Глубокое обучение благодаря своим мощным возможностям обучения признаков и нелинейного моделирования получило широкое применение в области фильтрации фаз синтетической апертурной радиолокации интерферометрии (InSAR). Однако в условиях высокого шума и плотных полос существующие методы все еще испытывают трудности с балансом подавления шума и сохранения деталей фазовой информации. В связи с этим в данной работе предложен многомасштабный метод фильтрации фаз InSAR с интеграцией адаптивного усиления и динамического отбора — модуль AASTM (Adaptive Augmentation and dynamic Screening-based Technique Module). Модель построена на базе сети U-Net с архитектурой многомасштабного извлечения признаков и послойного объединения, с внедрением модулей AASTM на различных масштабах для адаптивного усиления и динамического отбора фазовых признаков, что позволяет достичь баланса между сохранением фазовых деталей и подавлением шума; дополнительно использован ромбовидно-квадратный метод формирования сетки для генерации имитационного обучающего набора данных, покрывающего сцены с высоким уровнем шума и плотными полосами, что повышает устойчивость и обобщающую способность модели в сложных условиях. Эффективность предлагаемого метода подтверждена экспериментально на симулированных данных и SAR-данных двойных спутников LT-1 A/B, и сравнена с существующими методами фильтрации. Результаты показали, что на симулированных данных среднеквадратичная ошибка уменьшается примерно на 20%, индекс структурного сходства повышается примерно на 18%, ППШ — примерно на 5%, особенно в зонах с высоким шумом и плотными полосами имеется улучшенное сохранение фазовых краев и деталей; на реальных данных LT-1 A/B коэффициент удаления остаточных точек достигает 90.42%, при этом лучше сохраняется информация о фазовых деталях. В целом предложенный метод демонстрирует значительно более высокую точность фильтрации по сравнению с другими методами, а также лучшее разрешение и сохранение деталей в областях плотных полос, обеспечивая более надежную техническую поддержку точного восстановления цифровых моделей рельефа LT-1 A/B.

глубокое обучение;интерферометрический синтетический радиолокатор;фильтрация фазы;адаптивное усиление;динамический отбор