068511A CN116068511A CN202310220889.3A CN202310220889A CN116068511A CN 116068511 A CN116068511 A CN 116068511A CN 202310220889 A CN202310220889 A CN 202310220889A CN 116068511 A CN116068511 A CN 116068511A
- Authority
- CN
- China
- Prior art keywords
- data
- phase
- longitude
- neural network
- network model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012937 correction Methods 0.000 title claims abstract description 20
- 238000013135 deep learning Methods 0.000 title claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 34
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 9
- 238000007906 compression Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000005305 interferometry Methods 0.000 claims description 5
- 230000009897 systematic effect Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 1
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 1
- 241001420622 Meris Species 0.000 description 1
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000005433 ionosphere Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- CCEKAJIANROZEO-UHFFFAOYSA-N sulfluramid Chemical group CCNS(=O)(=O)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)F CCEKAJIANROZEO-UHFFFAOYSA-N 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/40—Means for monitoring or calibrating
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B15/00—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons
- G01B15/06—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons for measuring the deformation in a solid
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9023—SAR image post-processing techniques combined with interferometric techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于深度学习的InSAR大尺度系统误差改正方法，包括以下步骤：收集覆盖目标区域数据并对其进行数据预处理，获得地理编码后的解缠相位数据、裁剪后的DEM数据和经纬度数据；根据相关数据之间的关系，搭建深度神经网络模型；将经过预处理获得的数据输入深度神经网络模型中，获得模拟的大尺度系统误差解缠相位；获得改正后的解缠相位；反演形变参数，获得改正后的形变结果。本发明提供了一种能够同时对地形相关大气相位、轨道残余相位及部分的湍流相位进行改正的模型，且在高陡山区、丘陵、平地区域均可实现InSAR大尺度系统误差改正。
