1.一种基于深度学习的InSAR大尺度系统误差改正方法,其特征在于,所述方法包括以下步骤:S1:收集覆盖目标区域的SAR数据、DEM数据和经纬度数据,并对其进行数据预处理,剔除相干性差的区域,获得地理编码后的解缠相位数据、裁剪后的DEM数据和经纬度数据;
S2:根据相关数据之间的关系,搭建深度神经网络模型,所述相关数据包括DEM数据、经纬度数据、地形相关大气相位、轨道残余相位和湍流相位;
S3:将经过预处理获得的地理编码后的解缠相位数据、裁剪后的DEM数据和经纬度数据输入深度神经网络模型中,获得模拟的大尺度系统误差解缠相位;
S4:将原始经过地理编码后的解缠相位与经过深度神经网络模型模拟后的大尺度系统误差解缠相位相减得到改正后的解缠相位;
S5:将改正后的解缠相位经过反地理编码到SAR坐标系,通过反演形变参数,获得改正后的形变结果。
2.根据权利要求1所述的基于深度学习的InSAR大尺度系统误差改正方法,其特征在于,所述S1中对SAR数据进行InSAR数据预处理,包括以下步骤:S1‑1:获取同一研究区按时间排序的两景SLC影像,并选择其中一景作为主影像;
S1‑2:通过对影像在距离和方位上设置多视比10:2来减小斑点噪声的影响,并根据噪声的大小设置相应滤波参数,经滤波得到滤波后相干性数据;
S1‑3:通过滤波后相干性数据的数据分布设置一个解缠阈值,保证训练数据充足,防止解缠错误数据的影响;
S1‑4:根据解缠阈值,选择最小费用流法对所选影像干涉图计算得到的被包裹相位进行相位解缠;
S1‑5:通过地理编码将SAR坐标系下的解缠相位数据转到与裁剪后的DEM数据和经纬度数据相同的地理坐标下,获得地理编码后的解缠相位数据。
3.根据权利要求1所述的基于深度学习的InSAR大尺度系统误差改正方法,其特征在于,S2中所述深度神经网络模型搭建包括以下步骤:S2‑1:将深度神经网络模型的全连接层网络作为提取输入DEM数据和经纬度数据信息的特征模块,结合DEM数据、经纬度数据与地形相关大气相位、轨道残余相位及湍流相位的关系,选择深度神经网络模型的通道注意力机制模块作为数据的加权特征提取模块;
S2‑2:通过加权特征提取模块进行特征压缩操作,将空间维度进行特征压缩,再通过还原操作,为每个相关数据特征维度生成相应的权重,包括以下公式:特征值压缩公式如下所示:
其中, 为输入的数据, 和 分别为输入数据的长和宽, 为压缩操作, 为原始数据压缩后第 个二维矩阵,和 均为图像像素坐标;
权重计算公式如下所示:
其中, 为还原操作, 为RELU激活函数, 为RELU激活函数参数的降维层, 为RELU激活函数参数的升维层, 为特征通道权重, 为原始数据压缩后的结果, 为全局平均池化;
S2‑3:将权重作用于原来的每个相关数据特征通道,公式如下所示:为特征映射, 为尺度因子, 为最终得到的图像数据, 为特征映射与尺度因子在通道上的卷积。
4.根据权利要求3所述的基于深度学习的InSAR大尺度系统误差改正方法,其特征在于,所述深度神经网络模型选用MSE作为损失函数进行参数评估,选择Adam优化算法作为参数优化算法。
5.根据权利要求1所述的基于深度学习的InSAR大尺度系统误差改正方法,其特征在于,所述S3中包括以下步骤:S3‑1:将经过预处理获得的地理编码后的解缠相位数据、裁剪后的DEM数据和经纬度数据输入至深度神经网络模型中,通过深度神经网络模型的全连接模块提取DEM数据和经纬度数据的空间特征,并通过通道注意力机制模块获得DEM数据、经纬度数据和解缠相位数据的权重;
S3‑2:根据DEM数据、经纬度数据和解缠相位数据的权重获得DEM数据、经纬度数据和解缠相位数据之间的函数关系,得到预训练权重;
S3‑3:根据预训练权重,通过深度神经网络模型获得最终的预测结果,得到模拟的大尺度系统误差解缠相位。
6.根据权利要求1所述的基于深度学习的InSAR大尺度系统误差改正方法,其特征在于,所述S5中包括以下步骤:S5‑1:将改正后的解缠相位重新编码到SAR坐标下,进行DInSAR反演形变操作,通过对稳定的地面控制点的选择和细化进行轨道相位精炼和重去平,消除差分干涉中的轨道误差相位,再反演形变参数;
S5‑2:将反演形变结果进行地理编码,获得系统误差改正后的形变结果。