CN108594224B - 融合不同平台和轨道sar数据的三维时序形变监测方法 - Google Patents
融合不同平台和轨道sar数据的三维时序形变监测方法 Download PDFInfo
- Publication number
- CN108594224B CN108594224B CN201810278794.6A CN201810278794A CN108594224B CN 108594224 B CN108594224 B CN 108594224B CN 201810278794 A CN201810278794 A CN 201810278794A CN 108594224 B CN108594224 B CN 108594224B
- Authority
- CN
- China
- Prior art keywords
- deformation
- platform
- time
- arc segment
- dimensional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9023—SAR image post-processing techniques combined with interferometric techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/87—Combinations of radar systems, e.g. primary radar and secondary radar
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9004—SAR image acquisition techniques
- G01S13/9017—SAR image acquisition techniques with time domain processing of the SAR signals in azimuth
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9094—Theoretical aspects
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种融合不同平台和轨道SAR数据的三维时序形变监测方法,包括以下步骤:第一步,选取干涉效果符合电力设施区域三维形变监测要求的不同平台的多时域高分辨率SAR影像;第二步,提取各个平台上电力设施区的公共永久散射体点,构建三维形变观测网,并求解出每个SAR影像上的观测弧段LOS向形变之差;第三步:根据形变模型、各个平台的成像时间以及各个平台的成像干涉组合,使用动态自适应滤波算法,融合不同成像时间的三维形变观测网,解算出动态三维时序形变。本发明融合不同平台和轨道的数据,克服InSAR形变监测只对LOS向形变敏感的问题。
Description
技术领域
本发明涉及遥感影像的大地测量的技术领域,具体涉及一种融合不同平台和轨道SAR数据的三维时序形变监测方法。
背景技术
目前,电力设施变形监测方法主要为水准和GPS测量,然而这些传统方法不仅要耗费大量的人力和物力,且还存在着较为明显技术缺陷:水准和GPS测量的是点目标的结果,结果较为稀疏,对于一些较为隐蔽的、形变特征不明显的灾害将难以探测,使得在一些分布于荒野的电力设施难以被监测到。此外,电力设施多分布于人迹罕至的野外,工作环境较为恶劣,地质灾害的产生对于测绘人员生命安全会有较大的危害,而电力设施的监测又需要对野外环境进行一定的预计才能开始布设测量工作,这将使得测绘人员的生命安全难以得到保障。
合成孔径雷达干涉测量技术(InSAR,Synthetic Aperture Radarinterferometry)近年来已被逐步应用到形变监测及地质灾害防范中,其高精度、大范围及全天时全天候等特点已经得到了大量证明,在地表形变的监测应用上得到了极大的发展。随着近年来SAR卫星分辨率的不断提高,SAR卫星平台数量不断地增加,SAR卫星数据的数量得到了极大地丰富,这也为使用SAR数据进行地质灾害的高精度、高分辨率监测提供了可能。
然而,目前InSAR技术在地质灾害三维形变监测方面的应用较少,尤其是对电力设施InSAR三维形变监测方面的极为罕见,究其原因,主要是由于InSAR技术只能监测雷达视线方向(LOS)所导致的。在使用InSAR技术进行地表形变监测时,往往只假设其形变只由垂直向产生。这对于一些水平向为主的形变而言,将难以被监测。而电力设施分布区域及其周围地质体所产生的灾害通常难以通过一维的形变观测进行描述。因此,传统的InSAR技术对于一些隐蔽的地质灾害,将做不到提早发现提早治理,对于电力设施将会产生巨大的破坏,使电力企业蒙受巨大的损失。此外,目前主要的InSAR三维形变监测手段,基本还是集中在静态三维形变的监测上,因此对于一些以缓慢形变为主的地质灾害将做不到长期有效的监测。
发明内容
本发明的目的就是针对现有技术的缺陷,提供一种融合不同平台和轨道SAR数据的三维时序形变监测方法,融合不同平台(轨道)的数据,克服InSAR形变监测只对LOS向形变敏感的问题。
本发明提供了一种融合不同平台和轨道SAR数据的三维时序形变监测方法,其特征在于包括以下步骤:
第一步,选取干涉效果符合电力设施区域三维形变监测要求的不同平台的多时域高分辨率SAR影像;
第二步,提取各个平台上电力设施区的公共永久散射体点,构建三维形变观测网,并求解出每个SAR影像上的观测弧段LOS向形变之差;
第三步:根据形变模型、各个平台的成像时间以及各个平台的成像干涉组合,使用动态自适应滤波算法,融合不同成像时间的三维形变观测网,解算出动态三维时序形变。
其中,所述第一步包括以下步骤:
a.根据各数据提供网站提供的电力设施区的存档数据,获取各个轨道及各个平台的入射角βinc和方向角βhead数据;
b.由各个轨道和平台的相关参数,构建投影矢量的设计矩阵,设有N个平台(轨道),其投影矢量的设计矩阵为:
其中,βhead_N为第N个平台的方位角(N平台,单位:度),βinc_N为第N个平台的入射角;
c.计算各个平台的入射角βinc和方向角βhead数据组合的条件数,条件数小于25的组合下的高分辨率SAR影像组合判定为符合三维形变监测的要求。
