一种基于稀疏参数模型的MT-InSAR精度估计方法及装置

一种基于稀疏参数模型的mt-insar精度估计方法及装置
技术领域
1.本发明涉及测绘领域，尤其涉及的是一种基于稀疏参数模型的mt-insar精度估计方法及装置。


背景技术：

2.多时相insar作为一种新型地表形变监测的大地测量技术，已广泛用于各种地质灾害相关的地面形变监测和城市基础设施安全评估应用。然而，卫星轨道不准确、大气效应和去相关噪声等误差会对形变监测的精度产生不利影响。因此，评估insar测量的误差对形变结果的总体精度至关重要。目前，多时相insar形变监测精度的评估会将形变监测与现场测量(例如，水准测量和全球导航卫星系统)进行对比。但是，在大多数情况下，现场测量结果空间密度非常有限，不足以证明insar形变监测结果的准确性。此外，由于多时相insar数据处理中各种误差源难以准确建立模型，导致多时相insar数据处理中随机模型不可靠。例如，在多时相insar数据处理过程中使用不恰当的形变模型可能会产生未建模的形变信息从而影响随机模型，导致最终参数估计产生较大偏差。
3.并且在监测与各种地质灾害相关的地面形变时，如地震活动和地面沉降，多时相insar形变监测的精度评估通常需要将其与现场测量(如水准测量和全球导航卫星系统测量)进行对比。然而，由于现场测量覆盖范围通常非常有限，在多数情况下无法反应每个insar观测的可靠度。另一方面，使用随机模型是传统多时相insar评估形变监测结果可靠度的手段之一，但是随机模型本身受到多种因素的影响，例如未知大气效应，使得精度评估可能产生较大偏差。
4.因此，现有的多时相insar技术精度评估方法还有待改进。


技术实现要素：

5.本发明要解决的技术问题在于，针对现有技术缺陷，本发明提供一种基于稀疏参数模型的mt-insar精度估计方法及装置，以解决现有的insar测量精度评估方法适用范围受限及无法准确分析的问题。
6.本发明解决技术问题所采用的技术方案如下：
7.第一方面，本发明提供一种基于稀疏参数模型的mt-insar精度估计方法，包括：
8.基于多时相insar形变干涉图构建稀疏观测矩阵，根据所述稀疏观测矩阵进行稳定性筛选，建立稀疏参数模型；
9.基于所述稀疏参数模型中空间网络的弧段，构建双差观测模型；
10.根据所述稀疏参数模型进行迭代最小二乘估计，并根据方差进行检验，通过所述双差观测模型去除大气因素，得到各insar观测点的形变时间序列以及对应的准确度评定结果。
11.在一种实现方式中，所述基于所述多时相insar形变干涉图构建稀疏观测矩阵，包括：
12.确定所述多时相insar形变干涉图中的时间缓冲区，并基于所述时间缓冲区建立多个稀疏观测矩阵。
13.在一种实现方式中，所述确定所述多时相insar形变干涉图中的时间缓冲区，包括：
14.以预设时间段为中心设立所述多时相insar形变干涉图中的时间缓冲区。
15.在一种实现方式中，所述根据所述稀疏观测矩阵进行稳定性筛选，建立稀疏参数模型，包括：
16.选择多个所述稀疏观测矩阵中满足条件的矩阵，得到最终稀疏矩阵；
17.根据所述最终稀疏矩阵、所述预设的时间段以及所述多时相insar形变干涉图建立所述稀疏参数模型。
18.在一种实现方式中，所述基于所述稀疏参数模型中空间网络的弧段，构建双差观测模型，包括：
19.获取所述稀疏参数模型中空间网络的弧段，将所述空间网络中的弧段作为观测值，确定所述弧段上的待估参数；
20.将所述待估参数与对应的协方差从时间间隔传播到稀疏序列中，并通过所述空间网络的平差获取点的形变和协方差，构建双差观测模型。
21.在一种实现方式中，所述根据所述稀疏参数模型进行迭代最小二乘估计，并根据方差进行检验，得到各insar观测点的形变时间序列以及对应的准确度评定结果，包括：
22.根据所述稀疏参数模型，使用迭代最小二乘估计方法进行稀疏参数估计；
