Heuristic Quality Coefficients for Interferometric Phase Linking

Titolo

Coefficienti di Qualità Euristici per il Phase Linking Interferometrico

1. Il Problema

Nell'InSAR multitemporale (Interferometric Synthetic Aperture Radar), l'analisi dei dispersori distribuiti (DS) è fondamentale per ottenere misurazioni di deformazione superficiale in aree dove i punti stabili (Persistent Scatterers - PS) sono scarsi, come nelle zone vegetate.
Il processo chiave è il Phase Linking (PL), che stima una storia di fase interferometrica a riferimento singolo partendo dalla matrice di coerenza campionata. Tuttavia, le informazioni di fase in questa matrice sono spesso inconsistenti a causa della decorrelazione temporale.
Attualmente, manca un indicatore di affidabilità universale e generalizzabile per i metodi di PL che non si basano sulla Massima Verosimiglianza (ML). Sebbene per i metodi ML esistano stime di incertezza basate sull'informazione di Fisher, i metodi non-ML (ampiamente utilizzati) non dispongono di una quantificazione dell'incertezza analoga e applicabile in generale. È necessario un indicatore scalare per decidere se la stima di un pixel è sufficientemente supportata dai dati prima di procedere all'analisi della deformazione.

2. Metodologia e Quadro Teorico

Gli autori propongono un quadro matematico unificato che tratta il Phase Linking come un problema di approssimazione di rango uno (weighted rank-one approximation) su una matrice di fasori unitari derivata dalla matrice di coerenza campionata.

In questo quadro, la maggior parte dei metodi PL esistenti (come Phase Triangulation - PT, Eigendecomposition - ED, SBAS, CAESAR, EMI) può essere formulata come un problema di ottimizzazione comune:
$$\hat{\Theta}_R := \left\{ \angle \vartheta \mid \vartheta \in \arg\max_{v \in X} \langle vv^H, W \circ \Phi \rangle_F \right\}$$
dove $W$ è una matrice di pesi (es. ML, Coherence-Weighted, Equal-Weighted) e $X$ è l'insieme ammissibile (toro unitario o vettori a norma unitaria).

Sulla base di questa formulazione, gli autori introducono tre coefficienti di qualità normalizzati nell'intervallo $[0, 1]$, dove 1 indica massima affidabilità e 0 corrisponde al comportamento atteso sotto rumore puro.

I Tre Coefficienti Proposti:

1. Coefficiente di Bontà di Adattamento (Goodness-of-Fit, $\gamma_{GOF}$):

   • Normalizza il valore obiettivo raggiunto dal metodo di PL rispetto a un limite superiore teorico (caso ideale senza errori di stima) e un limite inferiore basato su un "pavimento di rumore" (noise floor) modellato empiricamente.
   • Tiene conto del numero di acquisizioni ($N$) e della dimensione del campione ($W$), rendendo il coefficiente comparabile tra stack di dimensioni diverse.
   • È specifico per il metodo utilizzato (PT o ED) e la scelta dei pesi.

2. Coefficiente di Fase di Chiusura (Closure Phase, $\gamma_{CP}$):

   • Calcolato direttamente dalla matrice di coerenza campionata prima di eseguire il Phase Linking (indicatore a priori).
   • Quantifica la coerenza interna delle fasi: se la matrice di coerenza è perfetta, le fasi di chiusura sono nulle.
   • Esiste una versione a pesi uguali ($\gamma_{CP}$) e una pesata per la coerenza ($\gamma_{CPw}$), quest'ultima più robusta per metodi che utilizzano pesi basati sulla coerenza.

3. Coefficiente di Ambiguità (Ambiguity, $\gamma_{A}$):

   • Valuta quanto la soluzione primaria ottenuta sia distinta dalle alternative nello spazio delle soluzioni.
   • Confronta il valore obiettivo della soluzione principale con il miglior valore obiettivo ottenuto in un sottospazio ortogonale alla soluzione principale.
   • Un valore basso indica che esistono soluzioni alternative quasi equivalenti, suggerendo ambiguità nella stima (es. in presenza di cambiamenti di scattering o decorrelazione complessa).

