[论文解读] 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 5

一句话总结

该论文提出CLVAE，一种新颖的SAR时序数据无监督变化检测方法，结合变分自编码、卷积LSTM与对比学习，以检测洪水事件。该模型在8个洪水区域的测试中，平均IoU达到64.53%，F1分数达到75.43%，在IoU上优于无监督与有监督基线方法7–27%，在F1分数上优于7–22%。

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.

研究动机与目标

• 应对由于气候变化与土地利用变化导致洪水频率上升，对早期洪水检测日益增长的需求。
• 开发一种SAR时序数据的无监督变化检测方法，以消除对昂贵且耗时的标注数据的依赖。
• 通过检测显著后向散射变化的起始，实现在洪水发生初期的预警。
• 确保在无需对新区域进行微调或重新训练的情况下，具备在多样化地理区域的泛化能力。
• 构建一个轻量化、可部署的框架，适用于实际灾害响应与实时监测。

提出的方法

• 提出一种基于对比学习的变分自编码器（CLVAE），利用重建损失与对比学习，从SAR时序数据中学习有意义的潜在表征。
• 集成卷积LSTM以建模时序SAR数据中的时空依赖性，捕捉随时间变化的动态特征。
• 利用潜在空间中灾前与灾后数据的分布差异，生成变化图。
• 通过对比时间片段的正样本对与负样本对，应用对比学习以增强特征的判别能力。
• 仅使用未标注的SAR数据，以端到端方式无监督训练模型，避免标注需求。
• 开发一种变化点检测框架，通过分析模型潜在表征中的时间变化，识别显著后向散射变化的起始日期。

实验结果

研究问题

• RQ1 无监督深度学习模型是否能在无需标注训练数据的情况下，有效检测SAR时序数据中的洪水事件？
• RQ2 所提出的CLVAE模型在洪水检测任务中，相较于现有无监督与有监督变化检测方法，性能如何？
• RQ3 无监督CLVAE模型在未见地理区域与多样化洪水事件中的泛化能力达到何种程度？
• RQ4 该模型是否能足够早地检测到洪水的起始，以支持及时的应急响应与灾害管理？
• RQ5 对比学习与变分自编码的结合如何提升SAR数据中特征学习与变化检测的鲁棒性？

主要发现

• 所提出的CLVAE模型在8个洪水区域（包括3个CEMS与6个Sen1Floods11数据集）上，实现了64.53%的平均交并比（IoU）与75.43%的平均F1分数。
• CLVAE在IoU上优于无监督非深度学习方法（如log-ratio、CVA）与无监督深度学习方法（RaVAEn）7–27%，在F1分数上优于10–21%。
• 尽管未使用任何标签进行训练，CLVAE在Sen1Floods11基准上仍以6%的F1分数与7%的IoU超越了最佳有监督方法（ADS-Net与DAUSAR）。
• 该模型展现出强大的泛化能力，当在单一区域（西班牙）上训练并在未见的CEMS区域上测试时，性能仅出现小幅下降。
• 定性结果表明，与DAUSAR等有监督模型相比，CLVAE显著减少了误报，后者因过度预测洪水区域而表现出高召回率但低精确率。
• 变化点检测框架通过分析潜在表征中的时间偏移，成功识别出洪水的起始，展现出早期预警潜力。