[论文解读] Deep Learning for Rapid Landslide Detection using Synthetic Aperture Radar (SAR) Datacubes

V. Boehm, Wei Ji Leong+6 more|arXiv (Cornell University)|Nov 5, 2022

Landslides and related hazards被引用 5

一句话总结

本文提出了一种深度学习框架，利用预处理的合成孔径雷达（SAR）数据立方体和数字高程模型（DEM）数据，实现快速滑坡检测。采用U-Net架构，结合SAR后向散射强度（VV/VH）与DEM衍生特征（坡度、坡向、曲率），该方法在AUPRC超过0.7的情况下实现高检测性能，表明即使仅依赖一次或两次卫星过境，结合地形信息也能实现早期检测。

ABSTRACT

With climate change predicted to increase the likelihood of landslide events, there is a growing need for rapid landslide detection technologies that help inform emergency responses. Synthetic Aperture Radar (SAR) is a remote sensing technique that can provide measurements of affected areas independent of weather or lighting conditions. Usage of SAR, however, is hindered by domain knowledge that is necessary for the pre-processing steps and its interpretation requires expert knowledge. We provide simplified, pre-processed, machine-learning ready SAR datacubes for four globally located landslide events obtained from several Sentinel-1 satellite passes before and after a landslide triggering event together with segmentation maps of the landslides. From this dataset, using the Hokkaido, Japan datacube, we study the feasibility of SAR-based landslide detection with supervised deep learning (DL). Our results demonstrate that DL models can be used to detect landslides from SAR data, achieving an Area under the Precision-Recall curve exceeding 0.7. We find that additional satellite visits enhance detection performance, but that early detection is possible when SAR data is combined with terrain information from a digital elevation model. This can be especially useful for time-critical emergency interventions. Code is made publicly available at https://github.com/iprapas/landslide-sar-unet.

研究动机与目标

• 应对日益频发的气候驱动灾害背景下，对快速、不受天气影响的滑坡检测的迫切需求。
• 通过为四个全球滑坡事件提供预处理、适合机器学习的SAR数据立方体，克服SAR数据使用中的障碍。
• 证明利用SAR后向散射强度与DEM衍生特征进行像素级滑坡分割的深度学习方法的可行性。
• 研究时间分辨率（卫星过境次数）与检测性能之间的权衡。
• 通过发布经过筛选、可直接分析的数据集和代码，使计算机视觉研究人员能够参与SAR数据研究。

提出的方法

• 通过整合Sentinel-1的多时相SAR后向散射强度（VV, VH）与干涉产品、SRTM DEM以及DEM衍生的地形特征（坡度、坡向、曲率），构建可直接分析的数据立方体。
• 从数据立方体中提取128×128像素的数据芯片，仅保留包含至少一个滑坡像素的芯片，以应对类别不平衡问题。
• 使用ResNet-50编码器在1–4个时间步的SAR数据上训练U-Net模型，通过时间步上的像素级均值聚合降低维度，同时保留时间信息。
• 采用Adam优化器，配合权重衰减和学习率衰减策略，在单张NVIDIA V100 GPU上训练100个周期。
• 使用曲线下面积-精确率-召回率曲线（AUPRC）评估模型性能，该指标对类别不平衡数据集具有鲁棒性。
• 开展消融实验，比较不同输入配置：仅SAR（VV, VH, VV+VH）与SAR+DEM，同时变化输入时间步数（1–4）。

实验结果

研究问题

• RQ1 深度学习模型能否在时间覆盖有限的情况下，仅基于SAR后向散射强度数据实现高精确率与高召回率的滑坡检测？
• RQ2 当仅有一到两次SAR过境时，引入DEM衍生地形特征对检测性能有何影响？
• RQ3 使用多个SAR时间步能带来多大性能提升？与单次过境检测相比表现如何？
• RQ4 同时使用VV与VH极化波段是否能提升检测精度，相较于单独使用任一波段？
• RQ5 在仅使用一次事件（日本北海道）数据训练的模型，是否能在数据极少的早期检测场景中实现泛化，从而支持时间敏感的应急响应？

主要发现

• 当同时使用VV与VH SAR波段并结合DEM衍生特征时，模型AUPRC超过0.7，表明检测性能优异。
• 引入DEM衍生数据（高程、坡度、坡向、曲率）后，仅需一次或两次SAR过境即可实现有效滑坡检测，支持早期预警应用。
• 仅使用VV极化波段的性能优于单独使用VH波段，而同时使用VV与VH波段可进一步提升检测精度。
• 在所有输入配置下，增加SAR时间步数均能持续提升模型性能，表明时间多样性可增强检测的鲁棒性。
• 随机模型的基线AUPRC为0.09，仅使用DEM特征的模型最高AUPRC为0.17，凸显SAR数据带来的显著增益。