Heuristic Quality Coefficients for Interferometric Phase Linking

Título: Coeficientes de Qualidade Heurísticos para Ligação de Fase Interferométrica

Autores: Magnus Heimpel, Irena Hajnsek e Othmar Frey.
Data: Abril de 2026 (versão pré-publicação/arXiv).

1. Problema e Contexto

O InSAR (Interferometria de Radar de Abertura Sintética) multitemporal permite a medição de movimentos da superfície com precisão milimétrica. Enquanto os Espalhadores Persistentes (PS) são estáveis e fáceis de processar, as regiões cobertas por vegetação ou com baixa estabilidade de fase dependem de Espalhadores Distribuídos (DS).

Para processar DS, utiliza-se a Ligação de Fase (Phase Linking - PL), que estima uma história de fase interferométrica de referência única a partir de uma matriz de coerência amostral. O principal desafio é que a informação de fase nesta matriz é frequentemente inconsistente devido à decorrelação temporal.

• O Lacuna: Para estimadores de Máxima Verossimilhança (ML), a incerteza pode ser quantificada via informação de Fisher. No entanto, para a vasta gama de métodos não-ML (como Triangulação de Fase e Decomposição Espectral), não existe uma quantificação de incerteza geral e aplicável.
• Necessidade: São necessários indicadores de confiabilidade (coeficientes de qualidade) escalares e normalizados para decidir se a estimativa de um pixel é suficientemente robusta para análise de deformação subsequente.

2. Metodologia e Framework Teórico

Os autores propõem um framework matemático unificado que trata a Ligação de Fase como um problema de aproximação de posto único (rank-one) ponderada na matriz de fasores unitários derivados da matriz de coerência amostral ($T$).

2.1. Classificação Unificada

O trabalho generaliza métodos existentes (SBAS, Triangulação de Fase, CAESAR, EMI, LaMIE) sob uma forma de otimização comum:
$$\hat{\Theta}_R := \left\{ \angle \vartheta \mid \vartheta \in \arg\max_{v \in \mathcal{X}} \langle v v^H, W \circ \Phi \rangle_F \right\}$$
Onde:

• $\Phi$ é a matriz de fasores unitários ($e^{i\phi_{ij}}$).
• $W$ é uma matriz de pesos (Coerência, Igual, Máxima Verossimilhança).
• $\mathcal{X}$ é o conjunto viável (N-toro para Triangulação de Fase - PT, ou vetores de norma unitária para Decomposição Espectral - ED).

2.2. Os Três Coeficientes de Qualidade Propostos

O artigo introduz três coeficientes normalizados no intervalo $[0, 1]$, onde 1 indica máxima confiabilidade e 0 corresponde ao comportamento esperado sob ruído puro.

1. Coeficiente de Ajuste (Goodness-of-Fit - $\gamma_{GOF}$):

   • Conceito: Normaliza o valor objetivo alcançado pelo método de PL entre um limite superior teórico (caso ideal $T=\Sigma$) e um limite inferior baseado em um "piso de ruído" (noise floor) modelado empiricamente.
   • Inovação: Diferente de métricas anteriores, este coeficiente considera explicitamente o nível de ruído esperado para o tamanho da pilha de dados ($N$) e o tamanho da amostra ($W$), permitindo comparação entre diferentes configurações. O piso de ruído é estimado via simulação de Monte Carlo e ajuste logístico.

2. Coeficiente de Fase de Fechamento (Closure Phase - $\gamma_{CP}$):

   • Conceito: Calculado diretamente da matriz de coerência amostral $T$ antes da execução do algoritmo de PL. Baseia-se na soma das fases de fechamento ($\phi_{ijk} = \phi_{ij} + \phi_{jk} + \phi_{ki}$) em triplas de aquisições.
   • Utilidade: Se as fases forem consistentes (sem erros de estimação ou violações de modelo), a fase de fechamento deve ser zero. Um coeficiente alto indica consistência interna.
   • Vantagem: Pode ser usado como um pré-filtro rápido para descartar pixels não confiáveis antes de realizar o cálculo computacionalmente caro da PL.

