[论文解读] An omnibus likelihood test statistic and its factorization for change detection in time series of polarimetric SAR data

Allan Aasbjerg Nielsen, Knut Conradsen+1 more|arXiv (Cornell University)|Jan 1, 2016

Synthetic Aperture Radar (SAR) Applications and Techniques被引用 14

一句话总结

本文提出了一种新颖的综合似然比检验统计量及其分解方法，用于检测极化SAR时间序列中的变化，利用大数据技术将盖亚空间探测器CCD响应与太阳粒子事件相关联。研究发现，太阳质子通量在L1点与盖亚CCD可检测到的辐射损伤效应之间存在约4小时的显著延迟，通过时间序列数据的部分相关性分析证实了这种强相关性。

ABSTRACT

Big Data from Space refers to Earth and Space observation data collected by space-borne and ground-based sensors. Whether for Earth or Space observation, they qualify being called 'big data' given the sheer volume of sensed data (archived data reaching the exabyte scale), their high velocity (new data is acquired almost on a continuous basis and with an increasing rate), their variety (data is delivered by sensors acting over various frequencies of the electromagnetic spectrum in passive and active modes), as well as their veracity (sensed data is associated with uncertainty and accuracy measurements). Last but not least, the value of big data from space depends on our capacity to extract information and meaning from them. The goal of the Big Data from Space conference is to bring together researchers, engineers, developers, and users in the area of Big Data from Space. It is co-organised by ESA, the Joint Research Centre~(JRC) of the European Commission, and the European Union Satellite Centre (SatCen) and was held at the auditorio de Tenerife (Santa Cruz de Tenerife, Spain) from the 15th to the 17th of March 2016. These proceedings consist of a collection of 108 short papers corresponding to the oral and poster presentations presented at the conference. They are organised in sections matching the order of the conference sessions followed by the contributions that were presented during the poster session, also organised by topics. They provide a snapshot of the current research activities, developments, and initiatives in Big Data from Space.

研究动机与目标

• 监测并表征在L2拉格朗日点运行的CCD探测器所受的辐射损伤效应。
• 将盖亚天体测量仪器数据中的异常与太阳高能粒子（SEP）事件及地磁扰动相关联。
• 开发可扩展的大数据系统，用于处理和分析空间任务产生的大规模时间序列数据。
• 识别太阳事件与其在航天器探测器上可测量效应之间的时移延迟。
• 提供一种通用框架，可应用于盖亚以外的其他时间序列数据集。

提出的方法

• 利用盖亚天体测量仪器模型（AIM）和OMNI数据集（来自ACE、WIND、GOES-13/15）的时间序列数据，分析CCD响应。
• 采用时间偏移输入的偏相关性分析，检测太阳粒子通量与CCD参数（如背景、通量）之间的延迟相关性。
• 采用基于Spark和Cassandra的大数据架构，实现对约2000万条时间序列条目的可扩展存储与内存内处理。
• 通过移动平均和降维技术（PCA、ICA、DFA）进行数据预处理，以增强信号检测并降低噪声。
• 使用SAX表示法检测处理后时间序列中的共同行为模式。
• 实施时间偏移的互相关框架，以估计从L1到L2的传播延迟。

实验结果

研究问题

• RQ1 在L1点测得的太阳质子通量与盖亚AIM背景和通量参数的变化之间是否存在统计上显著的相关性？
• RQ2 太阳粒子事件在L1点发生后，其在L2点盖亚CCD探测器上的可观测效应之间存在多长的时延？
• RQ3 大数据技术能否有效支持空间任务数据的实时多变量时间序列分析与异常检测？
• RQ4 不同恒星视星等范围（如<13等与15–16等）如何影响CCD响应中辐射诱导变化的可检测性？
• RQ5 数据中的周期性（如盖亚旋转引起的）是否可被去除，以提高相关性信号的清晰度？

主要发现

• 在OMNI质子通量与盖亚AIM背景及通量参数之间观察到显著的偏相关性，相关性峰值出现在时间偏移的前几个小时内。
• 在太阳质子事件发生约45个五分钟时间偏移后（即3.75小时），出现一致的相关性峰值，表明从L1到L2的传播延迟约为4小时。
• 该4小时延迟与MHD波或太阳风粒子从L1到L2的预期传播时间一致，支持所观察相关性的物理解释。
• 该相关性在不同恒星视星等范围（如<13等和15–16等）中均保持稳健，表明该效应并非仅限于明亮或暗淡恒星。
• 数据中的周期性信号（如6小时周期）归因于盖亚的旋转，目前正通过滤波处理以提高相关性信号的清晰度。
• 系统成功使用Spark和Cassandra处理了约2000万条时间序列条目，证明了其在大规模空间数据分析中的可扩展性。