Deep Learning hat sich aufgrund seiner leistungsstarken Merkmalslern- und nichtlinearen Modellierungsfähigkeiten in der Phase-Filterung von Interferometrischem Synthetic Aperture Radar (InSAR) weit verbreitet angewendet. In Bereichen mit hohem Rauschen und dichten Streifen haben bestehende Methoden jedoch noch Schwierigkeiten, Rauschunterdrückung und Erhaltung von Phasendetails auszubalancieren. Daher schlägt dieser Artikel eine mehrskalige InSAR-Phasenfiltermethode vor, die einen Mechanismus zur adaptiven Verstärkung und dynamischen Auswahl (AASTM) integriert. Das Modell basiert auf dem U-Net-Netzwerk mit einem mehrskaligen Merkmalextraktions- und schichtweisen Fusionsrahmen, wobei AASTM-Module auf unterschiedlichen Skalen eingefügt werden, um interferometrische Phasenmerkmale adaptiv zu verstärken und dynamisch auszuwählen, um ein Gleichgewicht zwischen Phasendetailerhaltung und Rauschunterdrückung zu erreichen; zudem wird eine Rhombus–Quadrat-Netzbildungsmethode zur Erzeugung eines simulierten Trainingsdatensatzes verwendet, der hochrauschige und dichtere Streifenszenen abdeckt und die Robustheit sowie Generalisierungsfähigkeit des Netzwerks in komplexen Szenarien verbessert. Die Filterwirkung der vorgeschlagenen Methode wurde experimentell mit simulierten Daten und LT-1 A/B Dual-Satelliten-SAR-Daten validiert und mit bestehenden Filtermethoden verglichen. Die Ergebnisse zeigen, dass die vorgeschlagene Methode bei simulierten Daten den Root-Mean-Square-Fehler um etwa 20% senkt, den Strukturähnlichkeitsindex um etwa 18% erhöht und das Signal-Rausch-Verhältnis um etwa 5% verbessert, insbesondere in Bereichen mit hohem Rauschen und dichten Streifen, wobei sie eine bessere Erhaltung von Phasenkanten und -details aufweist; bei LT-1 A/B Realmessdaten erreicht die Methode eine Restpunktausschlussrate von bis zu 90,42% und bewahrt zudem die Phasendetailinformationen besser. Zusammenfassend übertrifft die vorgeschlagene Methode andere Verfahren deutlich in der Filtergenauigkeit und bietet in Bereichen mit dichten Streifen eine bessere Phasenauflösung und Detailerhaltung, was eine zuverlässigere technische Unterstützung für die präzise Reversion von LT-1 A/B digitalen Höhenmodellen bietet.

Deep Learning;Interferometrischer Synthetic Aperture Radar;Phasenfilterung;adaptive Verstärkung;dynamische Auswahl