基于动态继承增强技术的TomoSAR成像结合双任务深度学习，应用于城市环境

《Remote Sensing of Environment》：Dynamic inheritance-enhanced TomoSAR imaging with dual-task deep learning for urban applications

基于动态继承增强的TomoSAR双任务深度学习方法在深圳市南山区进行了长期变形监测，通过历史散射体参数动态继承和自适应权重的混合损失函数优化，构建了多类型散射体动态样本集，并创新性地将分类与高程反演任务整合至DT-TomoSARNet网络中。实验表明该方法在2015-2024年间实现了97.3%的加权F1分数，平均绝对误差1.438米，计算效率提升至传统BF方法的六分之一，有效解决了城市密集区叠掩效应和计算效率问题。

　　

段浩轩|张宏|马佩峰|唐一贤|郭子焕|范玉坤|王超

中国科学院航空航天信息研究所数字地球科学重点实验室，北京100094，中国

摘要

对城市基础设施变形的长期监测对城市安全至关重要。层析合成孔径雷达（TomoSAR）通过基于高度的成像技术实现了精确的散射体分离，成为城市监测的关键工具。然而，由于重复计算和复杂的反演算法，传统的TomoSAR方法在新时间段内效率低下，无法满足快速监测的需求。本研究提出了一种基于双重任务深度学习模型的动态继承增强型TomoSAR成像方法。首先，通过高效筛选和继承历史散射体类别及高度参数，为新时间段构建动态散射体样本集。接着，开发了DT-TomoSARNet网络，通过双重任务协作机制同时进行散射体分类和高度回归，并通过混合损失函数优化任务权重。最后，历史约束BF算法利用历史数据约束快速更新大规模线性变形速度和热振幅。使用2015–2024年深圳市COSMO-SkyMed长时间序列数据进行的实验表明，所提出的方法有效继承了历史参数，在散射体分类和高度回归任务中分别实现了最高的加权F1分数0.97和最小的平均绝对误差1.438米。此外，全局处理时间仅为传统BF方法的六分之一，同时保持了物理参数估计的高精度。该方法显著提升了TomoSAR在长期动态城市变形监测中的适用性。

引言

全球快速城市化导致了城市集群和高密度建成区的出现。这些区域的基础设施（如建筑物和大型桥梁）在多种环境载荷的共同作用下面临严重的变形挑战（Du等人，2024年；Ma等人，2021年；Wu等人，2020b年）。这些设施长期承受自身重量，并受到动态城市因素的影响，变形模式随时间演变（Macchiarulo等人，2021年；Shuyan等人，2018年）。因此，连续跟踪和定期更新城市3D变形数据对于基础设施的全面生命周期健康监测至关重要（Ma等人，2019年）。

在这种情况下，机载层析合成孔径雷达（TomoSAR）技术通过结合高度维度成像，显著增强了复杂城市环境中的变形监测能力（Duan等人，2023年）。与传统的干涉合成孔径雷达（InSAR）方法（Berardino等人，2003年；Ferretti等人，2002b年；Goel和Adam，2013年）不同，TomoSAR能够有效分离雷达视线方向上的多种散射机制，区分建筑立面、屋顶和地面表面，实现精确的3D变形重建。其多基线观测方法进一步提高了变形参数估计的稳健性（Ma等人，2015年；Wang等人，2016年），使得TomoSAR在城市基础设施监测中变得越来越重要。

当前的TomoSAR技术，包括传统方法和深度学习方法，主要关注单个监测时期的数据处理。然而，要对城市基础设施进行有效的全生命周期监测，需要每周或每月更新变形数据以准确捕捉动态变化。现有方法通常在整合新的SAR数据时需要重新处理整个数据集，导致计算复杂度较高（Chen等人，2025年）。为了解决这个问题，最近出现了高效的时间序列InSAR处理技术，如顺序DSI（Ansari等人，2017年；Ao等人，2024年；Wang等人，2023a年）、渐进式SBAS（Wang等人，2019年；Xu等人，2022年；Yan等人，2023年）和顺序PS-InSAR（Li等人，2018年）。这些方法在处理速度上有所提高，但精度略有下降。尽管如此，它们的应用主要限于区域地表沉降，对密集建成城市环境的探索仍然有限。此外，这些方法未能充分解决城市环境中SAR侧视成像引起的“重叠”现象，即单个距离-方位像素内可能存在多个散射体。这一限制经常导致变形参数估计错误或遗漏重叠散射体，阻碍了对城市结构的精确监测（Gini等人，2003年；Lombardini和Viviani，2014年）。

传统的TomoSAR算法主要包括光谱估计方法和压缩感知（CS）技术（Zhu和Bamler，2011年）。常用的光谱估计方法包括波束成形（BF）（Reigber和Moreira，2000年）、奇异值分解（SVD）（Klema和Laub，1980年）和Capon（Schmidt，1986年）。BF方法通过转置操作重建空间光谱，具有较高的计算效率，非常适合大规模城市监测（Chen等人，2019年；Duan等人，2024年）。