Description
技术领域
本发明涉及合成孔径雷达干涉测量技术领域，尤其涉及一种基于深度学习的InSAR大尺度系统误差改正方法。
背景技术
合成孔径雷达干涉测量技术是近三十年来迅速发展的一种基于星载传感器对地观测测量技术。具有大范围、全天时和全天候的形变监测能力。随着SAR影像的时间分辨率与空间分辨率的不断提升、多源多时相的SAR影像可供选择与InSAR时序算法的不断发展与进步，InSAR技术在地质灾害隐患早期识别与监测领域得到了广泛的应用，如：火山监测、地面沉降监测、滑坡监测、地震监测以及冰川运动。该技术可以有效的弥补传统测量方法的不足，然而由于大尺度相位误差的存在，如：电离层、地形相关大气相位、轨道残余相位。这些误差会给形变测量精度带来严重影响。如：当大气出现20%的相对湿度时空变化会对形变结果造成几分米的误差；轨道相位与大尺度形变的空间特征类似，会严重影响大尺度形变的监测，如地震、火山运动。因此，综合去除大尺度的相位误差具有重要意义。
为了去除大尺度InSAR系统误差，在过去的几十年中，不少学者提出了大量针对不同大尺度系统误差成分的方法。针对地形相关大气相位提出了基于外部数据的改正方法，如数值气象产品(Weathermodels)、GNSS data、光谱分析法(MODIS, MERIS)、亦或是它们之间的组合；其次是基于改正模型的方法，如：线性改正法与幂率改正法。而针对轨道残余相位提出了基于卫星轨道轨迹补偿模型，对InSAR成像几何中的基线误差进行精确估计；其次是基于轨道相位在空间域与频域的特征；然后是基于外部数据的辅助，如GNSS；最后是一种数学拟合的方法，主要有线性拟合、多项式拟合等模型。
上述提出的改正方法已被证明在去除地形相关大气相位和轨道残余相位取得了一定程度的成功，但是这些方法都受限于其固有的局限。传统的基于线性模型、多项式等模型的方法不能完全描述每幅干涉对与轨道特征，且会受到空间特征与轨道相位和地形相关大气相位相似形变的影响。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于深度学习的InSAR大尺度系统误差改正方法，提供了一种能够同时对地形相关大气相位、轨道残余相位及部分的湍流相位进行改正的模型，解决了传统方法受限的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于深度学习的InSAR大尺度系统误差改正方法，其特征在于，所述方法包括以下步骤：
S1：收集覆盖目标区域的SAR数据、DEM数据和经纬度数据，并对其进行数据预处理，剔除相干性差的区域，获得地理编码后的解缠相位数据、裁剪后的DEM数据和经纬度数据；
S2：根据相关数据之间的关系，搭建深度神经网络模型，所述相关数据包括DEM数据、经纬度数据、地形相关大气相位、轨道残余相位和湍流相位；
S3：将经过预处理获得的地理编码后的解缠相位数据、裁剪后的DEM数据和经纬度数据输入深度神经网络模型中，获得模拟的大尺度系统误差解缠相位；
S4：将原始经过地理编码后的解缠相位与经过深度神经网络模型模拟后的大尺度系统误差解缠相位相减得到改正后的解缠相位；
S5：将改正后的解缠相位经过反地理编码到SAR坐标系，通过反演形变参数，获得改正后的形变结果。
上述方案的有益效果是：通过上述技术方案，综合考虑了轨道相位与地形相关大气相位，得到其与解缠相位的函数关系，剔除地形相关大气相位与轨道相位的同时，考虑了湍流相位的空间特性，可以剔除部分的湍流相位，同时对地形相关大气相位、轨道残余相位及部分的湍流相位进行改正，解决了传统方法受限的问题，能够更加准确的识别形变。
进一步地，S1中对SAR数据进行InSAR数据预处理，包括以下步骤：
S1-1：获取同一研究区按时间排序的两景SLC影像，并选择其中一景作为主影像；
S1-2：通过对影像在距离和方位上设置多视比10:2来减小斑点噪声的影响，并根据噪声的大小设置相应滤波参数，经滤波得到滤波后相干性数据；
S1-3：通过滤波后相干性数据的数据分布设置一个解缠阈值，保证训练数据充足，防止解缠错误数据的影响；
S1-4：根据解缠阈值，选择最小费用流法对所选影像干涉图计算得到的被包裹相位进行相位解缠；
S1-5：通过地理编码将SAR坐标系下的解缠相位数据转到与裁剪后的DEM数据和经纬度数据相同的地理坐标下，获得地理编码后的解缠相位数据。
上述进一步方案的有益效果是：通过上述技术方案，对收集到的数据进行预处理，从而得到训练深度神经网络需要的数据。
进一步地，S2中所述深度神经网络模型搭建包括以下步骤：