所述第二步包括以下步骤:
d.提取出各个不同平台和轨道上的多时域差分干涉图;
e.将不同平台和轨道的干涉图转换到同一参考系和坐标下,对数据进行裁剪,选取出共同的电力设施监测实验区,对不同平台和轨道的多时域SAR数据进行辐射校正,先计算出每幅SAR影像的影像强度均值
其中,p(i,j)表示在像素(i,j)上的影像强度,m和n分别表示影像在距离向上和方位向上的像素个数,t为影像的时间序列,s为影像的平台和轨道顺序;
接着计算时间序列及不同平台(轨道)上的振幅均值:
接着计算每个影像单独对应的振幅校正因子:
f.使用上述获得的振幅校正因子,对不同平台和轨道的多时域上的SAR影像进行校正,并在不同平台和轨道上校正后的多时域SAR影像上识别出电力设施分布区域稳定的公共永久散射点;
g.使用Delaunay三角网的算法,设定阈值,使用永久散射体点构建起三维形变监测网络,去除永久散射体点上与空间距离的误差,设在时间t,平台s上,第i条Delaunay三角网上的弧边的相位差,可以表示为
其中,Δve、Δvn、Δvu分别为某弧边在东西向,南北向和垂直向上的形变速率差,βhead和βinc则为该平台所对应的方位角和入射角,λ为某平台的波长,Δh为该弧段上的高程差,为残余的相位差;B⊥ 为该干涉对对应的垂直基线,Δh为对应的斜距,为入射角。
h.在被一个单独的平台和轨道上,求解出每个弧段即为所构建的三维形变监测网络中的每个边长在LOS向上对应的低频形变速率之差,并将每个SAR影像上的高频形变信号进行时空滤波及奇异值分解,得到每个SAR影像的非线性形变;其中,非线性形变在时间域上表现为高频,即高频形变信号;
利用步骤g中获得的三维形变监测网络,将求得的每个SAR影像中的每个弧段上的高频形变信号加入到每个SAR影像中的每个弧段上的低频形变速率中。一般来说,使用一次Delaunay三角网的算法,即可得到一个三维形变监测网络,在编程实现的过程中,这个三维形变监测网络是由两列数组给出,两列数组分别代表了弧段的起点和终点,因此采用Delaunay三角网的算法只要构网一次,后面的操作都可以使用第一次构建生成的三维形变监测网络来进行。其中高频形变信号将低频形变信号从形变中扣除后,剩余的部分即为高频形变信号。
所述第三步包括以下步骤:
i.由三维形变监测网构建动态自适应滤波的观测模型和动力学模型。假设在平台和轨道s上,第i个弧段在时刻t的观测模型可以表示成:
Li,s(t)=Bi,s(t)Xi,s(t)+εi,s(t) (6);
其中,Li,s(t)为平台(轨道)s在t时刻第i个弧段上的LOS向形变差,而投影矢量构成的累积形变差和形变速率差设计矩阵Bi,s(t)=[-cos(βhead_s-270°)·sin(βinc_s),-sin(βhead_s-270°)·sin(βinc_s),cos(βinc_s),0,0,0],其中方位角和入射角是取自S平台。εi,s(t)则为该弧段所对应的观测噪声量,而XT i,s(t)=[ΔDe(t),ΔDn(t),ΔDu(t),Δve(t),Δvn(t),Δvu(t)]则为弧段的累积形变和弧段的三维形变速率等待求未知参数,其中ΔDe(t)、ΔDn(t)、ΔDu(t)分别为弧段上东西向、南北向及垂直向累积形变,Δve(t)、Δvn(t)、Δvu(t)分别为对应方向上的形变速率;
对于其动力学模型,为简化流程,不考虑其噪声分布,则可表示为:
Xi,s(i)=Φi,s(t/t-1)Xi,s(t-1)+Wi,s(t-1) (7);
其中
为待求参数的状态转移矩阵,I3×3为一个3×3的单位阵,Δt则为对应形变的时间间隔;
对于状态噪声矢量Wi,s T(t-1)则可以表示为:
Wi,s T(t-1)=[ωi,s,e(t-1),ωi,s,n(t-1),ωi,s,u(t-1)];
其中,ωi,s,e(t-1),ωi,s,n(t-1),ωi,s,u(t-1)分别为时刻t-1时,在第s个平台上,第i个弧段在东西向、南北向、及垂直向上的状态噪声;
对于式中Ki,s(t)为自适应滤波的增益矩阵,为观测的残差,则为估计参数的方差-协方差矩阵,而d(t)=(1-ξ)/(1-ξt),0<ξ<1。对于观测噪声一般选择其对应干涉图的方差;Li,s(t)为时刻t上,平台s上第i个弧段的形变,Bi,s(t,t-1)为时刻t上,平台s上第i个弧段的三维形变投影矢量,为时刻t-1上,平台s上第i个弧段的待求参数,d(t)则为控制参数;
k:按照动态自适应滤波处理流程,处理出各个时间的SAR影像上的弧段形变差。首先需要由动力学模型预测其状态向量:
接着,需要估计每一个弧段对应的预测向量的协方差阵:
其中,由时刻t-1估算的时刻t的预测向量的协方差阵,Φi,s(t/t-1)为估算时平台s上第i个弧段的状态转移矩阵,为时刻t-1时,平台s上第i个弧段的未知参数的协方差阵,则为时刻t-1时,平台s上第i个弧段的状态噪声方差;
由上式中每一个弧段对应的预测向量的协方差阵,进一步获取新息向量及其协方差矩阵:
其中,为时刻t上,平台s上第i个弧段的新息向量,Li,s(t)为时刻t上,平台s上第i个弧段的形变,Bi,s(t)为时刻t上,平台s上第i个弧段的三维形变投影矢量,为由时刻t-1估算的时刻t的未知数,为时刻t上,平台s上第i个弧段的新息向量的协方差阵,Bi,s(t)为时刻t上,平台s上第i个弧段的三维形变投影矢量,为由时刻t-1估算的时刻t的预测向量的协方差阵,为时刻t上,平台s上第i个弧段的观测噪声方差;
由新息向量的协方差矩阵及预测向量的协方差矩阵即可计算动态滤波过程的增益矩阵:
其中Ki,s(t)为时刻t上,平台s上第i个弧段的增益矩阵,为由时刻t-1估算的时刻t的预测向量的协方差阵,Bi,s(t)为时刻t上,平台s上第i个弧段的三维形变投影矢量,为时刻t上,平台s上第i个弧段的新息向量的协方差阵;
由上述步骤后,即可算出时刻t上的未知数向量及其对应的协方差阵:
l:经由上述动态自适应滤波进行数据融合后,在每个时间点的N个弧段上就可以获得其东西向、南北向和垂直向的形变差:
为时刻t上弧段i的未知参数,ΔDi,e(t)、ΔDi,n(t)及ΔDi,u(t)分别为弧段i在时刻t上的东西向、南北向及垂直向的累积形变;由此上述公式求解获得每个时间点的N个弧段上东西向、南北向和垂直向的形变差,根据构建三维形变观测网时每个观测点的设计矩阵,进行网络平差,即可求得电力设施区域上包括电力设施及其周围地质体上的公共散射体PS点的三维时序形变结果。
