稀疏数据场景下的双变量最小二乘叠层InSAR技术

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Bivariate Least-Squares Stacking InSAR for Sparse Data Scenarios

　　

摘要：

多时相InSAR技术对于地质灾害监测至关重要，但在数据稀疏的场景中，如紧急救援或初期卫星任务中，有限的影像数据会妨碍时间序列分析。与此同时，高效的堆叠技术往往难以处理数字高程模型中的误差残差。虽然鲁棒堆叠技术可以通过符号反转来减轻地形影响，但它受到偶数样本要求的限制，并且在宽基线条件下由于逆基线加权作用，信噪比会降低。为了解决这些问题，我们提出了一种双变量最小二乘法堆叠框架。该框架基于高斯-马尔可夫定理，将稀疏数据下的变形反演问题转化为一个封闭形式的最低二乘估计问题。在所采用的线性模型下，通过使用双变量时空设计矩阵，可以解析地分离变形项和地形残差项，同时避免逆基线加权所带来的对短基线的过度依赖。基于真实的ALOS-4几何参数进行的模拟显示，与鲁棒堆叠技术相比，BLS方法将均方根误差降低到了3.87毫米/年，误差减少了37%。进一步的低冗余度模拟也证明了BLS方法在特定场景下的适用性：在测试的N=2和N=3的干涉对配置下，BLS方法仍然具有数值解，而类似SBAS的模型则常常出现秩不足或条件不良的问题。在真实数据实验中，BLS方法在ALOS-4宽基线案例中使误差相对于参考解降低了91.7%，在Sentinel-1案例中降低了80.6%。与欧洲地面运动服务机构的校准产品进行对比后，其在预定义的质量控制比较子集中具有0.776的相关性，均方根误差为3.33毫米/年，这表明所提出的方法能够有效恢复变形信息...

查看更多