[논문 리뷰] Detecting Volcano Deformation in InSAR using Deep learning

Nantheera Anantrasirichai, F. Albino외 3명|arXiv (Cornell University)|2018. 01. 21.

Synthetic Aperture Radar (SAR) Applications and Techniques참고 문헌 3인용 수 8

한 줄 요약

이 논문은 현대 위성 데이터셋에서 수작업 데이터 검토의 과제를 해결하기 위해, 감마-위상 인터페로메트리 이미지에서 volaric 변형을 자동으로 탐지하기 위해 컨volutional 신경망(CNN)을 사용하는 딥러닝 접근법을 제안한다. 이 방법은 변형 패턴을 높은 정확도로 식별하여 전문가 분석에 대한 의존도를 크게 감소시키며, 전 세계적으로 모니터링되지 않은 화산에 대한 확장 가능한 감시를 가능하게 한다.

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.

연구 동기 및 목표

• 수작업 검토에 소요되는 시간을 줄이기 위해 인터페로메트리 데이터에서 화산 지반 변형을 자동으로 탐지하는 것.
• 현대 위성에서 생성되는 고해상도 인터페로메트리 데이터의 막대한 부피를 처리하는 과제를 해결하는 것.
• 특수 전문 지식이 필요하지 않은 자동 분석을 통해 특히 개발도상국의 화산 관측소를 지원하는 것.
• 레이다 인터페로그램에서 대기 및 궤도 오차와 같은 잡음과의 구분을 위해 실제 화산 변형 신호를 식별하는 것.
• 초기 경고 시스템을 향상시키기 위해 전조 지반 변형의 탐지를 가속화하여 분비 예측을 개선하는 것.

제안 방법

• 이 방법은 감마-위상 인터페로그램 이미지를 변형이 있는지 여부로 분류하기 위해 2차원 컨볼루션 신경망(CNN)을 사용한다.
• 입력 데이터는 위성 레이다 측정값의 위상 차이를 나타내는 인터페로그램으로, 신호 명도를 향상시키기 위해 사전 처리된다.
• CNN은 다양한 화산 변형 원천을 시뮬레이션한 알려진 변형 패턴을 가진 합성 인터페로그램 데이터셋으로 훈련된다.
• 모델의 일반화 능력과 실제 데이터의 노이즈 및 변동성에 대한 강건성을 향상시키기 위해 데이터 증강 기법이 적용된다.
• 컨볼루션 레이어를 통한 공간적 특징 추출을 통해 이미지 전역에서 국소적 변형 패턴을 탐지한다.
• 완전 연결 레이어와 소프트맥스 분류기로 구성된 출력층이 각 이미지에서 변형 존재 확률을 출력한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 인간 간섭 없이 감마-위상 인터페로그램 이미지에서 화산 변형을 정확하게 탐지할 수 있는가?
• RQ2 속도와 정확도 측면에서 CNN 기반 접근법이 전통적인 수작업 검토 방식보다 어떻게 비교되는가?
• RQ3 모델이 다양한 화산 환경과 노이즈 조건에서 얼마나 잘 일반화되는가?
• RQ4 모델이 인터페로그램에서 대기 및 궤도 오차와의 구분을 신뢰성 있게 수행할 수 있는가?
• RQ5 이 방법은 전 세계 화산 감시 네트워크에서 막대한 양의 인터페로그램 데이터를 처리하는 데 얼마나 확장 가능한가?

주요 결과

• 제안된 CNN 모델은 인터페로그램 데이터에서 화산 변형 패턴을 높은 정확도로 식별하여 수작업 검토에 비해 속도와 일관성 면에서 뚜렷한 승리함을 보였다.
• 모델은 다양한 화산 환경과 노이즈 유형에 대해 잘 일반화되어 있으며, 대기 및 궤도 오차와 같은 잡음에 강건함을 입증했다.
• 이 방법은 이미지당 분석 시간을 수시간에서 수초로 단축시켜 실시간에 가까운 모니터링을 가능하게 했다.
• 통제된 변형 원천을 가진 합성 훈련 데이터의 사용은 광범위한 레이블이 부여된 실제 데이터가 필요 없이 효과적인 모델 학습을 가능하게 했다.
• 이 방법은 지상 기반 모니터링이 없는 지역에서도 자동 탐지를 가능하게 하여 위성 기반 화산 위험 평가의 적용 범위를 넓혔다.