上述技术方案中,步骤g中阈值指的是1km的空间距离,其中不同平台的构网像素间隔如表1所示:
上述技术方案中,步骤l包括:
假设存在n个相干性较好的点,构建出了上述的N个弧段,则由上述求得的东西向、南北向和垂直向上时刻t的结果可写为:
ΔDe(t)=[ΔD1,e(t),ΔD2,e(t),……ΔDN,e(t)]
ΔDn(t)=[ΔD1,n(t),ΔD2,n(t),……ΔDN,n(t)]
ΔDu(t)=[ΔD1,u(t),ΔD2,u(t),……ΔDN,u(t)] (16)
其中,ΔDi,e(t),ΔDi,n(t),ΔDi,u(t)分别为东西向、南北向及垂直向上,时刻t,第i个弧段的形变差;
假设对应的每个点的东西向、南北向和垂直向上时刻t的形变为:
de(t)=[d1,e(t),d2,e(t),……dn,e(t)]
dn(t)=[d1,n(t),d2,n(t),……dn,n(t)]
du(t)=[d1,u(t),d2,u(t),……dn,u(t)] (17)
其中,di,e(t),di,n(t)及di,u(t)分别是东西向、南北向及垂直向上,时刻t,第i个点的形变;
为了联系每个点的形变,及每个弧段的形变差,则存在一个N×n的设计矩阵,其可以表示为:
其中,每一列为对应的点的顺序,每一行为为每一个弧段中两点的联系,起点为“1”,终点为“-1”。综上述,东西向、南北向和垂直向在时刻t上每个点的形变与弧段形变差则可以表示为:
Γdesign·de(t)=ΔDe(t)
Γdesign·dn(t)=ΔDn(t)
Γdesign·du(t)=ΔDu(t) (19)
由上式,按照最小二乘原则求解,最终可求得每个点在时刻t的东西向、南北向和垂直向上的形变值。
本发明主要目的在于通过融合多个不同平台(轨道)的SAR数据,克服InSAR形变监测只对LOS向形变敏感的问题.进行高精度、高分辨率的电力设施三维时序形变监测。相较于其他多平台(轨道)数据融合的方法,本方法在平台选取上给出了平台选取的准则,同时,考虑到电力设施及其周围地质体都有较为稳定的公共永久散射体点特性,使用了PS-InSAR技术获取了各个平台上对应的SAR影像时间点形变信息,这将更有利于消除一些空间相关的误差,提高三维形变监测的精度及稳定性。而相较于传统的PS-InSAR技术,本发明在进行公共永久散射体点选取时,顾及了多平台(轨道)的特性,改进了永久散射体点(即PS点)的选点流程及非线性形变的处理方法,使其可以适应多平台(轨道)及电力设施分布区域的需求,且构建了三维形变观测网,最终结果不仅获得了传统PS-InSAR的沉降数据,同时也获得了东西向与南北向的形变数据,使之更加适应于电力设施及其周边地质体的形变监测。本发明通过PS-InSAR的方法,先算出线性形变(即低频形变信号)和非线性形变(即高频形变信号),利用非线性形变和线性形变计算得出的结果可以更加有效地克服空间相关的噪声,例如大气。本发明在获取不同平台(轨道)在不同的时间点所观测到的LOS(视线向)向形变之后,使用动态的自适应滤波技术,对不同平台(轨道)的数据进行融合,进而获得三维时序形变观测网结果。对三维时序形变观测网的结果进行网络平差,即可得到电力设施及其周边地质体公共永久散射体点上的三维时序形变信息。同时,由于融合了多平台的数据,本发明获得形变的时间分辨率得到了极大的提高,对电力设施形变监测及地质灾害防治的指导意义将更加显著。
附图说明
图1为本发明中可选取的一种不同平台(轨道)的空间关系;
图2为本发明中多平台PS-InSAR的实施流程;
图3为本发明中动态自适应滤波的实施流程。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明,便于清楚地了解本发明,但它们不对本发明构成限定。
本发明提供了一种融合不同平台和轨道SAR数据的三维时序形变监测方法,其特征在于包括以下步骤:
a.根据各数据提供网站提供的电力设施区的存档数据,获取各个轨道及各个平台的入射角βinc和方向角βhead数据;如图1所示,为欧空局哨兵科学数据公开中心(SentinelA)、德国宇航局(TerraSARX)及日本宇宙航空研发机构(ALOS-2)的数据官网搜索了相关SAR数据获得的卫星入射角数据及方位角数据;
b.由各个轨道和平台的相关参数,构建投影矢量的设计矩阵,设有N个平台(轨道),其投影矢量的设计矩阵为:
其中,βhead_N为第N个平台的方位角(N平台,单位:度),βinc_N为第N个平台的入射角;
c.计算各个平台的入射角βinc和方向角βhead数据组合的条件数,条件数小于25的组合下的高分辨率SAR影像组合判定为符合三维形变监测的要求。
d.提取出各个不同平台和轨道上的多时域差分干涉图;
e.将不同平台和轨道的干涉图转换到同一参考系和坐标下,对数据进行裁剪,选取出共同的电力设施监测实验区,对不同平台和轨道的多时域SAR数据进行辐射校正,先计算出每幅SAR影像的影像强度均值
其中,p(i,j)表示在像素(i,j)上的影像强度,m和n分别表示影像在距离向上和方位向上的像素个数,t为影像的时间序列,s为影像的平台和轨道顺序;
接着计算时间序列及不同平台(轨道)上的振幅均值:
接着计算每个影像单独对应的振幅校正因子:
f.使用上述获得的振幅校正因子,对不同平台和轨道的多时域上的SAR影像进行校正,并在不同平台和轨道上校正后的多时域SAR影像上识别出电力设施分布区域稳定的公共永久散射点;
g.使用Delaunay三角网的算法,设定阈值,使用永久散射体点构建起三维形变监测网络,去除永久散射体点上与空间距离的误差,设在时间t,平台s上,第i条Delaunay三角网上的弧边的相位差,可以表示为
其中,Δve、Δvn、Δvu分别为某弧边在东西向,南北向和垂直向上的形变速率差,βhead和βinc则为该平台所对应的方位角和入射角,λ为某平台的波长,Δh为该弧段上的高程差,为残余的相位差;B⊥为该干涉对对应的垂直基线,Δh为对应的斜距,为入射角。
