فیلتر سری‌های زمانی تداخل‌سنجی راداری با استفاده از آنالیز ماتریس نویز کمترین مربعات تک‌متغیره

زندگی بشر همواره متاثر از حوادث طبیعی مختلف مانند زلزله، فوران آتشفشان، فرونشست و غیره می‌باشد. یکی از ابزارهای مناسب جهت بررسی و تحلیل این حوادث، تداخل‌سنجی راداری با روزنه مصنوعی است. این تکنیک به عنوان یک روش ژئودتیک، با استفاده از اختلاف فاز میان تصاویر راداری، قادر به شناسایی جابه‌جایی پوسته‌ زمین و آنالیز تغییر شکل می‌باشد. از مهم‌ترین مزایای آن می‌توان به سرعت بالای دسترسی به اطلاعات و قدرت تفکیک زمانی و مکانی بالا اشاره نمود. همانند سایر روش‌های ژئودتیک، دقت بالا در این تکنیک به مدل‌سازی آشفتگی‌ها و نویزهای موجود در مشاهدات وابسته است. علیرغم پیشرفت‌ در دهه‌های اخیر، این آشفتگی‌ها کمتر مورد توجه قرار گرفته‌اند. منطقه مطالعاتی در این پژوهش، شمال غرب جزیره هاوایی می‌باشد. در این مطالعه فیلتر و کاهش آشفتگی‌های موجود در سری‌های زمانی بر مبنای مناسب‌ترین مدل تابعی و مدل آماری انجام می‌شود. مدل تابعی و مدل آماری مناسب با استفاده از آزمون بیشینه درست‌نمایی (mle) تشخیص داده می‌شود. مدل‌های تابعی بررسی‌شده در این مطالعه شامل ترند، مولفه‌های متناوب و پرش‌های موجود در سری‌های زمانی می‌باشند. مدل‌های آماری نیز شامل نویز سفید، فلیکر و رندوم‌واک هستند که مولفه‌های آنها با استفاده از روش آنالیز نویز کمترین مربعات تک‌متغیره تشخیص داده می‌شوند. سری‌های زمانی با استفاده از مناسب‌ترین مدل تابعی و آماری بازتولید می‌شوند. در این مطالعه مناسب‌ترین مدل برای تمامی پیکسل‌ها، ترند خطی با حضور مولفه‌های متناوب، پرش‌ها و نویز سفید می‌باشد. پس از فیلتر سری‌های زمانی بر اساس مدل‌های تابعی و آماری مناسب، نتایج این روش و فیلترهای بالاگذر و پایین‌گذر با یکدیگر مقایسه می‌شوند. پس از اعمال روش آنالیز نویز کمترین مربعات تک‌متغیره، به طور میانگین صحت نتایج به میزان 43% بهبود یافت درحالی که بهبود حاصل از اعمال فیلترهای بالاگذر و پایین‌گذر به طور میانگین 28% می‌باشد.

filtering radar interferometry time series with univariate least squares noise matrix analysis

human life is always affected by various natural events such as earthquakes, volcanoes, subsidence, etc. one of the suitable tools for investigating and analyzing these hazards is synthetic aperture radar interferometry. this geodetic technique has the capability of resolving the displacement of the earth’s crust and analyzing the deformation through phase differences of radar images. the main advantage of the insar is the high temporal and spatial resolution. analogous to other geodetic methods, the accuracy of the result depends on the modeling of observational disturbances and noises. despite progress in recent decades, these disorders have received little attention. the case study is northwest of hawaii island. in this study, filtering and reducing the turbulence in time series is based on the most appropriate functional model and stochastic model. this process is done using the mle test. in this study, functional models include trend, cyclic, and offset. statistical models also include white noise, flicker, and random walk, whose components are identified through univariate least squares noise analysis. time series are reproduced through the best functional and statistical models. the results indicate that the best model is the linear trend with the presence of cyclic and offset, and white noise for all pixels. by implementing the univariate least squares noise analysis method, the accuracy of the results improved on average by 43%. in addition, applying both high-pass and low-pass filters resulted in an average improvement of 28%.