23.对经过迭代最小二乘估计方法得到的参数进行方差校验，得到各insar观测点的形变时间序列以及对应的准确度评定结果。
24.在一种实现方式中，所述对经过迭代最小二乘估计方法得到的参数进行方差校验，之后还包括：
25.将完成参数估计的参数通过双差观测模型，去除大气因素的影响，以获取准确度更高的各insar观测点的形变时间序列以及对应的准确度评定结果。
26.第二方面，本发明提供一种基于稀疏参数模型的mt-insar精度估计装置，包括：
27.稀疏参数模型模块，用于基于多时相insar形变干涉图构建稀疏观测矩阵，根据所述稀疏观测矩阵进行稳定性筛选，建立稀疏参数模型；
28.双差观测模型模块，用于基于所述稀疏参数模型中空间网络的弧段，构建双差观测模型；
29.检验结果模块，用于根据所述稀疏参数模型进行迭代最小二乘估计，并根据方差进行检验，通过所述双差观测模型去除大气因素，得到各insar观测点的形变时间序列以及对应的准确度评定结果。
30.第三方面，本发明提供一种终端，包括：处理器以及存储器，所述存储器存储有基于稀疏参数模型的mt-insar精度估计程序，所述基于稀疏参数模型的mt-insar精度估计程序被所述处理器执行时用于实现如第一方面所述的基于稀疏参数模型的mt-insar精度估计方法的操作。
31.第四方面，本发明还提供一种介质，所述介质为计算机可读存储介质，所述介质存储有基于稀疏参数模型的mt-insar精度估计程序，所述基于稀疏参数模型的mt-insar精度
估计程序被处理器执行时用于实现如第一方面所述的基于稀疏参数模型的mt-insar精度估计方法的操作。
32.本发明采用上述技术方案具有以下效果：
33.本发明提供了基于稀疏参数模型的mt-insar精度估计方法，通过多时相insar形变干涉图建立稀疏参数模型，以评估insar形变时间序列的准确性，通过稀疏参数模型估计稀疏后的时间序列形变结果，并且在估计过程中可产生冗余的insar时序数据以便进行待估结果的精度评定；通过所述稀疏参数模型中空间网络的弧段，构建双差观测模型去除大气因素的影响。本发明通过构建稀疏参数模型和双差观测模型，较好地抑制数据处理过程中误差和噪声的影响，从而解决了现有的insar测量精度评估方法适用范围受限及无法准确分析的问题。
附图说明
34.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
35.图1是本发明的一种实现方式中基于稀疏参数模型的mt-insar精度估计方法的流程图。
36.图2是本发明的一种实现方式中不同ctp建立稀疏模型设计矩阵的条件数示意图。
37.图3是本发明的一种实现方式中休斯顿地区的形变速率图示意图。
38.图4是本发明的一种实现方式中时序insar(sbas与spm)和gps形变时间序列及其不确定度范围的比较示意图。
39.图5是本发明的一种实现方式中insar(sbas与spm)与gps形变结果之间的均方误差和los形变时间序列的比较示意图。
40.图6是本发明的一种实现方式中终端的功能原理图。
41.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
42.为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
43.示例性方法
44.在现有的利用多时相insar进行形变监测的方法中，由于多时相insar数据处理中各种误差源难以准确建立模型，导致多时相insar数据处理中随机模型具有不可靠性。例如，在多时相insar数据处理过程中使用不恰当的形变模型可能会产生未建模的形变信息从而影响随机模型，导致最终参数估计产生较大偏差；并且，由于现场测量结果空间密度非常有限，不足以保证insar时序形变结果的准确性。
45.针对于上述问题，本发明实施例中提供了一种基于稀疏参数模型的mt-insar精度估计方法，通过多时相insar形变干涉图建立稀疏参数模型，以评估insar形变时间序列的
