[논문 리뷰] Deep Learning Framework for Detecting Ground Deformation in the Built Environment using Satellite InSAR data

Nantheera Anantrasirichai, Juliet Biggs외 6명|arXiv (Cornell University)|2020. 05. 06.

Landslides and related hazards인용 수 4

한 줄 요약

이 논문은 영국의 도시 및 준도시 환경에서 센티넬-1 InSAR 속도도로부터 지반 변형을 탐지하기 위해 캐논리컬 신경망(CNN)을 미세조정한 이식 가능한 딥러닝 프레임워크를 제안한다. 공간 보간을 위한 행렬 완성, 희귀 변형 유형을 위한 합성 훈련 데이터, 향상된 오버랩핑 기법을 조합함으로써, 기존의 임계값 기반 방법에 비해 향상된 탐지 성능을 보이며 영국 전역에서 석탄 광산 침하, 지하수 제거에 의한 상승, 산사태, 터널 공사 영향 등을 성공적으로 식별한다.

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.

연구 동기 및 목표

• 위성 InSAR 데이터를 활용하여 인위적 및 자연적 지반 변형을 자동으로, 스케일업 가능한 방법으로 도시 및 준도시 지역에서 탐지하기 위한 방법 개발.
• 국가 규모의 변형 모니터링에서 측정값이 희소하고 노이즈가 많으며 샘플링이 불균형하고 지상 진술 자료가 제한된 문제를 해결하기 위한 목표.
• 실제 환경 조건에서 복잡하고 局부적인 변형 신호를 신뢰성 있게 탐지하기 위해 이식 가능한 CNN 기반 딥러닝 기법을 적용하기 위한 목표.
• 전국적 수준의 지반 이동 서비스에서 수동 점검과 전문가 해석에 대한 의존도를 줄이기 위한 목표.
• 영국 전역에서 대규모 실시간 변형 모니터링을 위한 딥러닝 기술의 실현 가능성을 입증하기 위한 목표.

제안 방법

• 영국 InSAR 속도도에 대해 사전 학습된 컨volutional 신경망(CNN)을 미세조정하여 변형 패턴을 탐지한다.
• 희소하고 균일하지 않은 분포를 보이는 측정점 처리를 위해 공간 보간을 적용한 행렬 완성 기법을 사용하여 피크 노이즈를 감소시킨다.
• 실제 영국 속도도의 특성에 기반한 합성 훈련 데이터를 생성하여 데이터 부족 문제를 해결하고, 점원소 및 터널 유사 변형 신호를 시뮬레이션한다.
• 약한 변형 특징을 강화하고 탐지 민감도를 향상시키기 위해 향상된 오버랩핑 및 단위 이동 기법을 사용한다.
• 단일 패assing(상행 또는 하행) InSAR 데이터를 처리하고, 양 방향의 결과를 평균하여 정확도를 향상시킨다.
• 확률 지ap을 생성하며, 0.5 이상의 임계값을 초과하는 영역은 향후 분석을 위해 우선순위를 정한다.

실험 결과

연구 질문

• RQ1 이식 가능한 딥러닝 프레임워크는 희소하고 노이즈가 많은 InSAR 데이터에서 도시 환경에서 복잡하고 국소적인 지반 변형 신호를 탐지할 수 있는가?
• RQ2 실제 레이블이 부족한 변형 예시가 있는 상황에서 합성 데이터 생성이 모델 성능을 어떻게 향상시킬 수 있는가?
• RQ3 행렬 완성 및 향상된 오버랩핑 기법이 저진폭, 공간적으로 제한된 변형 신호 탐지에 얼마나 기여하는가?
• RQ4 이 프레임워크는 Atmospheic 노이즈와 처리 오류와 같은 신호와 인위적 변형(예: 광산, 지하수 제거, 터널링)을 신뢰성 있게 구분할 수 있는가?
• RQ5 실제 영국 환경 조건에서 기존의 임계값 기반 방법과 시간적 분석 기법에 비해 이 모델의 성능은 어떻게 비교되는가?

주요 결과

• 이 프레임워크는 역사적으로 광산 활동이 있었던 지역에서 영국 전역에 걸쳐 여러 곳의 석탄 광산 침하를 성공적으로 탐지하였다.
• 지하수 제거와 관련된 상승 특징이 확인되었으며, 미들랜즈 지역과 같은 지역 규모의 변형도 관찰되었다.
• 산사태 관련 변형 신호가 여러 건 탐지되었으며, 특히 카라달, 코스트럴 지역과 같은 기암지대에서 두드러졌다. 다만 일부는 처리 오류일 가능성도 있다.
• 런던과 같은 알려진 지역에서 터널링 침하가 탐지되었고, 미들랜즈 지역에 걸쳐 길쭉한 패atters로 나타난 변형도 관찰되어 석탄층 광산과 관련이 있을 것으로 추정된다.
• 도로와 같은 인공 구조물에 따라 정렬된 선형 변형 특징이 탐지되었으며, 이는 측정 밀도가 높아지면 그렇지 않으면 약한 신호도 탐지 가능해지는 것을 시사한다.
• 일부 잘못된 경고와 누락은 있었지만, 확률 지도를 통해 전문가 검토를 위한 고위험 지역을 우선순위로 지정할 수 있어 대규모 모니터링에서 실용성을 입증하였다.