基于稀疏采样的高存储效率近场毫米波SAR成像

《IEEE Sensors Journal》：Storage-Efficient Near-Field Millimeter-wave SAR Imaging via Sparse Sampling

　　

摘要：

在多山峡谷地区，复杂的地形和气候条件常常会在干涉合成孔径雷达监测中引入严重的去相关噪声和大气延迟误差，从而影响滑坡识别和变形反演的精度。为解决这一难题，我们提出了一种基于深度学习的多源噪声抑制框架，该框架结合了U-Net架构与残差连接，构建了一个端到端的监督网络。该技术的核心在于，训练样本来源于高质量的去卷积相位数据以及真实的噪声图像，从而使模型能够自动识别并纠正复杂的干扰信号。我们选取了中国西南部的一个典型水库区域，构建了包含多个时间基线和多种噪声类型的训练数据集。经过训练后，将该模型应用于实际的去卷积InSAR相位数据，结果使相位标准差降至原始值的15%，同时相位与地形的相关性也降到了接近零的水平。该方法能有效抑制由低相干性和大气延迟引起的噪声，并在复杂噪声条件下保持稳定的性能。经过校正的相位数据大大提升了滑坡变形边界的清晰度，同时也减少了SBAS-InSAR时间序列分析中的背景噪声。因此，通过该方法得到的变形估计结果更加平滑且可靠，与无人机LiDAR数据及实地观测结果具有高度一致性。此外，该模型在未训练过的区域也展现出较强的泛化能力，这为其在复杂多山地形中进行大规模InSAR变形监测提供了可能。总体而言，所提出的方法为提升多山峡谷地区的InSAR变形解译精度提供了一种高效且可扩展的解决方案。