《Geocarto International》:An enhanced phase linking method for DS-InSAR land subsidence monitoring
编辑推荐:
相位链接(Phase Linking, PL)技术在为分布式散射体(Distributed Scatterers, DS)构建高质量样本协方差矩阵(Sample Covariance Matrix, SCM)时面临挑战,原因在于统计同质点(Statistica
相位链接(Phase Linking, PL)技术在为分布式散射体(Distributed Scatterers, DS)构建高质量样本协方差矩阵(Sample Covariance Matrix, SCM)时面临挑战,原因在于统计同质点(Statistically Homogeneous Pixels, SHPs)数量有限且可能存在异质性。为解决这一问题,本文提出了一种称为SE-NS的方法,该方法整合了谱熵(Spectral Entropy, SE)加权和非线性收缩(Nonlinear Shrinkage, NS)。SE-NS根据像素与其SHPs之间的谱熵差异分配权重,对SCM进行加权平均,然后对样本相干幅度矩阵(Sample Coherence Magnitude Matrix, SCMM)进行非线性收缩,以获得优化的SCM和SCMM。随后使用EMI算法进行DS时间序列相位估计。在模拟和真实SAR数据上的测试表明,SE-NS在噪声抑制和相位平滑方面优于传统PL,提高了形变反演的相位质量,并且与EMI相比,有效DS点增加了约7%。
论文解读文章
多时相干涉合成孔径雷达(Multitemporal Interferometric Synthetic Aperture Radar, MT-InSAR)技术因其低成本、广覆盖和毫米级测量精度,已成为大范围地表形变监测的关键技术。然而,在目标稀疏或高植被覆盖区域,传统永久散射体干涉测量(Persistent Scatterer Interferometry, PSI)方法可利用的相位稳定点目标数量显著下降,难以满足高分辨率监测需求。为此,分布式散射体(Distributed Scatterer, DS)技术应运而生,通过扩展对弱散射体的监测能力,有效提高了监测点的空间密度。在DS干涉测量(DSI)流程中,相位优化是决定最终相位质量的关键步骤。相位链接(Phase Linking, PL)方法可从时间序列干涉图中恢复DS的相位序列,但现有主流PL算法(如PTA、EMI、CAESAR)存在两个共性问题:其一,由于统计同质点(Statistically Homogeneous Pixels, SHPs)样本量有限,且假设检验方法可能引入异质性像素,难以构建高精度样本协方差矩阵(Sample Covariance Matrix, SCM);其二,样本相干幅度矩阵(Sample Coherence Magnitude Matrix, SCMM)的估计通常存在偏差,导致其逆矩阵(精度矩阵)的可靠性无法保证。为解决上述问题,研究人员提出了一种基于谱熵(Spectral Entropy, SE)加权和非线性收缩(Nonlinear Shrinkage, NS)的PL方法,称为SE-NS方法。
研究人员利用模拟数据(基于Sentinel-1系统参数和广义去相关模型生成)和真实Sentinel-1 SAR影像(覆盖中国江苏省徐州西部关闭矿区和内蒙古石拉乌素矿区)开展实验,验证了SE-NS方法的有效性。实验结果表明,SE-NS在噪声抑制和相位平滑方面显著优于传统PL方法,优化后的相位质量更高,最终将有效DS点数量较EMI方法提升约7%,且与水准测量数据对比的均方根误差(RMSE)降低至2.99 mm。该研究发表于《Geocarto International》。
主要关键的技术方法包括:研究人员首先采用单主影像配准结合SRTM DEM(30m)生成差分干涉图,利用HTCI(Hypothesis Test for Clustering and Identification)方法选择SHPs;对于SHP数量大于20的像素,基于谱熵差异构建加权SCM,随后对加权SCMM进行非线性收缩以校正估计偏差;最后采用EMI(Eigendecomposition-based Maximum-likelihood-estimator of Interferometric phase)算法进行DS时间序列相位估计。样本数据来源包括模拟Sentinel-1参数生成的30景SLC影像,以及覆盖徐州西部关闭矿区(2019年7月至2020年6月,30景)和石拉乌素矿区(2017年9月至2018年6月,24景)的真实Sentinel-1 SAR影像。
**SE-NS performance analysis**:通过模拟实验,研究人员将SE-NS与EMI、SE、NS、CAESAR、PTA、NL-PL和StBAS方法进行对比。结果显示,SE-NS优化后的相位条纹更清晰、平滑,边缘特征保持更好,更接近真实相位。定量评估中,SE-NS在不同时间基线下的相位均方根误差(RMSE)均最低,且计算效率(1732秒)远优于NL-PL(21425秒),在精度和计算资源之间取得了最佳平衡。
**Performance evaluation in phase estimation**:真实数据实验中,以徐州西部和石拉乌素矿区为例,比较EMI、NL-PL、SE、NS和SE-NS的优化结果。研究人员采用RPN、PSD和SPD作为评估指标(值越低表示相位质量越高)。结果显示,SE-NS在所有指标上均优于其他方法,表现出优异的噪声抑制和相位平滑能力。SE-NS在去相关区域的相位恢复效果显著,条纹连续性和清晰度明显提升。
**Posterior coherence**:后向相干性(γ
PL)是评估PL结果质量的关键指标,用于DS点选择。研究人员通过计算各方法优化后的后向相干性图发现,SE-NS和SE在高相干区域表现出更高的数值和更多的相干像素数量,尤其在SHP稀疏区域优势明显。直方图分布进一步表明,SE-NS低后向相干性像素频率显著降低,高后向相干性像素频率大幅增加,整体相干性能优于EMI和NL-PL。
**Analysis of time-series subsidence results**:以徐州西部为案例,研究人员利用EMI、NL-PL和SE-NS优化后的干涉图反演地表形变速率。三种方法揭示的形变模式基本一致,但SE-NS提取了217,901个形变点,较EMI的203,291个增加约7%,NL-PL为207,604个。与水准测量数据对比,EMI、NL-PL和SE-NS的RMSE分别为5.20 mm、4.01 mm和2.99 mm,表明SE-NS在保持准确形变趋势的同时,显著提高了监测点密度和精度。
**结论部分翻译**:(1)为解决同质点样本量有限和异质性噪声问题,SE-NS方法基于参考像素与其各同质像素的协方差矩阵的谱熵差异构建自适应权重,显式扩大有效样本空间。该方法构建的加权SCM在噪声抑制方面优于传统固定窗口方法,从而获得更准确的优化相位。(2)通过设计专门针对样本相干幅度矩阵的非线性收缩函数,SE-NS有效校正了传统SCMM方法的估计偏差。实验结果表明,优化相位在长基线干涉图中表现出更低的噪声水平。(3)在真实数据实验中,SE-NS相比EMI和NL-PL获得了更低的RPN、PSD和SPD指标,以及更高的后向相干性,在SHP稀疏和弱散射区域尤为优势。该方法能有效增加分布式散射体数量,为地表形变监测提供更密集、更可靠的数据支持。(4)SE-NS在提升相位质量和增加监测点密度方面优势显著,但其加权非线性收缩操作带来不可忽视的计算开销,需进一步优化大规模数据集的处理效率。潜在研究方向包括:探索并行计算架构或硬件加速技术;研究窗口大小敏感性以建立自适应窗口选择协议;整合深度学习框架以改善低相干区域的相位恢复保真度和信号保持能力。