لقد حظي التعلم العميق بانتشار واسع في مجال ترشيح طور الرادار التداخلّي الصناعي بفضل قدرته القوية على تعلم الخصائص والنمذجة غير الخطية. ولكن في مناطق الضوضاء العالية والكثافة الخطية، لا تزال الطرق الحالية تكافح للتوازن بين كبت الضوضاء والحفاظ على تفاصيل الطور. لذلك، اقترح هذا البحث طريقة ترشيح طور InSAR متعددة المقاييس تدمج آلية التعزيز التكيفية والفرز الديناميكي (AASTM). يعتمد النموذج على شبكة U-Net لبناء إطار استخلاص الخصائص متعددة المقاييس والاندماج التدريجي، مع إدراج وحدات AASTM في المقاييس المختلفة لتعزيز خصائص الطور بشكل تكيفي وفرزها ديناميكياً لتحقيق توازن بين حفظ تفاصيل الطور وتقليل الضوضاء؛ علاوة على ذلك، استخدم البحث طريقة بناء شبكة بشكل الماسة والمربع لإنشاء مجموعة بيانات تدريب محاكاة تغطي مشاهد الضوضاء العالية والكثافة الخطية، مما يعزز من متانة النموذج وقدرته على التعميم في ظروف معقدة. تم التحقق من فعالية الطريقة المقترحة عبر تجارب على بيانات المحاكاة وبيانات الرادار ثنائي الأقمار LT-1 A/B، ومقارنة النتائج مع الطرق الحالية. أظهرت النتائج أن الطريقة الجديدة تقلل متوسط الخطأ الجذري بمقدار 20%، وتزيد معامل التشابه الهيكلي بنحو 18%، وترفع نسبة إشارة إلى ضوضاء الذروة بحوالي 5% خاصة في مناطق الضوضاء العالية والكثافة الخطية حيث تحسن الاحتفاظ بحواف وطبيعة الطور؛ وفي بيانات LT-1 A/B العملية، حققت الطريقة نسبة إزالة نقاط متبقية عالية تصل إلى 90.42% مع حفظ أفضل لتفاصيل الطور. خلاصة القول، تتفوق الطريقة المقترحة في دقة الترشيح مقارنةً بالطرق الأخرى، مع أداء أفضل في مناطق الكثافة الخطية من حيث دقة الطور وحفظ التفاصيل، مما يوفر دعمًا تقنياً موثوقاً للنمذجة الارتفاعية الرقمية الدقيقة لأقمار LT-1 A/B.

التعلم العميق;الرادار التداخلي الصناعي;ترشيح الطور;التعزيز التكيفي;الفرز الديناميكي