陆探一号干涉SAR系统应用
“陆地探测一号干涉SAR系统应用”专栏围绕“自然资源、地震、林草、应急管理”等应用领域，报道陆地探测一号干涉SAR系统应用方向的最新成果论文。
主题关键词： 遥感色域分割自适应增强相位滤波相干性滑坡解译
- 论文汇编
- 摘要：城区建筑物变化检测是土地利用、资源管理和城市规划的重要内容，然而中国南方地区常年受云雾雨天气影响，光学影像难以发挥作用，中国自主研制的陆地探测一号01组A/B卫星（LT-1A/1B）具有高分辨率、短重返周期、多极化、全天时、全天候等优势，可作为光学影像的重要补充，在变化检测领域有较强的应用潜力。本文基于LT-1数据，提出一种融合多时相合成孔径雷达（SAR）幅度特征和相干性信息的城区建筑物变化检测算法，该算法通过建筑物识别、色域分割和相干性变化约束，将多时相影像像素值变化与建筑物变化情况对应，从而获取城区建筑物变化区域并定位建筑物变化时段。本文以珠海市横琴镇局部地区为例展开实验，利用2023年6月23日—11月14日共5景LT-1升轨影像得到研究区建筑物变化检测结果；同时借助工程项目施工情况对横琴镇东北部及中部的建筑物变化检测结果进行验证，结果显示8处典型区域内共19处建筑物变化情况均与项目施工周期吻合，验证了本文算法的可靠性。本研究证实了LT-1数据在变化检测领域的应用能力和价值，在城市规划和违建查处等领域具有广泛应用前景。关键词：SAR;建筑物变化检测;幅度;色域分割;相干性745|1934|0<HTML><网络PDF><Enhanced-PDF><Meta-XML>更新时间：2025-12-30
- 摘要：陆地探测一号（LT-1）01组A/B双星作为中国首个民用L波段分布式合成孔径雷达（SAR）卫星系统，有望进一步推动中国雷达数据产品的应用普及化。LT-1主要支持的双极化模式能够保持高分辨率和大幅宽成像，然而与全极化观测系统相比，LT-1缺失了部分极化信息，不利于土地精细分类等应用。因此，本文面向LT-1常用的两种双极化组合，设计了多头多分支卷积神经网络及损失函数，旨在以双极化数据输入复原缺失的极化信息，从而实现LT-1全极化SAR数据重构。考虑到极化、空间特征互补性与幅度、相位数据特性差异，本文采用不同分支网络分别提取像元级的极化信息和局部感知野内的空间信息，并通过两个输出头独立预测幅度、相位值以降低输出阶段数据间的串扰风险，同时提出了顾及相位周期性的幅度/相位组合损失作为优化目标指导重构网络训练。基于LT-1在英国城镇区域获取的两景全极化影像，对本文方法进行了重构质量和地物分类实验验证。验证结果表明，本文方法的幅度项预测误差为1—2 dB、相位项预测误差低于0.5 rad，优于参数规模相当的UNet模型重构精度，且重构数据与真实数据的统计分布和极化分解效果基本一致，全极化信息得以良好保持；与利用真实双极化、真实全极化数据的分类结果相比，利用本文方法生成重构全极化数据后再进行地物分类，总体精度与后者相当且比前者提高了约5%。本文初步验证了利用LT-1双极化数据兼顾高分辨率、大幅宽、全极化的可行性，可为SAR土地覆盖/利用分类等应用提供更为丰富的输入信息。关键词：合成孔径雷达;陆地探测一号;双极化;全极化;卷积神经网络;土地分类879|1104|0<HTML><网络PDF><Enhanced-PDF><Meta-XML>更新时间：2025-12-30
