一、为什么合成孔径雷达(SAR)具有“透视”功能?（论文文献综述）
黄诗乔[1]（2021）在《语言顺应论指导被动语态英汉翻译实践报告 ——以《雷达干涉测量数据反演与误差分析》（节选）为例》文中进行了进一步梳理
朱乐坤[2]（2021）在《融合星载SAR与深度学习的地表水体监测与应用研究》文中研究表明
吴效莹[3]（2021）在《SAR图像多特征融合与分类算法研究》文中指出合成孔径雷达（Synthetic Aperture Radar,SAR）是一种主动的雷达成像系统,具有全天时、全天候、高分辨率的特点,已被广泛应用于经济、军事等多领域。但是SAR图像中固有斑点噪声的存在严重影响了图像的质量,对SAR图像的理解与解译带来极大挑战。而SAR图像地物分类又是SAR图像理解的重要内容,尽管在该领域的研究取得了丰富的研究成果,但仍然存在着先验知识少、多特征的融合与优化、空间结构信息的有效利用、多特征线性不可分和自适应分类建模等问题,针对上述问题,本文将张量理论、核稀疏表示和自适应核技术有机融合,充分挖掘SAR图像的空间结构信息、利用邻域内的相关性和非邻域内的差异性,对SAR图像多特征提取、融合与分类算法进行深入研究,取得以下研究成果。（1）提出了基于张量分解与聚类的半监督分类算法。基于多特征的SAR图像分类方法存在着空间结构信息缺失问题,如何保留SAR图像结构信息,提高基于特征的识别能力,降低噪声的影响,仍是这一领域的一个挑战。为此,本文首先利用聚类方法来保持图像和张量中的非局部信息,并具有保留空间结构信息的能力。其次,通过分块聚类算法生成多特征SAR图像的多个高阶聚类张量,形成多重流形结构,保留了图像固有的局部与非局部空间结构信息。然后,通过考虑局部结构、标注和未标注的信息,将改进的判别分析和张量分解理论相结合产生簇张量的多个新的投影方向,增强了类内紧致性和类间可分性,提高了基于特征的识别能力。最后基于支持向量机实现SAR图像的分类,并通过实验进行验证分析。（2）提出了一种新的基于多特征和自适应核函数组合的SAR图像分类算法。该算法通过对自适应复合核和复合权重融合策略研究实现对SAR图像的分类。首先,从SAR图像中提取灰度共生,小波能量和属性轮廓特征,构造三个互补的3D特征张量。然后,根据SAR图像的Gamma分布和非负对数似然值,将SAR图像三维特征张量分割成三维特征块,进而利用提出的自适应复合核策略来挖掘每个特征块中的上下文空间信息,并根据每个特征块的空间结构信息自动确定新复合核中的权重。最后,通过构造复合权重的决策融合策略,得到最终的分类结果,并通过对合成和真实SAR图像的实验验证了方法的有效性。（3）提出了基于多特征非局部动态核稀疏表示的SAR图像分类算法。为了解决SAR图像多特征会引起线性不可分问题,该方法首先对SAR图像进行多特征提取,并通过映射和核函数构造不同张量特征的核空间。其次,为了充分利用不同类型特征空间结构信息的局部相似性和非局部信息的差异性,降低非局部信息干扰,对核空间进行张量投影,并基于它构建了多特征非局部动态核稀疏表示模型。然后基于多特征非局部动态核稀疏表示残差构造分类器,实现SAR图像的分类。最后通过仿真和真实的SAR图像进行比较验证。（4）提出基于注意辅助栈式稀疏自编码网络的SAR图像分类算法。为了解决SAR图像标注样本有限、局部空间信息缺失和识别精度问题,首先从原始SAR图像中提取三个不同特征,以此构造注意模块频谱纹理信息特征,且经过降维和Gabor滤波,构成注意模块空间信息。其次,根据真实样本相似性和距离生成虚拟训练样本,解决标注样本不足问题,并和真实样本预训练栈式稀疏自编码网络。然后,通过逻辑回归与栈式稀疏自编码网络结合优化整个深度网络,实现SAR图像的分类。最后通过真实SAR图像进行比较验证。
刘航[4]（2021）在《基于生成对抗网络的地基SAR多源数据融合算法研究》文中提出地基合成孔径雷达（Ground-based Synthetic Aperture Radar,地基SAR）系统具有非接触、高精度、大区域连续监测的技术优势,是进行区域性监测、地表形变监测以及定点连续测量的重要手段。传统地基SAR图像多源数据融合算法,一般基于坐标转换或特征匹配的方法实现,需要人工提取地基SAR系统、监测点坐标进行转换计算,难以实现自动化。利用生成对抗网络模型也可以实现地基SAR图像多源数据融合。然而,由于地基SAR具有独特的成像机理,地基SAR图像与光学图像地物特征关联度较低,无法直接训练。针对此问题,本论文基于栅格投影的方法,完成了三维点云地形数据与地基SAR图像坐标系统一,实现了多源数据的空间融合,生成东-北坐标系下的地基SAR图像,作为循环一致性生成对抗网络的训练样本,开展基于生成对抗网络的地基SAR多源数据融合算法研究。主要的研究工作如下:（1）针对现有地基SAR图像与光学图像坐标系不一致,地基SAR图像与光学图像的地物特征无法直接建立起对应关系,无法作为样本直接训练的问题,本文提出了基于栅格投影的地基SAR图像与三维点云数据融合方法。首先推导了任意地基SAR观测几何条件下的图像距离-方位坐标系与东北天坐标系的转换关系。然后通过栅格投影的方法,建立东-北坐标系下地基SAR图像信息-高度信息对应关系矩阵,完成地基SAR图像与三维点云数据融合,生成东-北坐标系下的地基SAR图像,并完成坐标转换精度的直接定量分析,实验结果表明地基SAR图像准确地变换到了东-北坐标系下,可以作为样本集训练。（2）针对复杂结构目标监测中地基SAR三维点云数据融合存在俯仰角模糊现象,产生无效地物特征,影响训练样本质量的问题,本文分析了在复杂结构目标监测过程中产生俯仰角模糊现象的原因,提出了基于栅格投影的地基SAR三维点云数据融合俯仰角模糊处理方法。实测结果表明,训练样本中虚假影像去除效果明显,说明本方法对俯仰角模糊现象具有良好的处理效果。（3）针对现有地基SAR图像与光学图像融合方法难以对监测场景整体进行地物特征判别的问题,提出了基于生成对抗网络的地基SAR多源数据融合算法。利用东-北坐标系下的地基SAR图像、谷歌光学图像作为训练样本,进行无监督学习,以训练东-北坐标系下地基SAR图像像素与谷歌光学图像像素之间的映射关系,实现三维点云数据、光学图像和地基SAR图像的数据融合。实测结果表明,本方法可以根据东-北坐标系地基SAR图像,输出同场景逼真的光学图像,完成多源数据融合。
