報(bào)告摘要：合成孔徑雷達(dá)干涉測(cè)量(InSAR)已經(jīng)步入了大數(shù)據(jù)的時(shí)代，新一代的衛(wèi)星獲取和存檔了大量的SAR影像，可以生成成千上萬的干涉圖，覆蓋數(shù)百萬平方公里。在這樣一個(gè)InSAR技術(shù)不斷向廣域應(yīng)用發(fā)展的背景下，許多需求仍然集中在監(jiān)測(cè)稀疏分布的局部變形，如礦區(qū)沉降，滑坡形變等。針對(duì)這一應(yīng)用背景，我們提出了一種基于深度學(xué)習(xí)的，先在干涉圖中探測(cè)形變異常區(qū)域，然后在小范圍計(jì)算形變序列的策略。我們訓(xùn)練了數(shù)個(gè)深度神經(jīng)網(wǎng)絡(luò)，用于掩膜失相干區(qū)域，檢測(cè)局部形變異常，以及解纏高梯度相位，并應(yīng)用于礦區(qū)沉降和山體滑坡監(jiān)測(cè)。與傳統(tǒng)的時(shí)間序列InSAR分析相比，我們所提出的策略不僅減少了計(jì)算時(shí)間，而且還避免了大規(guī)模對(duì)流層延遲的影響和可能的解纏誤差傳播。上述成果將人工智能引入到時(shí)間序列InSAR處理鏈中，并使廣域InSAR定期監(jiān)測(cè)稀疏分布的局部變形任務(wù)變得可行和更有效率。