基于深度学习的城市地表沉降时序InSAR解缠模型优化研究

城市地表沉降属于常见的城市地质灾害，这种灾害会对基础设施建设、轨道交通运行以及居民的生命财产安全构成严重威胁。因为城市化速度不断加快，所以地表沉降监测和预警在城市规划以及防灾减灾工作当中变得越来越关键。合成孔径雷达干涉技术（InSAR）可以在全天时、全天候的条件下进行大范围高精度观测，逐渐成为地表形变监测的主要技术。

在实际应用该技术时，由于地表环境复杂、存在时空去相干以及大气延迟等因素，会对InSAR技术产生干扰。当处理长时间序列和大面积数据时，就容易出现相位解缠困难、相干性低的问题，进而影响沉降监测结果的准确性和可靠性。

近年来，深度学习在图像处理和模式识别领域取得了很大进步，为传统InSAR处理流程中遇到的难题提供了新的思路。将深度学习模型应用于城市地表沉降的时序InSAR解缠工作中，目的是通过构建高效的神经网络模型，让其自动学习并提取高维相位特征，从而在强噪声环境下实现精准的相位解缠。这种优化方法不仅能够大幅降低人工干预成本，还可以提高复杂城市场景下的数据处理效率和解算精度。

开展基于深度学习的城市地表沉降时序InSAR解缠模型优化研究，对于完善InSAR数据处理理论、提升城市地质隐患早期识别能力具有重要的理论和应用价值。技术上实现创新突破现有局限，能够为城市安全运行提供更加科学精准的决策依据。

城市地表沉降监测一般用合成孔径雷达干涉测量技术，基于永久散射体和短基线集的时序分析方法是现在常用的主流技术。这类技术是通过提取长时间序列里面相干性高的像元来构建差分干涉相位序列。SBAS技术会设置时空基线阈值，把多幅SAR影像连接起来生成干涉图，其核心是使用奇异值分解算法求解形变速率，这样能够有效克服大气延迟相位带来的影响。

干涉相位是通过雷达回波信号的复数共轭相乘得到的，它的取值范围仅仅在主值区间，这就造成观测到的缠绕相位和真实物理相位存在整周模糊度，所以需要通过相位解缠来恢复真实的形变信息。要是把真实相位定义为$\phi${true}，观测到的缠绕相位定义为$\phi${wrapped}，那么二者满足下面这样的数学关系：

在这个式子当中，\(W(\cdot)\)表示包裹算子，\(\text{round}(\cdot)\)表示四舍五入取整操作。相位解缠的本质其实就是求解相位梯度积分路径，使得解缠后的相位梯度\(\Delta \phi\)与包裹相位梯度\(\Delta \psi\)的范数差达到最小，同时还需要满足积分路径闭合差为零的约束条件。
城市区域存在着高密度的建筑，地表形变通常表现出非线性以及空间非连续性的特点，传统的路径跟踪或者最小范数算法在低相干或者严重欠采样区域很容易失效。深度学习理论针对这个问题给出了新的思路，其核心是把相位解缠当作图像到图像的映射问题来处理。卷积神经网络借助多层非线性变换，能够自动提取干涉图的纹理特征、残差fringe走势以及相干性掩模信息。时序相关性建模会采用循环神经网络或者Transformer结构，以此来捕捉长时间序列中形变的演化规律，在进行解缠的时候引入物理约束条件，将问题转化成对相位整周数\(k\)的回归或者分类预测，这样可以有效提升在复杂城市环境下解缠的鲁棒性。

### 2.2现有深度学习解缠模型的局限性分析

深度学习技术用于InSAR时序解缠领域已展现出不错的潜力，不过现有模型在应对城市复杂环境时有明显不足，问题主要集中在数据样本、模型设计、解缠精度三个方面。

从数据方面来说，高质量训练数据不足是影响模型性能的关键。在实际城市地表沉降监测里，想要获取大范围且精度达到毫米级的真实形变值地面标签是很困难的，所以训练样本大多只能依靠模拟数据生成。然而模拟数据难以完全呈现真实城市环境中复杂的电磁波散射机制和大气噪声，这就造成模型处理真实SAR影像时泛化能力不佳。而且城市场景本身具有很强的异质性，高层建筑、密集路网和绿地植被交错分布，现有的数据集在样本多样性上存在不足，模型无法涵盖所有地表形态和沉降模式，进而影响了其在复杂区域的应用效果。

在模型架构上，现有网络对时序相位内在相关性的建模能力比较弱。大多数主流解缠网络直接采用自然图像处理的通用架构，主要关注单景或者少量干涉图的空间纹理特征，却忽视了InSAR时间序列里相位随时间变化的物理规律和逻辑联系。这种对时序信息挖掘不够的情况，使得模型在解缠时不能有效地利用历史形变信息来约束当前的解算结果。并且城市复杂地形和建筑遮挡会导致严重的叠掩与阴影现象，这些现象会极大地干扰相位信号，甚至造成数据缺失，现有模型对这类非连续区域的鲁棒性较差，容易在阴影边界产生虚假形变信号，难以满足城市精细化监测对强抗噪能力的要求。

