一种冰川区InSAR大梯度相位解缠方法技术

本发明专利技术提供一种冰川区InSAR大梯度相位解缠方法，包括以下步骤：基于冰川区DEM差分值的干涉图模拟技术生成训练样本，通过构建的一个卷积层和Transformer混合的对称相位解缠网络模型对训练样本进行训练后，将预测的相位不连续信息作为概率质量图输入到最大流\最小割算法中，进行相位缠绕计数估计，完成相位解缠。本发明专利技术利用深度学习强大的学习总结能力和数据挖掘能力，摆脱了相位解缠对相位连续性假设的依赖。依赖。依赖。

【技术实现步骤摘要】
一种冰川区InSAR大梯度相位解缠方法


[0001]本专利技术属于星载合成孔径雷达干涉测量
，具体涉及到一种冰川区InSAR大梯度相位解缠方法。

技术介绍

[0002]在全球气候变暖大背景下，冰川处于物质快速流失并逐渐失稳的状态。由于冰川物质体积和质量巨大，冰川大规模突然分离(也称冰川崩塌)可引发严重山地灾害。近期多项研究发现冰川在发生大规模突然分离前往往有明显的跃动迹象。另外冰川跃动本身也能导致一些山地灾害，例如跃动冰体快速消融产生的融水引发泥石流，跃动冰体阻塞峡谷导致堰塞湖洪水，跃动体破坏冰川湖引发冰湖溃决洪水。因此监测冰川跃动对于冰川灾害感知具有重要指导意义。由于冰川跃动会使冰川表面高程产生显著变化，冰面高程变化监测是研究冰川跃动的重要手段之一。星载合成孔径雷达干涉测量技术(InSAR)具备全天候观测能力，可以为持续、及时、全面的冰川表面高程变化监测提供关键数据源。在生成冰面DEM时，单发双收SAR影像对不受冰川表面时间去相干、冰川运动、大气变化影响。因此，在2011年德国TanDEM
‑
X单发双收影像数据推出后，InSAR技术在冰川表面高程变化监测领域得到较广泛的应用。
[0003]相位解缠是InSAR技术获取地表高程的核心步骤。由于一般SAR影像生成的山区原始干涉相位条纹十分密集，直接解缠的成功率极低，需要将原始相位与外部DEM模拟的地形相位作差，再对差分相位进行解缠。将展开的差分相位转换成高程差，加上外部DEM后可得到新的DEM。传统的相位解缠方法几乎都基于相位连续性假设，即相邻像元之间的相位差的不超过π。但在冰川发生跃动或崩塌时，表面高程变化可能导致InSAR差分相位图上相邻像元之间的相位差超过π。采用传统方法解缠会使展开相位存在明显的跳变，最终导致生成的InSAR DEM在关键目标区存在粗差，无法用于估计冰川表面高程变化。
[0004]传统的InSAR相位解缠方法几乎都基于相位连续性假设，即相邻像元之间的相位差不超过。当相位连续性假设条件被冰川区域显著高程变化导致的剧烈相位变化或噪声破坏时，传统相位解缠方法无法获取准确的展开相位。此外，即便相位连续性假设条件能够满足，路径跟踪法在低信噪比条件下容易形成大量不可解缠的封闭区域，产生“孤岛”现象；基于优化的方法易将相位梯度较大区域的解缠错误传播到整个解缠区域；基于统计的方法处理干涉数据的效率较低，对计算机硬件设备要求高。
[0005]现有深度学习相位解缠方法还存在如下问题：(1)现有方法大多直接在模拟数据上进行实验，这使得模型对真实InSAR干涉相位空间分布特征考虑不足，在复杂地形下容易出现相位分类不平衡问题；(2)现有方法设计的网络相对较浅，难以拟合残差较多的相位数据，且采用的深度学习模型几乎都以卷积层作为基本单元，模型性能受到卷积层对特征的全局位置不敏感、难以跟踪图像中远距离依赖关系等问题的限制；(3)由于相位缠绕计数估计以范数最小为准则，易将错误预测的相位梯度信息传播到整个区域。
[0006]因此，本领域需要一种冰川区InSAR大梯度相位解缠方法。