3. Risultati Sperimentali

Gli autori hanno valutato i coefficienti attraverso:

• Simulazioni: Utilizzando modelli di decorrelazione esponenziale e stagionale su dati sintetici.
• Dati Reali: Una pila di immagini TerraSAR-X su Visp, Svizzera (44 acquisizioni, 2017-2022), coprente aree urbane, agricole e forestali.

Risultati Chiave:

• Bontà di Adattamento ($\gamma_{GOF}$): Mostra la correlazione più forte e coerente con l'errore assoluto normalizzato della fase ($nAE$) in tutte le configurazioni (EW, CW, ML) e scenari. È l'indicatore più affidabile per valutare la precisione della stima.
• Fase di Chiusura ($\gamma_{CP}$): Fornisce un indicatore robusto e veloce per il pre-screening. La versione pesata ($\gamma_{CPw}$) si comporta meglio della versione a pesi uguali in scenari realistici.
• Ambiguità ($\gamma_{A}$): Fornisce informazioni complementari. Nelle simulazioni, correla bene con l'errore per metodi EW e CW. Nei dati reali, ha evidenziato aree dove le stime divergono tra diversi metodi (es. campi agricoli con cambiamenti stagionali o costruzioni recenti) o dove la soluzione è instabile, anche quando il $\gamma_{GOF}$ è alto.
• Validazione Spaziale: I coefficienti mappati su Visp mostrano pattern spaziali plausibili: valori alti su strutture stabili (edifici, strade) e valori bassi su aree fortemente decorrelate (fiumi, vegetazione densa).

4. Contributi Principali

1. Unificazione Teorica: Estensione del quadro di Cao et al. per mostrare che una vasta gamma di metodi PL può essere scritta in una forma di ottimizzazione comune, chiarendo le relazioni tra PT, ED e i vari schemi di pesatura.
2. Nuovi Indicatori di Qualità: Introduzione di tre coefficienti normalizzati che coprono aspetti diversi dell'affidabilità (adattamento del modello, coerenza interna, unicità della soluzione).
3. Modellazione del Rumore: Sviluppo di un modello empirico per il "pavimento di rumore" ($F_{noise}$) basato su simulazioni Monte Carlo, che permette di normalizzare i coefficienti indipendentemente dalla dimensione dello stack.
4. Soluzione Computazionale: Proposta di un approccio robusto basato sul gradiente coniugato non lineare (PRCG) per calcolare la soluzione secondaria necessaria per il coefficiente di ambiguità nei metodi PT, risolvendo problemi di ottimizzazione vincolata.

5. Significato e Implicazioni

Questo lavoro fornisce strumenti pratici essenziali per la catena di elaborazione InSAR basata su DS:

• Selezione dei Pixel: Permette di filtrare i pixel in modo più intelligente, selezionando solo quelli con stime affidabili per l'analisi della deformazione.
• Diagnosi dei Fallimenti: I tre coefficienti catturano diverse modalità di fallimento: mancanza di adattamento al modello, incoerenza interna delle fasi e ambiguità della soluzione.
• Indipendenza dal Metodo: Sebbene calcolati su un framework unificato, sono applicabili a una vasta gamma di algoritmi esistenti, offrendo una metrica standardizzata per confrontare la qualità dei dati.
• Efficienza: Il coefficiente di fase di chiusura permette di scartare pixel non affidabili prima di eseguire algoritmi di PL computazionalmente costosi.

In sintesi, gli autori colmano un vuoto critico nella letteratura InSAR fornendo indicatori di qualità euristici, normalizzati e generalizzabili che migliorano la robustezza e l'interpretabilità delle analisi di deformazione basate su dispersori distribuiti.