高文锦[5]（2021）在《基于SBAS-InSAR技术的深圳西部地区地表形变研究》文中研究指明随着大量工程建设的开展,导致深圳市因地表形变引发的灾害性问题日益显着,为及时排除安全隐患,对深圳市进行形变监测显得尤为重要。传统形变监测技术手段无法同时满足高密度、大范围的监测要求,而合成孔径雷达干涉测量技术的出现与发展,极大突破了传统测量技术的限制。该技术主要是根据多幅雷达影像获取大范围地表形变信息,并结合地理信息空间分析技术,评价地表形变造成的危险性,对预防城市地质灾害具有重要的现实意义及参考价值。本文首先采用2017年3月—2019年12月期间的34幅Sentinel-1 A影像作为数据源,利用SBAS-InSAR技术监测深圳西部地区的地表形变;其次结合PS-InSAR结果与水准数据对SBAS-InSAR结果进行验证;然后分别从道路交通、建设密度以及填海区三个方面分析地表形变结果;最后构建深圳西部地区地表形变危险性评价体系。主要研究内容与结论如下:（1）为验证SBAS-InSAR技术监测地表形变的可靠性,利用PS-InSAR技术对研究区进行时序形变监测,并将PS-InSAR结果与SBAS-InSAR结果进行对比,在此基础上采用水准数据对SBAS-InSAR结果进行精度评定。结果表明:采用SBAS-InSAR技术获取的深圳西部地区形变速率范围-50.04～28.18mm/a,采用PS-InSAR技术获取研究区形变速率范围为-23.37～25.53mm/a,经对比发现SBAS-InSAR结果与PS-InSAR结果总体具有一致性;利用提取的20个SBAS-InSAR结果监测点与水准数据进行精度验证,发现两者的互差中误差为±5.5mm,说明SBAS-InSAR技术的形变监测精度能够达到毫米级,深圳西部地区的监测结果具有较高的可靠性。（2）根据SBAS-InSAR结果综合分析了深圳西部地区路面交通、建设密度和填海区三个方面的地表形变特征。结果表明:①以滨海大道及地铁10号线中段形变数据为基础,分析路面特征点的时序沉降特征及路面中心线的累计沉降量,得出该路段的地表形变特征,发现道路及地铁的施工对地表形变有着较大的影响,尤其在地铁线修建期间地铁站的沉降量明显大于修建期间地铁线的沉降量;②依据深圳市划分的5种建设密度分区,对不同密度分区的形变速率值分布特征进行分析,发现深圳西部地区不同建设密度分区内发生沉降相干点数量占比与对应建设密度成负相关,且发生地表沉降的原因与城市更新有紧密联系;③将填海区划分为1990年非填海区、1990～2000年填海区和2000～2010年填海区3种区域,对各区域的形变值进行统计分析,发现1900～2000年填海区的沉降速率与1990年非填海区基本一致,2000～2010年填海区更容易产生沉降现象且沉降速率较大,说明填海区经过土地固结时间越久,土地承载力越强,地质更加稳定。（3）基于SBAS-InSAR技术获取的形变速率和形变量,并且利用地面高程、建设密度及降雨量数据,结合层次分析法与模糊综合评价法构建深圳西部地区地表形变评价体系。结果表明:危险性大的区域面积约为0.67km2,占研究区总面积0.07%,主要分布在南山区前海合作区以及宝安区沙井民主村;危险性较大的区域面积有15.60km2,占总面积1.59%;危险性中等的区域面积有123.69km2,占总面积12.60%;危险性较小的区域面积有737.66km2,占总面积75.14%;危险性小的区域面积有104.06km2。
李帅[6]（2021）在《基于SAR技术和Offset-Tracking技术的矿区形变监测研究》文中提出矿区开采沉陷与其他地表形变不同,其特点是沉降量级大、形变剧烈。由于煤矿开采会在矿区地表形成地裂缝、塌陷坑、滑坡等一系列地质灾害进而对当地的构筑物、建筑物以及生态环境造成严重的损害,而且频发的次生地质灾害也会对矿区居民的生命财产安全形成严重的威胁。在国家减灾防灾的紧迫需求下,实时、准确地掌握矿区地表的形变情况,形成科学的地表沉降监管体系,对于保障矿区居民的正常生活以及当地生态环境的进一步优化至关重要。传统的测量方法存在外业工作量大、点位稀疏、监测范围较小、观测进程易受天气影响、地面调查难以到达等诸多弊端,合成孔径雷达干涉测量（InSAR）技术可以实时、准确、大范围、高精度地对地表形变进行监测,已经在实际地面工程监测中得到了广泛应用。依据D-InSAR原理,在不考虑外界因素影响的情况下,其可达到到厘米级甚至是毫米级的监测精度,但是无法对矿区大量级、大梯度形变进行监测。本文针对上述问题,以山西省阳泉矿区为例,系统地研究如何利用D-InSAR技术对地表微小形变进行监测以及如何利用SBAS-InSAR和Offset-Tracking技术对大量级、大梯度的地表形变信息进行有效提取,其主要研究工作以及相应的成果如下:（1）总结了传统时序InSAR技术及像素偏移量追踪技术国内外研究现状,详细阐述了InSAR技术的基本原理、工作方法、系统成像特性以及InSAR技术处理过程中的误差来源,并针对这些既定误差提出相应的解决方案。简单介绍D-InSAR、SBAS-InSAR、Offset-Tracking技术的操作流程并分析其在形变监测中存在的优势与不足。（2）针对传统监测方法在矿区地表形变监测中的常见问题以及D-InSAR在地表微小形变监测中的优势,本文利用10景Sentinel-1A数据,采用D-InSAR技术对研究区域的地表形变信息进行提取。通过采用不同的滤波模式、相位解缠阈值进行多次试验,以此选取最合适的滤波模式和解缠阈值。结合已有实测资料和形变序列图,布设工作面模拟走向监测线和倾向监测线,提取沉降信息、绘制地表下沉曲线、最大下沉点移动速率曲线、最大下沉点下沉速率曲线,并以此为基础系统分析地表动态下沉规律。（3）传统的时序InSAR技术在地表微小形变监测中表现出强大的优势,但是在地表大梯度形变监测中精度不高,针对其在地表形变监测中的不足之处,提出融合SBAS-InSAR和Offset-Tracking技术对研究区域整个下沉盆地进行监测,从而获得完整的形变场。融合过程中摒弃传统的以相干系数作为融合边界的方法,采用手动掩膜的方式对二者的监测结果进行融合,并对其融合结果的精度进行分析验证。结果表明,垂直方向上最大绝对误差320mm,平均绝对误差87mm,最大下沉处绝对偏差105mm,相对偏差4.0%。其精度符合开采沉陷地表监测的一般要求,此方法可为今后地表大梯度形变监测提供新的理论思路。