S2-1：将深度神经网络模型的全连接层网络作为提取输入DEM数据和经纬度数据信息的特征模块，结合DEM数据、经纬度数据与地形相关大气相位、轨道残余相位及湍流相位的关系，选择深度神经网络模型的通道注意力机制模块作为数据的加权特征提取模块；
S2-2：通过加权特征提取模块进行特征压缩操作，将空间维度进行特征压缩，再通过还原操作，为每个相关数据特征维度生成相应的权重，包括以下公式：
特征值压缩公式如下所示：
其中，
为输入的数据，
和
分别为输入数据的长和宽，
为压缩操作，
为原始数据压缩后第
个二维矩阵，
和
均为图像像素坐标；
权重计算公式如下所示：
其中，
为还原操作，
为RELU激活函数，
为RELU激活函数参数的降维层，
为RELU激活函数参数的升维层，
为特征通道权重，
为原始数据压缩后的结果，
为全局平均池化；
S2-3：将权重作用于原来的每个相关数据特征通道，公式如下所示：
上述进一步方案的有益效果是：通过上述技术方案，顾及使用的数据，搭建深度神经网络模型，便于后续获得模拟的大尺度系统误差解缠相位，同时将权重作用于原来的每个相关数据特征通道，有利于学习到不同数据通道的重要性。
进一步地，深度神经网络模型选用MSE作为损失函数进行参数评估，选择Adam优化算法作为参数优化算法。
上述进一步方案的有益效果是：考虑到地形相关大气相位与地形函数关系在空间上是变化的，即不同地区地形与大气相位的函数关系不同，通过上述技术方案，使得模型可以拟合一个较优的全局参数。
进一步地，S3中包括以下步骤：
S3-1：将经过预处理获得的地理编码后的解缠相位数据、裁剪后的DEM数据和经纬度数据输入至深度神经网络模型中，通过深度神经网络模型的全连接模块提取DEM数据和经纬度数据的空间特征，并通过通道注意力机制模块获得DEM数据、经纬度数据和解缠相位数据的权重；
S3-2：根据DEM数据、经纬度数据和解缠相位数据的权重获得DEM数据、经纬度数据和解缠相位数据之间的函数关系，得到预训练权重；
S3-3：根据预训练权重，通过深度神经网络模型获得最终的预测结果，得到模拟的大尺度系统误差解缠相位。
上述进一步方案的有益效果是：通过上述技术方案，将数据输入深度神经网络模型中处理后，得到去除大尺度系统误差后的解缠相位。
进一步地，S5中包括以下步骤：
S5-1：将改正后的解缠相位重新编码到SAR坐标下，进行DInSAR反演形变操作，通过对稳定的地面控制点的选择和细化进行轨道相位精炼和重去平，消除差分干涉中的轨道误差相位，再反演形变参数；
S5-2：将反演形变结果进行地理编码，获得系统误差改正后的形变结果。
上述进一步方案的有益效果是：将得到的改正后的解缠相位重新编码到SAR坐标下，继续相应的DInSAR反演形变操作，获得系统误差改正后的形变结果图，经对比，可以明显看到本发明的优势。
附图说明
图1为一种基于深度学习的InSAR大尺度系统误差改正方法流程图。
图2为一种基于深度学习的InSAR大尺度系统误差改正方法技术流程图。
图3为FC-Net部分InSAR大尺度误差改正结果图。
图4为FC-Net改正前后形变结果对比图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。
如图1所示，一种基于深度学习的InSAR大尺度系统误差改正方法，其特征在于，所述方法包括以下步骤：
S1：收集覆盖目标区域的SAR数据、DEM数据和经纬度数据，并对其进行数据预处理，剔除相干性差的区域，获得地理编码后的解缠相位数据、裁剪后的DEM数据和经纬度数据；
S2：根据相关数据之间的关系，搭建深度神经网络模型，所述相关数据包括DEM数据、经纬度数据、地形相关大气相位、轨道残余相位和湍流相位；
S3：将经过预处理获得的地理编码后的解缠相位数据、裁剪后的DEM数据和经纬度数据输入深度神经网络模型中，获得模拟的大尺度系统误差解缠相位；
S4：将原始经过地理编码后的解缠相位与经过深度神经网络模型模拟后的大尺度系统误差解缠相位相减得到改正后的解缠相位；
S5：将改正后的解缠相位经过反地理编码到SAR坐标系，通过反演形变参数，获得改正后的形变结果。
除此之外，S1中对SAR数据进行InSAR数据预处理，包括以下步骤：
S1-1：获取同一研究区按时间排序的两景SLC影像，并选择其中一景作为主影像；
S1-2：通过对影像在距离和方位上设置多视比10:2来减小斑点噪声的影响，并根据噪声的大小设置相应滤波参数，经滤波得到滤波后相干性数据；
S1-3：通过滤波后相干性数据的数据分布设置一个解缠阈值，保证训练数据充足，防止解缠错误数据的影响；
