[论文解读] Deep Learning Framework for Detecting Ground Deformation in the Built Environment using Satellite InSAR data

Nantheera Anantrasirichai, Juliet Biggs+6 more|arXiv (Cornell University)|May 6, 2020

Landslides and related hazards被引用 4

一句话总结

该论文提出了一种可迁移的深度学习框架，利用微调的卷积神经网络（CNN）从Sentinel-1 InSAR速度图中检测英国城市及半城市区域的地表形变。通过结合矩阵补全进行空间插值、为罕见形变类型生成合成训练数据，以及增强的过卷积技术，该模型成功识别出英国范围内的煤矿开采沉降、疏干引起的抬升、滑坡以及隧道施工影响，检测效果优于传统阈值法。

ABSTRACT

The large volumes of Sentinel-1 data produced over Europe are being used to develop pan-national ground motion services. However, simple analysis techniques like thresholding cannot detect and classify complex deformation signals reliably making providing usable information to a broad range of non-expert stakeholders a challenge. Here we explore the applicability of deep learning approaches by adapting a pre-trained convolutional neural network (CNN) to detect deformation in a national-scale velocity field. For our proof-of-concept, we focus on the UK where previously identified deformation is associated with coal-mining, ground water withdrawal, landslides and tunnelling. The sparsity of measurement points and the presence of spike noise make this a challenging application for deep learning networks, which involve calculations of the spatial convolution between images. Moreover, insufficient ground truth data exists to construct a balanced training data set, and the deformation signals are slower and more localised than in previous applications. We propose three enhancement methods to tackle these problems: i) spatial interpolation with modified matrix completion, ii) a synthetic training dataset based on the characteristics of real UK velocity map, and iii) enhanced over-wrapping techniques. Using velocity maps spanning 2015-2019, our framework detects several areas of coal mining subsidence, uplift due to dewatering, slate quarries, landslides and tunnel engineering works. The results demonstrate the potential applicability of the proposed framework to the development of automated ground motion analysis systems.

研究动机与目标

• 开发一种自动化、可扩展的方法，利用卫星InSAR数据检测城市及半城市区域的人为和自然地表形变。
• 应对国家尺度形变监测中稀疏、噪声多、采样不均以及地面真实数据有限的挑战。
• 适配深度学习技术——特别是可迁移CNN——以在真实条件下可靠检测复杂、局部化的形变信号。
• 减少在国家级地表运动服务中对人工检查和专家解读的依赖。
• 展示利用深度学习实现英国范围内大规模、实时形变监测的可行性。

提出的方法

• 将预训练的卷积神经网络（CNN）在英国InSAR速度图上进行微调，以检测形变模式。
• 应用基于空间插值的矩阵补全方法，处理稀疏且分布不均的测量点，并减少尖峰噪声。
• 基于真实英国速度图特征生成合成训练数据，模拟点源和隧道状形变信号，以解决数据稀缺问题。
• 采用增强的过卷积和相位偏移技术，放大微弱形变特征，提升检测灵敏度。
• 模型处理单次航过（上升或下降）的InSAR数据，并对两次航过的结果取平均以提高鲁棒性。
• 生成概率图，将高于0.5阈值的区域优先用于进一步分析。

实验结果

研究问题

• RQ1 可迁移的深度学习框架能否从稀疏、噪声多的InSAR数据中检测到城市环境中复杂、局部化的地表形变信号？
• RQ2 当真实标注的形变样本稀缺时，合成数据生成在多大程度上能提升模型性能？
• RQ3 矩阵补全和增强过卷积技术在多大程度上提升了对低幅值、空间受限形变信号的检测能力？
• RQ4 该框架能否可靠地区分人为形变（如采矿、疏干、隧道施工）与大气噪声及处理伪影？
• RQ5 在真实英国环境下，该模型的性能与传统阈值法和时序分析相比如何？

主要发现

• 该框架成功检测到英国多个区域的煤矿开采沉降，尤其在历史采矿活动频繁的地区。
• 识别出与地下水疏干相关的抬升特征，包括中部分区范围的形变。
• 检测到多个与滑坡相关的形变信号，尤其在丘陵和沿海地区如卡拉代尔，尽管部分可能为处理伪影。
• 在已知地点（如伦敦）检测到隧道施工引起的沉降，同时在中部分区也检测到线性延伸的沉降模式，可能与煤层开采有关。
• 模型识别出与人工结构（如道路）对齐的线性形变特征，表明更高的测量密度可增强对原本微弱信号的检测能力。
• 尽管存在部分误报和漏报，概率图可实现对高风险区域的优先排序，供专家审查，证明其在大规模监测中的实用价值。