پیوندهای مفید
آمار
| تعداد نشریات | 15 |
| تعداد شماره‌ها | 246 |
| تعداد مقالات | 2,509 |
| تعداد مشاهده مقاله | 4,499,656 |
| تعداد دریافت فایل اصل مقاله | 3,316,604 |
ارزیابی جابه‌جایی در یک سنجنده رادار روزنه مصنوعی زمینی باند W با استفاده از روش رفع ابهام فاز زمانی- مکانی | ||
| پژوهش های سنجش از دور و اطلاعات مکانی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 05 آبان 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22061/jrsgr.2026.113557.1141 | ||
| نویسندگان | ||
| مینا محمدی؛ جلال امینی* | ||
| دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی ، پردیس دانشکده‌های فنی،دانشگاه تهران، تهران ، ایران | ||
| تاریخ دریافت: 11 اردیبهشت 1405، تاریخ بازنگری: 11 شهریور 1405، تاریخ پذیرش: 05 آبان 1405 | ||
| چکیده | ||
| پیشینه و اهداف: پایش جابه‌جایی سطح زمین و سازه‌ها از موضوعات مهم در مطالعات تغییرشکل است. سنجنده رادار با روزنه مصنوعی زمینی به دلیل قابلیت تصویربرداری مستقل از شرایط نوری و اندازه‌گیری جابه‌جایی‌های زیرمیلی‌متری در راستای خط دید، ظرفیت مناسبی برای پایش تغییرشکل‌ها دارد. یکی از مراحل اساسی در استخراج جابه‌جایی از داده‌های راداری، رفع ابهام فاز است؛ زیرا محدود بودن فاز اندازه‌گیری‌شده به یک بازه مشخص، موجب ابهام در تعیین تعداد چرخه‌های کامل فاز می‌شود. از طرف دیگر عملکرد روش‌های متداول رفع ابهام فاز ممکن است در حضور جابه‌جایی‌های قابل‌توجه، تغییرات ناگهانی و خطاهای اندازه‌گیری با کاهش دقت همراه شود. ازاین‌رو، هدف پژوهش حاضر بررسی عملکرد یک رویکرد ترکیبی مبتنی بر اطلاعات زمانی و مکانی برای بهبود رفع ابهام فاز و افزایش دقت برآورد جابه‌جایی است. بدین منظور، دو مدل جابه‌جایی خطی و پله‌ای مورد بررسی قرار گرفتند. روش‌ها: در این پژوهش، داده‌های سری زمانی مربوط به دو مدل جابه‌جایی خطی و پله‌ای با استفاده از سنجنده GBSAR اخذ و تصاویر راداری برای استخراج اطلاعات دامنه و فاز پردازش شدند. سپس نقاط پراکنش گر دائمی بر اساس رفتار دامنه در طول سری زمانی انتخاب شدند که تعداد آن‌ها در مدل خطی ۴۲ و در مدل پله‌ای ۱۸ نقطه بود. پس از انتخاب نقاط، فاز هر نقطه در طول زمان استخراج و رفع ابهام فاز زمانی با استفاده از الگوریتم ایتوه انجام شد. در مرحله بعد، نقاط منتخب با استفاده از شبکه مثلث‌بندی دلونی به یکدیگر متصل شده و با محاسبه اختلاف فاز میان نقاط مجاور، دستگاه معادلات بر اساس روابط مکانی تشکیل شد. سپس با استفاده از روش کمترین مربعات، فاز رفع ابهام‌شده نقاط برآورد و به جابه‌جایی در راستای خط دید تبدیل شد. در نهایت، برای ارزیابی عملکرد دو روش، جابه‌جایی برآورد شده با مقدار مرجع مقایسه و معیار RMSE محاسبه شد. همچنین زمان پردازش روش‌های زمانی و ترکیبی زمانی–مکانی اندازه‌گیری شد. یافته‌ها: نتایج نشان داد که روش ترکیبی زمانی–مکانی نسبت به رفع ابهام فاز زمانی، دقت برآورد جابه‌جایی را افزایش می‌دهد. در مدل خطی، جابه‌جایی نهایی روش ترکیبی ۵۶۳/۳۱ میلی‌متر بود و RMSE از ۳۳۱۷/۰ به ۰۴۰۶/۰میلی‌متر کاهش یافت که بیانگر بهبود ۸/۸۷درصدی است. در مدل پله‌ای نیز جابه‌جایی نهایی ۷۴۸/۳میلی‌متر بود و RMSE از ۱۴۳۲/۰ به ۱۲۰۳/۰ میلی‌متر کاهش یافت. بررسی سری‌های زمانی جابه‌جایی نیز نشان داد که روش ترکیبی توانسته است روند کلی جابه‌جایی و تغییرات ناگهانی آن را با انطباق مناسبی نسبت به مقادیر مرجع بازسازی کند. همچنین زمان پردازش روش‌های زمانی و ترکیبی زمانی–مکانی در مدل خطی به ترتیب ۰۰۰۵/۰ و ۰۱۳۲/۰ ثانیه و در مدل پله‌ای به ترتیب ۰۰۰۴/۰ و ۰۰۵۱/۰ ثانیه به دست آمد. نتیجه‌گیری: یافته‌های این پژوهش نشان داد که ترکیب رفع ابهام فاز زمانی و مکانی با بهره‌گیری از نقاط پراکنش گر دائمی، موجب افزایش دقت برآورد جابه‌جایی و کاهش خطاهای باقی‌مانده از مرحله رفع ابهام زمانی می‌شود. این بهبود در هر دو مدل جابه‌جایی مشاهده شد؛ به‌طوری‌که بیشترین کاهش خطا مربوط به مدل خطی بود و در مدل پله‌ای نیز روش ترکیبی، باوجود تغییر ناگهانی جابه‌جایی، عملکرد دقیق‌تری نسبت به روش زمانی داشت. پیشنهاد می‌شود در مطالعات آینده، عملکرد روش در مدل‌های جابه‌جایی پیچیده‌تر و تأثیر تعداد و توزیع نقاط پراکنش گر دائمی بر دقت برآورد جابه‌جایی بررسی شود. | ||
