Heuristic Quality Coefficients for Interferometric Phase Linking

Resumen Técnico: Coeficientes de Calidad Heurísticos para el Enlazado de Fase Interferométrica

1. Planteamiento del Problema

El Radar de Apertura Sintética Interferométrico (InSAR) multitemporal es una herramienta crucial para medir movimientos de la superficie terrestre con precisión milimétrica. Sin embargo, en áreas donde no existen dispersores puntuales estables (como edificios o rocas), se deben utilizar Dispersores Distribuidos (DS), que representan la retrodispersión combinada de múltiples objetivos pequeños dentro de una celda de resolución.

El desafío principal en el procesamiento de DS es el Enlazado de Fase (Phase Linking - PL). Dado que las fases interferométricas de los pares de adquisiciones en los DS son a menudo inconsistentes debido a la decorrelación temporal, se requiere un método estadístico para estimar una única historia de fase de referencia coherente a partir de la matriz de coherencia de muestra.

El problema central identificado por los autores es la falta de indicadores de fiabilidad universales. Mientras que para los métodos de Máxima Verosimilitud (ML) existen estimaciones de incertidumbre basadas en la información de Fisher, no existe una cuantificación de incertidumbre análoga y generalizable para el amplio espectro de métodos de PL no-ML (como Triangulación de Fase o Descomposición Eigen). Los indicadores existentes suelen estar atados a algoritmos específicos, dependen del tamaño de la muestra y carecen de una escala normalizada, lo que dificulta la selección de píxeles fiables para el análisis de deformación.

2. Metodología y Marco Teórico

Los autores proponen un marco matemático unificado que trata el problema de PL como un problema de aproximación de rango uno (weighted rank-one approximation) sobre la matriz de fasores unitarios derivada de la matriz de coherencia de muestra ($T$).

• Unificación de Métodos: Demuestran que una amplia gama de métodos existentes (SBAS, Triangulación de Fase - PT, Descomposición Eigen - ED, CAESAR, EMI, LaMIE) pueden formularse bajo una misma estructura de optimización:
  $$\hat{\Theta}_R := \left\{ \angle \vartheta \mid \vartheta \in \arg\max_{v \in \mathcal{X}} \langle vv^H, W \circ \Phi \rangle_F \right\}$$
  Donde $\mathcal{X}$ es el conjunto factible (toro unitario o esfera unitaria), $W$ es una matriz de pesos (ML, ponderada por coherencia o igual) y $\Phi$ contiene las fases de la coherencia de muestra.

• Propuesta de Coeficientes de Calidad: Dentro de este marco, definen tres coeficientes escalares normalizados en el intervalo $[0, 1]$, donde 1 indica máxima fiabilidad y 0 corresponde al comportamiento esperado bajo ruido puro:

  1. Coeficiente de Bondad de Ajuste ($\gamma_{GOF}$):

     • Normaliza el valor objetivo alcanzado por el método de PL.
     • Compara el resultado entre un límite superior teórico (caso ideal sin errores de estimación) y un "suelo de ruido" modelado empíricamente (valor esperado bajo $\Sigma = I_N$).
     • Se calcula mediante una normalización en dos pasos que incluye una corrección por el nivel de ruido esperado basado en el tamaño de la pila ($N$) y el tamaño de la muestra ($W$).

  2. Coeficiente de Fase de Cierre ($\gamma_{CP}$):

     • Se basa en la consistencia interna de las fases en la matriz de coherencia de muestra.
     • Calcula la coherencia de las fases de cierre ($\phi_{ijk} = \phi_{ij} + \phi_{jk} + \phi_{ki}$) para todos los tripletes de adquisiciones.
     • Ventaja clave: Es un indicador a priori que se puede calcular directamente desde la matriz de coherencia sin necesidad de ejecutar el algoritmo de PL, permitiendo un pre-filtrado eficiente de píxeles.

