基于具有短时间基线的图像子集序列的永久散射体GB-SAR干涉法微形变监测：隔河岩大坝实例研究外文翻译资料

 2023-04-01 16:06:47

英语原文共 16 页，剩余内容已隐藏，支付完成后下载完整资料

附录1 译文

基于具有短时间基线的图像子集序列的永久散射体GB-SAR干涉法微形变监测：隔河岩大坝实例研究

摘 要：

大气干扰显著地限制了地基合成孔径雷达（GB-InSAR）的变形监测精度。为了分离高采样率图像序列中的大气时域低通变形，提出了一种改进的永久散射体（PS）地基合成孔径雷达干涉测量方法用以监测微形变。干涉测量分析基于永久散射体点和具有短时间基线的图像子集序列。采用多项式大气校正方法去除干涉图的大气主项位，并相应调整干涉相位模型。线性离焦率由准稳定平差法估计，保证了估计的内部符合精度。对残差相位进行时空滤波，得到残差非线性变形，完成变形序列。在中国隔河岩大坝上进行了一项实验，用铅锤方向的数据检验了GB-InSAR结果。两种方法计算的变形序列间的中误差均优于0.30mm。

关键词： 地基合成孔径雷达，永久散射体干涉测量，水库大坝，图像子集，变形监测

  1. 介绍

星载合成孔径雷达（SAR）干涉测量（InSAR）技术可以实现全天时、全天候基于密集像素的变形监测，在地球表面大范围变形监测中发挥了重要作用[1-6]。然而，受卫星视角和重访周期等因素的限制，星载InSAR在监测小面积地面或工程结构特定方向的微形变时，很难发挥其性能。地基合成孔径雷达（GB-InSAR）技术的出现和发展，为地面各类目标提供了有效的变形监测手段。例如用于采集图像的滑坡干涉测量（IBIS-L）[7]和FastGBSAR[8]，GB-InSAR系统结构简单，易于安装，参数配置灵活。这些系统可以采集高时空分辨率的图像数据，其变形测量精度一般可以达到亚毫米级。迄今为止，地基合成孔径雷达干涉测量（GB-InSAR）已成功用于监测各种自然灾害[9-13]和人造结构[14-16]，并已成为这些领域研究或安全评估的有效工具。

目前，GB-InSAR变形监测的应用主要有两种模式：（1）固定轨道雷达传感器的连续变形监测。该模式适用于连续、短期或快速变形监测，并可促进实时或准实时变形监测，如[17,18]所示。然而，在这种模式下，原始监测数据易受到环境因素的干扰，这直接影响变形监测的准确性、可靠性以及变形的时间连续性。（2）非固定轨道雷达传感器的不连续变形监测（也称为离散时间基线的监测）。在这种模式下，GB-InSAR的导轨需要在每个监测周期内重复定位和安装，这适用于长时间跨度和大规模变形监测，如[19]所述。这种模式通常需要考虑重复安装雷达传感器轨道所引起的误差[20,21]。

为了快速地计算形变量，GB-InSAR中经常使用时域干涉相位积分法[22]和干涉相位移动平均值法[23]。此外，大气校正还通过直接校正监测点和参考点之间的干涉相位来进行。这些方法在时域中仅进行一维（1D）相位解缠。因此，大气环境的显著变化可能会干扰干涉相位积分和大气校正，导致连续变形序列中与实际形变不一样的异常跳跃。这些方法只有在稳定的大气条件下才能产生可靠的结果。

星载永久散射体（PS）InSAR（PSInSAR）可以在干涉测量相位中抵抗大气干扰[24]。该方法通常基于高可靠性点目标（即PSs）以及大气相位和变形相位之间的时间和空间光谱特性来分离大气相位。湿度和温度是影响GB-InSAR观测到的原始相位值的两个主要大气参数[22]。因此，当大气参数表现出明显的日变化模式时，连续GB-InSAR图像的观测 相位序列也将相应地表现出类似的模式。一方面，监测目标（即大坝表面）可能呈现长周期非线性变形趋势。另一方面，随着大气参数（尤其是温度）的变化，目标结构可能发生昼非线性变形。在这种情况下，观测到的相位序列中的大气和时域低频变形分量时混合的，并很难通过滤波分析来分离。

