El aprendizaje profundo, con su potente capacidad de aprendizaje de características y modelado no lineal, se ha aplicado ampliamente en el campo del filtrado de fases InSAR (Radar de Apertura Sintética Interferométrico). Sin embargo, en regiones con alto ruido y franjas densas, los métodos existentes todavía tienen dificultades para equilibrar la supresión de ruido y la conservación de los detalles de la información de fase. Por ello, en este artículo se propone un método de filtrado de fase InSAR multiescala que integra un mecanismo de aumento adaptativo y selección dinámica denominado AASTM (Módulo de Técnica basado en aumento adaptativo y cribado dinámico). El modelo se construye sobre la red U-Net con un marco de extracción de características multiescala y fusión capa por capa, con módulos AASTM insertados en diferentes escalas para realizar un aumento adaptativo y selección dinámica de las características de fase interferométrica, logrando un equilibrio entre la conservación de los detalles de fase y la supresión del ruido; además, se utiliza un método de mallado en forma de rombo-cuadrado para generar un conjunto de datos de entrenamiento simulado que cubre escenas con alto ruido y franjas densas, mejorando así la robustez y la capacidad de generalización del modelo en escenarios complejos. Se validó experimentalmente el efecto de filtrado del método propuesto utilizando datos simulados y datos SAR de doble satélite LT-1 A/B, comparándolo con métodos de filtrado existentes. Los resultados muestran que, con datos simulados, el método propuesto reduce el error cuadrático medio en aproximadamente un 20%, mejora el índice de similitud estructural en alrededor de un 18% y aumenta la relación señal-ruido pico en aproximadamente un 5%; especialmente en áreas de alto ruido y franjas densas, la propuesta conserva mejor los bordes y detalles de fase; en datos reales LT-1 A/B, el método alcanza una tasa de eliminación de puntos residuales del 90.42%, además de preservar mejor los detalles de fase. En resumen, el método propuesto ofrece una precisión de filtrado significativamente superior a otros métodos, y mejor resolución de fase y conservación de detalles en áreas de franjas densas, proporcionando un soporte técnico más confiable para la inversión precisa del modelo digital de elevación LT-1 A/B.

aprendizaje profundo;radar interferométrico de apertura sintética;filtrado de fase;aumento adaptativo;selección dinámica