技术实现思路

[0007]本专利技术的目的是提供一种冰川区InSAR大梯度相位解缠方法，以解决
技术介绍
中提出的传统的InSAR相位解缠方法几乎都基于相位连续性假设，皆存在不同的缺点的问题。
[0008]本专利技术的技术方案是，一种冰川区InSAR大梯度相位解缠方法，包括以下步骤：
[0009]步骤1、基于冰川区DEM差分值的干涉图模拟技术生成训练样本，
[0010]步骤2、通过构建的一个卷积层和Transformer混合的对称相位解缠网络模型对训练样本进行训练，
[0011]步骤3、将预测的相位不连续信息作为概率质量图输入到最大流\最小割算法中，进行相位缠绕计数估计，完成相位解缠。
[0012]在一种具体的实施方式中，所述步骤1中，通过选取冰川覆盖山区的SRTM(Shuttle Radar Topography Mission)DEM数据和COP
‑
DEM数据的差分值用于训练样本模拟。
[0013]在一种具体的实施方式中，所述步骤1的具体过程包括：统一两期DEM高程基准，配准两期DEM，差分两期DEM，基于DEM差分图模拟地形差分相位图，随后添加模拟的大气湍流噪声，高斯噪声，随机形状的大振幅噪声，大振幅噪声用于模拟水体和山体阴影引起的严重去相关，估计添加噪声后模拟干涉相位的相干性，最后将模拟的绝对相位进行缠绕得到模拟缠绕相位。
[0014]在一种具体的实施方式中，所述步骤2中，根据模拟的缠绕相位图基于“相位连续性假设”计算残差图，根据模拟相位图位置裁剪冰川标签图，最后将以上两种因子和模拟的缠绕相位图作为深度学习模型三个通道输入的特征；根据模拟的绝对相位图计算相位不连续点，将相位不连续点图作为深度模型的输出。
[0015]在一种具体的实施方式中，所述步骤2中，构建了一个CNN和Transformer混合的对称相位解缠架构GTPU
‑
Net，包括编码器、解码器和添加注意力机制的跳跃连接(skip connection)；模型编码器的基本单元为Vision Transformer。
[0016]在一种具体的实施方式中，所述步骤3具体包括：在马尔可夫随机场中定义能量函数，将相位不连续性信息作为缠绕计数估计中使用的相位变化先验知识，构建马尔可夫有向图，根据能量函数计算有向图各边的权重，基于最大流\最小割算法求解使能量函数最小化的缠绕计数k，完成相位解缠。
[0017]本专利技术的有益效果包括：
[0018]1、本专利技术利用深度学习强大的学习总结能力和数据挖掘能力，摆脱了相位解缠对相位连续性假设的依赖。
[0019]2、本专利技术利用冰川区DEM差分值来模拟双站InSAR差分相位，并根据冰川区相位特征添加多种噪声，获取InSAR相位训练样本更加符合冰川表面高程变化监测场景特征。
[0020]3、本专利技术构建一个卷积层和Transformer混合的对称相位解缠网络模型，通过跳跃连接来融合卷积模块提取的局部信息和Transformer提取的全局信息，实现干涉图像高精度分割，解决了卷积层对图像特征的全局位置不敏感和难以跟踪图像中远距离依赖关系问题。
[0021]4、本专利技术基于马尔可夫随机能量场和最大流/最小割算法进行缠绕计数估计，解决基于深度学习进行回归预测的展开相位再缠绕后与原始干涉相位的不一致的问题，同时抑制低相干区域错误预测的相位梯度信息的传播，使冰川区InSAR大梯度相位解缠结果更
可靠。
[0022]除了上面所描述的目的、特征和优点之外，本专利技术还有其它的目的、特征和优点。下面将参照图，对本专利技术作进一步详细的说明。
附图说明
[0023]构成本申请的一部分的附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0024]图1为样本数据模拟对比图；其中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种冰川区InSAR大梯度相位解缠方法，其特征在于，包括以下步骤：步骤1、基于冰川区DEM差分值的干涉图模拟技术生成训练样本，步骤2、通过构建的一个卷积层和Transformer混合的对称相位解缠网络模型对训练样本进行训练，步骤3、将预测的相位不连续信息作为概率质量图输入到最大流\最小割算法中，进行相位缠绕计数估计，完成相位解缠。2.根据权利要求1所述的冰川区InSAR大梯度相位解缠方法，其特征在于，所述步骤1中，通过选取冰川覆盖山区的SRTM(ShuttleRadarTopographyMission)DEM数据和COP
‑
DEM数据的差分值用于训练样本模拟。3.根据权利要求2所述的冰川区InSAR大梯度相位解缠方法，其特征在于，所述步骤1的具体过程包括：统一两期DEM高程基准，配准两期DEM，差分两期DEM，基于DEM差分图模拟地形差分相位图，随后添加模拟的大气湍流噪声，高斯噪声，随机形状的大振幅噪声，大振幅噪声用于模拟水体和山体阴影引起的严重去相关，估计添加噪声后模拟干涉相位的相干性，最后将模拟的绝对相位进行缠绕得到模拟缠绕相...

【专利技术属性】
技术研发人员：李佳，钟文杰，郭磊，冯娟娟，李志强，吴俊辉，
申请(专利权)人：中南大学，
类型：发明
国别省市：