摘要
近年来，全球自然灾害频发，以地表形变为主要特征的地质灾害严重威胁了人民生命财产安全和经济社会发展。合成孔径雷达干涉测量(InterferometricSyntheticApertureRadar，InSAR)技术以其毫米级的观测精度有力地支持了地表形变的监测工作。 随着SAR大数据时代的到来，以往依靠人工实现时序InSAR(TimeSeriesInSAR)形变产品解译的方式不再适应大陆尺度的大规模地表形变监测的需求。利用大数据的驱动能力开展时序InsAR关键处理算法和形变产品解译的自动化、智能化研究具有重要意义。在时序InSAR的处理过程中，相位解缠(PhaseUnwrapping，PU)作为直接影响形变反演质量的关键步骤，传统算法难以高效地应对海量数据，目前一些基于深度学习的相位解缠方法也难以解决样本的类别不平衡问题。在时序InSAR产品的应用方面，时序累积形变量数据和形变速率数据作为重要数据支撑，为形变的精细化解译提供了可能。但过去靠人工解译的方式难以应对海量数据，同时简单的形变速率阈值分割方式不能很好利用形变时序特征;而专注于时序曲线分析的方法又难以兼顾形变的空间特征。 针对时序InSAR智能化、自动化处理和应用的需求，本文开展智能化时序InSAR关键处理算法和形变产品解译的相关研究。主要研究内容和创新点如下: (1)针对时序InSAR智能化处理样本集不足的问题，基于Sentinel-1干涉数据构建InSAR相位样本集，共形成21613组数据切片，为智能化时序InSAR算法研究提供有力数据支撑。InSAR相位样本集的构建充分结合了模拟InsAR相位数据和实际InSAR相位数据，并且引入了相干系数、相位梯度信息等先验信息，能够有力指导算法构建和提示算法鲁棒性。 (2)针对现有深度学习InSAR相位解缠算法难以解决样本的类别不平衡问题和较少运用先验知识的问题，本文提出基于梯度信息融合的深度学习InSAR相位解缠算法，较好地解决了样本类别的不平衡问题，梯度信息的融合提高了算法的执行效率同时减少了误差累积。 在相干系数的指导下，通过语义分割回归网络完成InSAR相位滤波，以提升InSAR相位质量。本文所提基于深度学习的相位滤波方法与Goldstein滤波方法相比，结构相似度指标提升了6.32％，有更好的视觉效果。 基于深度学习的相位解缠算法平均相位整周数像元分类准确率可达97％，解缠相位的均方误差仅为0.97，与其他传统相位解缠算法相比，本文所提方法在计算效率、准确度和算法鲁棒性等方面均有良好的表现。 (3)构建时序InSAR形变样本集。以金沙江区域2018-2021年期间的时序Sentinel-1时序形变结果，结合NDVI、降水和地形等辅助数据，提出定性定量相结合的解译规则，并在此基础上构建时序InSAR形变样本集。它由形变趋势样本集(DefomationTrendSampleSet，DTSS)和形变空间分布样本集(DefonnationSpatialDistributionSampleSet，DSDSS)组成。形变趋势样本集由1436个像元的时序累积形变量样本构成，分为无形变趋势(Non-DefornlationTrend，NDT)、一般形变趋势(SmallDeformationTrend，SDT)和严重形变趋势(LargeDeformationTrend，LDT)三大类。形变空间分布样本集由严重形变、一般形变和无形变的三通道二维置信度分布图像和相应形变区域掩模图像构成，同时运用旋转、翻转、平移等手段完成数据增广，最终形成1405组数据切片。 (4)针对智能化InSAR形变产品解译难以同时考虑形变的时序和空间特征的问题，本文提出联合两级LSTM时序分析模型和语义分割网络空间分析模型的InsAR形变区域检测方法。 利用归一化和不归一化的时序累积形变量数据训练了两个LSTM模型，并提出融合策略，以两级LSTM模型的置信度预测结果构成三通道图像，再利用语义分割网络开展空间分析，确定最大风险区，最终在测试集上，形变区域预测的召回率可达91.15％，虚警率为6.82％。
NETL