InSAR最小二乘相位解缠权重确定的一种新方法

雷达信号的低信噪比、地形起伏引起的阴影、遮掩以及其它种种原因造成的去相干现象导致相位数据的不连续,使得相位解缠结果出现偏差甚至是完全错误。在分析影响最小二乘相位解缠权重选择因素的基础上,将频域置信度作为权重选择方法进行相位解缠数据处理,结果表明,该方法很好地克服了最小二乘法对于相位坡度欠估计的缺点,且解缠结果具有较高精度和稳定性。     

基于多尺度相关性分析的InSAR对流层延迟误差改正算法

针对合成孔径雷达干涉技术中对流层延迟误差会影响DEM精度的问题,提出采用小波多尺度相关性分析方法来减弱与高程相关的对流层延迟误差的影响,来提高合成孔径雷达干涉DEM的估计精度。该方法基于小波多分辨率分析理论,根据差分干涉相位不同组成的频率特性,利用小波分解重构均方根误差变化率确定分解层数,降低地形残差相位、噪声相位等对大气延迟误差相位估计的干扰,提取对流层延迟误差相位所在频带;然后结合对流层延迟误差相位和雷达坐标系下的DEM在不同尺度上的相关性定权并进行降权处理,重构解缠差分干涉图,改正差分干涉相位中与高程相关的对流层延迟的影响。采用本文方法对覆盖河南义马地区的2景ENVISAT ASAR数据进行处理,得到对流层延迟误差改正后的差分干涉图,估计的与高程相关的对流层延迟相位,与地形变化情况吻合。将对流层延迟误差改正后的干涉图用于DEM高程估计,结果显示本文方法重建的DEM与Aster GDEM的标准差由30.7 m提高到26.37 m,提高了InSAR DEM估计精度。     

采用误差迭代补偿的高精度相位解缠方法

最小二乘相位解缠算法是一种全局算法,快速稳定简单易实现,但该算法未绕过相位不连续区易造成误差的全局扩散,导致结果存在较大误差.针对最小二乘相位解缠算法的缺陷,提出一种高精度相位解缠方法.该方法在基于快速傅里叶变换的最小二乘解缠算法基础上,采用误差迭代补偿技术,补偿解缠误差.仿真和实测相位数据的实验结果表明,该方法可有效提高解缠精度,且在仿真实验的定量分析中得出,在强相位噪声条件下,该方法的解缠精度比最小二乘算法提高一个数量级.     

采用误差迭代补偿的高精度相位解缠方法

最小二乘相位解缠算法是一种全局算法,快速稳定简单易实现,但该算法未绕过相位不连续区易造成误差的全局扩散,导致结果存在较大误差.针对最小二乘相位解缠算法的缺陷,提出一种高精度相位解缠方法.该方法在基于快速傅里叶变换的最小二乘解缠算法基础上,采用误差迭代补偿技术,补偿解缠误差.仿真和实测相位数据的实验结果表明,该方法可有效提高解缠精度,且在仿真实验的定量分析中得出,在强相位噪声条件下,该方法的解缠精度比最小二乘算法提高一个数量级.     

机载SAR干涉定标参数分离式解算方法研究

机载干涉合成孔径雷达（Interferometric Synthetic Aperture Radar,InSAR）是获取地面数字高程模型（Digital Elevation Model,DEM）的重要手段之一。InSAR系统参数误差会影响生成DEM的精度,利用干涉定标技术可以校正系统参数,补偿系统误差。目前,机载SAR干涉定标解算方法多采用天线基线长度、基线倾角,以及干涉相位偏置3个参数共同构建敏感度矩阵解算干涉定标参数偏差（参数耦合式解算方法）。由于机载InSAR系统对干涉相位偏置参数的敏感度较小,与基线长度、基线倾角的敏感度存在数量级差异,3个参数共同构建敏感度矩阵病态严重,易将微小的参数扰动传播扩大为较大的解向量误差,影响干涉定标精度,同时增大算法对干涉定标外场实验中角反射器布设高程的敏感度。本文提出一种机载SAR干涉定标参数分离式解算方法,在干涉定标解算过程中,对基线长度、基线倾角及干涉相位偏置3个参数进行分离,选取基线长度与基线倾角2个参数构建敏感度矩阵进行解算,对干涉相位偏置参数进行单独拟合解算,最终获得3个参数的综合定标结果。经机载双天线InSAR系统获取的真实数据验证,与参数耦合式解算方法相比,利用参数分离式解算方法构建得到的敏感度矩阵条件数由1.07E+06下降至5.02,系统参数定标后生成DEM与高精度参考DEM的平均高程偏差由14.98 m下降至6.51 m,干涉定标精度显著提高。另外,根据角反射器布设高程数值仿真模拟分析结果,与参数耦合式解算方法相比,参数分离式解算方法对角反射器布设高程变化的敏感度显著降低,对角反射器布设高程的普适性较高,且算法解算精度在角反射器布设高程起伏较小时不受明显影响,有助于减轻机载SAR干涉定标的野外工作强度。     

