O aprendizado profundo, com sua poderosa capacidade de aprendizado de características e modelagem não linear, tem sido amplamente aplicado no campo do filtro de fase InSAR (Radar de Abertura Sintética Interferométrico). No entanto, em áreas de alto ruído e faixas densas, os métodos existentes ainda têm dificuldade em equilibrar a supressão de ruído e a preservação dos detalhes da informação de fase. Para isso, este artigo propõe um método de filtragem de fase InSAR multiescala que integra um mecanismo de aumento adaptativo e seleção dinâmica (AASTM). O modelo é construído com base na rede U-Net, com um framework de extração de características multiescala e fusão camada por camada, inserindo módulos AASTM em diferentes escalas para realizar aumento adaptativo e seleção dinâmica das características da fase interferométrica, de modo a equilibrar a preservação dos detalhes da fase e a supressão do ruído; além disso, foi utilizado um método de malha losango-quadrada para gerar um conjunto de dados de treinamento simulado que cobre cenas de alto ruído e faixas densas, melhorando ainda mais a robustez e a capacidade de generalização da rede em cenários complexos. Os efeitos de filtragem do método proposto foram validados experimentalmente utilizando dados simulados e dados SAR de duplo satélite LT-1 A/B, comparando com métodos de filtragem existentes. Os resultados mostraram que, nos dados simulados, o método proposto diminuiu o erro quadrático médio em cerca de 20%, aumentou o índice de similaridade estrutural em cerca de 18% e melhorou a relação sinal-ruído de pico em cerca de 5%, especialmente em áreas de alto ruído e faixas densas, apresentando melhor preservação das bordas e detalhes da fase; nos dados reais LT-1 A/B, o método obteve uma taxa de remoção de pontos residuais de até 90,42%, além de preservar melhor os detalhes da fase. Em resumo, o método proposto apresenta precisão de filtragem significativamente superior a outros métodos, com melhor resolução de fase e preservação de detalhes em áreas de faixas densas, fornecendo suporte técnico mais confiável para a inversão precisa do modelo digital de elevação LT-1 A/B.

aprendizado profundo;radar interferométrico de abertura sintética;filtragem de fase;aumento adaptativo;seleção dinâmica