一种InSAR时序中大气噪声的去除方法、装置及设备制造方法及图纸

本发明专利技术公开了一种InSAR时序中大气噪声的去除方法，包括：获取InSAR形变时序数据；将InSAR形变时序数据输入至深度递归网络去噪模型中，获得去除大气噪声的InSAR形变时序数据；深度递归网络去噪模型结合季节性因子作为辅助输入，并引入衰减机制处理观测值缺失问题；该模型利用仿真InSAR形变时序训练优化。本发明专利技术通过构建一个基于深度递归网络的去噪模型获得去噪以后的时序信号，更鲁棒地去除大气噪声；构建了InSAR时序数据仿真的方法，以合成大量的样本丰富的仿真时序数据，用以训练深度递归网络模型，得到优化的模型参数；同时合成仿真的时序数据也可以帮助验证去噪模型的有效性并对模型的表现进行定量的评估。

【技术实现步骤摘要】
一种InSAR时序中大气噪声的去除方法、装置及设备
本专利技术涉及遥感科学与合成孔径雷达干涉测量数据处理
，更具体的涉及一种InSAR时序中大气噪声的去除方法、装置及设备。
技术介绍
随着干涉合成孔径雷达(InSAR)技术在近年来地发展，其越来越多地被用来监测地表形变。然而雷达信号经过大气时会有时间延迟，而多变的气象条件会导致时间延迟的不确定，大气延迟给InSAR观测数据引入了大量噪声。大气延迟通常由雷达信号通过对流层的折射产生，可以被分为垂直分层的部分和湍流混合的部分。其中垂直分层的部分取决于气压和温度，随时间变化较为缓慢；湍流混合的部分主要取决于水汽的分布，随时间变化迅速。因此，大部分垂直分层部分的大气延迟将会在干涉影像被抵消，干涉影像中湍流混合部分的影响大于垂直分层的部分。在实际应用时序InSAR技术的过程中，当有较多时间临近的数据，并且湍流混合噪声占主导时(高程差较小的区域)，大气噪声可以被认为是时间域不相关的随机噪声。鉴于大气噪声通常表现为时间域的高频随机信号，时域低通滤波常被用来估计和去除大气噪声。常用的时间域滤波方法(如，高斯滤波方法)，在大气噪声的去除中起到重要的作用，然而它们的表现却很大程度上受到参数设定(如，滤波器权值和滤波窗口大小)的影响。在理想情况下，雷达数据可以从指定卫星的每个轨道周期获得，然而由于一些营运上的原因，数据缺失的问题会经常出现。传统的时间域滤波的方法需要首先对缺失数据进行补值，因此不理想的补值结果会对滤波的结果造成较大的影响。
技术实现思路
<br>本专利技术实施例提供一种InSAR时序中大气噪声的去除方法、装置及设备，用以解决上述
技术介绍
中提出传统时域滤波去除大气噪声受参数设定影响的问题。本专利技术实施例提供一种InSAR时序中大气噪声的去除方法，包括：获取InSAR形变时序数据；将InSAR形变时序数据输入至深度递归网络去噪模型中，获得去除大气噪声的InSAR形变时序数据；其中，所述深度递归网络去噪模型为：采用合成的仿真InSAR形变时序数据进行训练的深度递归神经网络模型；所述合成的仿真InSAR形变时序数据，包括：合成的地表形变趋势分量。进一步地，所述合成的地表形变趋势分量包括：线性趋势分量，减速趋势分量，加速趋势分量和稳定趋势分量；所述线性趋势分量，用线性方程表示为：Tl(t)＝-A·t其中，A控制形变速度，所述稳定趋势分量为当A为零时线性趋势分量的特例；所述减速趋势分量，以近似对数的时间函数沉降，表示为：Td(t)＝-Bd·log(t+td)+Cd其中，Bd控制减速形变速度的变化快慢，td取决于观测的开始时间，Cd为一个常量，当t＝0时，Td(t)＝0；所述加速趋势分量，用一个翻转的对数函数表示为：Ta(t)＝Ba·log(tf-t)+Ca其中，tf为滑坡或者塌方的失效时间，tf-t为预期寿命，Ba控制加速形变速度的变化快慢，Ca是一个常量，当t＝0时，Ta(t)＝0。