加权最小二乘相位解缠的一种改进

基于最小二乘相位解缠原理,针对现有的加权和不加权最小二乘在残差点过多时计算结果平滑问题,提出利用相位导数变化图对其进行加权改进。结合真实数据,通过现有的加权与不加权最小二乘算法的比较和分析,证明该改进算法能有效处理残差点过多的情况,解缠精度高,解缠结果更可靠。     

基于条纹频率检测的干涉图去线性趋势精化方法

在InSAR干涉图数据处理过程中,通常会由于轨道参数不准确而导致去平地效应后,干涉图中仍残留部分线性相位。为避免线性趋势对数据处理结果精度的影响,提出了一种基于干涉图条纹频率检测的去除线性趋势精化方法：首先,通过Chirp Z变换精化干涉图条纹频率估计,计算出精确到0.1的线性相位条纹数;然后,模拟线性相位并从干涉图中去除。利用通过模拟和真实数据对提出的方法进行验证分析,实验结果表明：该方法能够更加彻底地去除干涉图中残留的线性趋势,对提高InSAR技术的监测精度具有一定意义。     

多尺度相关性分析的机载双极化InSAR轨道误差校正方法

在高分辨率机载干涉SAR成像处理过程中,由于载机飞行过程中偏离理想轨迹,需要高精度的惯导系统和GPS系统记录载机的运动轨迹并进行运动补偿。然而,由于目前传感器导航精度的限制,在完成运动补偿处理后仍然存在轨道误差,从而影响干涉相位的精度,本文提出了一种机载双极化InSAR轨道误差去除方法。该方法利用小波多尺度分析对不同极化方式差分干涉相位进行多尺度分解,减弱地形误差相位、噪声相位对轨道误差的干扰,然后根据不同极化方式轨道误差的高度相关性,对相位进行降权改正,得到轨道误差改正后的差分干涉相位。为验证该方法的可靠性,分别采用模拟数据和E-SAR P波段双极化数据进行实验分析,结果表明原始差分干涉图中的轨道误差剔除明显,利用P波段获得的校正干涉图生成数字高程模型(DEM),轨道误差改正前后获取的DEM与LiDAR值的均方根误差(RMSE)分别为6.02 m和1.68 m,提高了InSAR测高精度。本研究为机载InSAR轨道误差补偿提供了一种新的思路。     

卡尔曼滤波在InSAR噪声消除与相位解缠中的应用

相位解缠作为InSAR技术中的关键步骤,一直是研究的难点和热点。通常的相位解缠方法在相位解缠前首先必须进行噪声消除,而卡尔曼滤波将相位解缠问题转化为状态估计问题,实现了相位解缠与噪声消除一并处理,成为一种相位解缠新途径。并提出了卡尔曼滤波在相位解缠与噪声抑制中的一种新算法。     

地球极移参数高精度双差分LS+AR预报方法研究

提出基于双差分最小二乘LS+AR模型的高精度极移参数预报方法。首先,对极移数据进行双差分处理,用以增强数据平稳性,获取差分极移数据,并采用LS方法对差分极移数据进行拟合,获取极移残差数据;其次,利用AR模型对极移残差数据进行预报;然后,综合LS外推预报值与AR模型预报值获取差分极移预报值;最后,对差分极移预报结果进行逆双差分处理,获取高精度的极移预报值。将该方法应用于实际极移参数预报中,结果表明,1d的极移X分量(PMX)预报精度优于0.25mas,极移Y分量(PMY)预报精度优于0.2mas。将该预报结果与国际EOP_PCC预报结果对比表明,极移短期预报精度与EOP_PCC预报结果相当,1d的预报精度略优于EOP_PCC预报结果。     

基于选权迭代的总体最小二乘算法在三维坐标转换中的应用

提出一种基于选权迭代的TLS算法,通过IGG I函数进行定权,降低含粗差观测值的权值,在进行三维坐标转换时能有效地处理观测值粗差。实例证明,该算法可以获取更高精度的三维坐标转换参数。     

ʱ���������д�����ֱ�ֲ��ӳ�У���о�

????????????????InSAR?????????????????????????α?????????????????????????????????????????????????????????????????????α???????????Щ???????????????????????α?????????????α???λ??????????????????Las Vegas??????о????????????????????????????????????????????????????????????????????????Ч??????????????е??????????????     

LAMBDA������ CR-InSAR��λ����е�Ӧ��

??????????????????????????????α????????????????????λ?????????????????λ??????????λ????????λ?????????????CR??InSAR??????λ???????????GPS?????????????е???С????????????????????λ??????????????????InSAR???????????????????????????????????????????????????????????????????????????????????????????     

��С�����պϻ������㷨��̽��InSAR��λ�������е�Ӧ��

??????С????????????????????????????????????е??????????????????????????????????????????????????????????????С????????????????????????????·?????????????????????????????????????????????????????????????InSAR??λ???????????????????InSAR????????Ч???     

һ�ָĽ�����Ĥ������λ����㷨

??????????????λ???????????????????????????λ????????????????????????????????????λ??????????????λ???????“???”??????С???????????λ?????????????????????????????е???“????”??????????λ?????????????InSAR??InSAS???????????????????÷????????????????????е???“????”???????????λ??????