  3. Coeficiente de Ambigüedad ($\gamma_{A}$):

     • Evalúa qué tan bien diferenciada está la solución principal de las alternativas competidoras en el espacio de soluciones.
     • Compara el valor objetivo de la solución principal ($\hat{\theta}^{(1)}$) con el mejor valor objetivo encontrado en el complemento ortogonal de la solución principal ($\hat{\theta}^{(2)}$).
     • Un valor bajo indica que existen múltiples soluciones que explican los datos casi por igual, lo que sugiere inestabilidad en la estimación.

3. Contribuciones Clave

1. Marco Unificado: Formalización de los métodos de PL más comunes bajo una sola formulación de optimización, clarificando las relaciones entre PT y ED y los esquemas de ponderación.
2. Nuevos Indicadores: Introducción de tres coeficientes normalizados que ofrecen una métrica de fiabilidad condicional al estimador elegido, aplicable tanto a métodos ML como no-ML.
3. Modelado del Ruido: Desarrollo de un modelo empírico (ajustado mediante simulaciones de Monte Carlo) para estimar el "suelo de ruido" ($F_{noise}$) necesario para la normalización del coeficiente de bondad de ajuste, permitiendo su uso en pilas de diferentes tamaños.
4. Validación Exhaustiva: Evaluación mediante simulaciones bajo modelos de decorrelación exponencial y estacional, así como experimentos con datos reales de TerraSAR-X.

4. Resultados

Los experimentos se realizaron con datos simulados y una pila de 44 imágenes TerraSAR-X sobre Visp, Suiza (entorno urbano y agrícola).

• Simulaciones:

  • El coeficiente de bondad de ajuste ($\gamma_{GOF}$) mostró la correlación más fuerte y consistente con el error absoluto normalizado de la fase ($nAE$) en todos los escenarios y métodos. Es el indicador más fiable para predecir la precisión.
  • El coeficiente de fase de cierre ($\gamma_{CP}$) actuó como un predictor estable y robusto, especialmente útil para el pre-filtrado. La versión ponderada por coherencia ($\gamma_{CPw}$) superó a la versión de peso igual en métodos no-ML.
  • El coeficiente de ambigüedad ($\gamma_{A}$) proporcionó información complementaria. En métodos de peso igual (EW) y ponderado por coherencia (CW), correlacionó bien con el error. En métodos ML, su comportamiento fue menos estable, pero siguió siendo útil para detectar casos donde la solución no es única.

• Datos Reales (Visp, Suiza):

  • Los coeficientes mostraron patrones espaciales coherentes: valores altos en estructuras urbanas estables y valores bajos en áreas fuertemente decorrelacionadas (ríos, vegetación densa).
  • Detección de Cambios: El coeficiente de ambigüedad ($\gamma_{A}$) destacó áreas donde las estimaciones de PL divergían entre diferentes métodos o donde había cambios en la cobertura del suelo (ej. construcción de aparcamientos). En zonas con cambios temporales en los mecanismos de dispersión, $\gamma_{A}$ fue bajo, indicando que la solución no estaba bien restringida por los datos, incluso si la bondad de ajuste era moderada.

5. Significado e Impacto

Este trabajo aborda una brecha crítica en el procesamiento de InSAR de dispersores distribuidos: la falta de métricas de calidad estandarizadas.

• Selección de Píxeles: Proporciona a los operadores herramientas prácticas para filtrar píxeles no fiables antes del análisis de deformación, reduciendo el ruido en los resultados finales.
• Diagnóstico de Fallos: Permite identificar no solo si una estimación es ruidosa (baja bondad de ajuste), sino también si es ambigua (múltiples soluciones posibles) o inconsistente internamente (fases de cierre no nulas).
• Eficiencia Computacional: La capacidad de calcular la fase de cierre a priori permite descartar píxeles problemáticos sin gastar recursos computacionales en la ejecución de algoritmos de PL complejos.
• Generalidad: Al ser un marco unificado, estos coeficientes son aplicables a la mayoría de los algoritmos de PL modernos, facilitando la comparación y la integración en cadenas de procesamiento existentes.

En conclusión, los autores demuestran que la combinación de estos tres coeficientes heurísticos ofrece una estrategia robusta para evaluar la fiabilidad de las estimaciones de fase, mejorando la calidad y la interpretación de los resultados de deformación superficial derivados de datos de radar de dispersores distribuidos.