[논문 리뷰] Unsupervised Flood Detection on SAR Time Series

Ritu Yadav, Andrea Nascetti외 2명|arXiv (Cornell University)|2022. 12. 07.

Flood Risk Assessment and Management인용 수 5

한 줄 요약

이 논문은 변분 오토인코더, 컨volutional LSTMs, 그리고 대조 학습을 결합한 새로운 비지도 변화 탐지 방법인 CLVAE를 제안한다. 이는 SAR 시계열 자료에서 홍수 사건을 탐지하기 위한 것으로, 8개의 홍수 지역에서 평균 IoU 64.53%와 F1 스코어 75.43%를 기록했으며, 지도 학습 및 비지도 학습 기준선보다 IoU 분야에서 7–27%, F1 스코어 분야에서 7–22% 향상되었다.

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.

연구 동기 및 목표

• 기후 변화와 토지 이용 변화로 인해 증가하는 홍수 빈도에 대비해 조기 홍수 탐지의 증가하는 수요를 해결한다.
• 비용이 많이 들고 시간이 오래 걸리는 레이블링에 의존하지 않기 위해 SAR 시계열 자료를 위한 비지도 변화 탐지 방법을 개발한다.
• 홍수를 나타내는 뚜렷한 반사도 변화의 시작을 탐지하여 조기 경고 기능을 구현한다.
• 새로운 지역에 대해 재학습이나 미세조정이 필요 없이 다양한 지리적 지역에 일반화 가능하도록 보장한다.
• 운영적 재난 대응 및 실시간 모니터링에 적합한 경량이고 구현 가능한 프레임워크를 만든다.

제안 방법

• SAR 시계열 자료에서 의미 있는 잠재 표현을 학습하기 위해 복구 손실과 대조 학습을 활용하는 대조 학습 기반 변분 오토인코더(CLVAE)를 제안한다.
• 순차적 SAR 자료의 시공간적 의존성을 모델링하기 위해 컨볼루션형 LSTM을 통합하여 시간에 따른 동적 변화를 포착한다.
• 잠재 공간에서 사고 전 및 사고 후 데이터의 분포 차이를 이용해 변화 지apap을 생성한다.
• 시간적 패치의 양성 및 음성 쌍을 대조하여 특징의 구분 능력을 향상시키기 위해 대조 학습을 적용한다.
• 레이블이 없는 SAR 자료만을 사용하여 끝에서 끝까지 비지도 방식으로 모델을 훈련시켜 레이블링 요구 사항을 회피한다.
• 모델의 잠재 표현을 기반으로 시간적 변화의 시작 시점을 식별하는 변화점 탐지 프레임워크를 개발한다.

실험 결과

연구 질문

• RQ1 비지도 딥 러닝 모델이 레이블이 없는 훈련 데이터를 요구하지 않고도 SAR 시계열 자료에서 홍수 사건을 효과적으로 탐지할 수 있는가?
• RQ2 제안된 CLVAE 모델은 기존의 비지도 및 지도 학습 기반 변화 탐지 방법과 비교해 홍수 탐지 과제에서 어떤 성능을 보이는가?
• RQ3 비지도 CLVAE 모델이 새로운 지리적 지역과 다양한 홍수 사건에 얼마나 잘 일반화되는가?
• RQ4 모델이 재난 대응 및 재난 관리에 적절한 시기의 조치를 취할 수 있도록 충분히 이른 시점에 홍수의 시작을 탐지할 수 있는가?
• RQ5 대조 학습과 변분 오토인코딩의 통합이 SAR 자료에서 특징 학습 및 변화 탐지의 강건성 향상에 어떻게 기여하는가?

주요 결과

• 제안된 CLVAE 모델은 CEMS에서 3개, Sen1Floods11에서 6개를 포함한 총 8개의 홍수 지역에서 평균 교차율(Intersection over Union, IoU) 64.53%와 평균 F1 스코어 75.43%를 기록했다.
• CLVAE는 비지도 비딥 러닝 방법(예: 로그비율, CVA)과 비지도 딥 러닝 방법(RaVAEn)보다 IoU 분야에서 7–27%, F1 스코어 분야에서 10–21% 향상되었다.
• 레이블 없이 훈련된 CLVAE는 Sen1Floods11 벤치마크에서 최고의 지도 학습 방법(ADS-Net 및 DAUSAR)보다 F1 스코어 6% 향상, IoU 7% 향상되었으며, 성능을 뛰어넘었다.
• 모델는 강력한 일반화 능력을 보였으며, 스페인 지역에서만 훈련하고 CEMS의 새로운 사이트에서 테스트한 결과, 지표 수치가 다소 감소했지만 높은 성능를 유지했다.
• 정성적 결과에서 CLVAE는 DAUSAR와 같은 지도 학습 모델에 비해 거짓 양성 결과를 크게 감소시켰다. DAUSAR는 과다 예측로 인해 높은 재현율을 보였지만 정밀도가 낮았다.
• 변화점 탐지 프레임워크는 잠재 표현의 시간적 이동을 분석하여 홍수의 시작을 성공적으로 식별했으며, 이는 조기 경고 잠재력을 제공한다.