h.在被一个单独的平台和轨道上,求解出每个弧段即为所构建的三维形变监测网络中的每个边长在LOS向上对应的低频形变速率之差,并将每个SAR影像上的高频形变信号进行时空滤波及奇异值分解,得到每个SAR影像的非线性形变;利用步骤g中的三维形变监测网络,将求得的每个SAR影像上的是每个弧段的的高频形变信号加入到每个SAR影像上的每个弧段的低频形变速率中。
i.由三维形变监测网构建动态自适应滤波的观测模型和动力学模型。假设在平台和轨道s上,第i个弧段在时刻t的观测模型可以表示成:
Li,s(t)=Bi,s(t)Xi,s(t)+εi,s(t)(6);
其中,Li,s(t)为平台(轨道)s在t时刻第i个弧段上的LOS向形变差,而投影矢量构成的累积形变差和形变速率差设计矩阵Bi,s(t)=[-cos(βhead_s-270°)·sin(βinc_s),-sin(βhead_s-270°)·sin(βinc_s),cos(βinc_s),0,0,0],εi,s(t)则为该弧段所对应的观测噪声量,而XT i,s(t)=[ΔDe(t),ΔDn(t),ΔDu(t),Δve(t),Δvn(t),Δvu(t)]则为弧段的累积形变和弧段的三维形变速率等待求未知参数,其中ΔDe(t)、ΔDn(t)、ΔDu(t)分别为弧段上东西向、南北向及垂直向累积形变,Δve(t)、Δvn(t)、Δvu(t)分别为对应方向上的形变速率;
对于其动力学模型,为简化流程,不考虑其噪声分布,则可表示为:
Xi,s(i)=Φi,s(t/t-1)Xi,s(t-1)+Wi,s(t-1) (7);
其中
为待求参数的状态转移矩阵,I3×3为一个3×3的单位阵,Δt则为对应形变的时间间隔;
对于状态噪声矢量Wi,s T(t-1)则可以表示为:
Wi,s T(t-1)=[ωi,s,e(t-1),ωi,s,n(t-1),ωi,s,u(t-1)];
其中,ωi,s,e(t-1),ωi,s,n(t-1),ωi,s,u(t-1)分别为时刻t-1时,在第s个平台上,第i个弧段在东西向、南北向、及垂直向上的状态噪声;
对于式中Ki,s(t)为自适应滤波的增益矩阵,为观测的残差,则为估计参数的方差-协方差矩阵,而d(t)=(1-ξ)/(1-ξt),0<ξ<1。对于观测噪声一般选择其对应干涉图的方差;Li,s(t)为时刻t上,平台s上第i个弧段的形变,Bi,s(t,t-1)为时刻t上,平台s上第i个弧段的三维形变投影矢量,为时刻t-1上,平台s上第i个弧段的待求参数,d(t)则为控制参数;
k:按照动态自适应滤波处理流程,处理出各个时间的SAR影像上的弧段形变差。首先需要由动力学模型预测其状态向量:
接着,需要估计每一个弧段对应的预测向量的协方差阵:
其中,由时刻t-1估算的时刻t的预测向量的协方差阵,Φi,s(t/t-1)为估算时平台s上第i个弧段的状态转移矩阵,为时刻t-1时,平台s上第i个弧段的未知参数的协方差阵,则为时刻t-1时,平台s上第i个弧段的状态噪声方差;
由上式中每一个弧段对应的预测向量的协方差阵,进一步获取新息向量及其协方差矩阵:
其中,为时刻t上,平台s上第i个弧段的新息向量,Li,s(t)为时刻t上,平台s上第i个弧段的形变,Bi,s(t)为时刻t上,平台s上第i个弧段的三维形变投影矢量,为由时刻t-1估算的时刻t的未知数,为时刻t上,平台s上第i个弧段的新息向量的协方差阵,Bi,s(t)为时刻t上,平台s上第i个弧段的三维形变投影矢量,为由时刻t-1估算的时刻t的预测向量的协方差阵,为时刻t上,平台s上第i个弧段的观测噪声方差;
由新息向量的协方差矩阵及预测向量的协方差矩阵即可计算动态滤波过程的增益矩阵:
其中Ki,s(t)为时刻t上,平台s上第i个弧段的增益矩阵,为由时刻t-1估算的时刻t的预测向量的协方差阵,Bi,s(t)为时刻t上,平台s上第i个弧段的三维形变投影矢量,为时刻t上,平台s上第i个弧段的新息向量的协方差阵;
由上述步骤后,即可算出时刻t上的未知数向量及其对应的协方差阵:
l:经由上述动态自适应滤波进行数据融合后,在每个时间点的N个弧段上就可以获得其东西向、南北向和垂直向的形变差:
为时刻t上弧段i的未知参数,ΔDi,e(t)、ΔDi,n(t)及ΔDi,u(t)分别为弧段i在时刻t上的东西向、南北向及垂直向的累积形变;由此上述公式求解获得每个时间点的N个弧段上东西向、南北向和垂直向的形变差,根据构建三维形变观测网时每个观测点的设计矩阵,进行网络平差,即可求得电力设施区域上包括电力设施及其周围地质体上的公共散射体PS点的三维时序形变结果。
上述技术方案中,步骤g中阈值指的是1km的空间距离,构建三维形变观测网的目的是为了去除与空间相关的误差,如大气等,因此,该标准是需要通过多次实验选取最佳结果而定。一般而言,会选取1km的空间距离作为阈值其中不同平台的构网像素间隔如下表所示:
上述技术方案中,步骤l包括:
假设存在n个相干性较好的点,构建出了上述的N个弧段,则由上述求得的东西向、南北向和垂直向上时刻t的结果可写为:
ΔDe(t)=[ΔD1,e(t),ΔD2,e(t),……ΔDN,e(t)]
ΔDn(t)=[ΔD1,n(t),ΔD2,n(t),……ΔDN,n(t)]
ΔDu(t)=[ΔD1,u(t),ΔD2,u(t),……ΔDN,u(t)] (16)
其中,ΔDi,e(t),ΔDi,n(t),ΔDi,u(t)分别为东西向、南北向及垂直向上,时刻t,第i个弧段的形变差;
假设对应的每个点的东西向、南北向和垂直向上时刻t的形变为:
de(t)=[d1,e(t),d2,e(t),……dn,e(t)]
dn(t)=[d1,n(t),d2,n(t),……dn,n(t)]
du(t)=[d1,u(t),d2,u(t),……dn,u(t)] (17)
其中,di,e(t),di,n(t)及di,u(t)分别是东西向、南北向及垂直向上,时刻t,第i个点的形变;
为了联系每个点的形变,及每个弧段的形变差,则存在一个N×n的设计矩阵,其可以表示为:
其中,每一列为对应的点的顺序,每一行为为每一个弧段中两点的联系,起点为“1”,终点为“-1”。综上述,东西向、南北向和垂直向在时刻t上每个点的形变与弧段形变差则可以表示为:
Γdesign·de(t)=ΔDe(t)
Γdesign·dn(t)=ΔDn(t)
Γdesign·du(t)=ΔDu(t) (19)
由上式,按照最小二乘原则求解,最终可求得每个点在时刻t的东西向、南北向和垂直向上的形变值。
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (4)