傅志豪[7]（2021）在《无人机载干涉SAR系统性能分析及应用研究》文中提出无人机差分干涉测量技术（UAV D-InSAR）既可以获得高空间分辨率和高密度覆盖的地壳形变场,又可以有效规避时间失相关等一系列技术难题,进而实现各类地质、地震灾害的近实时监测需求。小型无人机SAR（UAVSAR）由于载机平台轻小,易受飞行速度、方向、姿态、气流扰动等影响,且装配的组合惯性导航系统精度较低,在满足轻小型无人机系统的载荷装机要求时,难以保证高分辨成像及高精度姿态控制能力。围绕国家自然科学基金“无人机差分干涉SAR监测地壳形变的关键技术”课题,本文作者在参与无人机差分干涉SAR系统前期调研与装配的基础上,主要研究该型UAVSAR系统成像参数及系统性能、航线设计准则、图像定位精度及应用能力,取得的主要成果包括:（1）无人机载干涉SAR系统性能分析在总结国内外机载重轨干涉系统搭建、算法研究现状及UAVSAR重轨干涉形变测量技术的基础上,基于项目组研制的无人机SAR系统,分析该型无人机系统性能如系统载重、续航时间、工作高度等,同时分析了 SAR系统条带宽度、分辨率、采样间隔等与成像有关的参数。（2）小型无人机SAR航线设计及几何定标实验研究了适用于活动断裂带等复杂作业环境下的UAVSAR航线设计方案,基于上述航线设计准则,在四川北川县城设计了飞行试验及外业定标试验。针对实测航迹数据进行分析,研究了满足干涉条件下的基线、运动误差限度。同时为满足实际应用需求,分析了适用于灾害应急、高精度地形测绘等条件下的UAVSAR图像定位精度。（3）无人机SAR数据处理及图像质量评估基于该型雷达数据特点,针对性开发相应数据接口,研究了 UAVSAR集成系统数据处理流程。最后基于业务化应用需求,分析了图像信息量、地物分类效果、干涉精度和立体像对性能,为后续应用及飞行试验提供指导性建议及参考。
刘广阳[8]（2021）在《基于深度学习的多通道SAR影像分类及在上海南汇东滩潮间带环境监测中的应用》文中提出随着卫星遥感技术的发展,遥感图像的解译工作已经从目标甄别转换到像素级的分类研究中。作为图像解译问题中重要的遥感数据来源之一,合成孔径雷达（Synthetic Aperture Radar,SAR）由于能够在全天候、全天时等条件下不间断工作的特点,已经在军事、民用和商业等领域得到了广泛的应用,对于SAR图像的解译分类技术要求也逐渐增高。近些年,随着计算机技术的大力发展,以深度学习为代表的深度卷积神经网络（Deep Convolutional Neural Network,DCNN）方法层出不穷。相对于传统的图像分类方法,由于其具有提取高级的上下文特性、端到端的学习方式、分类精度高等特点,已经在光学图像的分类任务中取得不俗表现。但是由于SAR图像与光学图像的成像机理差异,DCNN对于SAR图像的解译,难以发挥充分作用。为了提高深度学习模型在多源遥感信息融合中的性能,本文针对于多通道SAR影像,提出一种新的DCNN模型,并通过实验验证了模型的有效性与先进性。本文的主要研究内容如下:（1）构建了上海南汇东滩潮间带环境监测的专用数据集。该数据集以2016-2020年间上海南汇东滩潮间带的SAR双极化通道和物理环境信息为数据源.结合专家先验知识、多源遥感数据辅助目视解译等手段,划分成五个类别的数据,并标注成标签图像。为本文及后续研究工作提供研究数据支撑。（2）针对多通道SAR图像分类,探究融合多源信息的双极化SAR图像分类效果。在经过预处理的VV、VH单极化数据集的基础上,我们依次构建了双极化数据集和融合潮位风速信息的数据集,并利用U2-Net的DCNN模型进行结合对比实验,验证多源遥感信息融合的有效性。（3）提出了一种针对U2-Net框架并具有非对称卷积的多分支DCNN模型（MB-U2-ACNet）。该模型具有双层嵌套的U型编码解码器结构。我们通过建立分支结构,提取并融合多源遥感信息的特征。同时我们还为每级编解码器设计了新的非对称残差U块（Asymmetric Convolution Re Sidual U-block,ACRSU）,以增强网络对于图像翻转和旋转的解析能力。此外,通过引入注意力机制,从通道和空间维度的角度区分特征的重要性来提高模型性能。（4）上海南汇东滩潮间带的时空变化分析。基于本文已经构建的数据集,通过人工筛选,建立相邻图像时间间隔小于1个月的图像序列。在时间和空间两个维度,总体、季节、年际三个角度分析2016至2020年间研究区域的典型地物变化,并对驱动该变化的主要机制进行剖析。本文在构建的上海南汇东滩潮间带监测数据集上验证了多源遥感信息融合的有效性。并通过多组实验证明本文提出的MB-U2-ACNet比现有的代表性DCNN和传统方法具有更好的性能。同时,分析了研究区域典型地物的时空变化特性。论文所取得的研究成果可用于长时间跨度的上海南汇东滩潮间带环境监测工作,为潮间带的监测系统建设、资源环境评价与政策制定提供理论与数据支撑。
张月[9]（2021）在《地基SAR滑坡监测中的数据融合方法研究》文中指出地基合成孔径雷达（Synthetic Aperture Radar,SAR）是近十年发展起来的一种新型微波遥感技术,系统具有穿透力强、恶劣天气下可连续监测等优点,地表形变测量精度可达亚毫米级,在滑坡监测领域具有极强优势。但地基SAR解算形变数据时,由于相位不稳定导致形变结果可靠性低。本文进行永久散射（Permanent Scattering,PS）点选取,筛选相位质量高的监测点,以保证形变解算的可靠性。数据融合是将多种数据信息通过数学整合模型进行融合的一种技术手段,该技术起源于上世纪七十年代,逐渐从军事领域延伸到民用领域。本文通过数据融合手段,结合全球导航卫星系统（Global Navigation Satellite System,GNSS）形变数据、光学图像、数字高程模型等多种异源数据的互补优势,获得多层级、多角度信息,为滑坡灾害监测提供更简单直接的帮助,从而有效辅助灾害预警。