[論文レビュー] Deep Learning for Rapid Landslide Detection using Synthetic Aperture Radar (SAR) Datacubes

V. Boehm, Wei Ji Leong+6 more|arXiv (Cornell University)|Nov 5, 2022

Landslides and related hazards被引用数 5

ひとこと要約

本稿では、事前処理済みの合成開口レーダー（SAR）データキューブとデジタルエレベーションモデル（DEM）データを用いた、高速な landslides 検出のためのディープラーニングフレームワークを提案する。SAR強度（VV/VH）とDEM由来の特徴（勾配、傾斜、湾曲度）を用いたU-Netアーキテクチャにより、AUPRCが0.7を超える性能を達成した。これは、SARデータと地形情報が組み合わされれば、1〜2回の衛星過境のみでも早期検出が可能であることを示している。

ABSTRACT

With climate change predicted to increase the likelihood of landslide events, there is a growing need for rapid landslide detection technologies that help inform emergency responses. Synthetic Aperture Radar (SAR) is a remote sensing technique that can provide measurements of affected areas independent of weather or lighting conditions. Usage of SAR, however, is hindered by domain knowledge that is necessary for the pre-processing steps and its interpretation requires expert knowledge. We provide simplified, pre-processed, machine-learning ready SAR datacubes for four globally located landslide events obtained from several Sentinel-1 satellite passes before and after a landslide triggering event together with segmentation maps of the landslides. From this dataset, using the Hokkaido, Japan datacube, we study the feasibility of SAR-based landslide detection with supervised deep learning (DL). Our results demonstrate that DL models can be used to detect landslides from SAR data, achieving an Area under the Precision-Recall curve exceeding 0.7. We find that additional satellite visits enhance detection performance, but that early detection is possible when SAR data is combined with terrain information from a digital elevation model. This can be especially useful for time-critical emergency interventions. Code is made publicly available at https://github.com/iprapas/landslide-sar-unet.

研究の動機と目的

• 気候変動に起因する災害の増加という文脈において、気象に左右されない迅速な landslides 検出の緊急のニーズに対応する。
• SARデータの利用に課題があることを踏まえ、4つの世界的な landslides 事象について、事前処理済みで機械学習用に準備されたデータキューブを提供する。
• SAR強度とDEM由来の特徴を用いたディープラーニングによるピクセル単位の landslides 分割の可能性を実証する。
• 時間分解能（衛星過境回数）と検出性能のトレードオフを調査する。
• コンピュータビジョン研究者らがSARデータに参加できるように、キュレート済みで分析準備済みのデータセットとコードを公開する。

提案手法

• Sentinel-1のマルチタイムスタンプSAR強度（VV, VH）および干渉計測プロダクトとSRTM DEM、およびDEM由来の地形特徴（勾配、傾斜、湾曲度）を統合して、分析準備済みのデータキューブを構築する。
• クラス不均衡に対処するため、少なくとも1つの landslides ピクセルを含む128×128ピクセルのデータチップを生成する。
• 1〜4タイムステップのSARデータを用い、ResNet-50エンコーダーを搭載したU-Netモデルを訓練する。タイムステップ間でピクセル単位の平均集約を用いて次元削減を図りつつ、時間情報を保持する。
• 重み減衰とプレートオフでの学習率低下を伴うAdam最適化手法を用い、単一のNVIDIA V100 GPUで100エポック分訓練する。
• 不均衡なデータセットに強く、AUPRC（精度-再現率曲線下の面積）を用いてモデル性能を評価する。
• 入力構成のアブレーションスタディを実施：SARオンリーモード（VV, VH, VV+VH）とSAR+DEMを想定し、入力タイムステップ数（1〜4）を変化させる。

実験結果

リサーチクエスチョン

• RQ1 限られた時間的カバレッジのもとでも、ディープラーニングモデルはSAR強度データから高い精度と再現率で landslides を検出可能か？
• RQ2 1〜2回のSAR過境でのみ利用可能な状況において、DEM由来の地形特徴を組み込むことで検出性能はどのように向上するか？
• RQ3 複数のSARタイムステップを用いることで得られる性能向上は何か？また、1回過境での検出と比べてどう異なるか？
• RQ4 VVおよびVHポーラリゼーションバンドを併用することで、単独で使用する場合よりも検出精度が向上するか？
• RQ5 1つの事象（北海道、日本）で訓練したモデルは、最小限のデータで早期検出シナリオに一般化可能か？これにより、時間的に制約のある緊急対応が可能になるか？

主な発見

• VVおよびVH SARバンドに加え、DEM由来の特徴を組み合わせた場合、AUPRCが0.7を超える高い検出性能を達成した。
• 標高、勾配、傾斜、湾曲度を含むDEM由来データを組み込むことで、1〜2回のSAR過境のみでも効果的な landslides 検出が可能となり、早期警戒応用に適している。
• VVポーラリゼーションのみを用いた場合、VH単独よりも高い性能を示し、VVとVHを併用することでさらに検出精度が向上した。
• SARタイムステップ数を増やすことで、すべての入力構成においてモデル性能が一貫して向上し、時間的多様性が検出のロバストネスを高めることを示した。
• ランダムモデルのベースラインAUPRCは0.09であり、DEM特徴のみを用いたモデルでも最大でAUPRC 0.17にとどまる。これはSARデータが顕著な価値を追加していることを示している。