1.一种融合不同平台和轨道SAR数据的三维时序形变监测方法,其特征在于包括以下步骤:
第一步,选取干涉效果符合电力设施区域三维形变监测要求的不同平台的多时域高分辨率SAR影像;
第二步,提取各个平台上电力设施区的公共永久散射体点,构建三维形变观测网,并求解出每个SAR影像上的观测弧段LOS向形变之差;
第三步:根据形变模型、各个平台的成像时间以及各个平台的成像干涉组合,使用动态自适应滤波算法,融合不同成像时间的三维形变观测网,解算出动态三维时序形变;
其中,所述第一步包括以下步骤:
a.根据各数据提供网站提供的电力设施区的存档数据,获取各个轨道及各个平台的入射角βinc和方向角βhead数据;
b.由各个轨道和平台的相关参数,构建投影矢量的设计矩阵,设有N个平台,其投影矢量的设计矩阵为:
其中,βhead_N为第N个平台的方位角,βinc_N为第N个平台的入射角;
c.计算各个平台的入射角βinc和方向角βhead数据组合的条件数,条件数小于25的组合下的高分辨率SAR影像组合判定为符合三维形变监测的要求;
所述第二步包括以下步骤:
d.提取出各个不同平台和轨道上的多时域差分干涉图;
e.将不同平台和轨道的干涉图转换到同一参考系和坐标下,对数据进行裁剪,选取出共同的电力设施监测实验区,对不同平台和轨道的多时域SAR数据进行辐射校正,先计算出每幅SAR影像的影像强度均值
其中,p(i,j)表示在像素(i,j)上的影像强度,m和n分别表示影像在距离向上和方位向上的像素个数,t为影像的时间序列,s为影像的平台和轨道顺序;
接着计算时间序列及不同平台上的振幅均值:
接着计算每个影像单独对应的振幅校正因子:
f.使用上述获得的振幅校正因子,对不同平台和轨道的多时域上的SAR影像进行校正,并在不同平台和轨道上校正后的多时域SAR影像上识别出电力设施分布区域稳定的公共永久散射点;
g.使用Delaunay三角网的算法,设定阈值,使用永久散射体点构建起三维形变监测网络,去除永久散射体点上与空间距离的误差,设在时间t,平台s上,第i条Delaunay三角网上的弧边的相位差,可以表示为
其中,Δve、Δvn、Δvu分别为某弧边在东西向,南北向和垂直向上的形变速率差,βhead和βinc则为该平台所对应的方位角和入射角,λ为某平台的波长,Δh为该弧段上的高程差,为残余的相位差;B⊥为该干涉对对应的垂直基线,Δh为对应的斜距,为入射角;
h.在一个单独的平台和轨道上,求解出每个弧段即为所构建的三维形变监测网络中的每个边长在LOS向上对应的低频形变速率之差,并将每个SAR影像上的高频形变信号进行时空滤波及奇异值分解,得到每个SAR影像的非线性形变;进而利用步骤g中获得的三维形变监测网络,将求得的每个SAR影像上的每个弧段的的高频形变信号加入到每个SAR影像上的每个弧段的低频形变速率中。
2.根据权利要求1所述的融合不同平台和轨道SAR数据的三维时序形变监测方法,其特征在于,所述第三步包括以下步骤:
i.由三维形变监测网构建动态自适应滤波的观测模型和动力学模型;假设在平台和轨道s上,第i个弧段在时刻t的观测模型可以表示成:
Li,s(t)=Bi,s(t)Xi,s(t)+εi,s(t) (6);
其中,Li,s(t)为平台s在t时刻第i个弧段上的LOS向形变差,而投影矢量构成的累积形变差和形变速率差设计矩阵Bi,s(t)=[-cos(βhead_s-270°)·sin(βinc_s),-sin(βhead_s-270°)·sin(βinc_s),cos(βinc_s),0,0,0],εi,s(t)则为该弧段所对应的观测噪声量,而XT i,s(t)=[ΔDe(t),ΔDn(t),ΔDu(t),Δve(t),Δvn(t),Δvu(t)]则为弧段的累积形变和弧段的三维形变速率等待求未知参数,其中ΔDe(t)、ΔDn(t)、ΔDu(t)分别为弧段上东西向、南北向及垂直向累积形变,Δve(t)、Δvn(t)、Δvu(t)分别为对应方向上的形变速率;
对于其动力学模型,为简化流程,不考虑其噪声分布,则可表示为:
Xi,s(i)=Φi,s(t/t-1)Xi,s(t-1)+Wi,s(t-1) (7);
其中
为待求参数的状态转移矩阵,I3×3为一个3×3的单位阵,Δt则为对应形变的时间间隔;
对于状态噪声矢量Wi,s T(t-1)则可以表示为:
Wi,s T(t-1)=[ωi,s,e(t-1),ωi,s,n(t-1),ωi,s,u(t-1)];
其中,ωi,s,e(t-1),ωi,s,n(t-1),ωi,s,u(t-1)分别为时刻t-1时,在第s个平台上,第i个弧段在东西向、南北向、及垂直向上的状态噪声;
对于式中Ki,s(t)为自适应滤波的增益矩阵,为观测的残差,则为估计参数的方差-协方差矩阵,而d(t)=(1-ξ)/(1-ξt),0<ξ<1;对于观测噪声一般选择其对应干涉图的方差;Li,s(t)为时刻t上,平台s上第i个弧段的形变,Bi,s(t,t-1)为时刻t上,平台s上第i个弧段的三维形变投影矢量,为时刻t-1上,平台s上第i个弧段的待求参数,d(t)则为控制参数;
k:按照动态自适应滤波处理流程,处理出各个时间的SAR影像上的弧段形变差;首先需要由动力学模型预测其状态向量:
接着,需要估计每一个弧段对应的预测向量的协方差阵:
其中,由时刻t-1估算的时刻t的预测向量的协方差阵,Φi,s(t/t-1)为估算时平台s上第i个弧段的状态转移矩阵,为时刻t-1时,平台s上第i个弧段的未知参数的协方差阵,则为时刻t-1时,平台s上第i个弧段的状态噪声方差;
由上式中每一个弧段对应的预测向量的协方差阵,进一步获取新息向量及其协方差矩阵:
其中,为时刻t上,平台s上第i个弧段的新息向量,Li,s(t)为时刻t上,平台s上第i个弧段的形变,Bi,s(t)为时刻t上,平台s上第i个弧段的三维形变投影矢量,为由时刻t-1估算的时刻t的未知数,为时刻t上,平台s上第i个弧段的新息向量的协方差阵,Bi,s(t)为时刻t上,平台s上第i个弧段的三维形变投影矢量,为由时刻t-1估算的时刻t的预测向量的协方差阵,为时刻t上,平台s上第i个弧段的观测噪声方差;
由新息向量的协方差矩阵及预测向量的协方差矩阵即可计算动态滤波过程的增益矩阵:
其中Ki,s(t)为时刻t上,平台s上第i个弧段的增益矩阵,为由时刻t-1估算的时刻t的预测向量的协方差阵,Bi,s(t)为时刻t上,平台s上第i个弧段的三维形变投影矢量,为时刻t上,平台s上第i个弧段的新息向量的协方差阵;
由上述步骤后,即可算出时刻t上的未知数向量及其对应的协方差阵:
l:经由上述动态自适应滤波进行数据融合后,在每个时间点的N个弧段上就可以获得其东西向、南北向和垂直向的形变差:
3.根据权利要求2所述的融合不同平台和轨道SAR数据的三维时序形变监测方法,其特征在于,步骤g中阈值指的是1km的空间距离,其中:
TerraSAR平台和cosmo-skymed在X波段构网像素间隔均为1000;
Sentinel平台在C波段的构网像素间隔为200;
RadarSat2平台在C波段的构网像素间隔为110;
ALOS2平台在L波段的构网像素间隔为330。
4.根据权利要求3所述的融合不同平台和轨道SAR数据的三维时序形变监测方法,其特征在于步骤l包括:
假设存在n个相干性较好的点,构建出了上述的N个弧段,则由上述求得的东西向、南北向和垂直向上时刻t的结果可写为:
ΔDe(t)=[ΔD1,e(t),ΔD2,e(t),……ΔDN,e(t)]
ΔDn(t)=[ΔD1,n(t),ΔD2,n(t),……ΔDN,n(t)]
ΔDu(t)=[ΔD1,u(t),ΔD2,u(t),……ΔDN,u(t)] (16)
其中,ΔDi,e(t),ΔDi,n(t),ΔDi,u(t)分别为东西向、南北向及垂直向上,时刻t,第i个弧段的形变差;
假设对应的每个点的东西向、南北向和垂直向上时刻t的形变为:
de(t)=[d1,e(t),d2,e(t),……dn,e(t)]
dn(t)=[d1,n(t),d2,n(t),……dn,n(t)]
du(t)=[d1,u(t),d2,u(t),……dn,u(t)] (17)
其中,di,e(t),di,n(t)及di,u(t)分别是东西向、南北向及垂直向上,时刻t,第i个点的形变;
为了联系每个点的形变,及每个弧段的形变差,则存在一个N×n的设计矩阵,其可以表示为:
其中,每一列为对应的点的顺序,每一行为为每一个弧段中两点的联系,起点为“1”,终点为“-1”;综上述,东西向、南北向和垂直向在时刻t上每个点的形变与弧段形变差则可以表示为:
Γdesign·de(t)=ΔDe(t)
Γdesign·dn(t)=ΔDn(t)
Γdesign·du(t)=ΔDu(t) (19)
由上式,按照最小二乘原则求解,最终可求得每个点在时刻t的东西向、南北向和垂直向上的形变值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810278794.6A CN108594224B (zh) | 2018-03-30 | 2018-03-30 | 融合不同平台和轨道sar数据的三维时序形变监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810278794.6A CN108594224B (zh) | 2018-03-30 | 2018-03-30 | 融合不同平台和轨道sar数据的三维时序形变监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108594224A CN108594224A (zh) | 2018-09-28 |
CN108594224B true CN108594224B (zh) | 2021-09-03 |
Family
ID=63625040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810278794.6A Active CN108594224B (zh) | 2018-03-30 | 2018-03-30 | 融合不同平台和轨道sar数据的三维时序形变监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108594224B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109212529B (zh) * | 2018-11-02 | 2021-06-22 | 国网四川省电力公司电力应急中心 | 一种输电铁塔监测方法与装置 |
CN109471104B (zh) * | 2018-11-15 | 2020-08-04 | 首都师范大学 | 一种从两平行轨道sar数据中获取地表三维移动量的方法 |
CN110044327B (zh) * | 2019-04-29 | 2021-10-12 | 上海颖川佳固信息工程股份有限公司 | 一种基于sar数据与gnss数据的基础设施沉降监测方法及系统 |
CN110058237B (zh) * | 2019-05-22 | 2020-10-09 | 中南大学 | 面向高分辨率SAR影像的InSAR点云融合及三维形变监测方法 |
CN111308468B (zh) * | 2019-11-27 | 2021-06-18 | 北京东方至远科技股份有限公司 | 一种基于InSAR技术的形变风险区域自动识别的方法 |
CN111210427B (zh) * | 2020-01-17 | 2023-03-10 | 云南大学 | 一种基于时间变化的体内轻量型补片术后皱缩分析方法 |
CN111398959B (zh) * | 2020-04-07 | 2023-07-04 | 中南大学 | 基于地表应力应变模型的InSAR时序地表形变监测方法 |
CN111766580B (zh) * | 2020-07-10 | 2022-03-11 | 中国科学院空天信息创新研究院 | Sar遥感卫星大数据的逐次递推精化地面位置的方法 |
CN115469308B (zh) * | 2022-08-25 | 2023-07-04 | 中国地震局地质研究所 | 多轨道InSAR震间形变速率场拼接方法、装置、设备及介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770027A (zh) * | 2010-02-05 | 2010-07-07 | 河海大学 | 基于InSAR与GPS数据融合的地表三维形变监测方法 |