在直接使用星载PSInSAR处理连续GB-InSAR影像序列的情况下，在对干涉相位进行时间序列分析时，通常需要长时间的连续图像数据，以减少大气相位的日变化对线性变形率估计的影响。尽管如此，从计算中获得的最终变形序列仍将包含一个显著的大气相位成分，该成分每天都在变化[25]。在GB-InSAR的不连续监测模式中，由于手动设置离散时间基线来采集图像[22]，相邻图像之间存在相对较大的时间间隔（至少超过一天），因此确保大气相位在时间上是随机的，不相关高通分量和星载PSInSAR可直接用于大气相位的处理和变形序列的计算。对于连续采集的图像数据，如果每天只选择一个场景的图像来对大气相位进行时间随机化，许多图像数据和相关相位信息将被浪费。

[15]中使用了基于图像子集的差分GB-InSAR方法，以统一变形计算的时空数据。一个图像子集由多个连续的高质量图像组成，可用于计算平均图像以提高图像的信噪比（SNR）。然而，差分GB-InSAR方法很难使用多时相GB-InSAR图像可靠地分析长期的大气变化。采用的线性大气校正模型相对简单；然而，其模型参数估计容易受到参考点选择地影响，这限制了变形量提取的精度。

针对连续图像序列分析中的上述问题，本研究提出了一种改进的永久散射体地基合成孔径雷达干涉测量（GB-InSAR PSI）方法。该方法基于高质量的图像子集序列和PS点目标进行时间序列分析。采用基于多参考点的多项式大气校正模型对干涉图的主要大气相位分量进行校正。对时间序列分析地干涉相位模型进行了相应的校正。线性变形率采用准稳定平差法估计，保证了估计的内部符合精度。上述处理使得段时间间隔的干涉图中大气的残余相位在时间和空间上都是随机的。因此，采用星载PSInSAR时间序列分析中常用的滤波技术，对残差模型相位和噪声相位进行处理。最终，提取非线性变形相位，并使其与线性相位结合，以得到完整的变形序列。本文利用提出的GB-InSAR PSI方法对一座真实大坝（隔河岩大坝）进行连续监测实验。将该方法得出的数据与自动气象监测数据进行比较和验证。结果表明，该方法较好地解决了变形相位和大气相位在时域中混合的问题，并仅仅基于几天的图像序列，高精度地计算了线性变形率和变形序列。

2. 方法

2.1. 图像子集的平均图像计算和PS点选择

干涉计算和分析基于高质量的PS点进行。严重的大气变化会干扰GB-InSAR图像的原始观测相位，直接影响PS点选择的质量和数量。改进的PS点选择策略包含四个主要的步骤，设计如下。

（1）.离散图像子集选择

稳定区像素的观测相位直接反映了大气的影响。大气的剧烈波动或变化会显著地降低图像质量。这些像素的相位变化趋势可用于初步评价图像质量，确定稳定大气变化的高质量图像的周期，并可在此周期内选择连续图像作为图像子集。为了对干涉相位进行时间序列分析，选择时间上离散的多个图像子集以形成图像子集序列。选择具有小时间相位梯度且其解缠相位表现出显著线性趋势的连续图像序列作为图像子集，可以有效地减少大气环境干扰和观测噪声的影响[15]，并有助于合理确定平均图像的相位和时间点。因此，可以使用稳定区域中具有高热信噪比（TSNR）的像素的干涉相位和解缠相位变化率来确定图像子集。为了充分利用原始图像数据，相邻图像子集之间的时间间隔通常很短（例如，几十分钟到几个小时），这是图像序列中大气相位和时域低通变形相位分量之间混合的直接原因。

（2）.PS候选点选择

在每个图像子集中，采用基合热信噪比和振幅偏差指数（ADI）的多阈值方法选择PS候选点（PSCs）。

（3）.图像子集的平均图像计算

然后基于PS点计算图像子集的平均图像。对于每个图像子集，选择一个场景的图像作为主图像，其他图像作为从属图像处理。然后在主图像和每个从属图像之间及逆行干涉计算。由于图像子集中连续图像序列的相位变化通常比较缓慢，因此无需进行空间相位解缠，可以直接对每个PS点进行一维时域相位解缠。使用公式（1）[15,22]计算每个PS点的平均相位和信号强度，如下所示：