准确性，通过稀疏参数模型估计稀疏后的时间序列形变结果，并且在估计过程中可产生冗余的insar时序数据以便进行待估结果的精度评定；通过所述稀疏参数模型中空间网络的弧段，构建双差观测模型去除大气因素的影响。本发明通过建立稀疏参数模型和双差观测模型，较好地抑制数据处理过程中误差和噪声的影响，从而解决了现有的insar测量精度评估方法适用范围受限及无法准确分析的问题。
46.如图1所示，本发明实施例提供一种基于稀疏参数模型的mt-insar精度估计方法，包括以下步骤：
47.步骤s100，基于多时相insar形变干涉图构建稀疏观测矩阵，根据所述稀疏观测矩阵进行稳定性筛选，建立稀疏参数模型。
48.在本实施例中，该基于稀疏参数模型的mt-insar精度估计方法应用于终端上，所述终端包括但不限于：计算机以及移动终端等设备；所述终端设置有基于稀疏参数模型的mt-insar精度估计模型的训练迁移平台。
49.本发明实施例提供的基于稀疏参数模型的mt-insar精度估计方法，通过多时相insar形变干涉图构建稀疏观测矩阵，并且根据所述稀疏观测矩阵进行稳定性筛选，建立稀疏参数模型。
50.在本实施例中，通过多时相insar形变干涉图构建稀疏观测矩阵之前，还需要通过raw数据生成slc(single look complex单视复数影像)，进行slc配准生成高质量的sar影像后，利用干涉网络生成干涉图，通过外部dem(数字高程模型)生成形变干涉图；将所述干涉图进行滤波后进行相位解缠得到所述多时相insar形变干涉图。
51.在本实施例中，获取n个sar影像，根据常规的短时空基线阈值并考虑干涉图网络的连通性，生成了m个差分形变干涉图；其中所有的差分形变干涉图均通过相位解缠方法生成解缠后的干涉图，其中一个干涉图中第i个像素的展开相位可以表示为：
[0052][0053][0054][0055]
其中，是用外部dem补偿地表地形后的残余地形相位(dem误差相位)；是两次sar影像采集之间的形变对应的形变相位分量；是可通过联合模型法进行补偿的大气相位屏(aps)；是与卫星轨道误差对应的相位；代表去相关噪声相位；是残差相位，包含有aps、轨道误差和去相关噪声相位；andδhi是要估计的未知参数，即卫星视线(los)方向的形变和dem误差；b
⊥
是干涉图的垂直基线；ρ,θ,andλ是卫星与地面目标之间的距离、入射角和雷达波长。
[0056]
在本实施例中，全部生成的m个解缠后的差分形变干涉图时，方程(2)可用方程(3)表示，成为具有以下观测方程和随机模型的线性反演问题：
[0057][0058][0059]
其中a表示设计矩阵；表示sar影像连续时间间隔内的形变。例如，如果m-th个干涉图覆盖n(n∈1,2,
…
n-1)个间隔，则矩阵a中只有m行的相应列等于1。设计矩阵a的秩为r(a)＝n；q是观测值l的辅因子矩阵,是初始方差因子。|d
l
|≠0并且r(d
l
)＝n。δh是dem误差。在方程(3)中，由于m个干涉图之间的相关性，未知数(n)大于独立观测数(n-1)。因此，方程(3)的解并非唯一。
[0060]
在本实施例中，通过上述方法获取得到多时相insar形变干涉图，可以作为后续时序insar数据处理的观测数据；进而可以根据多时相insar形变干涉图建立多个稀疏观测矩阵，从而建立所述稀疏参数模型。
[0061]
在目前已提出多种技术方法(如sbas等)，通过预先定义特定形变模型来减少x中的未知数量，并通过最小二乘估计方法来获取唯一解。但是，因上述误差因素对随机模型的影响，传统方法难以对形变序列进行准确的可靠性分析或可靠性分析精度较低。
[0062]
在本实施例中，提出稀疏参数模型(spm)并不预先定义特定形变或随机模型，而是通过估计稀疏形变序列，如每月一个形变序列；来减少方程(3)中的x未知数；对于时间采样率较高的sar影像的时间序列，例如sentinel-1a/b，利用上述方法在缓慢形变区域特别有效。