本文的主要工作如下:（1）基于平均相关系数和振幅离差双阈值PS点选取针对传统PS点提取方法无法同时兼顾像素点的数量和质量问题,本文联合双阈值法进行PS点选取,并对提取流程参数进行改进。首先,采用平均相关系数阈值法的自适应阈值求取永久散射候选（Permanent Scatter Candidate,PSC）点,保证PSC点的数量;然后,利用振幅离差值的最优参数对PSC点进行二次处理,最终求取数量及质量均较优的PS点。实验结果表明,本文提取PS点在保证像素点数量的前提下,能有效剔除相位质量差、严重失相关的目标,提升形变解算目标的相位稳定性,进而保证地基SAR形变测量结果的准确性。（2）基于牛顿法的地基SAR和GNSS形变融合方法针对地基SAR形变数据解译单一的不足,本文将星载SAR和全球定位系统（Global Positioning System,GPS）形变数据融合的方法,首次应用于地基SAR和GNSS三维形变数据融合中。首先,对GNSS监测点在地基SAR二维网格中的位置进行标定;其次,对GNSS三维形变进行克里金插值,获得地基SAR监测点的三维插值形变;然后,分析地基SAR一维视线方向形变与GNSS三维地形方向的几何关系,构建以地基SAR三维地形方向真实形变为未知量的能量函数;最后,利用直接分析法、牛顿法解算地基SAR真实地形方向形变值,并采用均方根误差进行形变融合质量评价。实验结果表明,本文所用牛顿法解算的三维形变与插值、直接分析法相比精度高、可靠性强,有效提升了地基SAR一维到三维的形变应用能力。（3）基于数字高程模型（Digital Elevation Model,DEM）的地基SAR图像和光学图像融合方法针对地基SAR图像地物散射目标不易识别的缺点,本文提出一种基于数字高程模型的地基SAR图像和光学图像数据融合方法,将不同数据源进行统一坐标变换。首先,利用四参数法进行地基SAR图像二维坐标转换,再利用数字高程模型与其匹配映射,获取三维地基SAR图像;其次,利用像素伸缩变换进行光学图像二维坐标转换,再在数字高程模型下进行区域迭代投影,获取三维光学图像;最后在各数据完成坐标统一的基础上,分别将地基SAR图像及形变数据匹配映射到对应的光学图像上,获得融合结果信息。实验结果表明,本文方法能有效结合二者色彩、形变监测能力、分辨率的互补性,实现地基SAR监测区域目标识别,从而提升地基SAR监测的外部应用能力。
李治斌[10]（2021）在《基于PS-InSAR技术的珠海市地表沉降监测及预测研究》文中研究说明珠海市作为我国大陆地区唯一与香港和澳门直接陆路相连的城市,已经成为连接我国西南地区与港澳间的交通枢纽。近年来,随着珠海市城市化建设进程的加快,人类工程活动的增多,地质灾害愈加频发,其中地表沉降造成的直接经济损失最为严重,极大地限制了珠海市社会经济快速、稳定的发展。目前,珠海市地表沉降的监测方法主要是基于离散点的常规大地测量观测,例如水准测量、GNSS监测等。其受限于监测面积小且成本高的问题,已不能满足城市快速发展的需求。时序In SAR技术能够提供全天候、高精度、高分辨率的地表形变信息,具有大范围地表沉降监测的优势。此外,基于当前形变监测信息预测未来城市地表沉降的时空演化趋势对于城市的规划建设及决策管理具有重要的参考意义。为此,本文首先基于时序In SAR技术采用2017年3月-2019年8月的55景Sentinel-1A数据对珠海市地表沉降情况进行了监测,研究了珠海市地表沉降的空间分布特征及时间演变规律。在此基础上,利用统计分析方法,结合珠海市土壤地质类型、气象水文环境以及人类工程活动等因子,对珠海市地表沉降的主要影响因素进行分析。最后,基于学习率可变的动量BP神经网络建立了地表沉降预测模型,并对模型的精度进行了验证。本研究可为城市地表沉降监测和预测方法提供借鉴,为城市防灾减灾提供基础数据。本文的主要工作及结论如下:（1）获取了珠海市高精度地表形变场。选取研究区2017年3月-2019年8月的Sentinel-1A数据,采用PS-In SAR技术反演了珠海市的年均地表形变速率及时序形变量,并将In SAR监测结果与水准实测数据进行了精度对比分析,两者相关系数R2为0.6420,均方根误差RMSE为3.8114mm/y,验证了PS-In SAR监测结果的可靠性。（2）研究了珠海市地表沉降时空演变特征。由PS-In SAR监测结果对珠海市线状地物和面状地物进行分析,结果表明,珠海市大部分地区的地表形变速率在-10mm/y～0mm/y,西北部地区比较稳定,中部、东部和南部局部区域存在较为明显的地表沉降,主要沉降中心集中在高栏港经济区、鸡啼门河道两侧水产养殖区、白蕉镇以及横琴新区。珠海市内主要公路的部分路段形变较为明显,形变速率大多集中在-30mm/y,最大形变速率超过了-50mm/y。此外,对珠海市的形变速率进行了重分类,统计出不同分类等级的地表沉降区域的面积,以期能够从整体上掌握珠海市地面沉降的严重程度以及各等级沉降区域的影响面积。（3）分析了珠海市地表沉降的主要影响因素。结合珠海市土壤地质类型、气象水文环境以及人类工程活动等因素对珠海市主要沉降中心进行了诱因分析。根据分析结果,珠海市地表沉降产生的主要原因有:软土固结、上部载荷以及地下水开采。通过PS-In SAR监测结果进一步验证了这些沉降区域的时空演变细节,该研究结果可为珠海市的城市建设和灾害防治提供科学依据。（4）构建了珠海市地表沉降预测模型。基于PS-In SAR监测结果的前45期形变数据,建立了学习率可变的动量BP神经网络模型进行珠海市地表沉降预测,并利用后10期形变数据进行了精度分析。结果表明,该模型在珠海市地表沉降的预测中表现出了较高的预测精度,可以较好地反映出研究区域的总体沉降趋势。为了使该模型更具有实用价值,通过对比分析不同时段长度预测结果的精度,确定了该模型的最佳预测时长为3个月,为进一步提高城市的防灾减灾及灾害预警能力提供借鉴参考。
二、为什么合成孔径雷达(SAR)具有“透视”功能?（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、为什么合成孔径雷达(SAR)具有“透视”功能?（论文提纲范文）
