[論文レビュー] Deep Learning Framework for Detecting Ground Deformation in the Built Environment using Satellite InSAR data

Nantheera Anantrasirichai, Juliet Biggs+6 more|arXiv (Cornell University)|May 6, 2020

Landslides and related hazards被引用数 4

ひとこと要約

本論文は、イギリスの都市部および準都市部環境におけるSentinel-1 InSAR速度マップから地盤変形を検出するため、微調整された畳み込みニューラルネットワーク（CNN）を用いた転送可能なディープラーニングフレームワークを提案する。行列補完による空間補間、希少な変形タイプのための合成トレーニングデータ、強化されたオーバーワラップ技術を組み合わせることで、従来のしきい値処理手法に比べて、石炭鉱山の沈下、地下水の抜き取りに起因する上昇、地すべり、トンネル工事に起因する影響を、イギリス全域で効果的に同定した。

ABSTRACT

The large volumes of Sentinel-1 data produced over Europe are being used to develop pan-national ground motion services. However, simple analysis techniques like thresholding cannot detect and classify complex deformation signals reliably making providing usable information to a broad range of non-expert stakeholders a challenge. Here we explore the applicability of deep learning approaches by adapting a pre-trained convolutional neural network (CNN) to detect deformation in a national-scale velocity field. For our proof-of-concept, we focus on the UK where previously identified deformation is associated with coal-mining, ground water withdrawal, landslides and tunnelling. The sparsity of measurement points and the presence of spike noise make this a challenging application for deep learning networks, which involve calculations of the spatial convolution between images. Moreover, insufficient ground truth data exists to construct a balanced training data set, and the deformation signals are slower and more localised than in previous applications. We propose three enhancement methods to tackle these problems: i) spatial interpolation with modified matrix completion, ii) a synthetic training dataset based on the characteristics of real UK velocity map, and iii) enhanced over-wrapping techniques. Using velocity maps spanning 2015-2019, our framework detects several areas of coal mining subsidence, uplift due to dewatering, slate quarries, landslides and tunnel engineering works. The results demonstrate the potential applicability of the proposed framework to the development of automated ground motion analysis systems.

研究の動機と目的

• 衛星InSARデータを用いて、都市部および準都市部における人為的および自然な地盤変形を自動的かつスケーラブルに検出するための手法を開発すること。
• 全国規模の変形モニタリングにおいて、不均一なサンプリングと限られた地上真値を伴うスパースでノイズの多いInSARデータの課題に対処すること。
• 特に、実世界の条件下で複雑で局所的な変形信号を信頼性高く検出できるように、転送可能なCNNを含むディープラーニング技術を適応すること。
• パン・イギリス規模の地盤運動サービスにおける、人的な点検や専門家の解釈に依存するのを減らすこと。
• イギリス全域で大規模かつリアルタイムの変形モニタリングにディープラーニングを適用する可能性を実証すること。

提案手法

• UKのInSAR速度マップに、事前に学習された畳み込みニューラルネットワーク（CNN）を微調整して、変形パターンを検出する。
• スパースで不均一に分布する測定点を処理し、スパイクノイズを低減するために、空間補間を伴う行列補完が適用される。
• 実際のUK速度マップの特徴に基づいて合成トレーニングデータが生成され、点源やトンネルに類似した変形信号を模擬することで、データ不足に対処する。
• 弱い変形特徴を強調し、検出感度を向上させるために、強化されたオーバーワラップおよび位相シフト技術が用いられる。
• モデルは単一パス（上行または下行）のInSARデータを処理し、両パスの結果を平均化することで、耐障害性を向上させる。
• 確率マップが生成され、0.5のしきい値を超える領域が、さらなる分析のための優先順位を付ける。

実験結果

リサーチクエスチョン

• RQ1 スパースでノイズの多いInSARデータから、都市環境における複雑で局所的な地盤変形信号を、転送可能なディープラーニングフレームワークが検出可能か？
• RQ2 実際のラベル付き変形例が不足する状況で、合成データ生成がモデルの性能をどのように向上させるか？
• RQ3 行列補完と強化されたオーバーワラップ技術が、低振幅で空間的に制限された変形信号の検出をどの程度改善するか？
• RQ4 このフレームワークは、大気ノイズや処理アーチファクトから、人為的変形（例：石炭鉱山、地下水の抜き取り、トンネル工事）を信頼性高く区別できるか？
• RQ5 実際のイギリスの条件下で、このモデルの性能は従来のしきい値処理や時系列解析と比べてどの程度優れているか？

主な発見

• フレームワークは、歴史的な鉱山活動地域に特に注目して、イギリス全域の複数の石炭鉱山の沈下を効果的に検出できた。
• 地下水の抜き取りに起因する上昇特徴が同定され、ミッドランド地方のような地域的規模の変形も確認された。
• いくつかの地すべり関連の変形信号が検出されたが、特にカラダールや海岸地域など、急勾配の地域に多く見られた。一部は処理アーチファクトである可能性もある。
• ロンドンのような既知のトンネル工事の影響が観測された地点で、トンネル工事に起因する沈下が検出されたほか、ミッドランド地方にかけての細長いパターンも検出された。これは石炭層の鉱山活動に関連すると考えられる。
• 道路などの人工構造物に沿って線形の変形特徴が検出された。これは、測定密度が高いため、そうでない場合に比べて、もともと微弱な信号を検出できるようになることを示唆している。
• 一部の誤検出や見逃しはあったが、確率マップにより、専門家によるレビューのための高リスク地域を優先的に特定でき、大規模な監視における実用性を示した。