深度学习与基础设施监测的INSAR会面:模型,应用和挑战的系统审查
Miguel Fontes1,2, Matúš Bakoň3,4, António Cunha1,5
1Engineering Department, School of Science and Technology, University of Trás-os-Montes e Alto Douro, 5000-801 Vila Real, Portugal.
Sensors (Basel, Switzerland)
|December 11, 2025
概括
深度学习 (DL) 增强了用于监控民用基础设施的交叉测量合成孔径雷达 (InSAR). 本综述综合了DL在InSAR数据分析中的应用,用于结构性健康监测,确定挑战和未来的研究方向.
科学领域:
- 地质科学 地质科学
- 计算机科学 计算机科学
- 土木工程 土木工程是指土木工程.
背景情况:
- 由于资产老化和城市增长,民用基础设施监测至关重要.
- 干涉测量合成孔径雷达 (InSAR) 提供高分辨率的表面变形数据.
- 深度学习 (DL) 的进步正在改善InSAR数据分析能力.
研究的目的:
- 系统地审查和综合深度学习 (DL) 模型在使用交叉测量合成孔径雷达 (InSAR) 数据监测民用基础设施中的应用.
- 分析DL架构,将其整合到InSAR管道中,并确定当前的趋势和挑战.
- 概述未来的研究机会,以加强结构性健康监测.
主要方法:
- 67篇同行评审文章的系统文献综述 (2020年至2025年2月).
- 分析深度学习 (DL) 架构 (LSTM,CNN,变压器,混合模型).
- 评估DL在InSAR监测阶段 (预处理,时间分析,细分,预测,风险分类) 的整合.
主要成果:
- 对于基础设施监控,LSTM和CNN模型主导了InSAR当前的DL应用.
- 在INSAR预处理任务中对DL进行有限的探索.
- 专注于城市和线性基础设施监测,并关注混合架构和数据融合的新兴趋势.
结论:
- 方法方面的挑战包括数据稀疏性,连贯性低,缺乏基准.
- 新兴趋势包括注意力机制,端到端管道以及将DL-InSAR集成到操作系统中.
- 未来的研究应侧重于模型的解释性,各种基础设施类型和实际实施.