（3）SAR图像多特征融合与分类算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 特征提取研究现状 |
| 1.2.2 分类方法研究现状 |
| 1.3 研究内容与结构安排 |
| 第二章 相关基础知识 |
| 2.1 SAR图像统计分布 |
| 2.1.1 对数正态分布 |
| 2.1.2 威布尔分布 |
| 2.1.3 K分布 |
| 2.1.4 伽马(Gamma)分布 |
| 2.2 SAR图像特征 |
| 2.2.1 灰度共生矩阵 |
| 2.2.2 属性轮廓 |
| 2.2.3 Gabor特征 |
| 2.3 支持向量机 |
| 2.4 小波分解原理 |
| 2.5 稀疏表示与分类 |
| 2.5.1 稀疏表示分类 |
| 2.5.2 联合稀疏表示分类 |
| 2.5.3 核稀疏表示分类 |
| 2.6 分类性能评价指标 |
| 2.7 本章小结 |
| 第三章 基于张量分解与聚类的SAR图像半监督分类算法 |
| 3.1 引言 |
| 3.2 基于张量分解与聚类的SAR图像半监督分类算法 |
| 3.2.1 张量构造 |
| 3.2.2 张量投影 |
| 3.2.3 SAR图像分类 |
| 3.3 实验结果与分析 |
| 3.3.1 实验设置 |
| 3.3.2 算法要素分类性能分析 |
| 3.3.3 仿真SAR图像结果分析 |
| 3.3.4 真实SAR图像分类结果分析 |
| 3.4 本章小结 |
| 第四章 基于多特征和自适应核函数组合的SAR图像分类算法 |
| 4.1 引言 |
| 4.2 基于自适应核函数的SAR图像分类算法 |
| 4.2.1 特征张量的构建和分块 |
| 4.2.2 上下文空间信息提取 |
| 4.2.3 自适应核函数构造 |
| 4.2.4 基于自适应核函数的SAR图像分类与优化 |
| 4.3 实验结果与分析 |
| 4.3.1 实验设置 |
| 4.3.2 算法要素分类性能分析 |
| 4.3.3 仿真SAR图像的实验结果分析 |
| 4.3.4 真实SAR图像的实验结果分析 |
| 4.4 本章小结 |
| 第五章 基于多特征非局部动态核稀疏表示的SAR图像分类算法 |
| 5.1 引言 |
| 5.2 基于非局部动态核稀疏表示的SAR图像分类算法 |
| 5.2.1 特征的表示和核变换 |
| 5.2.2 多特征的局部动态核稀疏表示 |
| 5.2.3 基于张量投影的非局部动态核稀疏表示与SAR图像分类 |
| 5.3 实验结果与分析 |
| 5.3.1 实验设置 |
| 5.3.2 参数对分类性能影响分析 |
| 5.3.3 仿真SAR图像实验结果分析 |
| 5.3.4 真实SAR图像实验结果分析 |
| 5.4 三种方法的比较分析 |
| 5.5 本章小结 |
| 第六章 基于注意辅助栈式稀疏自编码网络的SAR图像分类算法 |
| 6.1 引言 |
| 6.2 注意辅助的栈式稀疏自编码网络 |
| 6.2.1 注意模块特征提取 |
| 6.2.2 虚拟样本生成 |
| 6.2.3 栈式稀疏自编码网络 |
| 6.3 实验结果与分析 |
| 6.3.1 实验设置 |
| 6.3.2 真实SAR图像的实验结果分析 |
| 6.4 本章小结 |
| 第七章 总结和展望 |
| 7.1 研究总结 |
| 7.2 研究展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
（4）基于生成对抗网络的地基SAR多源数据融合算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 地基SAR多源数据融合算法及其应用现状 |
| 1.2.2 基于生成对抗网络的SAR多源数据融合算法及其应用现状 |
| 1.3 研究内容及论文结构 |
| 第二章 地基SAR图像与三维点云数据融合方法 |
| 2.1 引言 |
| 2.2 地基SAR系统原理概述 |
| 2.2.1 地基SAR工作模式 |
| 2.2.2 地基SAR信号体制 |
| 2.2.3 地基SAR成像算法 |
| 2.3 地基SAR距离-方位坐标系与东北天坐标系的转换关系 |
| 2.3.1 东北天坐标系下地基SAR系统模型 |
| 2.3.2 距离-方位坐标系下地基SAR平面几何模型 |
| 2.4 基于栅格投影的地基SAR图像与三维点云数据融合方法 |
| 2.4.1 地基SAR图像的栅格化处理 |
| 2.4.2 三维点云数据的栅格化处理 |
| 2.4.3 地基SAR图像与三维点云数据的融合 |
| 2.4.4 实验结果 |
| 2.5 小结 |
| 第三章 地基SAR三维点云数据融合俯仰角模糊处理方法 |
| 3.1 引言 |
| 3.2 基于栅格投影的地基SAR三维点云数据融合俯仰角模糊现象 |
| 3.2.1 概述 |
| 3.2.2 俯仰角模糊现象产生原因分析 |
| 3.3 俯仰角模糊现象修正方法 |
| 3.3.1 俯仰角模糊现象处理流程 |
| 3.3.2 实验结果 |
| 3.4 小结 |
| 第四章 基于生成对抗网络的地基SAR多源数据融合算法 |
| 4.1 引言 |
| 4.2 生成对抗网络 |
| 4.2.1 生成对抗网络结构 |
| 4.2.2 生成对抗网络损失函数 |
| 4.3 基于循环一致性生成对抗网络的地基SAR多源数据融合算法 |
| 4.3.1 循环一致性生成对抗网络原理及结构 |
| 4.3.2 循环一致性生成对抗网络损失函数 |
| 4.3.3 实验结果 |
| 4.4 小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（5）基于SBAS-InSAR技术的深圳西部地区地表形变研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 InSAR发展现状 |
| 1.2.2 时序InSAR发展现状 |
| 1.2.3 地表形变危险性评价研究现状 |
| 1.3 研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 论文组织结构 |