近年来，深度学习方法也被引入到TomoSAR领域，有望解决传统TomoSAR方法的高计算复杂性问题。Budillon等人（2019年）尝试将散射体高度反演视为多分类问题，使用卷积神经网络（CNN）进行估计。然而，这种方法仅适用于非重叠散射体，缺乏层析成像能力（Budillon等人，2019年）。Wu等人（2020a年）结合CS进行初步重建，并通过在子区域训练深度学习回归模型来识别重叠散射体；然而，这种分阶段计算策略仍然导致整体计算复杂度较高（Wu等人，2020a年）。随后，出现了一系列基于时间序列深度学习模型的CS方法，如γ-Net（Qian等人，2022年）、ISTA-Net（Zhang等人，2022年）和ATASI-Net（Wang等人，2023b年）。这些方法借鉴了循环神经网络（RNNs）的展开结构，在收敛速度和计算精度上取得了进展。然而，这些网络通常输出重建的稀疏信号，仍需要后续分析模块来确定散射体数量。这增加了算法复杂性，并引入了误差传播的风险。尽管Duan等人（2025年）最近通过独立构建散射体分类和高度回归的两个模型实现了基于深度学习的端到端TomoSAR反演，但这种分离的操作模式限制了不同任务之间的协同优化（Duan等人，2025年）。

为了解决城市TomoSAR应用中高效更新和监测的需求，本研究提出了一种基于双重任务深度学习的新颖增量TomoSAR处理框架。该方法为提高城市环境中动态3D变形参数更新的效率和准确性提供了开创性的解决方案。使用中国深圳市南山区的COSMO-SkyMed SAR数据（2014年2月21日至2024年12月16日）进行的验证实验，证实了该框架在长期动态城市监测中的有效性。与传统方法和其他深度学习模型的对比评估进一步证明了该框架在计算效率和可靠性方面的优势。主要创新贡献包括：

1.

提出了一种动态散射体样本构建方法。基于历史TomoSAR观测数据，建立了有效的继承标准，用于跨时间间隔的散射体类型和高度参数的分离，将PS分类和高度估计的计算复杂度从O(n)降低到O(1)。这使得能够快速构建包含多种散射体类型及其高度信息的新样本集。

2.

开发了一种新的TomoSAR深度学习网络DT-TomoSARNet，通过多任务学习同时进行散射体分类和高度回归。其混合损失函数可以自适应调整任务权重，优化训练并提升网络协同性和计算效率。

3.

使用历史约束BF（HC-BF）方法迭代更新新时间段的参数。该方法基于动态散射体样本集和高度回归结果，并将上一时期的变形参数作为先验知识。通过自适应调整机制，显著减少了参数搜索空间，从而降低了参数更新的计算复杂度。

节选内容

TomoSAR基础

TomoSAR利用由$N$个具有不同基线的独立传感器组成的阵列，接收来自多个散射体的信号。每个方位-距离分辨率单元接收到的信号可以表示为沿高度$s$、线性变形$v$和热振幅$k$的后向散射强度贡献的叠加（Reale等人，2011年）。在完成必要的相位校准（包括通过构建相邻PS网络去除大气相位（APS）后）

方法

所提出的TomoSAR框架的工作流程如图2所示，主要包含三个部分：基于动态参数继承的样本数据构建、使用DT-TomoSARNet进行散射体分类和高度反演，以及基于HC-BF方法的反演变形参数和热振幅。

研究区域和实验数据

以中国深圳市南山区的约20平方公里区域作为研究区域，该区域的空间范围和光学图像分别如图5(a)和6(b)所示。该区域属于深圳市的核心城区，是快速城市化地区的典型代表，以密集的高层建筑和明显的重叠效应为特征。在过去十年中，该地区经历了活跃的地下空间开发

实验结果与分析

本节分析了所提出的TomoSAR方法在研究区域的实验结果，并对其进行了验证。第5.1节详细阐述了从$T_0$到$T_1$时期的PS继承过程，证明了参数继承的准确性。第5.2节详细介绍了DT-TomoSARNet如何同时完成散射体类型分类和高度回归，并与各种端到端深度学习网络进行了比较分析，证明了所提出方法的优越性

讨论

本研究通过三项关键创新引入了一种新的TomoSAR框架，用于高效、长期的城市变形监测。首先，参数继承机制利用散射体属性的时空连续性智能选择历史散射体，创建了高质量的初始样本集。其次，DT-TomoSARNet这种新的深度学习架构采用双重任务协作学习来优化散射体分类和高度回归

结论

本研究解决了TomoSAR技术在长期周期性城市变形监测中面临的挑战，包括效率低下、计算复杂性和深度学习方法缺乏耦合等问题。它创新性地提出了一种基于双重任务深度学习的动态继承增强型TomoSAR方法。该方法通过快速构建基于参数的多类动态样本集，实现了散射体参数的有效继承和快速更新

CRediT作者贡献声明

段浩轩：撰写 – 审稿与编辑，撰写 – 原稿，验证，软件，方法论，调查，形式分析，数据管理，概念化。张宏：撰写 – 审稿与编辑，撰写 – 原稿，可视化，监督，资源管理，项目管理，资金获取，概念化。马佩峰：验证，资源管理，形式分析，数据管理。唐一贤：监督，软件，调查。郭子焕：方法论，调查。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文的研究工作。

致谢

本研究得到了国家重点研发计划（项目编号：2021YFB2300502）和海南省科技专项资金（项目编号：ATIC-IT-202401）的支持。作者感谢深圳市城市安全发展科学技术研究院提供的高层建筑高度的LiDAR数据集。