3. Coeficiente de Ambiguidade ($\gamma_A$):

   • Conceito: Compara a solução principal obtida com a melhor solução alternativa no complemento ortogonal do espaço de soluções.
   • Lógica: Se a função objetivo tiver picos de altura similar em soluções ortogonais, a estimativa é ambígua. O coeficiente mede a "separação" entre a solução ótima e a segunda melhor solução.
   • Implementação: Para métodos ED, é computacionalmente barato (segundo autovalor). Para métodos PT, requer otimização não linear com restrição de ortogonalidade (resolvida via gradiente conjugado não linear penalizado).

3. Resultados Experimentais

Os coeficientes foram avaliados em dois cenários de simulação (decorrelação exponencial e sazonal) e em dados reais de TerraSAR-X sobre Visp, Suíça.

3.1. Simulações

• Ajuste ($\gamma_{GOF}$): Mostrou a correlação mais forte e consistente com o erro absoluto normalizado da fase ($nAE$) em todos os métodos (EW, CW, ML) e cenários. É o indicador mais confiável para estimar a precisão da estimativa.
• Fase de Fechamento ($\gamma_{CP}$): Funcionou como um indicador robusto e estável, especialmente nas versões ponderadas por coerência (CW). Confirmou sua utilidade como pré-telas.
• Ambiguidade ($\gamma_A$): Comportamento misto. Funcionou bem para métodos EW e CW, capturando casos onde múltiplas soluções explicam os dados igualmente bem. Para métodos ML, a correlação foi mais fraca, mas ainda forneceu informações complementares.

3.2. Dados Reais (Visp, Suíça)

• Padrões Espaciais: Os coeficientes mapearam padrões esperados: áreas urbanas e estáveis apresentaram valores altos; áreas vegetadas e rios apresentaram valores baixos.
• Detecção de Mudanças: O coeficiente de ambiguidade ($\gamma_A$) destacou-se em detectar mudanças de uso do solo.
  • Exemplo 1 (Campo de Estádio vs. Parcelas Agrícolas): O campo de estádio (estável) teve alto $\gamma_A$, enquanto as parcelas agrícolas (com mudanças sazonais e de colheita) tiveram baixo $\gamma_A$, mesmo quando o ajuste parecia razoável.
  • Exemplo 2 (Estacionamentos): Em áreas onde construções ocorreram durante a série temporal, o $\gamma_A$ foi baixo, indicando que as aquisições pós-construção dominaram o objetivo, deixando as fases pré-construção mal restringidas (ambiguidade).

4. Contribuições Principais

1. Framework Unificado: Formalização de diversos métodos de PL sob uma única estrutura de otimização, clarificando as relações entre Triangulação de Fase (PT) e Decomposição Espectral (ED).
2. Novos Indicadores: Proposta de três coeficientes normalizados que cobrem diferentes modos de falha: ajuste ao modelo, consistência interna e ambiguidade da solução.
3. Modelagem de Ruído: Desenvolvimento de um modelo empírico para o "piso de ruído" que permite a normalização correta dos coeficientes independentemente do tamanho da pilha de dados.
4. Validação Prática: Demonstração de que a combinação desses coeficientes permite uma seleção mais inteligente de pixels DS, melhorando a confiabilidade da análise de deformação.

5. Significado e Conclusão

Este trabalho preenche uma lacuna crítica no processamento de InSAR de espalhadores distribuídos, fornecendo ferramentas práticas para avaliar a confiabilidade de estimativas de fase sem depender de suposições de Máxima Verossimilhança.

• Operacionalmente: Sugere-se um fluxo de trabalho onde o Coeficiente de Fase de Fechamento é usado para pré-seleção rápida, o Coeficiente de Ajuste é o critério principal de seleção, e o Coeficiente de Ambiguidade atua como um alerta para soluções instáveis ou ambíguas.
• Impacto: Melhora a qualidade dos produtos de deformação gerados por InSAR, especialmente em áreas complexas com vegetação e mudanças temporais, permitindo que os usuários descartem dados duvidosos antes da interpretação geofísica.

O artigo conclui que, embora os coeficientes sejam condicionais ao estimador escolhido, eles oferecem uma base robusta para a seleção de pixels e diagnóstico de confiabilidade em uma ampla gama de métodos de Ligação de Fase.