[0063]
具体地，在本实施例的一种实现方式中，步骤s100包括以下步骤：
[0064]
步骤s110，确定所述多时相insar形变干涉图中的时间缓冲区，并基于所述时间缓冲区建立多个稀疏观测矩阵。
[0065]
在本实施例中，设立所述多时相insar形变干涉图的预设时间段，以所述预设时间段为中心，建立所述多时相insar形变干涉图的时间缓冲区，根据所述时间缓冲区建立多个稀疏观测矩阵，以便于后续构建稀疏参数模型。
[0066]
具体地，在本实施例的一种实现方式中，步骤s110包括以下步骤：
[0067]
步骤s111，以预设时间段为中心设立所述多时相insar形变干涉图中的时间缓冲区
[0068]
步骤s112，选择多个所述稀疏观测矩阵中满足条件的矩阵，得到最终稀疏矩阵；
[0069]
步骤s113，根据所述最终稀疏矩阵、所述预设的时间段以及所述多时相insar形变干涉图建立所述稀疏参数模型。
[0070]
在本实施例中，设立形变相关时间段ctp(即预设的时间段)，以设立的ctp为中心设立时间缓冲区，根据所述时间缓冲区内的所有ctp建立多个稀疏矩阵，筛选矩阵条件数最
小的为最终稀疏矩阵，根据所选的ctp值，假设所述时间内的形变为线性，根据干涉网络图与稀疏观测矩阵完成稀疏参数模型的构建。
[0071]
具体为，首先，为了定义稀疏时间序列，可以假设地面形变在特定时期内是相关的，将其对应的时间段称为相关时间段(ctp)；在不失一般性的情况下，假设ctp内的形变与速度是线性的，然后，可以将稀疏序列中的区间形变速度视为未知数。方程(3)可以用方程(4)中的稀疏设计矩阵来表示。
[0072][0073]
其中s是未知向量，包含稀疏形变序列之间的dem误差和区间形变速度。g是新的设计矩阵。矩阵g的秩为r(g)＝《-1并且|d
l
|≠0，r(d
l
)＝。因此，矩阵g是满秩的，更重要的是其具有冗余的独立观测值，有助于待估参数的不确定性分析；等式(5)给出了当使用具有六天重访周期的sar数据时，原始未知参数()和新的稀疏未知参数(，ctp＝12天)相对应的设计矩阵的示例对比。
[0074][0075][0076]
其次，为了增强构建的稀疏设计矩阵稳定性，在预定义的ctp周围设置一个时间缓冲带以生成多个稀疏设计矩阵g，并选择条件数(cn)最小的设计矩阵用以避免病态矩阵。如图2所示，显示了通过对同一个干涉图网络使用不同ctp产生稀疏设计矩阵的条件数的示例。在开始阶段，将ctp预定义为35天来构建设计矩阵，然后使用+/-5天的时间缓冲带(即从30到40天)来构建不同的设计矩阵。在计算其条件数后，为等式(4)选择具有条件数最小系数设计矩阵进行估计，即以37天为ctp并用方框在图2中突出显示。
[0077]
在本实施例中，通过设立形变相关时间段，并以所述相关时间段为中心设立时间缓冲区，根据所述时间缓冲区内的所有相关时间段建立多个稀疏观测矩阵，筛选其中矩阵条件数最小的为最终的稀疏矩阵，根据干涉网络图和稀疏观测矩阵完成稀疏参数模型的建立，以便于后续构建双差模型和得到各insar观测点的形变时间序列以及对应的评定结果。
[0078]
如图1所示，本发明实施例提供一种基于稀疏参数模型的mt-insar精度估计方法，
包括以下步骤：
[0079]
步骤s200，基于所述稀疏参数模型中空间网络的弧段，构建双差观测模型。
[0080]
在本实施例中，方程(4)中的统计模型通常假设为高斯模型。aps的高斯假设有时是无效的，预期值可能是非零的，即e(δ)≠0，因此精度评估可能有偏差。
[0081]
在本实施例中，通过将所述稀疏参数模型中空间网络的弧段作为观测值，进行观测，来减少aps的影响。
[0082]
具体地，在本实施例的一种实现方式中，步骤s200包括以下步骤：
[0083]
步骤s210，获取所述稀疏参数模型中空间网络的弧段，将所述空间网络中的弧段作为观测值，确定所述弧段上的待估参数；
[0084]
步骤s220，将所述待估参数与对应的协方差从时间间隔传播到稀疏序列中，并通过所述空间网络的平差获取点的形变和协方差，构建双差观测模型。
[0085]
在本实施中，为了减少aps的影响，使用彼此接近的像素对之间的差分相位(即空间网络中的弧)作为观测值，称为基于网络的估计；由于像素对很近(通常距离《1km)，因此aps对差分相位的影响不大。
[0086]
在本实施例中，通过方程(4)中稳定的系数设计矩阵结合迭代加权最小二乘(ls)，并且使用χ2检验来验证最小二乘估计的可靠度，来进行弧段上的参数估计；在确定了弧段上的待估参数后，将所述待估参数与对应的协方差从时间间隔传播到稀疏序列中，并通过空间网络平差来获取点的形变和协方差，从而构建双差观测模型，以克服大气效应的影响。
[0087]
如图1所示，本发明实施例提供一种基于稀疏参数模型的mt-insar精度估计方法，包括以下步骤：
[0088]
步骤s300，根据所述稀疏参数模型进行迭代最小二乘估计，并根据方差进行检验，通过所述双差观测模型去除大气因素，得到各insar观测点的形变时间序列以及对应的准确度评定结果。
[0089]
在本实施例中，通过结合稀疏参数模型以及insar时序观测进行迭代最小二乘估计，并结合χ2方差检验以保持估计的可靠度；并通过双差观测模型进行空间网络平差，以去除大气效应的影响；最终获取各insar观测点的形变时间序列以及对应的准确度评定。
[0090]
具体地，在本实施例的一种实现方式中，步骤s300包括以下步骤：
[0091]
步骤s310，根据所述稀疏参数模型，使用迭代最小二乘估计方法进行稀疏参数估计；
[0092]
步骤s320，对经过迭代最小二乘估计方法得到的参数进行方差校验，得到各insar观测点的形变时间序列以及对应的准确度评定结果。
[0093]
在本实施例中，构建了稀疏参数模型后，针对方程(4)使用迭代加权最小二乘(ls)来进行参数估计，如方程(6)所示。
[0094][0095]
其中是权重矩阵，初始可用单位阵。估计参数的完全不确定性可以基于残差(即r)来计算，如方程(7)所示。
[0096]
[0097][0098]
在上述迭代估计过程中，使用χ2检验来验证最小二乘估计的可靠度，χ2检验可用于检查前方差和后方差在统计上是否相等()，即在一定置信水平(通常为95％)。
[0099]
在本实施例中，根据所述稀疏参数模型进行迭代最小二乘估计后，进行方差检验，得到各insar观测点的形变时间序列以及对应的准确度评定结果。
[0100]
在本实施例的另一种实现方式中，步骤s320还包括：
[0101]
步骤s321，将完成参数估计的参数通过双差观测模型，去除大气因素的影响，以获取准确度更高的各insar观测点的形变时间序列以及对应的准确度评定结果。
[0102]
在本实施例中，根据所述稀疏参数模型进行迭代最小二乘估计后，还可以通过所述双差观测模型，以去除大气效应的影响，得到更为精确的各insar观测点的形变时间序列以及对应的准确度评定。
[0103]
在本实施例中，通过模拟和真实sentinel-1a/b数据集进行了测试所述结果如图3、图4、图5所示：当使用真实数据集时，通过一些gps测量结果来验证导出的形变；与gps结果相比，insar结果的总体标准偏差为5.4mm，在insar结果不确定度范围内；测试结果表明，本发明提供的稀疏参数模型在评估insar时序形变结果准确性方面是行之有效的技术方案。
[0104]
本实施例通过上述技术方案达到以下技术效果：
[0105]
本发明提供了基于稀疏参数模型的mt-insar精度估计方法，通过多时相insar形变干涉图建立稀疏参数模型，以评估insar形变时间序列的准确性，通过稀疏参数模型估计稀疏后的时间序列形变结果，并且在估计过程中可产生冗余的insar时序数据以便进行待估结果的精度评定；通过所述稀疏参数模型中空间网络的弧段，构建双差观测模型去除大气因素的影响。本发明通过构建稀疏参数模型和双差观测模型，较好地抑制数据处理过程中误差和噪声的影响，从而解决了现有的insar测量精度评估方法适用范围受限及无法准确分析的问题。
[0106]
示例性设备
[0107]
基于上述实施例，本发明还提供一种基于稀疏参数模型的mt-insar精度估计装置，包括：
[0108]
稀疏参数模型模块，用于基于多时相insar形变干涉图构建稀疏观测矩阵，根据所述稀疏观测矩阵进行稳定性筛选，建立稀疏参数模型；
[0109]
双差观测模型模块，用于基于所述稀疏参数模型中空间网络的弧段，构建双差观测模型；
[0110]
检验结果模块，用于根据所述稀疏参数模型进行迭代最小二乘估计，并根据方差进行检验，通过所述双差观测模型去除大气因素，得到各insar观测点的形变时间序列以及对应的准确度评定结果。
[0111]
基于上述实施例，本发明还提供一种终端，其原理框图可以如图6所示。
[0112]
该终端包括：通过系统总线连接的处理器、存储器、接口、显示屏以及通讯模块；其中，该终端的处理器用于提供计算和控制能力；该终端的存储器包括存储介质以及内存储
器；该存储介质存储有操作系统和计算机程序；该内存储器为存储介质中的操作系统和计算机程序的运行提供环境；该接口用于连接外部设备，例如，移动终端以及计算机等设备；该显示屏用于显示相应的信息；该通讯模块用于与云端服务器或移动终端进行通讯。
[0113]
该计算机程序被处理器执行时用以实现一种基于稀疏参数模型的mt-insar精度估计方法的操作。
[0114]
本领域技术人员可以理解的是，图6中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0115]
在一个实施例中，提供了一种终端，其中，包括：处理器和存储器，存储器存储有基于稀疏参数模型的mt-insar精度估计程序，基于稀疏参数模型的mt-insar精度估计程序被处理器执行时用于实现如上的基于稀疏参数模型的mt-insar精度估计方法的操作。
[0116]
在一个实施例中，提供了一种存储介质，其中，存储介质存储有基于稀疏参数模型的mt-insar精度估计程序，基于稀疏参数模型的mt-insar精度估计程序被处理器执行时用于实现如上的基于稀疏参数模型的mt-insar精度估计方法的操作。
[0117]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。
[0118]
综上，本发明公开了一种基于稀疏参数模型的mt-insar精度估计方法及装置，包括：基于多时相insar形变干涉图构建稀疏观测矩阵，根据所述稀疏观测矩阵进行稳定性筛选，建立稀疏参数模型；基于所述稀疏参数模型中空间网络的弧段，构建双差观测模型；根据所述稀疏参数模型进行迭代最小二乘估计，并根据方差进行检验，通过所述双差观测模型去除大气因素，得到各insar观测点的形变时间序列以及对应的准确度评定结果；本发明通过构建稀疏参数模型和双差观测模型，解决了现有的insar测量精度评估方法适用范围受限及无法准确分析的问题。
[0119]
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

技术特征：
1.一种基于稀疏参数模型的mt-insar精度估计方法，其特征在于，包括：基于多时相insar形变干涉图构建稀疏观测矩阵，根据所述稀疏观测矩阵进行稳定性筛选，建立稀疏参数模型；基于所述稀疏参数模型中空间网络的弧段，构建双差观测模型；根据所述稀疏参数模型进行迭代最小二乘估计，并根据方差进行检验，通过双差观测模型去除大气因素，得到各insar观测点的形变时间序列以及对应的准确度评定结果。2.根据权利要求1所述的基于稀疏参数模型的mt-insar精度估计方法，其特征在于，所述基于所述多时相insar形变干涉图构建稀疏观测矩阵，包括：确定所述多时相insar形变干涉图中的时间缓冲区，并基于所述时间缓冲区建立多个稀疏观测矩阵。