非病态InSAR相位解缠时代来临.docxVIP

非病态InSAR相位解缠时代来临

“InSAR数据爆炸时代对空间数据处理和服务要求与日俱增，意味着更加精细化、标准化的数据产品。但是一切似乎看起来并不容易，很难整合SAR数据源、开发处理算法门槛高、计算基础设施条件差……”

非病态insar相位解缠到底什么？

作为InSAR信号处理中的核心步骤，长期以来相位解缠绕技术一直受困于其病态性:1）相位连续性假设要求被观测场景缓慢连续变化；2）最优化模型属于NP-hard问题。非病态InSAR相位解缠处理是大数据和人工智能方法驱动的先进遥感数据解释方法，同时基于GPU和多核处理的并行硬件架构下的数据处理，它是整个InSAR技术处理链条中的关键。

图1：非病态insar相位解缠数据模式

数据驱动解决InSAR病态解缠绕

在过去几年中，SAR的数量已增长到9PB，来自Sentinel-1卫星数据近7PB。随着后续NISAR以及ROSE-L的推出，仅NISAR这一数据量预计将以每天约86TB速度增长。随着越来越多的SAR卫星升空，InSAR数据处理模式开始发生本质转变。

图2：InSAR数据爆炸时代的数据服务模式

传统InSAR技术处理中需要加入人为经验才能得到好的结果，而这个人为经验往往只对特定的区域有效。如在高山区域需要多次迭代调整参数，而这些参数对于新采集数据加入计算时并不是都能确定下来的。?InSAR病态性问题由来已久，在可预见的SAR数据大爆炸背景下，机器学习与AI算法为解决InSAR病态问题提供了必要的条件，而非病态InSAR相位解缠处理就是其中重要的一环。

图3：InSAR技术在各维度发展

非病态InSAR相位解缠如何处理

利用深度卷积神经网络（DCNN）强大的数据驱动和自主学习能力，应用三种不同网络架构（单基线条件下估计相位梯度（PGNet）、单基线条件下最优枝切线连接（BCNet）、多基线条件下截距项聚类（CANet））的DCNN来解决单基线相位解缠无法突破相位连续性假设和优化准则过分依赖人为经验，以及多基线相位解缠CRT算法噪声鲁棒性差等问题。

（1）单基线条件下估计相位梯度（PGNet）

针对相位连续性假设要求被观测场景缓慢连续变化的病态问题，设计了一种利用DCNN估计单基线条件下的相位梯度，简称为PGNet。有别于相位连续性假设是基于人为经验估计相位梯度，PGNet是根据海量不同噪声水平和不同地形特征的干涉图估计相位梯度。因此，PGNet是高度数据驱动，而不是规则驱动。图4显示了用相位连续性假设和PGNet分别预测得到的残点分布。可以看出，由于PGNet比相位连续性假设估计得到的相位梯度更为准确，PGNet生成的残点分布更为稀疏。PGNet生成的残点数仅为使用相连续性假设的40%

图4（a）相干系数0.5的模拟干涉图。（b）相位连续性假设预测得到的残点分布。（c）PGNet预测得到的残点分布。

（2）单基线条件下最优枝切线连接（BCNet）

针对最优化模型属于NP-hard问题，设计了一种DCNN能够自主学习最优化模型（最优枝切线连接），简称BCNet。与传统单基线相位解缠方法采用1范数或2范数的优化准则相比，BCNet从海量干涉图和相应DEM构建的最优枝切线数据集中自适应学习枝切线连接规则。在学习过程中，优化准则的设计并不需要依赖人为经验，完全由机器从海量数据里自主学习，因此泛化能力强。图5显示了BCNet的处理实例。可以看出，BCNet预测的枝切线连接非常接近最优枝切线连接，说明BCNet可以自主学习枝切线最优连接规则。特别是当训练样本足够多样的话，BCNet几乎可以平衡所有残点。此外，由于BCNet预测枝切线连接时，网络正向传播速度快，解缠时间仅为传统枝切法的三分之一，能满足实时相位解缠的需求。

图5（a）“梯子”状模拟干涉图。（b）真实相位。（c）残点分布。（d）最优枝切线连接。（e）MCF得到的枝切线连接。（f）BCNet预测的枝切线连接。（g）MCF得到的解缠结果。（h）BCNet得到的解缠结果。（3）多基线条件下截距项聚类（CANet）

多基线相位解缠算法可以突破相位连续性假设病态问题，但是由于中国余数定理（CRT）解算噪声鲁棒性差。针对上述问题，利用非监督DCNN（简称CANet）完成截距项的聚类，然后利用两阶段编程方法（TSPA）的非规则网络版本（sparse-TSPA）完成对聚类结果的解缠。与传统的多基线相位解缠方法，CANet采用的是DCNN架构，最大的优势是有较强的噪声鲁棒性，可以通过自主学习抽象图像特征，忽略噪声对特征提取的影响。因此，CANet在噪声污染严重地区仍然可以精确估计截距项的聚类结果。此外，CANet的计算负担在于DCNN中的卷积操作（时间复杂度低），且可以充分利用GPU资源，因此计算时间仅为传统多基线相位解缠方法（如TS