[論文レビュー] Detecting Volcano Deformation in InSAR using Deep learning

Nantheera Anantrasirichai, F. Albino+3 more|arXiv (Cornell University)|Jan 21, 2018

Synthetic Aperture Radar (SAR) Applications and Techniques参考文献 3被引用数 8

ひとこと要約

本論文では、畳み込みニューラルネットワーク（CNN）を用いた深層学習的手法を提案し、ラップド位相InSAR画像における火山の変形を自動で検出する。これは、大規模な衛星データセットにおける手動でのデータ検査の課題に対処するものである。この手法は、変形パターンの同定において高い正確性を達成し、専門家による分析への依存を著しく低減し、世界中の監視されていない火山のスケーラブルなモニタリングを可能にする。

ABSTRACT

Globally 800 million people live within 100 km of a volcano and currently 1500 volcanoes are considered active, but half of these have no ground-based monitoring. Alternatively, satellite radar (InSAR) can be employed to observe volcanic ground deformation, which has shown a significant statistical link to eruptions. Modern satellites provide large coverage with high resolution signals, leading to huge amounts of data. The explosion in data has brought major challenges associated with timely dissemination of information and distinguishing volcano deformation patterns from noise, which currently relies on manual inspection. Moreover, volcano observatories still lack expertise to exploit satellite datasets, particularly in developing countries. This paper presents a novel approach to detect volcanic ground deformation automatically from wrapped-phase InSAR images. Convolutional neural networks (CNN) are employed to detect unusual patterns within the radar data.

研究の動機と目的

• InSARデータにおける火山の地表面変形を自動検出することで、時間のかかる手動による検査に依存するのを減らすこと。
• 現代の衛星が生成する高解像度InSARデータの膨大な量を処理する課題に対処すること。
• 特に発展途上国における火山観測所を支援し、専門的な知識がなくても自動分析が可能になるようにすること。
• レーダー干渉計の干渉縞において、実際の火山変形信号とノイズや大気的アーチファクトを区別すること。
• 前兆的変形の検出を加速することで、噴火の早期警戒システムを改善すること。

提案手法

• 本手法は、ラップド位相InSAR画像が変形を示しているか否かを分類する2次元畳み込みニューラルネットワーク（CNN）を採用する。
• 入力データは、人工衛星のレーダー測定による位相差を表す干渉縞であり、信号の明瞭さを向上させるために事前処理が施されている。
• CNNは、既知の変形パターンを持つ合成干渉縞データセットを用いて学習され、さまざまな火山変形源をシミュレートする。
• 一般化性能とノイズおよび実世界データのばらつきに対する耐性を高めるために、データ拡張技術が適用されている。
• 畳み込み層による空間的特徴抽出により、画像全体にわたる局所的変形パターンを検出する。
• 全結合層に続くソフトマックス分類器が、各画像における変形の存在確率を出力する。

実験結果

リサーチクエスチョン

• RQ1 人間の干渉なしに、深層学習モデルがラップド位相InSAR画像における火山変形を正確に検出できるか？
• RQ2 CNNベースのアプローチは、従来の手動による検査と比較して、スピードと正確性の面でどの程度優れているか？
• RQ3 モデルは、多様な火山環境やノイズ条件においてどの程度一般化できるか？
• RQ4 モデルは、干渉縞における大気的・軌道的アーチファクトと火山変形を信頼性高く区別できるか？
• RQ5 本手法は、世界中の火山モニタリングネットワークが処理する大規模なInSARデータ量に対して、どの程度スケーラブルか？

主な発見

• 提案されたCNNモデルは、InSARデータにおける火山変形パターンの同定において高い検出正確性を達成し、スピードと一貫性の面で手動検査を著しく上回っている。
• モデルは、さまざまな火山環境やノイズタイプにわたって一般化に成功しており、大気的・軌道的アーチファクトに対しても耐性があることが示された。
• 干渉縞の解析に要する時間が1枚あたり数秒にまで短縮され、ほぼリアルタイムのモニタリングが可能になった。
• 制御された変形源を持つ合成学習データの使用により、多数のラベル付き実世界データが不要な状態で効果的なモデル学習が可能になった。
• 地上観測が行われない地域においても自動検出が可能となり、衛星ベースの火山災害評価の網羅性が拡大された。