| 2 合成孔径雷达干涉测量原理 |
| 2.1 SAR成像几何特征 |
| 2.2 InSAR技术原理及误差分析 |
| 2.2.1 基本原理 |
| 2.2.2 数据处理 |
| 2.2.3 干涉处理中误差分析 |
| 2.3 PS-InSAR技术原理及关键步骤 |
| 2.3.1 PS-InSAR基本原理 |
| 2.3.2 PS-InSAR技术关键步骤 |
| 2.4 SBAS-InSAR技术原理及关键步骤 |
| 2.4.1 SBAS-InSAR技术原理 |
| 2.4.2 SBAS-InSAR技术关键步骤 |
| 2.5 两种时序InSAR技术差异 |
| 2.6 本章小结 |
| 3 基于InSAR技术的深圳西部地区地表形变监测及精度验证 |
| 3.1 研究区概况 |
| 3.2 数据简介 |
| 3.2.1 SAR影像数据 |
| 3.2.2 DEM数据 |
| 3.3 基于时序InSAR技术监测深圳西部地区地表形变 |
| 3.3.1 SBAS-InSAR技术数据处理 |
| 3.3.2 PS-InSAR技术数据处理 |
| 3.4 SBAS-InSAR与 PS-InSAR结果对比分析 |
| 3.5 SBAS-InSAR结果与水准数据精度验证 |
| 3.5.1 基于水准测量的沉降监测 |
| 3.5.2 SBAS-InSAR结果与水准数据结果对比 |
| 3.6 本章小结 |
| 4 深圳西部地区地表形变结果分析 |
| 4.1 道路交通形变监测结果 |
| 4.1.1 滨海大道路段沉降分析 |
| 4.1.2 地铁10 号线中段沉降分析 |
| 4.2 建设密度分区形变监测结果分析 |
| 4.3 填海区形变监测结果分析 |
| 4.4 地表形变成因探讨 |
| 4.5 本章小结 |
| 5 深圳西部地区地表形变危险性评价 |
| 5.1 层次分析法确定评价因子权重 |
| 5.2 模糊综合评价 |
| 5.2.1 危险性评价步骤 |
| 5.2.2 评价因子隶属度确定 |
| 5.2.3 模糊综合评价结果 |
| 5.3 地表形变危险性分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 存在问题与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（6）基于SAR技术和Offset-Tracking技术的矿区形变监测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 D-InSAR国内外研究现状 |
| 1.2.2 PS-InSAR国内外研究现状 |
| 1.2.3 SBAS-InSAR国内外研究现状 |
| 1.2.4 Offset-Tracking技术国内外研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 论文结构与章节安排 |
| 第2章 InSAR测量技术理论基础 |
| 2.1 .InSAR技术相关理论 |
| 2.1.1 InSAR技术高程测量原理 |
| 2.1.2 InSAR系统的成像特性 |
| 2.2 InSAR误差来源分析 |
| 2.2.1 影像的失相干误差 |
| 2.2.2 干涉图噪声误差 |
| 2.2.3 基线误差 |
| 2.2.4 大气延迟误差 |
| 2.2.5 外部DEM误差 |
| 2.2.6 相位解缠误差 |
| 2.2.7 地理编码误差 |
| 2.3 D-InSAR技术 |
| 2.3.1 D-InSAR技术流程 |
| 2.3.2 D-InSAR技术的优势及局限性 |
| 2.4 SBAS-InSAR技术 |
| 2.4.1 SBAS-InSAR技术流程 |
| 2.4.2 SBAS-InSAR技术的优势与局限性 |
| 2.5 Offset-Tracking技术 |
| 2.5.1 Offset-Tracking技术实现流程 |
| 2.5.2 偏移量追踪技术的误差来源 |
| 2.6 本章小结 |
| 第3章 基于D-InSAR技术的矿区地表形变监测 |
| 3.1 D-InSAR形变监测原理 |
| 3.2 研究区域概况 |
| 3.3 数据源的选取 |
| 3.3.1 Sentinel-1 数据 |
| 3.3.2 DEM数据 |
| 3.3.3 数据处理平台 |
| 3.4 影像数据处理 |
| 3.4.1 干涉图生成 |
| 3.4.2 滤波试验 |
| 3.4.3 相位解缠 |
| 3.4.4 轨道精炼和重去平 |
| 3.4.5 形变序列图及沉降分析 |
| 3.5 走向剖面线结果分析 |
| 3.5.1 走向线每期沉降结果分析 |
| 3.5.2 走向线累计沉降结果分析 |
| 3.6 倾向线B线结果分析 |
| 3.7 本章小结 |
| 第4章 融合SBAS-InSAR和Offset-Tracking技术对大梯度形变监测 |
| 4.1 基本原理 |
| 4.1.1 SBAS-InSAR技术原理 |
| 4.1.2 Offset-tracking原理 |
| 4.2 研究区概况 |
| 4.2.1 研究区域位置 |
| 4.2.2 地形地貌 |
| 4.2.3 气候条件 |
| 4.2.4 数据信息 |
| 4.3 数据处理 |
| 4.3.1 SBAS-InSAR数据处理 |
| 4.3.2 Offset-tracking与SBAS-InSAR融合数据处理 |
| 4.4 形变结果及精度验证分析 |
| 4.4.1 SBAS-InSAR处理结果分析 |
| 4.4.2 融合结果分析 |
| 4.4.3 融合后的精度验证 |
| 4.5 SBAS-InSAR和Offset-Tracking技术的适用性分析 |
| 4.6 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 不足与展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（7）无人机载干涉SAR系统性能分析及应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 前言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 机载重轨干涉SAR技术研究历程 |