- 摘要：深度学习以其强大的特征学习及非线性建模能力，已经在合成孔径雷达干涉测量InSAR（Interferometric Synthetic Aperture Radar）相位滤波领域得到广泛应用。但在高噪声与条纹密集区域，现有方法仍然难以兼顾噪声抑制与相位信息细节保留。为此，本文提出一种融合自适应增强与动态筛选机制AASTM（Adaptive Augmentation and dynamic Screening-based Technique Module）的多尺度InSAR相位滤波方法。该模型基于U-Net网络构建了多尺度特征提取与逐层融合框架，并在不同尺度中插入AASTM模块，对干涉相位特征进行自适应增强与动态筛选，以实现相位细节保留与噪声抑制的平衡；此外，本文采用菱形——方形构网法生成涵盖高噪声与条纹密集场景的模拟训练数据集，进一步提升网络模型在复杂场景下的鲁棒性与泛化能力。利用模拟数据及陆探一号（LT-1）A/B双星SAR数据对本文所提方法的滤波效果进行实验验证，并与现有滤波方法相比。结果表明：在模拟数据上，本文提出方法较其他滤波方法均方根误差平均降低约20%，结构相似性指数提高约18%，峰值信噪比提高约5%，尤其是在高噪声及密集条纹区域，本文提出方法具有更好的相位边缘与细节保留能力；在LT-1 A/B实测数据上，本文提出方法残差点去除率高达90.42%，且能更好的保留相位细节信息。综上，本文提出方法的滤波精度明显优于其他方法，且在密集条纹区域有更好的相位分辨率和细节保留能力，可为LT-1 A/B数字高程模型精确反演提供更为可靠的技术支撑。关键词：深度学习;合成孔径雷达干涉测量;相位滤波;自适应增强;动态筛选731|890|0<HTML><网络PDF><Enhanced-PDF><Meta-XML>更新时间：2025-12-30
- 摘要：基于机器学习的滑坡易发性评价常受制于空间地理信息样本数据集精度及模型对成灾机制的拟合能力，导致高风险等级的误判与漏判问题较为显著。四川省西部泸定9·5地震灾区次生滑坡多发频发，高度发育的植被导致遥感解译滑坡编目精度受限，严重影响灾后滑坡易发性评价的准确性。为此，本研究在既有历史滑坡编目数据的基础上融合LT-1升/降轨时序InSAR地表形变监测结果，以提升滑坡空间分布基础数据的现势性和准确性。随后，选用梯度提升决策树GBDT（Gradient Boosting Decision Tree）和极致梯度提升XGBoost（Extreme Gradient Boosting）两种基学习器构建Stacking（GBDT-XGBoost）异质集成学习模型开展滑坡易发性评价，并结合预测精度对比分析完成模型和算法的优化选取，最终实现精确可靠且更具时效性的滑坡易发性评价与制图。后实验选取2023年—2024年新进获取的升/降轨LT-1卫星时序SAR影像数据集，通过Stacking InSAR技术提取地表形变速率场，并结合高分二号卫星影像进行滑坡综合解译探明新生滑坡36处，扩充了历史滑坡编目数据集。在此基础上，结合3类既有机器学习模型开展滑坡易发性预测，对本研究提出的异质集成学习模型进行精度与性能对比分析结果表明：在LT数据集探测滑坡信息的支持下，各模型的预测性能和精度均得到了提高。其中，Stacking（GBDT-XGBoost）模型较既有机器学习模型具有更好的预测性能和精度（AUC为0.965、准确率90.92%、精确度91.06%、召回率91.06%以及F1得分为0.911），且与已探明的滑坡空间分布与异质集成学习模型的高风险区预测结果更为吻合。综上，本研究提出的滑坡编目方法及滑坡易发性评价模型有助于提升滑坡风险评估的准确性和现势性，可为相关区域防灾减灾及科学重建规划提供参考。关键词：遥感;陆探1号;泸定地震;滑坡解译;异质集成学习;滑坡易发性评价1403|735|0<HTML><网络PDF><Enhanced-PDF><Meta-XML>更新时间：2025-12-30
