一种融合PCA和时序InSAR的地表形变提取方法技术

本发明专利技术提供一种融合PCA和时序InSAR的地表形变提取方法，涉及地表形变监测领域。首先获取SAR影像数据，基于时序InSAR技术生成差分干涉图，通过对振幅和相位信息进行统计分析，提取高相干性点，然后进行相位解缠，获得时序InSAR地表形变初始结果。对初试结果进行中心化处理，通过奇异值分解算法对中心化后的结果进行分解，综合数据量及各成分时空规律实施数据降维，通过分析各主成分的空间分布规律和时间演变规律解译各主成分信号构成，构建地表形变模型，并利用多项式模型拟合误差信号并将其去除，得到最终时间序列地表形变结果。该方法仅利用SAR数据本身，不引入外部误差，为高精度地表形变监测提供科学的理论依据。地表形变监测提供科学的理论依据。地表形变监测提供科学的理论依据。

【技术实现步骤摘要】
一种融合PCA和时序InSAR的地表形变提取方法


[0001]本专利技术涉及地表形变监测领域，具体为一种融合PCA和时序InSAR的地表形变提取方法。

技术介绍

[0002]地表形变是在自然或人为活动的作用下，地表因受力不均匀形成的升降、倾斜、错动等现象，可能引发建筑物倾斜开裂、交通基础设施变形、地表塌陷等一系列地质灾害。因此，对地质灾害隐患的区域进行定期地、精确地地表形变监测十分必要。传统测绘手段，如三角高程测量、水准测量、全球卫星导航系统(Global Navigation Satellite System，GNSS)技术等用于获取地表形变信息虽然精度高，但工作周期长、空间分辨率低，难以准确描述区域地表形变时空特征。合成孔径雷达干涉测量(Interferometric Synthetic Aperture Radar，InSAR)技术能全天时、全天候地获取高精度、高空间分辨率的地表形变信息，克服了离散点监测的局限性。近年来发展的时序InSAR技术在保证空间分辨率的基础上，可获取长时间序列地表形变信息，有助于刻画和揭示地表形变时空演变规律。
[0003]时序InSAR处理后的地表形变信息常伴随大气相位延迟、轨道误差、残余DEM误差等噪声相位。现有地表形变时序InSAR监测应用研究中多采用时空滤波方法去除大气延迟误差和噪声信号，该方法存在引入新噪声或形变信息被误判为噪声被去除等问题。PCA方法是一种常见的数据降维和分析方法，通过正交变换将一组可能存在相关性的变量数据，转换为一组线性不相关的变量，多用于提取数据的主要特征分量，目前与InSAR领域结合应用较少。因此本方法将主成分分析(Principal Component Analysis，PCA)法引入时序InSAR信号分析挖掘中，通过对主成分的时空分析，提取时序地表形变模型，进而构建高精度时序InSAR地表形变信息提取策略。该方法利用SAR自身数据，不引入外部误差，为高精度地表形变监测提供科学的理论依据。

技术实现思路

[0004]针对现有技术存在的问题，本专利技术提供了一种融合PCA和时序InSAR的地表形变提取方法，能够有效克服时序InSAR方法提取地表形变信号时形变信息被误判为噪声等的不足。
[0005]为实现上述技术目的，本专利技术的一种融合PCA和时序InSAR的地表形变提取方法，其步骤如下：
[0006]利用时序InSAR技术将获取的SAR影像数据生成差分干涉图；
[0007]基于振幅离差和相位稳定性原则提取差分干涉图中的高相干性点，然后进行相位解缠，生成初始InSAR时间序列结果；
[0008]对初始InSAR时间序列结果进行中心化处理，通过奇异值分解SVD算法对中心化后的结果进行分解；
[0009]综合数据量及各成分时空规律实施数据降维，通过分析各主成分的空间分布规律
和时间演变规律解译各主成分信号构成；其中各主成分空间包括空间矩阵R、权重矩阵S、时间矩阵T，空间矩阵表示主成分在空间的分布规律，时间矩阵表示成分在时间的分布规律，权重矩阵表示各分量的重要性；
[0010]利用各主成分信号的解译结果构建地表形变模型，并搭建二次多项式模型，通过主成分分量中的误差分量拟合误差信号并去除，得到最终时间序列地表形变结果。
[0011]进一步，生成差分干涉图的过程如下：
[0012]获取某区域的q幅不同日期的SAR影像，每幅SAR影像都标注有成像时间属性、后向散射信息和卫星成像轨道信息；
[0013]利用SRTM DEM数据对q幅影像进行地理编码；结合时间基线、空间垂直基线因素，基于时空基线阈值和多普勒质心频率阈值选择一幅SAR影像数据为最优公共主影像，然后将其他q
‑
1幅SAR影像为辅影像；通过将各辅影像与主影像的配准，得到q
‑
1幅配准后的辅影像；
[0014]将上述q幅SAR影像输入GAMMA软件，在GAMMA软件中设置短基线时空基线阈值形成z对短基线时空干涉对，对生成的短基线时空干涉对进行差分干涉处理，生成z幅短基线差分干涉图；其中GAMMA软件中设置短基线时空基线阈值时间基线≤60天，空间基线≤400米。
[0015]进一步，生成初始InSAR时间序列结果的过程如下：
[0016]通过StaMPS软件基于振幅离差和相位稳定性原则，获取q幅不同日期的SAR影像中的高相干性点，并将所有高相干性点按照时间序列排列组成数据集，数据集中包含p个高相干性点；
[0017]采用3D解缠法，对z幅差分干涉图进行相位解缠，并估计和去除由DEM和时空基线引起的相位误差，获得初始InSAR时间序列结果W
p
×
q
。
[0018]进一步，采用融合主成分分析PCA处理初始InSAR时间序列结果W
p
×
q
，生成若干主成分，具体步骤如下：
[0019]3)中心化初始InSAR时间序列结果：
[0020]初始InSAR时间序列结果W
p
×
q
＝{w1，w2，w3，......，w
q
}，其中w
i
为第i幅影像相对第一幅影像高相干性点形变信息，w
i
的均值为μ
i
，其中(i＝1，2，......，q)，w
′
i
＝w
i
‑
μ
i
，即每一位特征减去各自的平均值，中心化后的矩阵为W
′
p
×
q
。
[0021]4)通过SVD算法对中心化后的矩阵W
′
p
×
q
初步分解：
[0022][0023]式中，R
p
×
p
和为标准正交矩阵，∑
p
×
q
为对角矩阵，其中每一项都是该矩阵的奇异值；
[0024]对初步分解结果进行数据降维，尝试不同降维维数v生成主成分分解方案，对比不同方案结果，综合数据量及各成分时空规律识别特征，选择其中最优方案。
[0025]进一步，综合数据量及各成分时空规律识别特征选择最优方案的具体步骤如下：
[0026]1a)对W
′
和W
′
T
做矩阵乘法，得到p
×
p维方阵W
′
W
′
T
，其中W
′
即矩阵W
′
p
×
q
，为初始InSAR时间序列结果W
p
×
q
中心化后的结果，W
′
T
为W
′
的转置，利用下式求解方阵的特征值和特征向量：
[0027](W
′
W
′
T
)r
j...