解缠精度的局限主要表现在大梯度形变区的解缠误差和时序一致性问题上。城市地表沉降通常呈现出非线性特点，特别是在地铁施工或者地下水开采区域，形变梯度大且变化快，现有模型在这些地方很容易出现相位解缠错误，从而导致“条纹拉丝”或者整周跳变现象。更为关键的是，现有方法大多将各时相当作独立任务进行解算，缺乏对整个观测周期的全局一致性约束，解缠出的沉降时序曲线可能会出现不符合逻辑的突变。这种时空上的不稳定性与城市地质灾害预警对高精度、高可靠性数据的需求之间存在明显的矛盾，因此迫切需要针对这些问题对模型进行优化。

城市地表沉降监测所处环境复杂，要解决前面说的那些核心问题，像数据不足、特征提取难、精度约束弱等，需要有直接应对的办法，为此要建立一套系统改进方法。当前明显存在数据样本少且标注困难的问题，要解决这个问题，得先构建城市场景专用数据集。构建这个专用数据集的过程，一般是把物理仿真和真实数据结合起来，利用干涉相位的统计特性去模拟生成合成数据，这些合成数据包含不同的形变梯度，还带有大气噪声。并且把多源InSAR观测数据和水准测量数据放在一起联合标注，这样做可以增加训练样本的多样性和可靠性，进而让模型能够更好地适应复杂城市地表条件下的数据特征，也就是可以使模型在面对复杂城市地表情况时更能符合数据的特点。

模型提取时序特征存在局限，所以要对网络结构做针对性改进，特别是要引入注意力机制，通过引入注意力机制来捕捉关键的时序相位信息。在深度神经网络里嵌入时序注意力模块之后，模型能够自动给高相干性观测点或者沉降活跃时段赋予更高的权重，这样就能有效过滤decorrelation噪声的干扰。同时搭建多尺度卷积网络结构，因为城市区域会因地质差异产生非线性形变梯度，多尺度卷积网络结构能适应这种情况，从而可以保证模型在不同空间分辨率的情况下都能够准确捕捉细节特征，最终解决复杂场景下特征提取的鲁棒性问题，让模型在复杂场景中提取特征时更加稳定可靠。

另一个关键问题是反演精度不够而且物理一致性弱，要解决这个问题的话，需要设计科学合理的正则化约束机制。设计损失函数时，除了常规的数据拟合项之外，还需要加入结合城市地理信息的形变先验约束和时序一致性损失函数。把城市建筑荷载分布、地质分层结构等地理先验知识转变成物理约束项，并且强制要求预测结果在时间序列上保证连续平滑，这样做能够有效减少因为相位失相干或者大气延迟所导致的解缠跳变现象。通过这种把物理机制和数据驱动深度融合的策略，不仅能显著提升模型监测微小地表形变的准确性，也就是让模型在监测微小地表形变时更加精确，而且还能增强模型在工程应用中的可信度，使得模型在工程应用方面更值得信赖。

本文关注基于深度学习的城市地表沉降时序InSAR解缠模型优化研究。对该研究取得的主要成果以及这些成果在实际中的应用价值进行了系统且全面的梳理。

时序InSAR技术是一种能够精确监测地表形变的微波遥感手段。它的核心是利用合成孔径雷达影像的相位信息来反演地表的微小沉降。在这个过程中，相位解缠是决定整个技术流程精度的关键环节。传统解缠算法在复杂的城市环境下会出现一些问题，比如容易受到噪声的干扰，处理效率比较低，在不连续区域进行解缠时存在困难等情况。本研究针对传统解缠算法存在的这些问题，引入深度学习理论对模型进行有针对性的优化。

在具体实现优化的时候，研究构建了基于卷积神经网络的解缠模型。通过把大量模拟样本和真实观测数据结合起来开展联合训练，使得模型拥有了自动提取相位条纹特征以及抑制噪声的能力。传统的路径跟踪法或者最小范数法只是单纯地依靠数学假设，而优化后的模型通过深度学习网络去学习相位梯度的空间分布规律，从而在低相干区域能够实现更加稳健的解缠效果。实际操作包含了多个步骤，像对数据进行预处理，搭建网络结构，设计损失函数，对模型参数进行迭代调优等，最终形成了一套标准化的深度学习解缠处理流程。

在实际的城市沉降监测区域进行验证，验证结果表明优化模型让解缠相位的准确性和连续性得到了显著的提升，有效地解决了因为城市高层建筑阴影、水体区域等因素导致的解缠失效问题。这一成果不只是为城市地表沉降监测提供了质量更高的数据源，保障了后续形变速率反演的可靠性，还显示出人工智能技术在摄影测量与遥感领域有着广阔的应用前景。研究成果对于完善城市地质灾害预警体系、指导地下空间安全开发具有重要的实践意义和值得推广的价值。