(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110519191.2 (22)申请日 2021.05.12 (65)同一申请的已公布的文献号 申请公布号 CN 113139349 A (43)申请公布日 2021.07.20 (73)专利权人 江西师范大学 地址 330022 江西省南昌市紫阳 大道99号 (72)发明人 林珲　赵倬毅　马培峰　 (74)专利代理 机构 深圳鼎合诚知识产权代理有 限公司 4 4281 专利代理师 汪明曙　彭家恩 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 119/08(2020.01) G06F 119/10(2020.01) G06F 119/12(2020.01) (56)对比文件 CN 110781169 A,2020.02.1 1 审查员 何承恩 (54)发明名称 一种InSAR时序中大气噪声的去除方法、 装 置及设备 (57)摘要 本发明公开了一种InSAR时序中大气噪声的 去除方法， 包括： 获取InSAR形变时序数据； 将 InSAR形变时序数据输入至深度递归网络去噪模 型中， 获得去除大气噪声的InSAR形变时序数据； 深度递归网络去噪模型结合季节性因子作为辅 助输入， 并引入衰减机制处理观测值缺失问题； 该模型利用仿真InSAR形变时序训练优化。 本发 明通过构建一个基于深度递归网络的去噪模型 获得去噪以后的时序信号， 更鲁棒地去除大气噪 声； 构建了InSAR时序数据仿真的方法， 以合成大 量的样本丰富的仿真时序数据， 用以训练深度递 归网络模型， 得到优化的模型参数； 同时合成仿 真的时序数据也可以帮助验证去噪模型的有效 性并对模型的表现进行定量的评估。 权利要求书3页 说明书8页 附图1页 CN 113139349 B 2022.11.29 CN 113139349 B 1.一种InSAR时序中大气噪声的去除方法， 其特 征在于， 包括： 获取InSAR形变时序数据； 将InSAR形变时序数据输入至深度 递归网络去噪模型中， 获得去除大气噪声的InSA R形 变时序数据； 其中， 所述深度递归网络去噪模型为： 采用合成的仿真InSA R形变时序数据进行训练的 深度递归神经网络模型； 所述合成的仿真InSAR形变时序数据， 包括： 合成的地表形变趋势 分量； 所述合成的地表形变趋势分量包括： 线性趋势分量， 减速趋势分量， 加速趋势分量和稳 定趋势分量； 所述线性趋势分量， 用线性方程表示 为： Tl(t)＝‑A·t 其中， A控制形变速度， 所述稳定 趋势分量 为当A为零时线性趋势分量的特例； 所述减速 趋势分量， 以近似 对数的时间函数沉降， 表示 为： 其中， Bd控制减速形变速度的变化快慢， td取决于观测的开始时间， Cd为一个常量， 当t ＝0时， Td(t)＝0； 所述加速 趋势分量， 用一个翻转的对数函数表示 为： 其中， tf为滑坡或者塌方的失效时间， tf‑t为预期寿命， Ba控制加速形变速度的变化快 慢， Ca是一个常量， 当t＝0时， Ta(t)＝0； 所述合成的仿真I nSAR形变时序数据， 还 包括： 合成的季节性分量； 以气温变化引起的热胀冷缩为例， 表达式为： S(t)＝As·SF(t) 其中， SF(t)表示归一化的季节性因子， 单位方差和均值为零的温度变化， 表示季 节性振荡的幅度， H0表示地表的初始高度， γ表示线性热膨胀系数， λ 决定了振荡的幅度， ω 控制振荡周期， 此处固定为以1年 为周期， 开始相位φ取决于一 年中的起始 观察点； 所述合成的仿真InSAR形变时序数据， 还包括： 引入的模拟的大气噪声和观测值缺失模 式； 采用加性高斯 白噪声来模拟的大气噪声， 生成仿真形变时序后， 随机丢弃部分数据点 以模仿观测值 缺失模式， 最终合成的I nSAR仿真形变时序表示 为： 其中， N(t)表示噪声， M(t)表示缺失掩码， D(t)表示合成的地表形变， T(t)表示形变趋 势分量， S(t)表示季节性分量； 所述深度递归网络去噪模型， 包括：权　利　要　求　书 1/3 页 2 CN 113139349 B 2输入层， 将合成的I nSAR仿真形变时序作为输入； GRU‑D网络层， 处 理缺失数据， 输出 无缺失中间层多维特 征向量序列； 堆叠GRU网络层， 输出顶层的多维特 征向量序列； 全链接输出层， 将递归 网络层输出的特征向量序列转换为最终的去除大气噪声的形变 时序。 2.如权利 要求1所述的InSA R时序中大气噪声的去除方法， 其特征在于， 所述GRU ‑D网络 层， 为双向结构， 同时利用之前和之后的值， 实现双向衰减机制。 3.一种InSAR时序中大气噪声的去除装置， 其特 征在于， 包括： 形变时序获取模块， 用于获取I nSAR形变时序数据； 形变时序去噪模块， 用于将InSA R形变时序数据输入至深度递归网络去噪模型中， 获得 去除大气噪声的I nSAR形变时序数据； 其中， 所述深度递归网络去噪模型为： 采用合成的仿真InSA R形变时序数据进行训练的 深度递归神经网络模型； 所述合成的仿真InSAR形变时序数据， 包括： 合成的地表形变趋势 分量； 所述合成的地表形变趋势分量， 包括： 线性趋势分量， 减速趋势分量， 加速趋势分量和 稳定趋势分量； 所述线性趋势分量， 用线性方程表示 为： Tl(t)＝‑A·t 其中， A控制形变速度， 所述稳定 趋势分量 为当A为零时线性趋势分量的特例； 所述减速 趋势分量， 以近似 对数的时间函数沉降， 表示 为： 其中， Bd控制减速形变速度的变化快慢， td取决于观测的开始时间， Cd为一个常量， 当t ＝0时， Td(t)＝0； 所述加速 趋势分量， 用一个翻转的对数函数表示 为： 其中， tf为滑坡或者塌方的失效时间， tf‑t为预期寿命， Ba控制加速形变速度的变化快 慢， Ca是一个常量， 当t＝0时， Ta(t)＝0； 所述合成的仿真I nSAR形变时序数据， 还 包括： 合成的季节性分量； 以气温变化引起的热胀冷缩为例， 表达式为： S(t)＝As·SF(t) 其中， SF(t)表示归一化的季节性因子， 单位方差和均值为零的温度变化， 表示季 节性振荡的幅度， H0表示地表的初始高度， γ表示线性热膨胀系数， λ 决定了振荡的幅度， ω 控制振荡周期， 此处固定为以1年 为周期， 开始相位φ取决于一 年中的起始 观察点； 所述合成的仿真InSAR形变时序数据， 还包括： 引入的模拟的大气噪声和观测值缺失模 式； 采用加性高斯 白噪声来模拟的大气噪声， 生成仿真形变时序后， 随机丢弃部分数据点权　利　要　求　书 2/3 页 3 CN 113139349 B 3