（1）

其中m是图像子集的序列号；phi;m是平均相位；Am是平均信号振幅；Km是图像子集m中连续采集的GB-InSAR图像总数；fm1和fmk分别是图像子集m中第一个图像（作为主图像）和第k个图像中PS点的复数；conj（·）表示取复数的共轭；W-1（·）是相位解缠算子；ang;（·）表示提取相位的操作；abs（·）表示计算复数的模。

（2）

（2）式中，Im是PS点的平均复数。

根据等式（2），图像子集可以被集成到一个场景的平均复杂图像中，这提高了相位的信噪比。

（4）.PS点选择细化

这一步利用了不同图像子集之间的时间特性。提取所有图像子集中同时出现的PSC点，并使用每个PSC的平均强度AM进一步计算ADI，以优化初始PS点选择，确保最终PS点在整个观察过程中保持稳定。

2.2. 干涉图的多项式大气校正模型

选择一个场景的平均图像作为主图像，其他平均图像作为从属图像。在此基础上，进行干涉计算。干涉图在两幅平均图像中包含不同的大气相位值。由于相邻平均图像之间的时间间隔相对较短，图像序列中仍然混合了大气相位和时域低通变形分量。因此，需要对大气相位进行处理，以便用不同的频带来表示大气相位和变形的时间残差。通过这种方式，可以使用时间序列技术（例如PSInSAR[24,26]或者短基线子集（SBAS）技术[27]）来进一步减少大气影响。对于大气参数模型，通常需要收集雷达信号传播路径上的大气参数[28]。然而，在实际监测中，在雷达目标区域内收集足够密度的大气参数非常困难。

对于小区域有限视场（FOV）内的GB-InSAR成像，电磁波传播路径的距离差相对较小，大气分量对每个像素都具有很高的均匀性和连续性。在此条件下，可以建立多项式大气校正模型，以估计平均GB-InSAR图像中PS点相位值中包含的大气相位phi;atm[7]。以下单变量二次模型作为示例：

（3）

式中，r是PS点和雷达成像中心之间的距离，a0,a1和a2是平均相位的多项式大气模型的系数。

在对干涉图进行空间解缠后，PS点的解缠相位中的相对大气相位∆phi;atm如下所示：

（4）

式中，∆a0，∆a1和∆a2是多项式大气校正模型的系数。

在PS点的基础上构建一个不规则三角网，以建立它们之间的空间连通性。三角网中相邻PS点对i和j之间的双差大气相位nabla;∆phi;atm如下所示：

（5）

为了便于计算每个PS目标点的大气相位，在大多数情况下，可以使用基于多个均匀分布的稳定参考点的方程式（4）直接计算模型的参数。

该模型可以校正与距离相关的大气相位（即大气相位的空间低通分量）。每个参考点都不会发生变形。在参考点观测到的相位的时间变化可以完全认为是大气变化的结果。基于选定的稳定参考点，均匀地进行每个干涉图的空间相位解缠。该计算相当于使用参考点的相序对每个像素中观测到的相位序列进行时间校正，从而削弱大气相位的时域低通分量。

2.3. PS点对的差分干涉相位模型

在实现多项式大气校正模型后，采用PSInSAR 时间序列分析方法进一步分析大气相位。在连续监测模式下没有空间基线。因此，不需要考虑导轨基线误差、平地趋势相位和地形相位误差的影响[17]。使用[20,21]中所述的方法，可以减少在不连续周期监测模式下重复安装导轨所造成的误差。方程式（6）展示了GB-InSAR干涉相位模型的一般形式，如下图所示：

（6）

式中，lambda;是电磁波信号的波长，∆r是主图像和从属图像之间的变形，∆phi;atm是大气校正模型的相位，phi;nonlinear是非线性变形相位，phi;atm，e是大气校正模型的相位残差，phi;noise是噪声相位。

在地表有限区域内的变形监测中，相邻PS点之间相对变形的长周期非线性分量通常较小。可以为PS点对的差分干涉相位∆phi;int建立线性模型，如等式（7）所示：

（7）

式中，∆T是干涉主图像和从属图像之间的时

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[587964]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章