S1-4：根据解缠阈值，选择最小费用流法对所选影像干涉图计算得到的被包裹相位进行相位解缠；
S1-5：通过地理编码将SAR坐标系下的解缠相位数据转到与裁剪后的DEM数据和经纬度数据相同的地理坐标下，获得地理编码后的解缠相位数据。
S2中所述深度神经网络模型搭建包括以下步骤：
S2-1：将深度神经网络模型的全连接层网络作为提取输入DEM数据和经纬度数据信息的特征模块，结合DEM数据、经纬度数据与地形相关大气相位、轨道残余相位及湍流相位的关系，选择深度神经网络模型的通道注意力机制模块作为数据的加权特征提取模块；
S2-2：通过加权特征提取模块进行特征压缩操作，将空间维度进行特征压缩，再通过还原操作，为每个相关数据特征维度生成相应的权重，包括以下公式：
特征值压缩公式如下所示：
其中，
为输入的数据，
和
分别为输入数据的长和宽，
为压缩操作，
为原始数据压缩后第
个二维矩阵，
和
均为图像像素坐标；
权重计算公式如下所示：
其中，
为还原操作，
为RELU激活函数，
为RELU激活函数参数的降维层，
为RELU激活函数参数的升维层，
为特征通道权重，
为原始数据压缩后的结果，
为全局平均池化；
S2-3：将权重作用于原来的每个相关数据特征通道，公式如下所示：
深度神经网络模型选用MSE作为损失函数进行参数评估，选择Adam优化算法作为参数优化算法。
S3中包括以下步骤：
S3-1：将经过预处理获得的地理编码后的解缠相位数据、裁剪后的DEM数据和经纬度数据输入至深度神经网络模型中，通过深度神经网络模型的全连接模块提取DEM数据和经纬度数据的空间特征，并通过通道注意力机制模块获得DEM数据、经纬度数据和解缠相位数据的权重；
S3-2：根据DEM数据、经纬度数据和解缠相位数据的权重获得DEM数据、经纬度数据和解缠相位数据之间的函数关系，得到预训练权重；
S3-3：根据预训练权重，通过深度神经网络模型获得最终的预测结果，得到模拟的大尺度系统误差解缠相位。
S5中包括以下步骤：
S5-1：将改正后的解缠相位重新编码到SAR坐标下，进行DInSAR反演形变操作，通过对稳定的地面控制点的选择和细化进行轨道相位精炼和重去平，消除差分干涉中的轨道误差相位，再反演形变参数；
S5-2：将反演形变结果进行地理编码，获得系统误差改正后的形变结果。
在本发明的一个实施例中，如图2所示，收集覆盖目标区域的SAR影像数据和精密轨道数据，经配准处理获得SLC数据，形成原始干涉对，同时使用外部高程数据去除平地相位与地形相位，进而形成差分干涉对，经最小费用流解缠算法将缠绕相位解包裹并将其地理编码，将经过预处理的地理编码后的解缠相位、高程及经纬度数据输入至深度神经网络得到模拟的解缠相位，包括模拟的地形相关大气相位和模拟的轨道残余相位，然后将经地理编码后的解缠相位与网络模型模拟的解缠相位相减获得改正后的解缠相位，将改正后的解缠相位经反地理编码到SAR坐标系，反演形变参数，得到改正后的形变结果。本实施例中采用全连接通道注意力网络作为深度神经网络。
本发明提供了一种在高陡山区、丘陵和平地区域均可实现InSAR大尺度系统误差改正的方法，提出了一种能够同时对地形相关大气相位、轨道残余相位及部分的湍流相位进行改正的模型，该模型对InSAR获取实际形变速率和正确解译具有重要意义。图3提供了误差改正的结果，给出滤波后干涉对、原始的解缠相位、模拟的解缠相位和改正后的解缠相位结果对比图，由图3和图4（图4中a和c为改正前形变结果，b和d为改正后形变结果）可以看出，本方案在使用DInSAR进行形变监测时，通过使用该方法可以极大的减弱地形相关大气相位、轨道残余相位以及部分的小尺度的湍流相位的影响，从而可以识别从受到大气影响、轨道相位影响的区域识别出形变。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在发明的保护范围内。
Claims (6)
1.一种基于深度学习的InSAR大尺度系统误差改正方法，其特征在于，所述方法包括以下步骤：
S1：收集覆盖目标区域的SAR数据、DEM数据和经纬度数据，并对其进行数据预处理，剔除相干性差的区域，获得地理编码后的解缠相位数据、裁剪后的DEM数据和经纬度数据；
S2：根据相关数据之间的关系，搭建深度神经网络模型，所述相关数据包括DEM数据、经纬度数据、地形相关大气相位、轨道残余相位和湍流相位；
S3：将经过预处理获得的地理编码后的解缠相位数据、裁剪后的DEM数据和经纬度数据输入深度神经网络模型中，获得模拟的大尺度系统误差解缠相位；
S4：将原始经过地理编码后的解缠相位与经过深度神经网络模型模拟后的大尺度系统误差解缠相位相减得到改正后的解缠相位；