| 1.2.2 机载重轨干涉SAR系统发展历程 |
| 1.2.3 机载重轨干涉SAR应用现状 |
| 1.3 研究内容及章节安排 |
| 1.3.1 研究内容 |
| 1.3.2 章节安排 |
| 1.4 本章小结 |
| 第二章 无人机载干涉SAR遥感系统集成 |
| 2.1 飞行平台参数指标 |
| 2.1.1 飞行平台分类山 |
| 2.1.2 CW-30无人机参数指标 |
| 2.2 微型SAR系统参数 |
| 2.2.1 微型SAR主机 |
| 2.2.2 高精度组合导航系统及伺服系统 |
| 2.3 集成系统参数 |
| 2.4 成像参数 |
| 2.4.1 分辨率 |
| 2.4.2 采样间隔 |
| 2.5 本章小结 |
| 第三章 无人机载干涉SAR航线设计及平台姿态分析 |
| 3.1 单架次航线参数设计 |
| 3.1.1 基于外源DEM数据的航迹角估算 |
| 3.1.2 干涉基线设计 |
| 3.2 多架次飞行航摄分区 |
| 3.3 飞行平台姿态分析 |
| 3.3.1 运动误差分析 |
| 3.3.2 实测数据分析 |
| 3.3.3 基线分析 |
| 3.4 小结 |
| 第四章 无人机载干涉SAR原始数据处理 |
| 4.1 无人机载干涉SAR数据特点 |
| 4.1.1 原始数据处理 |
| 4.1.2 数据预处理 |
| 4.2 运动补偿原理 |
| 4.2.1 运动误差来源 |
| 4.2.2 机载SAR运动补偿 |
| 4.3 运动误差补偿结果分析 |
| 4.4 小结 |
| 第五章 无人机载干涉SAR图像定位 |
| 5.1 地面定标试验 |
| 5.1.1 地面定标场选取 |
| 5.1.2 角反射器布设 |
| 5.1.3 角反射器识别 |
| 5.2 绝对定位精度评定 |
| 5.2.1 定位几何模型 |
| 5.2.2 仿真和实测数据处理 |
| 5.3 相对定位精度评定 |
| 5.3.1 定位模型 |
| 5.3.2 实测数据分析 |
| 5.4 匹配定位精度分析 |
| 5.5 小结 |
| 第六章 无人机载干涉SAR系统应用研究 |
| 6.1 无人机载干涉SAR影像信息度量 |
| 6.1.1 北川飞行试验地物类别 |
| 6.1.2 图像信息量 |
| 6.1.3 邻元相关性 |
| 6.1.4 图像分类 |
| 6.2 立体像对 |
| 6.2.1 机载SAR立体定位模型 |
| 6.2.2 立体像对测量及定位精度评定 |
| 6.3 干涉性能评估 |
| 6.3.1 干涉处理 |
| 6.3.2 定性评价 |
| 6.3.3 定量评价 |
| 6.4 小结 |
| 第七章 结论与展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 攻读硕士期间参加的科研项目 |
| 攻读硕士期间发表的文章 |
（8）基于深度学习的多通道SAR影像分类及在上海南汇东滩潮间带环境监测中的应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于SAR图像的潮间带典型地物变化研究现状 |
| 1.2.2 基于深度卷积网络的图像分割方法研究现状 |
| 1.3 内容安排、创新点和技术路线 |
| 1.3.1 本文主要内容与结构安排 |
| 1.3.2 技术路线 |
| 1.3.3 本文的创新点 |
| 1.4 本章小结 |
| 第二章 SAR图像与深度学习理论基础 |
| 2.1 SAR成像的基本原理 |
| 2.2 SAR图像特性 |
| 2.2.1 SAR图像辐射特性 |
| 2.2.2 SAR图像噪声特性 |
| 2.2.3 SAR图像目标几何特性 |
| 2.3 SAR图像分割 |
| 2.3.1 阈值分割法 |
| 2.3.2 基于CFAR的分割法 |
| 2.3.3 基于马尔可夫随机场模型的分割法 |
| 2.4 深度学习网络模型 |
| 2.4.1 卷积神经网络 |
| 2.4.2 全卷积神经网络 |
| 2.4.3 U-Net网络 |
| 2.5 本章小结 |
| 第三章 多通道SAR图像分类研究 |
| 3.1 U~2-Net模型 |
| 3.2 研究区域概况及数据集介绍 |
| 3.2.1 研究区域概况 |
| 3.2.2 数据选取 |
| 3.2.3 数据集介绍 |
| 3.2.4 实地调查 |
| 3.3 评价指标及方法 |
| 3.4 实验结果和分析 |
| 3.4.1 实验室环境及训练策略介绍 |
| 3.4.2 单极化SAR数据的分类结果 |
| 3.4.3 多源数据融合的多通道SAR数据的分类结果 |
| 3.5 本章小结 |
| 第四章 MB-U~2-ACNet的多通道SAR图像分类研究 |
| 4.1 MB-U~2-ACNet的结构和训练方法 |
| 4.1.1 网络的总体结构 |
| 4.1.2 分支结构 |
| 4.1.3 非对称卷积U型块 |
| 4.1.4 注意力模块 |
| 4.1.5 损失函数的优化 |
| 4.2 实验结果及分析 |
| 4.3 局部优化策略分析 |
| 4.3.1 不同通道信息组合方式的数据集的分类结果 |
| 4.3.2 多分支的特征融合(MB)结构的权重系数W有效性 |
| 4.3.3 ACRSU-blocks的有效性 |
| 4.3.4 注意力模块的有效性 |
| 4.3.5 消融研究 |
| 4.3.6 不同数据量之间的对比 |
| 4.4 本章小结 |
| 第五章 2016-2020年上海南汇东滩潮间带典型植被的时间和空间变化分析 |
| 5.1 时间变化 |
| 5.1.1 总体的时间变化趋势 |
| 5.1.2 季节的时间变化趋势 |
| 5.1.3 年际的时间变化趋势 |
| 5.2 空间变化分析 |
| 5.2.1 总体的空间分布特性 |
| 5.2.2 季节的空间分布特性 |
| 5.2.3 年际的空间分布特性 |