3.根据权利要求2所述的基于稀疏参数模型的mt-insar精度估计方法，其特征在于，所述确定所述多时相insar形变干涉图中的时间缓冲区，包括：以预设时间段为中心设立所述多时相insar形变干涉图中的时间缓冲区。4.根据权利要求3所述的基于稀疏参数模型的mt-insar精度估计方法，其特征在于，所述根据所述稀疏观测矩阵进行稳定性筛选，建立稀疏参数模型，包括：选择多个所述稀疏观测矩阵中满足条件的矩阵，得到最终稀疏矩阵；根据所述最终稀疏矩阵、所述预设的时间段以及所述多时相insar形变干涉图建立所述稀疏参数模型。5.根据权利要求1所述的基于稀疏参数模型的mt-insar精度估计方法，其特征在于，所述基于所述稀疏参数模型中空间网络的弧段，构建双差观测模型，包括：获取所述稀疏参数模型中空间网络的弧段，将所述空间网络中的弧段作为观测值，确定所述弧段上的待估参数；将所述待估参数与协方差从时间间隔传播到稀疏序列中，并通过所述空间网络的平差获取点的形变和协方差，构建双差观测模型。6.根据权利要求1所述的基于稀疏参数模型的mt-insar精度估计方法，其特征在于，所述根据所述稀疏参数模型进行迭代最小二乘估计，并根据方差进行检验，得到各insar观测点的形变时间序列以及对应的准确度评定结果，包括：根据所述稀疏参数模型，使用迭代最小二乘估计方法进行稀疏参数估计；对经过迭代最小二乘估计方法得到的参数进行方差校验，得到各insar观测点的形变时间序列以及对应的准确度评定结果。7.根据权利要求6所述的基于稀疏参数模型的mt-insar精度估计方法，其特征在于，所述对经过迭代最小二乘估计方法得到的参数进行方差校验，之后还包括：将完成参数估计的参数通过双差观测模型，去除大气因素的影响，以获取准确度更高的各insar观测点的形变时间序列以及对应的准确度评定结果。8.一种基于稀疏参数模型的mt-insar精度估计装置，其特征在于，包括：稀疏参数模型模块，用于基于多时相insar形变干涉图构建稀疏观测矩阵，根据所述稀疏观测矩阵进行稳定性筛选，建立稀疏参数模型；双差观测模型模块，用于基于所述稀疏参数模型中空间网络的弧段，构建双差观测模型；
检测结果模块，用于根据所述稀疏参数模型进行迭代最小二乘估计，并根据方差进行检验，通过所述双差观测模型去除大气因素，得到各insar观测点的形变时间序列以及对应的准确度评定结果。9.一种终端，其特征在于，包括：处理器以及存储器，所述存储器存储有基于稀疏参数模型的mt-insar精度估计程序，所述基于稀疏参数模型的mt-insar精度估计程序被所述处理器执行时用于实现如权利要求1-7中任意一项所述的基于稀疏参数模型的mt-insar精度估计方法的操作。10.一种计算机可读存储介质，其特征在于，处理器以及存储器，所述存储器存储有基于稀疏参数模型的mt-insar精度估计程序，所述基于稀疏参数模型的mt-insar精度估计程序被所述处理器执行时用于实现如权利要求1-7中任意一项所述的基于稀疏参数模型的mt-insar精度估计方法的操作。

技术总结
本发明公开了一种基于稀疏参数模型的MT-InSAR精度估计方法及装置，包括：基于多时相InSAR形变干涉图构建稀疏观测矩阵，根据所述稀疏观测矩阵进行稳定性筛选，建立稀疏参数模型；基于所述稀疏参数模型中空间网络的弧段，构建双差观测模型；根据所述稀疏参数模型进行迭代最小二乘估计，并根据方差进行检验，通过所述双差观测模型去除大气因素，得到各InSAR观测点的形变时间序列以及对应的准确度评定结果；本发明通过构建稀疏参数模型和双差观测模型，解决了现有的InSAR测量精度评估方法适用范围受限及无法准确分析的问题。用范围受限及无法准确分析的问题。用范围受限及无法准确分析的问题。


技术研发人员：张博琛 白涵宇 吴松波 熊思婷 汪驰升 朱家松 李清泉
受保护的技术使用者：深圳大学
技术研发日：2023.07.10
技术公布日：2023/10/15