S5：将改正后的解缠相位经过反地理编码到SAR坐标系，通过反演形变参数，获得改正后的形变结果。
2.根据权利要求1所述的基于深度学习的InSAR大尺度系统误差改正方法，其特征在于，所述S1中对SAR数据进行InSAR数据预处理，包括以下步骤：
S1-1：获取同一研究区按时间排序的两景SLC影像，并选择其中一景作为主影像；
S1-2：通过对影像在距离和方位上设置多视比10:2来减小斑点噪声的影响，并根据噪声的大小设置相应滤波参数，经滤波得到滤波后相干性数据；
S1-3：通过滤波后相干性数据的数据分布设置一个解缠阈值，保证训练数据充足，防止解缠错误数据的影响；
S1-4：根据解缠阈值，选择最小费用流法对所选影像干涉图计算得到的被包裹相位进行相位解缠；
S1-5：通过地理编码将SAR坐标系下的解缠相位数据转到与裁剪后的DEM数据和经纬度数据相同的地理坐标下，获得地理编码后的解缠相位数据。
3.根据权利要求1所述的基于深度学习的InSAR大尺度系统误差改正方法，其特征在于，S2中所述深度神经网络模型搭建包括以下步骤：
S2-1：将深度神经网络模型的全连接层网络作为提取输入DEM数据和经纬度数据信息的特征模块，结合DEM数据、经纬度数据与地形相关大气相位、轨道残余相位及湍流相位的关系，选择深度神经网络模型的通道注意力机制模块作为数据的加权特征提取模块；
S2-2：通过加权特征提取模块进行特征压缩操作，将空间维度进行特征压缩，再通过还原操作，为每个相关数据特征维度生成相应的权重，包括以下公式：
特征值压缩公式如下所示：
其中，
为输入的数据，
和
分别为输入数据的长和宽，
为压缩操作，
为原始数据压缩后第
个二维矩阵，
和
均为图像像素坐标；
权重计算公式如下所示：
其中，
为还原操作，
为RELU激活函数，
为RELU激活函数参数的降维层，
为RELU激活函数参数的升维层，
为特征通道权重，
为原始数据压缩后的结果，
为全局平均池化；
S2-3：将权重作用于原来的每个相关数据特征通道，公式如下所示：
4.根据权利要求3所述的基于深度学习的InSAR大尺度系统误差改正方法，其特征在于，所述深度神经网络模型选用MSE作为损失函数进行参数评估，选择Adam优化算法作为参数优化算法。
5.根据权利要求1所述的基于深度学习的InSAR大尺度系统误差改正方法，其特征在于，所述S3中包括以下步骤：
S3-1：将经过预处理获得的地理编码后的解缠相位数据、裁剪后的DEM数据和经纬度数据输入至深度神经网络模型中，通过深度神经网络模型的全连接模块提取DEM数据和经纬度数据的空间特征，并通过通道注意力机制模块获得DEM数据、经纬度数据和解缠相位数据的权重；
S3-2：根据DEM数据、经纬度数据和解缠相位数据的权重获得DEM数据、经纬度数据和解缠相位数据之间的函数关系，得到预训练权重；
S3-3：根据预训练权重，通过深度神经网络模型获得最终的预测结果，得到模拟的大尺度系统误差解缠相位。
6.根据权利要求1所述的基于深度学习的InSAR大尺度系统误差改正方法，其特征在于，所述S5中包括以下步骤：
S5-1：将改正后的解缠相位重新编码到SAR坐标下，进行DInSAR反演形变操作，通过对稳定的地面控制点的选择和细化进行轨道相位精炼和重去平，消除差分干涉中的轨道误差相位，再反演形变参数；
S5-2：将反演形变结果进行地理编码，获得系统误差改正后的形变结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310220889.3A CN116068511B (zh) | 2023-03-09 | 2023-03-09 | 一种基于深度学习的InSAR大尺度系统误差改正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310220889.3A CN116068511B (zh) | 2023-03-09 | 2023-03-09 | 一种基于深度学习的InSAR大尺度系统误差改正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116068511A true CN116068511A (zh) | 2023-05-05 |
| CN116068511B CN116068511B (zh) | 2023-06-13 |
Family
ID=86171652