| کلیدواژه‌ها | ||
| پایش جابه‌جایی؛ سنجنده رادار با روزنه مصنوعی زمینی؛ رفع ابهام فاز | ||
| عنوان مقاله [English] | ||
| Displacement Evaluation in a W-band Ground-Based Synthetic Aperture Radar Sensor Using a Temporal–Spatial Phase Unwrapping Method | ||
| نویسندگان [English] | ||
| M. Mohammadi؛ J. Amini | ||
| School of Surveying and Geospatial Engineering, College of Engineering, University of Tehran, Tehran ,Iran | ||
| چکیده [English] | ||
| Background and Objectives: Monitoring the displacement of the ground surface and structures is an important topic in deformation studies. Ground-Based Synthetic Aperture Radar (GBSAR) offers considerable potential for deformation monitoring due to its ability to acquire images independently of lighting conditions and measure submillimeter displacements along the line of sight (LOS). One of the essential steps in extracting displacement information from radar data is phase unwrapping, because the restriction of the measured phase to a specific interval introduces ambiguity in determining the number of complete phase cycles. On the other hand, the performance of conventional phase unwrapping methods may be associated with reduced accuracy in the presence of significant displacements, abrupt changes, and measurement errors. Therefore, the aim of the present study is to investigate the performance of a combined approach based on temporal and spatial information to improve phase unwrapping and increase displacement estimation accuracy. For this purpose, two displacement models, linear and step-like, were investigated. Methods: In this study, time-series data corresponding to two displacement models, linear and step-like, were acquired using a GBSAR sensor, and the radar images were processed to extract amplitude and phase information. Permanent scatterers (PSs) were then selected based on their amplitude behavior throughout the time series, with 42 points selected for the linear model and 18 points for the step-like model. Following the selection of the points, the phase of each point was extracted over time, and temporal phase unwrapping was performed using Itoh's algorithm. In the next step, the selected points were connected using a Delaunay triangulation network, and a system of equations was established based on spatial relationships by calculating the phase differences between neighboring points. Subsequently, the unwrapped phase values at the points were estimated using the least-squares method and converted into displacements along the line of sight (LOS). Finally, to evaluate the performance of the two methods, the estimated displacements were compared with the reference values, and the root mean square error (RMSE) was calculated. The processing times of the temporal and combined temporal–spatial methods were also measured. Findings: The results showed that the combined temporal–spatial method improved displacement estimation accuracy compared with temporal phase unwrapping alone. In the linear model, the final displacement estimated by the combined method was 31.563 mm, and the RMSE decreased from 0.3317 to 0.0406 mm, representing an improvement of 87.8%. In the step-like model, the final displacement