CN104062660A (zh) * | 2014-07-14 | 2014-09-24 | 中南大学 | 一种基于时域离散InSAR干涉对的矿区地表时序形变监测方法 |
CN104111456A (zh) * | 2014-07-23 | 2014-10-22 | 中国国土资源航空物探遥感中心 | 一种高速铁路沿线地表形变高分辨率InSAR监测方法 |
CN104133996A (zh) * | 2014-07-25 | 2014-11-05 | 首都师范大学 | 一种基于云模型和数据场的地面沉降风险等级评估方法 |
EP2942637A1 (en) * | 2014-05-09 | 2015-11-11 | NEC Corporation | Change detection device, change detection method and recording medium |
CN105824022A (zh) * | 2016-04-20 | 2016-08-03 | 中国电力工程顾问集团中南电力设计院有限公司 | 一种电网不良地质体三维形变监测方法 |
CN105929398A (zh) * | 2016-04-20 | 2016-09-07 | 中国电力工程顾问集团中南电力设计院有限公司 | 结合外控点的InSAR高精度高分辨率DEM获取方法 |
CN106204539A (zh) * | 2016-06-29 | 2016-12-07 | 南京大学 | 一种基于形态学梯度的反演城区建筑物沉降的方法 |
CN106940443A (zh) * | 2017-01-16 | 2017-07-11 | 洪都天顺(深圳)科技有限公司 | 多云多雨条件下复杂城区基础设施PSInSAR形变估计方法 |
CN107389029A (zh) * | 2017-08-24 | 2017-11-24 | 北京市水文地质工程地质大队 | 一种基于多源监测技术融合的地面沉降集成监测方法 |
CN107621636A (zh) * | 2017-11-13 | 2018-01-23 | 河海大学 | 一种基于psi的大型铁路桥梁健康监测方法 |
CN109212528A (zh) * | 2018-10-30 | 2019-01-15 | 中国科学院遥感与数字地球研究所 | 一种多维层析sar古迹遗址形变监测方法 |
-
2018
- 2018-03-30 CN CN201810278794.6A patent/CN108594224B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770027A (zh) * | 2010-02-05 | 2010-07-07 | 河海大学 | 基于InSAR与GPS数据融合的地表三维形变监测方法 |
EP2942637A1 (en) * | 2014-05-09 | 2015-11-11 | NEC Corporation | Change detection device, change detection method and recording medium |
CN104062660A (zh) * | 2014-07-14 | 2014-09-24 | 中南大学 | 一种基于时域离散InSAR干涉对的矿区地表时序形变监测方法 |
CN104111456A (zh) * | 2014-07-23 | 2014-10-22 | 中国国土资源航空物探遥感中心 | 一种高速铁路沿线地表形变高分辨率InSAR监测方法 |
CN104133996A (zh) * | 2014-07-25 | 2014-11-05 | 首都师范大学 | 一种基于云模型和数据场的地面沉降风险等级评估方法 |
CN105824022A (zh) * | 2016-04-20 | 2016-08-03 | 中国电力工程顾问集团中南电力设计院有限公司 | 一种电网不良地质体三维形变监测方法 |
CN105929398A (zh) * | 2016-04-20 | 2016-09-07 | 中国电力工程顾问集团中南电力设计院有限公司 | 结合外控点的InSAR高精度高分辨率DEM获取方法 |
CN106204539A (zh) * | 2016-06-29 | 2016-12-07 | 南京大学 | 一种基于形态学梯度的反演城区建筑物沉降的方法 |
CN106940443A (zh) * | 2017-01-16 | 2017-07-11 | 洪都天顺(深圳)科技有限公司 | 多云多雨条件下复杂城区基础设施PSInSAR形变估计方法 |
CN107389029A (zh) * | 2017-08-24 | 2017-11-24 | 北京市水文地质工程地质大队 | 一种基于多源监测技术融合的地面沉降集成监测方法 |
CN107621636A (zh) * | 2017-11-13 | 2018-01-23 | 河海大学 | 一种基于psi的大型铁路桥梁健康监测方法 |
CN109212528A (zh) * | 2018-10-30 | 2019-01-15 | 中国科学院遥感与数字地球研究所 | 一种多维层析sar古迹遗址形变监测方法 |
Non-Patent Citations (4)
Title |
---|
InSAR-Based Model Parameter Estimation of Probability Integral Method and Its Application for Predicting Mining-Induced Horizontal and Vertical Displacements;Ze Fa Yang et al.;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20160831;第4818-4832页 * |
Multi-Platform Persistent Scatterer SAR Interferometry Time Series Analyzing;Rui Zhang et al.;《2012 Second International Workshop on Earth Observation and Remote Sensing Applications》;20121231;正文第1-5页 * |
