主权项 |
一种基于优化解空间搜索法的PS‑DInSAR地表形变测量参数估计方法,包括以下几个步骤:步骤一:输入包含地表形变信息的长时间SAR图像序列,并对SAR图像进行预处理,包括配准、干涉、去除参考面相位、去除地形相位,获得差分干涉相位图像序列,得到K幅差分干涉相位图像;步骤二:对差分干涉相位图像序列,提取永久散射体点,即PS点,设PS点的数量为N,第n个PS点记为x<sub>n</sub>,第k幅差分干涉相位图像中第n个PS点的差分干涉相位记为<img file="FDA0001142341300000011.GIF" wi="204" he="71" />其中n是小于或等于N的正整数,k是小于或等于K的正整数,据提取PS点的坐标构建Delaunay三角网络;步骤三:从空间尺度上,对第k幅差分干涉相位图像,计算Delaunay三角网络第p条边PS点的二次差分相位:<maths num="0001"><math><![CDATA[<mrow><msubsup><mi>ΔΦ</mi><mi>k</mi><mrow><mi>P</mi><mi>S</mi></mrow></msubsup><mrow><mo>(</mo><msub><mi>x</mi><msub><mi>r</mi><mi>p</mi></msub></msub><mo>,</mo><msub><mi>x</mi><msub><mi>s</mi><mi>p</mi></msub></msub><mo>)</mo></mrow><mo>=</mo><msubsup><mi>Φ</mi><mi>k</mi><mrow><mi>P</mi><mi>S</mi></mrow></msubsup><mrow><mo>(</mo><msub><mi>x</mi><msub><mi>r</mi><mi>p</mi></msub></msub><mo>)</mo></mrow><mo>-</mo><msubsup><mi>Φ</mi><mi>k</mi><mrow><mi>P</mi><mi>S</mi></mrow></msubsup><mrow><mo>(</mo><msub><mi>x</mi><msub><mi>s</mi><mi>p</mi></msub></msub><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001142341300000012.GIF" wi="1550" he="95" /></maths>其中,p为小于或等于Delaunay三角网络总边数的正整数,r<sub>p</sub>、s<sub>p</sub>均是小于或等于N的正整数;步骤四:建立目标函数:<maths num="0002"><math><![CDATA[<mrow><mtable><mtr><mtd><mrow><msub><mi>γ</mi><mi>p</mi></msub><mo>[</mo><mo>▿</mo><mi>Δ</mi><mi>Q</mi><mrow><mo>(</mo><msub><mi>x</mi><msub><mi>r</mi><mi>p</mi></msub></msub><mo>,</mo><msub><mi>x</mi><msub><mi>s</mi><mi>p</mi></msub></msub><mo>)</mo></mrow><mo>,</mo><mi>Δ</mi><mi>v</mi><mrow><mo>(</mo><msub><mi>x</mi><msub><mi>r</mi><mi>p</mi></msub></msub><mo>,</mo><msub><mi>x</mi><msub><mi>s</mi><mi>p</mi></msub></msub><mo>)</mo></mrow><mo>]</mo></mrow></mtd></mtr><mtr><mtd><mrow><mo>=</mo><mo>|</mo><mfrac><mn>1</mn><mi>K</mi></mfrac><munderover><mo>Σ</mo><mrow><mi>k</mi><mo>=</mo><mn>1</mn></mrow><mi>K</mi></munderover><mi>exp</mi><mo>{</mo><mi>j</mi><mo>[</mo><msubsup><mi>ΔΦ</mi><mi>k</mi><mrow><mi>P</mi><mi>S</mi></mrow></msubsup><mrow><mo>(</mo><msub><mi>x</mi><msub><mi>r</mi><mi>p</mi></msub></msub><mo>,</mo><msub><mi>x</mi><msub><mi>s</mi><mi>p</mi></msub></msub><mo>)</mo></mrow><mo>-</mo><msubsup><mi>B</mi><mi>k</mi><mo>⊥</mo></msubsup><mo>·</mo><mo>▿</mo><mi>Δ</mi><mi>Q</mi><mrow><mo>(</mo><msub><mi>x</mi><msub><mi>r</mi><mi>p</mi></msub></msub><mo>,</mo><msub><mi>x</mi><msub><mi>s</mi><mi>p</mi></msub></msub><mo>)</mo></mrow><mo>-</mo><msub><mi>C</mi><mi>v</mi></msub><mo>·</mo><msub><mi>T</mi><mi>k</mi></msub><mo>·</mo><mi>v</mi><mrow><mo>(</mo><msub><mi>x</mi><msub><mi>r</mi><mi>p</mi></msub></msub><mo>,</mo><msub><mi>x</mi><msub><mi>s</mi><mi>p</mi></msub></msub><mo>)</mo></mrow><mo>]</mo><mo>}</mo><mo>|</mo></mrow></mtd></mtr></mtable><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001142341300000013.GIF" wi="1782" he="254" /></maths>式中,<maths num="0003"><math><![CDATA[<mrow><mo>▿</mo><mi>Δ</mi><mi>Q</mi><mrow><mo>(</mo><msub><mi>x</mi><msub><mi>r</mi><mi>p</mi></msub></msub><mo>,</mo><msub><mi>x</mi><msub><mi>s</mi><mi>p</mi></msub></msub><mo>)</mo></mrow><mo>=</mo><mi>Δ</mi><mi>Q</mi><mrow><mo>(</mo><msub><mi>x</mi><msub><mi>r</mi><mi>p</mi></msub></msub><mo>)</mo></mrow><mo>-</mo><mi>Δ</mi><mi>Q</mi><mrow><mo>(</mo><msub><mi>x</mi><msub><mi>s</mi><mi>p</mi></msub></msub><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>3</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001142341300000014.GIF" wi="1430" he="95" /></maths><maths num="0004"><math><![CDATA[<mrow><mi>Δ</mi><mi>Q</mi><mrow><mo>(</mo><msub><mi>x</mi><msub><mi>r</mi><mi>p</mi></msub></msub><mo>)</mo></mrow><mo>=</mo><msub><mi>C</mi><mi>q</mi></msub><mrow><mo>(</mo><msub><mi>x</mi><msub><mi>r</mi><mi>p</mi></msub></msub><mo>)</mo></mrow><mo>·</mo><mi>Δ</mi><mi>q</mi><mrow><mo>(</mo><msub><mi>x</mi><msub><mi>r</mi><mi>p</mi></msub></msub><mo>)</mo></mrow><mo>,</mo><mi>Δ</mi><mi>Q</mi><mrow><mo>(</mo><msub><mi>x</mi><msub><mi>s</mi><mi>p</mi></msub></msub><mo>)</mo></mrow><mo>=</mo><msub><mi>C</mi><mi>q</mi></msub><mrow><mo>(</mo><msub><mi>x</mi><msub><mi>s</mi><mi>p</mi></msub></msub><mo>)</mo></mrow><mo>·</mo><mi>Δ</mi><mi>q</mi><mrow><mo>(</mo><msub><mi>x</mi><msub><mi>s</mi><mi>p</mi></msub></msub><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>4</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001142341300000015.GIF" wi="1454" he="95" /></maths><maths num="0005"><math><![CDATA[<mrow><msub><mi>C</mi><mi>q</mi></msub><mrow><mo>(</mo><msub><mi>x</mi><msub><mi>r</mi><mi>p</mi></msub></msub><mo>)</mo></mrow><mo>=</mo><mfrac><mrow><mn>4</mn><mi>π</mi></mrow><mrow><msub><mi>λR</mi><msub><mi>r</mi><mi>p</mi></msub></msub><msub><mi>sinα</mi><msub><mi>r</mi><mi>p</mi></msub></msub></mrow></mfrac><mo>,</mo><msub><mi>C</mi><mi>q</mi></msub><mrow><mo>(</mo><msub><mi>x</mi><msub><mi>s</mi><mi>p</mi></msub></msub><mo>)</mo></mrow><mo>=</mo><mfrac><mrow><mn>4</mn><mi>π</mi></mrow><mrow><msub><mi>λR</mi><msub><mi>s</mi><mi>p</mi></msub></msub><msub><mi>sinα</mi><msub><mi>s</mi><mi>p</mi></msub></msub></mrow></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>5</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001142341300000016.GIF" wi="1477" he="135" /></maths><maths num="0006"><math><![CDATA[<mrow><mi>Δ</mi><mi>v</mi><mrow><mo>(</mo><msub><mi>x</mi><msub><mi>r</mi><mi>p</mi></msub></msub><mo>,</mo><msub><mi>x</mi><msub><mi>s</mi><mi>p</mi></msub></msub><mo>)</mo></mrow><mo>=</mo><mi>v</mi><mrow><mo>(</mo><msub><mi>x</mi><msub><mi>r</mi><mi>p</mi></msub></msub><mo>)</mo></mrow><mo>-</mo><mi>v</mi><mrow><mo>(</mo><msub><mi>x</mi><msub><mi>s</mi><mi>p</mi></msub></msub><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>6</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001142341300000017.GIF" wi="1317" he="95" /></maths><maths num="0007"><math><![CDATA[<mrow><msub><mi>C</mi><mi>v</mi></msub><mo>=</mo><mfrac><mrow><mn>4</mn><mi>π</mi></mrow><mi>λ</mi></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>7</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA0001142341300000021.GIF" wi="1094" he="111" /></maths>其中,j是虚数单位;<img file="FDA0001142341300000022.GIF" wi="59" he="70" />为第k幅差分干涉相位图像的垂直空间基线;<img file="FDA0001142341300000023.GIF" wi="174" he="95" />和<img file="FDA0001142341300000024.GIF" wi="176" he="95" />分别为PS点<img file="FDA0001142341300000025.GIF" wi="65" he="63" />和<img file="FDA0001142341300000026.GIF" wi="62" he="63" />的高程误差值;T<sub>k</sub>为第k幅辅图像与主图像的成像时间间隔;<img file="FDA0001142341300000027.GIF" wi="142" he="95" />和<img file="FDA0001142341300000028.GIF" wi="142" he="91" />分别为PS点<img file="FDA0001142341300000029.GIF" wi="67" he="63" />和<img file="FDA00011423413000000210.GIF" wi="62" he="62" />沿雷达视线方向的线性形变速率值;<img file="FDA00011423413000000211.GIF" wi="58" he="78" />和<img file="FDA00011423413000000212.GIF" wi="59" he="71" />分别为PS点<img file="FDA00011423413000000213.GIF" wi="67" he="63" />和<img file="FDA00011423413000000214.GIF" wi="62" he="62" />与获取主图像的雷达对应的斜距;<img file="FDA00011423413000000215.GIF" wi="61" he="62" />和<img file="FDA00011423413000000216.GIF" wi="64" he="62" />分别为PS点<img file="FDA00011423413000000217.GIF" wi="70" he="62" />和<img file="FDA00011423413000000218.GIF" wi="59" he="61" />与获取主图像的雷达对应的当地入射角;λ为雷达波长;γ<sub>p</sub>为相位相干系数;相邻PS点的二次差分相位由高程误差项、线性形变项和非线性因素构成,即:<maths num="0008"><math><![CDATA[<mrow><msubsup><mi>ΔΦ</mi><mi>k</mi><mrow><mi>P</mi><mi>S</mi></mrow></msubsup><mrow><mo>(</mo><msub><mi>x</mi><msub><mi>r</mi><mi>p</mi></msub></msub><mo>,</mo><msub><mi>x</mi><msub><mi>s</mi><mi>p</mi></msub></msub><mo>)</mo></mrow><mo>=</mo><msubsup><mi>B</mi><mi>k</mi><mo>⊥</mo></msubsup><mo>·</mo><mo>▿</mo><mi>Δ</mi><mi>Q</mi><mrow><mo>(</mo><msub><mi>x</mi><msub><mi>r</mi><mi>p</mi></msub></msub><mo>,</mo><msub><mi>x</mi><msub><mi>s</mi><mi>p</mi></msub></msub><mo>)</mo></mrow><mo>+</mo><msub><mi>C</mi><mi>v</mi></msub><mo>·</mo><msub><mi>T</mi><mi>k</mi></msub><mo>·</mo><mi>Δ</mi><mi>v</mi><mrow><mo>(</mo><msub><mi>x</mi><msub><mi>r</mi><mi>p</mi></msub></msub><mo>,</mo><msub><mi>x</mi><msub><mi>s</mi><mi>p</mi></msub></msub><mo>)</mo></mrow><mo>+</mo><msubsup><mi>ΔΦ</mi><mi>k</mi><mrow><mi>P</mi><mi>S</mi><mo>,</mo><mi>r</mi><mi>e</mi><mi>s</mi></mrow></msubsup><mrow><mo>(</mo><msub><mi>x</mi><msub><mi>r</mi><mi>p</mi></msub></msub><mo>,</mo><msub><mi>x</mi><msub><mi>s</mi><mi>p</mi></msub></msub><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>8</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA00011423413000000219.GIF" wi="1773" he="95" /></maths>式中,<img file="FDA00011423413000000220.GIF" wi="395" he="94" />和<img file="FDA00011423413000000221.GIF" wi="401" he="93" />为高程误差和线性形变对二次差分相位的贡献项;<img file="FDA00011423413000000222.GIF" wi="357" he="95" />为非线性形变、大气延迟和失相关噪声的非线性因素对二次差分相位的贡献项;非线性形变、大气延迟和失相关噪声的不确定性使得<img file="FDA00011423413000000223.GIF" wi="356" he="95" />无法直接测量,相位缠绕使得式(8)无法使用线性最小二乘法直接求解;因为<img file="FDA00011423413000000224.GIF" wi="477" he="100" />建立目标函数:<maths num="0009"><math><![CDATA[<mrow><msub><mi>γ</mi><mi>p</mi></msub><mo>[</mo><mo>▿</mo><mi>Δ</mi><mi>Q</mi><mrow><mo>(</mo><msub><mi>x</mi><msub><mi>r</mi><mi>p</mi></msub></msub><mo>,</mo><msub><mi>x</mi><msub><mi>s</mi><mi>p</mi></msub></msub><mo>)</mo></mrow><mo>,</mo><mi>Δ</mi><mi>v</mi><mrow><mo>(</mo><msub><mi>x</mi><msub><mi>r</mi><mi>p</mi></msub></msub><mo>,</mo><msub><mi>x</mi><msub><mi>s</mi><mi>p</mi></msub></msub><mo>)</mo></mrow><mo>]</mo><mo>=</mo><mo>|</mo><mfrac><mn>1</mn><mi>K</mi></mfrac><munderover><mo>Σ</mo><mrow><mi>k</mi><mo>=</mo><mn>1</mn></mrow><mi>K</mi></munderover><mi>exp</mi><mo>{</mo><msubsup><mi>jΔΦ</mi><mi>k</mi><mrow><mi>P</mi><mi>S</mi><mo>,</mo><mi>r</mi><mi>e</mi><mi>s</mi></mrow></msubsup><mrow><mo>(</mo><msub><mi>x</mi><msub><mi>r</mi><mi>p</mi></msub></msub><mo>,</mo><msub><mi>x</mi><msub><mi>s</mi><mi>p</mi></msub></msub><mo>)</mo></mrow><mo>}</mo><mo>|</mo><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>9</mn><mo>)</mo></mrow></mrow>]]></math><img file="FDA00011423413000000225.GIF" wi="1694" he="141" /></maths>步骤五:对目标函数γ<sub>p</sub>在二维空间<img file="FDA00011423413000000226.GIF" wi="604" he="101" />中以搜索步长进行搜索,使得γ<sub>p</sub>>T<sub>γ</sub>且<img file="FDA00011423413000000227.GIF" wi="266" he="102" />最小,记作<img file="FDA00011423413000000228.GIF" wi="296" he="94" />和<img file="FDA00011423413000000229.GIF" wi="276" he="95" />其中T<sub>γ</sub>是给定的阈值;步骤六:以<img file="FDA00011423413000000230.GIF" wi="294" he="95" />和<img file="FDA00011423413000000231.GIF" wi="251" he="94" />作为迭代初值,使用Levenberg‑Marquardt算法对目标函数γ<sub>p</sub>进行局部优化,获得使γ<sub>p</sub>取得极大值的<img file="FDA00011423413000000232.GIF" wi="299" he="99" />和<img file="FDA00011423413000000233.GIF" wi="280" he="94" />步骤七:根据<img file="FDA00011423413000000234.GIF" wi="297" he="94" />和<img file="FDA00011423413000000235.GIF" wi="251" he="95" />解算地表形变量和高程误差。 |