| 5.3 植被覆盖变化趋势的驱动力分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
（9）地基SAR滑坡监测中的数据融合方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略词表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 地基SAR研究现状 |
| 1.2.2 数据融合研究现状 |
| 1.3 关键技术分析 |
| 1.4 课题来源 |
| 1.5 研究内容及结构安排 |
| 2 地基SAR形变测量中的PS点选取 |
| 2.1 地基SAR工作原理 |
| 2.1.1 观测模型 |
| 2.1.2 成像原理 |
| 2.2 地基SAR形变监测原理 |
| 2.2.1 基本流程 |
| 2.2.2 PS选择技术 |
| 2.3 基于双阈值的PS点选择 |
| 2.4 实验结果与分析 |
| 2.4.1 实验信息 |
| 2.4.2 实验结果 |
| 2.5 本章小结 |
| 3 地基SAR和 GNSS形变融合 |
| 3.1 形变数据简介 |
| 3.2 形变数据预处理 |
| 3.2.1 GNSS位置标定 |
| 3.2.2 GNSS形变插值 |
| 3.3 形变融合函数模型构建 |
| 3.3.1 直接分解法 |
| 3.3.2 牛顿法 |
| 3.4 实验结果及分析 |
| 3.4.1 仿真数据 |
| 3.4.2 实测数据 |
| 3.5 本章小结 |
| 4 地基SAR图像和光学图像融合 |
| 4.1 外部辅助数据 |
| 4.2 数据统一准则 |
| 4.2.1 地基SAR图像 |
| 4.2.2 DEM数据 |
| 4.3 图像融合流程 |
| 4.4 实验结果及分析 |
| 4.4.1 图像三维重构 |
| 4.4.2 图像融合 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读学位期间发表的论文与学术成果清单 |
| 致谢 |
（10）基于PS-InSAR技术的珠海市地表沉降监测及预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 珠海市地表沉降研究现状及存在的问题 |
| 1.2.2 地表沉降监测技术国内外研究现状 |
| 1.2.3 InSAR技术地面沉降监测国内外研究现状 |
| 1.2.4 地表沉降预测模型研究现状 |
| 1.3 研究内容和结构安排 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第2章 研究区概况及数据介绍 |
| 2.1 研究区概况 |
| 2.1.1 地理位置 |
| 2.1.2 地质构造及地层岩性 |
| 2.1.3 气象水文 |
| 2.1.4 人类活动 |
| 2.2 数据 |
| 2.2.1 Sentinel-1 数据 |
| 2.2.2 验证数据 |
| 2.3 本章小结 |
| 第3章 原理与方法 |
| 3.1 In SAR地表沉降监测原理 |
| 3.1.1 SAR成像原理及特性 |
| 3.1.2 InSAR技术测高基本原理 |
| 3.1.3 DInSAR技术基本原理 |
| 3.1.4 DInSAR技术误差源分析 |
| 3.1.5 时序InSAR技术基本原理 |
| 3.1.6 StaMPS-PS技术数据处理 |
| 3.2 BP神经网络沉降预测模型 |
| 3.2.1 神经元模型概述 |
| 3.2.2 神经网络结构 |
| 3.2.3 BP神经网络 |
| 3.2.4 BP神经网络存在的问题与优化方法 |
| 3.2.5 构建学习率可变的动量BP神经网络模型 |
| 3.3 精度评定方法 |
| 3.4 本章小结 |
| 第4章 珠海市地表沉降监测及预测 |
| 4.1 珠海市地表沉降时空演变特分析 |
| 4.1.1 线状地物沉降分析 |
| 4.1.2 面状地物沉降分析 |
| 4.1.3 精度评定 |
| 4.2 沉降诱因分析 |
| 4.2.1 土壤固结作用对地表沉降的影响 |
| 4.2.2 上部荷载对地表沉降的影响 |
| 4.2.3 地下水开采导致的地表沉降 |
| 4.3 基于BP神经网络的珠海市地表沉降预测 |
| 4.3.1 高栏港区域沉降预测 |
| 4.3.2 白蕉镇区域沉降预测 |
| 4.3.3 横琴镇区域沉降预测 |
| 4.3.4 不同预测时段长度对预测结果精度的影响 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间所发表的学术论文目录 |
| 附录B 攻读学位期间所参与的项目基金及项目 |
四、为什么合成孔径雷达(SAR)具有“透视”功能?（论文参考文献）
- [1]语言顺应论指导被动语态英汉翻译实践报告 ——以《雷达干涉测量数据反演与误差分析》（节选）为例[D]. 黄诗乔. 江西理工大学, 2021
- [2]融合星载SAR与深度学习的地表水体监测与应用研究[D]. 朱乐坤. 安徽大学, 2021
- [3]SAR图像多特征融合与分类算法研究[D]. 吴效莹. 天津理工大学, 2021(08)
- [4]基于生成对抗网络的地基SAR多源数据融合算法研究[D]. 刘航. 北方工业大学, 2021(01)
- [5]基于SBAS-InSAR技术的深圳西部地区地表形变研究[D]. 高文锦. 西安科技大学, 2021
- [6]基于SAR技术和Offset-Tracking技术的矿区形变监测研究[D]. 李帅. 太原理工大学, 2021(01)
- [7]无人机载干涉SAR系统性能分析及应用研究[D]. 傅志豪. 应急管理部国家自然灾害防治研究院, 2021
- [8]基于深度学习的多通道SAR影像分类及在上海南汇东滩潮间带环境监测中的应用[D]. 刘广阳. 上海海洋大学, 2021(01)
- [9]地基SAR滑坡监测中的数据融合方法研究[D]. 张月. 重庆三峡学院, 2021(01)
- [10]基于PS-InSAR技术的珠海市地表沉降监测及预测研究[D]. 李治斌. 兰州理工大学, 2021(01)