was 3.748 mm, and the RMSE decreased from 0.1432 to 0.1203 mm. Analysis of the displacement time series also showed that the combined method was able to reconstruct the overall displacement trend and its abrupt changes with good agreement with the reference values. Furthermore, the processing times of the temporal and combined temporal–spatial methods were 0.0005 and 0.0132 s, respectively, for the linear model, and 0.0004 and 0.0051 s, respectively, for the step-like model. Conclusion: The findings of this study showed that combining temporal and spatial phase unwrapping using permanent scatterers (PSs) improves displacement estimation accuracy and reduces residual errors remaining after temporal phase unwrapping. This improvement was observed in both displacement models, with the greatest error reduction occurring in the linear model. In the step-like model, the combined method also demonstrated more accurate performance than the temporal method despite abrupt displacement changes. It is recommended that future studies investigate the performance of the method under more complex displacement models and examine the effects of the number and distribution of permanent scatterers on displacement estimation accuracy. | ||
| کلیدواژه‌ها [English] | ||
| Displacement Monitoring, Ground-based Synthetic Aperture Radar, Phase Unwrapping | ||
| مراجع | ||
|
[1] Monserrat, O., et al., A review of ground-based SAR interferometry for deformation measurement. 2014. 93: p. 40-48. https://doi.org/10.1016/j.isprsjprs.2014.04.001 [2] Ghiglia, D.C.J.A. and Software, Two-dimentional phase unwrapping: Theory. 1998. https://doi.org/10.3390/rs3020305 https://doi.org/10.1364/AO.32.003047 [5] Itoh, K.J.A.o., Analysis of the phase unwrapping algorithm. 1982. 21(14): p. 2470-2470. https://doi.org/10.1364/AO.21.002470 https://doi.org/10.1109/TASSP.1977.1162923 [7] Helmy, I., et al., Dextractor: deformation extractor framework for monitoring-based ground radar. 2024. 16(16): p. 2926. https://doi.org/10.3390/rs16162926 https://doi.org/10.1029/RS023i004p00713 https://doi.org/10.1364/JOSAA.14.002692 [10] Costantini, M.J.I.T.o.g. and r. sensing, A novel phase unwrapping method based on network programming. 1998. 36(3): p. 813-821. https://doi.org/10.1109/36.673674 https://doi.org/10.1109/IGARSS.2002.1026239 https://doi.org/10.1364/JOSAA.24.002737 https://doi.org/10.1364/AO.40.003901 [14] Rebmeister, M., et al., Comparison and Evaluation of Different Approaches for Efficient Processing of Long Ground-Based SAR Times Series. 2022. 43: p. 341-348. https://doi.org/10.5194/isprs-archives-XLIII-B3-2022-341-2022 [15] Luo, Y., et al., Arc FMCW SAR and applications in ground monitoring. 2014. 52(9): p. 5989-5998. https://doi.org/10.1109/TGRS.2014.2325905 https://doi.org/10.1088/1757-899X/490/7/072016 [17] Zengshu, H., et al. Ground-based SAR multistage mountain slope interferometric phase unwrapping. in 2015 IEEE 5th Asia-Pacific Conference on Synthetic Aperture Radar (APSAR). 2015. IEEE. https://doi.org/10.1109/APSAR.2015.7306148 https://doi.org/10.1007/s10346-023-02057-z https://doi.org/10.3390/s20020396 https://doi.org/10.5194/isprs-annals-X-4-W8-2025-525-2026 [21] Wang, Z., et al., A new processing chain for real-time ground-based SAR (RT-GBSAR) deformation monitoring. 2019. 11(20): p. 2437. https://doi.org/10.3390/rs11202437 https://doi.org/10.3389/feart.2022.973320 | ||
|
آمار تعداد مشاهده مقاله: 52 |
||