[論文レビュー] Unsupervised Flood Detection on SAR Time Series

Ritu Yadav, Andrea Nascetti+2 more|arXiv (Cornell University)|Dec 7, 2022

Flood Risk Assessment and Management被引用数 5

ひとこと要約

本稿では、変分オートエンコーダー、畳み込みLSTM、対照的学習を組み合わせた、SAR時系列データにおける洪水イベントを検出する新規な教師なし変化検出手法CLVAEを提案する。モデルは8か所の洪水サイトで平均64.53%のIoUと75.43%のF1スコアを達成し、教師ありおよび教師なしのベースラインをそれぞれIoUで7–27%、F1スコアで7–22%上回った。

ABSTRACT

Human civilization has an increasingly powerful influence on the earth system. Affected by climate change and land-use change, natural disasters such as flooding have been increasing in recent years. Earth observations are an invaluable source for assessing and mitigating negative impacts. Detecting changes from Earth observation data is one way to monitor the possible impact. Effective and reliable Change Detection (CD) methods can help in identifying the risk of disaster events at an early stage. In this work, we propose a novel unsupervised CD method on time series Synthetic Aperture Radar~(SAR) data. Our proposed method is a probabilistic model trained with unsupervised learning techniques, reconstruction, and contrastive learning. The change map is generated with the help of the distribution difference between pre-incident and post-incident data. Our proposed CD model is evaluated on flood detection data. We verified the efficacy of our model on 8 different flood sites, including three recent flood events from Copernicus Emergency Management Services and six from the Sen1Floods11 dataset. Our proposed model achieved an average of 64.53\% Intersection Over Union(IoU) value and 75.43\% F1 score. Our achieved IoU score is approximately 6-27\% and F1 score is approximately 7-22\% better than the compared unsupervised and supervised existing CD methods. The results and extensive discussion presented in the study show the effectiveness of the proposed unsupervised CD method.

研究の動機と目的

• 気候変動および土地利用の変化に伴い増加する洪水頻度に鑑み、早期洪水検出のニーズに対応する。
• 高価で時間がかかるラベル付けに依存しない、SAR時系列データ向けの教師なし変化検出手法を開発する。
• 洪水を示す顕著なバックサイトター変化の開始を検出することで、早期警告を可能にする。
• 新たな地域に再トレーニングやファインチューニングを必要とせず、多様な地理的領域に一般化可能であることを保証する。
• 運用上の災害対応およびリアルタイム監視に適した軽量で展開可能なフレームワークを構築する。

提案手法

• 再構成損失と対照的学習を活用し、SAR時系列データから意味のある潜在表現を学習する、対照的学習に基づく変分オートエンコーダー（CLVAE）を提案する。
• 時系列SARデータの空間的・時間的依存関係をモデル化するため、畳み込みLSTMを統合し、時間経過に伴う動的変化を捉える。
• 潜在空間における事故前後データの分布差を用いて、変化マップを生成する。
• 時間的パッチのポジティブおよびネガティブペアを対比させることで、特徴の識別能を向上させる対照的学習を適用する。
• ラベルなしSARデータのみを用いて、エンドツーエンドで教師なしにモデルを訓練し、ラベル付けの要件を回避する。
• モデルの潜在表現を用いて顕著なバックサイトター変化の開始日を特定する変化点検出フレームワークを開発する。

実験結果

リサーチクエスチョン

• RQ1 教師なし深層学習モデルは、ラベル付き学習データを一切必要とせず、SAR時系列データにおける洪水イベントを効果的に検出できるか？
• RQ2 提案されたCLVAEモデルは、既存の教師なしおよび教師あり変化検出手法と比較して、洪水検出タスクにおいてどの程度の性能を示すか？
• RQ3 教師なしCLVAEモデルは、未観測の地理的地域や多様な洪水事象にどの程度一般化可能か？
• RQ4 モデルは、早期の緊急対応および災害管理を支援できるだけの早期に洪水の開始を検出できるか？
• RQ5 対照的学習と変分オートエンコーディングの統合は、SARデータにおける特徴学習および変化検出のロバスト性をどのように向上させるか？

主な発見

• 提案されたCLVAEモデルは、CEMSから3か所、Sen1Floods11から6か所を含む8か所の洪水サイトにおいて、平均64.53%の交差率（IoU）および平均75.43%のF1スコアを達成した。
• CLVAEは、非深層学習の教師なし手法（例：対数比、CVA）および教師なし深層学習（RaVAEn）を7–27%のIoUおよび10–21%のF1スコアで上回った。
• CLVAEは、ラベルなしで学習されたにもかかわらず、Sen1Floods11ベンチマークで最良の教師あり手法（ADS-NetおよびDAUSAR）をF1スコアで6%、IoUで7%上回った。
• モデルは強力な一般化性能を示し、1か所のサイト（スペイン）で学習し、未観測のCEMSサイトでテストした場合でも、指標の低下はわずかにとどまった。
• 定性的な結果から、DAUSARのような教師ありモデルに比べ、CLVAEは誤検出を顕著に低減していた。DAUSARは高い再現率を示したが、過剰に洪水領域を予測するため、精度が低かった。
• 変化点検出フレームワークは、潜在表現における時間的シフトを分析することで、洪水の開始を的確に特定し、早期警告の可能性を実現した。