进一步地，所述合成的仿真InSAR形变时序数据，还包括：合成的季节性分量；以气温变化引起的热胀冷缩为例，表达式为：S(t)＝As·SF(t)其中，SF(t)表示归一化的季节性因子，单位方差和均值为零的温度变化，表示季节性振荡的幅度，H0表示地表的初始高度，γ表示线性热膨胀系数，λ决定了振荡的幅度，ω控制振荡周期，此处固定为以1年为周期，开始相位φ取决于一年中的起始观察点。进一步地，所述合成的仿真InSAR形变时序数据，还包括：引入的模拟的大气噪声和观测值缺失模式；采用加性高斯白噪声来模拟的大气噪声，生成仿真形变时序后，随机丢弃部分数据点以模仿观测值缺失模式，最终合成的InSAR仿真形变时序表示为：D(t)＝T(t)+S(t)X(t)＝(D(t)+N(t))·M(t)其中，N(t)表示噪声，M(t)表示缺失掩码，D(t)表示合成的地表形变，T(t)表示形变趋势分量，S(t)表示季节性分量。进一步地，所述深度递归网络去噪模型，包括：输入层，将合成的InSAR仿真形变时序作为输入；GRU-D网络层，处理缺失数据，输出无缺失中间层多维特征向量序列；堆叠GRU网络层，输出顶层的多维特征向量序列；全链接输出层，将递归网络层输出的特征向量序列转换为最终的去除大气噪声的形变时序。进一步地，所述GRU-D网络层，为双向结构，同时利用之前和之后的值，实现双向衰减机制。本专利技术实施例还提供一种InSAR时序中大气噪声的去除装置，包括：形变时序获取模块，用于获取InSAR形变时序数据；形变时序去噪模块，用于将InSAR形变时序数据输入至深度递归网络去噪模型中，获得去除大气噪声的InSAR形变时序数据；其中，所述深度递归网络去噪模型为：采用合成的仿真InSAR形变时序数据进行训练的深度递归神经网络模型；所述合成的仿真InSAR形变时序数据，包括：合成的地表形变趋势分量；所述合成的地表形变趋势分量，包括：线性趋势分量，减速趋势分量，加速趋势分量和稳定趋势分量；所述线性趋势分量，用线性方程表示为：Tl(t)＝-A·t其中，A控制形变速度，所述稳定趋势分量为当A为零时线性趋势分量的特例；所述减速趋势分量，以近似对数的时间函数沉降，表示为：Td(t)＝-Bd·log(t+td)+Cd其中，Bd控制减速形变速度的变化快慢，td取决于观测的开始时间，Cd为一个常量，当t＝0时，Td(t)＝0；所述加速趋势分量，用一个翻转的对数函数表示为：Ta(t)＝Ba·log(tf-t)+Ca其中，tf为滑坡或者塌方的失效时间，tf-t为预期寿命，Ba控制加速形变速度的变化快慢，Ca是一个常量，当t＝0时，Ta(t)＝0。进一步地，所述合成的仿真InSAR形变时序数据，还包括：以气温变化引起的热胀冷缩为例，表达式为：S(t)＝As·SF(t)其中，5F(t)表示归一化的季节性因子，单位方差和均值为零的温度变化，表示季节性振荡的幅度，H0表示地表的初始高度，γ表示线性热膨胀系数，λ决定了振荡的幅度，ω控制振荡周期，此处固定为以1年为周期，开始相位φ取决于一年中的起始观察点。进一步地，所述合成的仿真InSAR形变时序数据，还包括：引入的模拟的大气噪声和观测值缺失模式；采用加性高斯白噪声来模拟的大气噪声，生成仿真形变时序后，随机丢弃部分数据点以模仿观测值缺失模式，最终合成的InSAR仿真形变时序表示为：D(t)＝T(t)+S(t)X(t)＝(D(t)+N(t))·M(t)其中，N(t)表示噪声，M(t)表示缺失掩码，D(t)表示合成的地表形变，T(t)表示形变趋势分量，S(t)表示季节性分量。本专利技术实施例还提本文档来自技高网...