基于高分 InSAR 数据的特高压换流站稳定性监测;程正逢 等;《电力勘测设计》;20171231;第5-28页 * |
融合升降轨 InSAR和 GPS数据估计南加州地表三维形变场;杨长江 等;《中国地球科学联合学术年会》;20161231;第1788页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108594224A (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108594224B (zh) | 融合不同平台和轨道sar数据的三维时序形变监测方法 | |
CN106772342B (zh) | 一种适用于大梯度地表沉降监测的时序差分雷达干涉方法 | |
Takaku et al. | Validation of" AW3D" global DSM generated from Alos Prism | |
Li et al. | Interferometric synthetic aperture radar atmospheric correction: GPS topography‐dependent turbulence model | |
CN111273293B (zh) | 一种顾及地形起伏的InSAR残余运动误差估计方法及装置 | |
Gault et al. | Validation of O (1S) wind measurements by WINDII: the WIND Imaging Interferometer on UARS | |
Igarashi et al. | Radio holographic principle for observing natural processes in the atmosphere and retrieving meteorological parameters from radio occultation data | |
CN113281742A (zh) | 一种基于滑坡形变信息和气象数据的sar滑坡预警方法 | |
CN112540370A (zh) | InSAR和GNSS融合的露天矿边坡形变测量方法 | |
Zeng et al. | Ionospheric correction of GPS radio occultation data in the troposphere | |
Zhang et al. | Deformations monitoring in complicated-surface areas by adaptive distributed Scatterer InSAR combined with land cover: Taking the Jiaju landslide in Danba, China as an example | |
Campbell et al. | Phase compensation of MARSIS subsurface sounding data and estimation of ionospheric properties: New insights from SHARAD results | |
CN109946682B (zh) | 基于ICESat/GLAS的GF3数据基线估计方法 | |
Lara et al. | Effects of the Great American Solar Eclipse on the lower ionosphere observed with VLF waves | |
CN115343709B (zh) | 一种适用于分布式星载sar系统的地形反演方法 | |
Hong et al. | An improved method of surface clutter simulation based on orbiting radar in Tianwen-1 Mars exploration | |
CN115980751A (zh) | 一种幂律模型InSAR对流层延迟改正方法 | |
Li et al. | A Global-Scale DEM Elevation Correction Model Using ICESat-2 Laser Altimetry Data | |
Li et al. | Tropospheric correction techniques in repeat-pass SAR interferometry | |
Liu | Mapping of earth deformations with satellite SAR interferometry: a study of its accuracy and reliability performances | |
CN113341410B (zh) | 一种大范围林下地形估计方法、装置、设备及介质 | |
Lasota et al. | Non-absorption dips in spectra of γ-ray bursts | |
Yamamoto et al. | Long-term cross-calibration of the Terra ASTER and MODIS over the CEOS calibration sites | |
Luo et al. | Monitoring Surface Deformation of Transmission Corridors in Mountain Areas Based on SBAS-INSAR | |
Sarti et al. | A Method for Automatic Characterisation of Atmospheric Artifacts in SAR Interferograms by Correlation of Multiple Interferograms over the same Site |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |