.png){kind=icon}
返回
Persistent Scatterer Pixel Selection Method Based on Multi-Temporal Feature Extraction Network
.png){kind=icon}
OA
AI
DOI：10.3390/rs17193319.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
持久散射体（PS）像素选择在PS-InSAR技术中至关重要，它确保了PS像素的质量和数量，以实现精确的形变测量。然而，传统的基于幅度离散指数（ADI）的方法难以平衡PS像素的质量和数量。为了充分选择高质量的PS像素，从而提升PS-InSAR的形变测量性能，本文构建了多时相特征提取网络（MFN）。MFN结合了3D U-Net和卷积长短时记忆（CLSTM）以实现时序分析。与传统的ADI方法相比，所提出的MFN能够充分提取复杂SAR图像的空间-时间特征，以提高PS像素选择性能。MFN使用由ADI方法（采用低阈值）估计的可靠PS像素构建的数据集进行训练，这些数据集包含约350景时序Sentinel-1A SAR图像，覆盖了人造物体、农田、公园、林地、沙漠和水体区域。为验证MFN的有效性，设计了一项针对中国北京市通州区的形变测量实验，使用了38景Sentinel-1A SAR图像。此外，引入了相似时序干涉像素（STIP）指数以评估所选PS像素的相位稳定性。实验结果表明，相较于传统的ADI方法，MFN在所选PS像素的质量和数量方面均显著提升，同时形变测量精度也更高。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.1
论文数:
7.2K
被引数:
15.1W
机构
引用论文
Bayesian Estimation of Land Deformation Combining Persistent and Distributed Scatterers结合永久散射体和分布式散射体的土地变形贝叶斯估计
OAAI
.png){kind=icon}
OAAI分享收藏Mapping surface displacements after the 6 February 2023 earthquake in Syria and Turkey using DInSAR and GIS techniques利用DInSAR和GIS技术绘制2023年2月6日叙利亚和土耳其地震后的地表位移图
PREAI
分享收藏Estimating Spatiotemporal Ground Deformation With Improved Persistent-Scatterer Radar Interferometry用改进的持续散射体雷达干涉术估计时空地面变形
PREAI
分享收藏
查看更多内容