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310220889.3A Active CN116068511B (zh) | 2023-03-09 | 2023-03-09 | 一种基于深度学习的InSAR大尺度系统误差改正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116068511B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112816983A (zh) * | 2021-01-06 | 2021-05-18 | 中南大学 | 基于优化干涉图集的时序InSAR湍流大气延迟校正方法 |
| CN119936921A (zh) * | 2025-04-09 | 2025-05-06 | 内蒙古电力（集团）有限责任公司内蒙古电力经济技术研究院分公司 | 一种基于北斗定位的输电线路杆塔监测方法及系统 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109541596A (zh) * | 2018-11-28 | 2019-03-29 | 中国电子科技集团公司电子科学研究院 | 基于深度学习算法的InSAR图像处理方法及装置 |
| CN110332990A (zh) * | 2019-05-24 | 2019-10-15 | 深圳大学 | 一种基于深度学习的大气湍流实时补偿方法及系统 |
| CN111915570A (zh) * | 2020-07-10 | 2020-11-10 | 云南电网有限责任公司带电作业分公司 | 基于反向传播神经网络的大气延迟估计方法 |
| CN111998766A (zh) * | 2020-08-31 | 2020-11-27 | 同济大学 | 一种基于时序InSAR技术的地表形变反演方法 |
| CN112748430A (zh) * | 2020-12-02 | 2021-05-04 | 北京理工大学 | 一种基于空间划分的多基地大气相位联合补偿方法 |
| WO2021146775A1 (en) * | 2020-01-23 | 2021-07-29 | Ied Foundation Pty Ltd | Systems and methods for processing gnss data streams for determination of hardware and atmosphere-delays |
| CN113238227A (zh) * | 2021-05-10 | 2021-08-10 | 电子科技大学 | 一种结合深度学习的改进最小二乘相位解缠方法及系统 |
| CN113311433A (zh) * | 2021-05-28 | 2021-08-27 | 北京航空航天大学 | 一种质量图和最小费用流结合的InSAR干涉相位两步解缠方法 |
| CN114265062A (zh) * | 2021-11-11 | 2022-04-01 | 电子科技大学 | 一种基于相位梯度估计网络的InSAR相位解缠方法 |
| CN114280608A (zh) * | 2022-03-07 | 2022-04-05 | 成都理工大学 | 一种DInSAR高程相关大气效应去除方法及系统 |
| CN115270608A (zh) * | 2022-07-09 | 2022-11-01 | 自然资源部第二海洋研究所 | 基于arima与lstm的海岸带地面沉降预测方法 |
| CN115272683A (zh) * | 2022-07-25 | 2022-11-01 | 广西科技大学 | 一种基于深度学习的中心差分信息滤波相位解缠方法 |
| CN115293223A (zh) * | 2022-05-17 | 2022-11-04 | 电子科技大学长三角研究院(湖州) | 深度学习中相位解缠的细节损失优化方法及系统、存储介质 |
| CN115423180A (zh) * | 2022-08-31 | 2022-12-02 | 内蒙古大学 | 一种地表形变监测与预测方法 |
| CN115545100A (zh) * | 2022-09-27 | 2022-12-30 | 重庆三峡学院 | 基于LSTM的GB-InSAR大气相位补偿方法 |
| CN115629384A (zh) * | 2022-12-08 | 2023-01-20 | 中南大学 | 一种时序InSAR误差的改正方法及相关设备 |
-
2023
