武汉大学 李松教授团队:面向时序InSAR相位链接的鲁棒相干矩阵精化方法

从时间序列堆栈数据中准确恢复像元时序一致性相位即相位链接(phase linking，PL)，是联合永久散射体和分布式散射体的混合时序InSAR（interferometric synthetic aperture radar，InSAR）分析中的关键处理步骤，基于最大似然估计的PL技术受样本相干矩阵（sample coherence matrix，SCM）估计偏差的制约，在求逆时偏差会被显著放大，从而错误地强调不可靠的相位观测。针对散射向量的非高斯性干扰和时间失相干效应可能显著引起SCM偏差的问题，根据样本散射向量自身特点及初始SCM内部结构特性，实现复信号统计特性与物理相干机制的双向耦合，提出了一种自适应时间失相干锥化收缩估计方法，以准确估计SCM，并与基于特征分解的干涉相位最大似然估计（eigendecomposition-based maximum-likelihood-estimator of interferometric phase，EMI）相结合，精确恢复时序一致性相位。模拟与真实场景实验结果表明，在失相干严重、低信噪比的复杂地表环境中，该估计器相较其他方法，在有效改善相干矩阵估计偏差的同时，显著提高了时序一致性相位的估计精度。

基于MLE的PL方法的性能与SCM准确估计密切相关，尤其是SCM中低相干干涉对的偏差会严重影响PL性能。本文提出的TDTS-SCM算法性能主要体现在：（1）通过空间域M估计中心化与时间域L2范数归一化抑制重尾分布和异常值干扰，引入空间符号协方差矩阵提取分布形状特征；（2）构建时间失相干锥化收缩矩阵编码指数衰减、季节周期等物理先验，通过Hadamard积强化局部时-空相关性；（3）引入球形度参数感知SSCM特征值分布特性，建立峰度-球形度联合特征空间；（4）通过多参数耦合的收缩参数估计模型和最小均方误差下的风险函数，自适应估计最佳收缩系数以平衡偏差与估计方差，实现复杂失相干模式下的加权收缩估计。

模拟实验定量和定性结果表明：针对不同时间失相干模型，该算法在长时间基线的低相干环境中仍能有效恢复时序一致性相位，并有较高的估计精度，能有效恢复其他算法无法恢复的时序形变信号。真实场景实验结果进一步表明，本文提出的算法有效抑制了长时间基线失相干的问题，清晰地还原了密集的形变相位条纹结构。值得注意的是，计算得到的后验相干性整体偏低，这是符合预期的，因为构建TDTS矩阵时削弱了部分干涉对的贡献，这会导致式（8）中的分子项（相干幅值之和）减小，从而估计的后验相干性变小。另外，该算法涉及的处理过程引入了额外的计算负担。