[논문 리뷰] Deep Learning for Rapid Landslide Detection using Synthetic Aperture Radar (SAR) Datacubes

V. Boehm, Wei Ji Leong외 6명|arXiv (Cornell University)|2022. 11. 05.

Landslides and related hazards인용 수 5

한 줄 요약

이 논문은 사전 처리된 심층 레이더(SAR) 데이터큐브와 디지털 고도 모델(DEM) 데이터를 사용하여 빠른 산사태 감지를 위한 딥러닝 프레임워크를 제안한다. SAR 강도(VV/VH)와 DEM 유도 특징(기울기, 방향, 곡률)을 사용한 U-Net 아키텍처를 적용하여 AUPRC가 0.7를 초과하는 성능을 달성하였으며, SAR 데이터와 지형 정보를 조합할 경우 단 한 번 또는 두 번의 위성 과거만으로도 조기 감지가 가능하다는 것을 입증하였다.

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.

연구 동기 및 목표

• 기후 변화로 인한 재해 증가 배경에서 기상에 영향을 받지 않는 신속한 산사태 감지의 급박한 필요를 해결하기 위해.
• 네 가지 글로벌 산사태 사례에 대해 사전 처리된, 머신러닝 사용에 적합한 데이터큐브를 제공하여 SAR 데이터 사용의 장벽을 극복하기 위해.
• SAR 강도와 DEM 유도 특징을 사용한 딥러닝의 가능성을 입증하기 위해 픽셀 수준의 산사태 세분화를 수행하기 위해.
• 시간 해상도(위성 과거 횟수)와 감지 성능 사이의 상충 관계를 조사하기 위해.
• 컴퓨터 비전 연구자들이 SAR 데이터를 보다 쉽게 활용할 수 있도록 정제된 분석 준비 완료된 데이터셋과 코드를 공개하기 위해.

제안 방법

• 센티넬-1의 다중시기 SAR 강도(VV, VH) 및 간섭계 제품과 SRTM DEM, DEM 유도 지형 특징(기울기, 방향, 곡률)을 통합하여 분석 준비 완료된 데이터큐브를 구축한다.
• 클래스 불균형 문제를 해결하기 위해 최소한 한 개 이상의 산사태 픽셀을 포함하는 128×128 픽셀 크기의 데이터 칩을 생성한다.
• 1~4개의 시간 단계의 SAR 데이터를 사용하여 ResNet-50 인코더를 갖춘 U-Net 모델을 훈련한다. 시간 단계 간의 픽셀 단위 평균 집계를 통해 차원을 감소시키면서도 시간 정보를 유지한다.
• 가중치 감소와 플랫폼에서 학습률 감소를 적용한 Adam 옵timizer를 사용하며, 단일 NVIDIA V100 GPU에서 100 에포크 동안 훈련한다.
• 불균형 데이터셋에 대해 강건한 AUPRC(정밀도-재현율 곡선 아래 면적)를 사용하여 모델 성능을 평가한다.
• 입력 구성에 따른 분석 실험을 수행한다: SAR 전용(VV, VH, VV+VH), SAR+DEM으로 구성되며, 입력 시간 단계 수(1~4)를 다양하게 설정한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 제한된 시간 커버리지가 있는 경우에도 SAR 강도 데이터로부터 높은 정밀도와 재현율로 산사태를 감지할 수 있는가?
• RQ2 단 한 번 또는 두 번의 SAR 과거만으로도 DEM 유도 지형 특징을 포함할 경우 감지 성능에 어떤 영향을 미치는가?
• RQ3 여러 개의 SAR 시간 단계를 사용할 경우 성능 향상 정도는 어떠한가? 단일 과거 감지와 비교해보면 어떻게 되는가?
• RQ4 VV 및 VH 편광 대역을 모두 사용할 경우, 각각을 별도로 사용할 경우보다 감지 정확도가 향상되는가?
• RQ5 일본 홋카이도 사례에서 훈련된 모델이 최소한의 데이터로 조기 감지 시나리오에 일반화 가능한가? 이는 시간이 급한 비상 대응을 가능하게 하는가?

주요 결과

• VV 및 VH SAR 대역을 모두 사용하고 DEM 유도 특징을 포함할 경우 AUPRC가 0.7를 초과하여 높은 감지 성능을 달성하였다.
• 고도, 기울기, 방향, 곡률 등 DEM 유도 데이터를 통합하면 단 한 번 또는 두 번의 SAR 과거만으로도 효과적인 산사태 감지가 가능하여 조기 경고 응용에 기여한다.
• VV 편광만 사용할 경우 VH만 사용하는 것보다 성능이 뛰어나며, VV와 VH를 모두 사용할 경우 정확도가 더욱 향상된다.
• SAR 시간 단계 수를 늘릴수록 모든 입력 구성에서 모델 성능이 일관되게 향상되며, 이는 시간적 다양성이 감지 정확도를 높인다는 것을 시사한다.
• 무작위 모델의 기준 AUPRC는 0.09이며, 단지 DEM 특징만 사용하는 모델의 최대 AUPRC는 0.17에 불과하여 SAR 데이터가 기여하는 가치가 뚜렷하게 드러난다.