【技术保护点】
1.一种InSAR时序中大气噪声的去除方法，其特征在于，包括：/n获取InSAR形变时序数据；/n将InSAR形变时序数据输入至深度递归网络去噪模型中，获得去除大气噪声的InSAR形变时序数据；/n其中，所述深度递归网络去噪模型为：采用合成的仿真InSAR形变时序数据进行训练的深度递归神经网络模型；所述合成的仿真InSAR形变时序数据，包括：合成的地表形变趋势分量。/n

【技术特征摘要】
1.一种InSAR时序中大气噪声的去除方法，其特征在于，包括：
获取InSAR形变时序数据；
将InSAR形变时序数据输入至深度递归网络去噪模型中，获得去除大气噪声的InSAR形变时序数据；
其中，所述深度递归网络去噪模型为：采用合成的仿真InSAR形变时序数据进行训练的深度递归神经网络模型；所述合成的仿真InSAR形变时序数据，包括：合成的地表形变趋势分量。


2.如权利要求1所述的InSAR时序中大气噪声的去除方法，其特征在于，所述合成的地表形变趋势分量包括：线性趋势分量，减速趋势分量，加速趋势分量和稳定趋势分量；
所述线性趋势分量，用线性方程表示为：
Tl(t)＝-A·t
其中，A控制形变速度，所述稳定趋势分量为当A为零时线性趋势分量的特例；
所述减速趋势分量，以近似对数的时间函数沉降，表示为：
Td(t)＝-Bd·log(t+td)+Cd
其中，Bd控制减速形变速度的变化快慢，td取决于观测的开始时间，Cd为一个常量，当t＝0时，Td(t)＝0；
所述加速趋势分量，用一个翻转的对数函数表示为：
Ta(t)＝Ba·log(tf-t)+Ca
其中，tf为滑坡或者塌方的失效时间，tf-t为预期寿命，Ba控制加速形变速度的变化快慢，Ca是一个常量，当t＝0时，Ta(t)＝0。


3.如权利要求1所述的InSAR时序中大气噪声的去除方法，其特征在于，所述合成的仿真InSAR形变时序数据，还包括：合成的季节性分量；
以气温变化引起的热胀冷缩为例，表达式为：
S(t)＝As·SF(t)






其中，SF(t)表示归一化的季节性因子，单位方差和均值为零的温度变化，表示季节性振荡的幅度，H0表示地表的初始高度，γ表示线性热膨胀系数，λ决定了振荡的幅度，ω控制振荡周期，此处固定为以1年为周期，开始相位φ取决于一年中的起始观察点。


4.如权利要求1所述的InSAR时序中大气噪声的去除方法，其特征在于，所述合成的仿真InSAR形变时序数据，还包括：引入的模拟的大气噪声和观测值缺失模式；
采用加性高斯白噪声来模拟的大气噪声，生成仿真形变时序后，随机丢弃部分数据点以模仿观测值缺失模式，最终合成的InSAR仿真形变时序表示为：
D(t)＝T(t)+S(t)
X(t)＝(D(t)+N(t))·M(t)
其中，N(t)表示噪声，M(t)表示缺失掩码，D(t)表示合成的地表形变，T(t)表示形变趋势分量，S(t)表示季节性分量。


5.如权利要求1所述的InSAR时序中大气噪声的去除方法，其特征在于，所述深度递归网络去噪模型，包括：
输入层，将合成的InSAR仿真形变时序作为输入；
GRU-D网络层，处理缺失数据，输出无缺失中间层多维特征向量序列；
堆叠GRU网络层，输出顶层的多维特征向量序列；
全链接输出层，将递归网络层输出的特征向...

【专利技术属性】
技术研发人员：林珲，赵倬毅，马培峰，
申请(专利权)人：江西师范大学，
类型：发明
国别省市：江西;36