ارزیابی و مقایسه داده های پلاریمتریک دوگانه سنجنده Sentinel1-A و TerraSAR-X در بهینه سازی شاخص پراکندگی دامنه به منظور بهبود الگوریتم تداخل سنجی PSInSAR

داده های  پلاریمتریک، یک منبع  اطلاعاتی  اضافی  در  تداخل سنجی  راداری  محسوب  می شوند  که  می توانند  با  کمک  بهینه سازی  پلاریمتری   با  الگوریتم های  مختلف  تداخل سنجی  راداری  ترکیب  شده  و منجر  به  بهبود  کارایی  این  الگوریتم ها  شوند.  ترکیب  اطلاعات  پلاریمتری و تداخل سنجی  راداری،  که  تحت  عنوان  تداخل سنجی  راداری  پلاریمتریک  معرفی  می شود،  می تواند  منجر  به  افزایش  همدوسی  و تعداد  پیکسل های  پراکنش گر  دائمی  شود.  این تکنیک  بر  اساس  بهینه سازی  پلاریمتریک  کانال های  پلاریمتریک  را  با  یکدیگر  ترکیب  کرده  و کانال  بهینه ای  را تولید  می کند  که  در  آن  تراکم  و کیفیت  فاز  پیکسل های پراکنش گر  دائمی  نسبت  به  کانال های  خطی  افزایش  پیدا  کند.  در هر  پیکسل  این  کانال  بهینه، بردار  مکانیزم  پراکنشی  که  منجر  به  بهینه ترین  مقدار  از  تابع  هدف  مسئله  بهینه سازی  شود  به  عنوان  بردار  مکانیزم  پراکنش  بهینه  انتخاب  می شود.  با  توجه  به اهمیت موضوع  تراکم پیکسل های  پراکنش گر  دائمی  قابل  اعتماد  در  موفقیت  روش های  PSI،هدف  اصلی  این  مقاله  استفاده  از  اطلاعات  پلاریمتریک  دوگانه  سنجنده  Sentinel1-A و  TerraSAR-Xدر  الگوریتم  تداخل سنجی  PSInSARمعمولی  و مقایسه  و ارزیابی  این  داده ها در  افزایش  تراکم  پیکسل های  پراکنش گر  دائمی  می باشد.  در این  تحقیق  ترکیب اطلاعات  پلاریمتریک  دوگانه  با الگوریتم  تداخل سنجی  PSInSAR  به  کمک  بهینه سازی  شاخص  پراکندگی  دامنه  انجام  گرفت.  به منظور  بررسی  رویکرد  پیشنهادی  این  تحقیق، تعداد  40  تصویر پلاریمتریک  دوگانه (VV/VH)سنجنده  Sentinel1-A در  بازه زمانی فوریه 2017  تا  می 2018و  20 تصویر  پلاریمتریک  دوگانه   (HH/VV) سنجنده  TerraSAR-X  در  بازه زمانی  جولای2013  تا  آپریل 2014  مورد استفاده  قرار  گرفت.  نتایج  نشان می دهد  بهینه سازی  پلاریمتریک  با  داده های  S1A تراکم  PSها  را  برای  کل منطقه، منطقه  شهری  و منطقه  غیر شهری  به  ترتیب  حدود  7/1 برابر،  6/1برابر  و 9/1  برابر  افزایش داد. همچنین این افزایش در  مورد  داده هایTSX به  ترتیب حدود 3  برابر، 2/3 برابر  و  9/2 برابر بود.