- 2023-03-09 CN CN202310220889.3A patent/CN116068511B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109541596A (zh) * | 2018-11-28 | 2019-03-29 | 中国电子科技集团公司电子科学研究院 | 基于深度学习算法的InSAR图像处理方法及装置 |
| CN110332990A (zh) * | 2019-05-24 | 2019-10-15 | 深圳大学 | 一种基于深度学习的大气湍流实时补偿方法及系统 |
| WO2021146775A1 (en) * | 2020-01-23 | 2021-07-29 | Ied Foundation Pty Ltd | Systems and methods for processing gnss data streams for determination of hardware and atmosphere-delays |
| CN111915570A (zh) * | 2020-07-10 | 2020-11-10 | 云南电网有限责任公司带电作业分公司 | 基于反向传播神经网络的大气延迟估计方法 |
| CN111998766A (zh) * | 2020-08-31 | 2020-11-27 | 同济大学 | 一种基于时序InSAR技术的地表形变反演方法 |
| CN112748430A (zh) * | 2020-12-02 | 2021-05-04 | 北京理工大学 | 一种基于空间划分的多基地大气相位联合补偿方法 |
| CN113238227A (zh) * | 2021-05-10 | 2021-08-10 | 电子科技大学 | 一种结合深度学习的改进最小二乘相位解缠方法及系统 |
| CN113311433A (zh) * | 2021-05-28 | 2021-08-27 | 北京航空航天大学 | 一种质量图和最小费用流结合的InSAR干涉相位两步解缠方法 |
| CN114265062A (zh) * | 2021-11-11 | 2022-04-01 | 电子科技大学 | 一种基于相位梯度估计网络的InSAR相位解缠方法 |
| CN114280608A (zh) * | 2022-03-07 | 2022-04-05 | 成都理工大学 | 一种DInSAR高程相关大气效应去除方法及系统 |
| CN115293223A (zh) * | 2022-05-17 | 2022-11-04 | 电子科技大学长三角研究院(湖州) | 深度学习中相位解缠的细节损失优化方法及系统、存储介质 |
| CN115270608A (zh) * | 2022-07-09 | 2022-11-01 | 自然资源部第二海洋研究所 | 基于arima与lstm的海岸带地面沉降预测方法 |
| CN115272683A (zh) * | 2022-07-25 | 2022-11-01 | 广西科技大学 | 一种基于深度学习的中心差分信息滤波相位解缠方法 |
| CN115423180A (zh) * | 2022-08-31 | 2022-12-02 | 内蒙古大学 | 一种地表形变监测与预测方法 |
| CN115545100A (zh) * | 2022-09-27 | 2022-12-30 | 重庆三峡学院 | 基于LSTM的GB-InSAR大气相位补偿方法 |
| CN115629384A (zh) * | 2022-12-08 | 2023-01-20 | 中南大学 | 一种时序InSAR误差的改正方法及相关设备 |
Non-Patent Citations (2)
| Title |
|---|
| WENFEI MAO等: "An InSAR Ionospheric Correction Method Based on Variance Component Estimation With Integration of MAI and RSS Measurements", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》, vol. 14, pages 1423 - 1433, XP011830241, DOI: 10.1109/JSTARS.2020.3045267 * |