【技术保护点】

【技术特征摘要】
1.一种融合PCA和时序InSAR的地表形变提取方法，其特征在于步骤如下：利用时序InSAR技术将获取的SAR影像数据生成差分干涉图；基于振幅离差和相位稳定性原则提取差分干涉图中的高相干性点，然后进行相位解缠，生成初始InSAR时间序列结果；对初始InSAR时间序列结果进行中心化处理，通过奇异值分解SVD算法对中心化后的结果进行分解；综合数据量及各成分时空规律实施数据降维，通过分析各主成分的空间分布规律和时间演变规律解译各主成分信号构成；其中各主成分空间包括空间矩阵R、权重矩阵S、时间矩阵T，空间矩阵表示主成分在空间的分布规律，时间矩阵表示成分在时间的分布规律，权重矩阵表示各分量的重要性；利用各主成分信号的解译结果构建地表形变模型，并搭建二次多项式模型，通过主成分分量中的误差分量拟合误差信号并去除，得到最终时间序列地表形变结果。2.根据权利要求1所述融合PCA和时序InSAR的地表形变提取方法，其特征在于生成差分干涉图的过程如下：获取某区域的q幅不同日期的SAR影像，每幅SAR影像都标注有成像时间属性、后向散射信息和卫星成像轨道信息；利用SRTM DEM数据对q幅影像进行地理编码；结合时间基线、空间垂直基线因素，基于时空基线阈值和多普勒质心频率阈值选择一幅SAR影像数据为最优公共主影像，然后将其他q
‑
1幅SAR影像为辅影像；通过将各辅影像与主影像的配准，得到q
‑
1幅配准后的辅影像；将上述q幅SAR影像输入GAMMA软件，在GAMMA软件中设置短基线时空基线阈值形成z对短基线时空干涉对，对生成的短基线时空干涉对进行差分干涉处理，生成z幅短基线差分干涉图；其中GAMMA软件中设置短基线时空基线阈值时间基线≤60天，空间基线≤400米。3.根据权利要求2所述融合PCA和时序InSAR的地表形变提取方法，其特征在于生成初始InSAR时间序列结果的过程如下：通过StaMPS软件基于振幅离差和相位稳定性原则，获取q幅不同日期的SAR影像中的高相干性点，并将所有高相干性点按照时间序列排列组成数据集，数据集中包含p个高相干性点；采用3D解缠法，对z幅差分干涉图进行相位解缠，并估计和去除由DEM和时空基线引起的相位误差，获得初始InSAR时间序列结果W
p
×
q
。4.根据权利要求3所述融合PCA和时序InSAR的地表形变提取方法，其特征在于采用融合主成分分析PCA处理初始InSAR时间序列结果W
p
×
q
，生成若干主成分，具体步骤如下：1)中心化初始InSAR时间序列结果：初始InSAR时间序列结果W
p
×
q
＝{w1，w2，w3，......，w
q
}，其中w
i
为第i幅影像相对第一幅影像高相干性点形变信息，w
i
的均值为μ
i
，其中(i＝1，2，......，q)，w
′
i
＝w
i
‑
μ
i
，即每一位特征减去各自的平均值，中心化后的矩阵为W
′
p
×
q
。2)通过SVD算法对中心化后的矩阵W
′
p
×
q
初步分解：式中，R
p
×
p
和为标准正交矩阵，∑
p
×
q
为对角矩阵，其中每一项都是该矩阵的奇异值；
对初步分解结果进行数据降维，尝试不同降维维数v生成主成分分解方案，对比不同方案结果，综合数据量及各成分时空规律识别特征，选择其中最优方案。5.根据权利要求4所述融合PCA和时序InSAR的地表形变提取方法，其特征在于综合数据量及各成分时空规律识别特征选择最优方案的具体步骤如下：1a)对W
′
和W
′
T
做矩阵乘法，得到p
×
p维方阵W
′
W
′
T
，其中W
′
即矩阵W
′
p
×
q
，为初始InSAR时间序列结果W
p
×
q
中心化后的结果，W
′
T
为W
′
的转置，利用下式求解方阵的特征值和特征向量：(W
′
W
′
T
)r
j
＝λ

【专利技术属性】
技术研发人员：陈宇，陈思，李杰，李怀展，赵东升，陆慧，李倩，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：