| 李立中等: "系统噪声对 InSAR 相位解缠影响的模拟分析", 《测绘》, vol. 45, no. 6, pages 243 - 246 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112816983A (zh) * | 2021-01-06 | 2021-05-18 | 中南大学 | 基于优化干涉图集的时序InSAR湍流大气延迟校正方法 |
| CN112816983B (zh) * | 2021-01-06 | 2023-09-19 | 中南大学 | 基于优化干涉图集的时序InSAR湍流大气延迟校正方法 |
| CN119936921A (zh) * | 2025-04-09 | 2025-05-06 | 内蒙古电力（集团）有限责任公司内蒙古电力经济技术研究院分公司 | 一种基于北斗定位的输电线路杆塔监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116068511B (zh) | 2023-06-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113866764B (zh) | 基于InSAR和LR-IOE模型的滑坡易发性改进评估方法 | |
| CN106772342B (zh) | 一种适用于大梯度地表沉降监测的时序差分雷达干涉方法 | |
| CN103454636B (zh) | 基于多像素协方差矩阵的差分干涉相位估计方法 | |
| CN109558859B (zh) | 基于DInSAR和DCNN的矿区分布信息提取方法及系统 | |
| CN116068511B (zh) | 一种基于深度学习的InSAR大尺度系统误差改正方法 | |
| CN116305902B (zh) | 一种基于多模态遥感的洪涝最大淹没水深空间模拟方法 | |
| CN117724098A (zh) | 一种缓解大气季节性震荡的时序InSAR对流层延迟校正方法 | |
| CN113378945A (zh) | 一种基于机器学习重建高时空分辨率地面沉降信息的方法 | |
| CN116148855B (zh) | 时序InSAR大气相位去除和形变解算的方法及系统 | |
| CN114812491A (zh) | 基于长时间序列分析的输电线路地表形变预警方法及装置 | |
| CN110109105A (zh) | 一种基于时序的InSAR技术监测地表形变的方法 | |
| CN119027640B (zh) | 一种基于自适应窗口的InSAR大气延迟校正方法及系统 | |
| CN115079172A (zh) | 一种MTInSAR滑坡监测方法、设备及存储介质 | |
| CN114239379A (zh) | 一种基于形变检测的输电线路地质灾害分析方法及系统 | |
| CN117970332B (zh) | 一种联合光学影像的InSAR城区地表形变危险性精细识别方法 | |
| CN113138388B (zh) | 融合精密水准与InSAR可靠沉降值的地面沉降监测方法 | |
| CN107144213A (zh) | 基于sar强度影像的矿区大量级三维时序形变估计方法及装置 | |
| CN108132468A (zh) | 一种多基线极化干涉sar建筑物高度提取方法 | |
| Lauknes et al. | A comparison of SBAS and PS ERS InSAR for subsidence monitoring in Oslo, Norway | |
| CN114280608B (zh) | 一种DInSAR高程相关大气效应去除方法及系统 | |
| CN114046774A (zh) | 综合cors网和多源数据的地面形变连续监测方法 | |
| CN119358818A (zh) | 基于InSAR滑坡易发性评价方法、装置、设备和介质 | |
| CN118731945A (zh) | 一种星载雷达干涉滑坡形变监测方法及其装置 | |
| Zylshal et al. | Space-borne Interferometric SAR for digital elevation model in the tropical region: An initial result of Sentinel-1 RADAR data over the Indonesian archipelago | |
| CN115166846A (zh) | 基于负荷形变的区域地面重力变化连续监测方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |