[论文解读] Detecting Volcano Deformation in InSAR using Deep learning

Nantheera Anantrasirichai, F. Albino+3 more|arXiv (Cornell University)|Jan 21, 2018

Synthetic Aperture Radar (SAR) Applications and Techniques参考文献 3被引用 8

一句话总结

本文提出一种基于卷积神经网络（CNN）的深度学习方法，用于自动检测包裹相位InSAR图像中的火山形变，解决了大规模卫星数据集中人工数据检查的挑战。该方法在识别形变模式方面表现出高精度，显著减少了对专家分析的依赖，并实现了对全球未监测火山的可扩展监测。

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.

研究动机与目标

• 自动化检测InSAR数据中的火山地表形变，减少对耗时的人工检查的依赖。
• 解决处理现代卫星产生的海量高分辨率InSAR数据的挑战。
• 通过实现无需专业技能的自动分析，支持火山观测站——尤其是发展中国家的观测站。
• 在雷达干涉图中区分真实的火山形变信号与噪声和大气伪影。
• 通过加速前兆地表形变的检测，改进火山喷发的早期预警系统。

提出的方法

• 该方法采用二维卷积神经网络（CNN）对包裹相位InSAR图像进行分类，判断是否存在形变。
• 输入数据由表示卫星雷达测量相位差的干涉图组成，已预先处理以增强信号清晰度。
• CNN在包含已知形变模式的合成干涉图数据集上进行训练，模拟各种火山形变源。
• 应用数据增强技术以提高模型的泛化能力，并增强对真实世界数据中噪声和变异性的鲁棒性。
• 模型通过卷积层提取空间特征，检测图像中局部的形变模式。
• 全连接层后接Softmax分类器，输出每张图像中形变存在的概率。

实验结果

研究问题

• RQ1 深度学习模型能否在无需人工干预的情况下准确检测包裹相位InSAR图像中的火山形变？
• RQ2 与传统人工检查相比，基于CNN的方法在速度和准确性方面表现如何？
• RQ3 该模型在不同火山环境和噪声条件下具备多大程度的泛化能力？
• RQ4 该模型能否可靠地区分干涉图中的火山形变与大气和轨道伪影？
• RQ5 该方法在处理全球火山监测网络中大规模InSAR数据时具备多高的可扩展性？

主要发现

• 所提出的CNN模型在识别InSAR数据中火山形变模式方面表现出高检测精度，检测速度和一致性显著优于人工检查。
• 该模型在不同火山环境和噪声类型中均表现出良好的泛化能力，对大气和轨道伪影具有鲁棒性。
• 该方法将每张干涉图的分析时间从数小时缩短至数秒，实现了近实时监测。
• 使用具有受控形变源的合成训练数据，使模型能够有效学习，而无需依赖大量真实世界标注数据。
• 该方法可在无地面监测的区域实现自动检测，扩展了基于卫星的火山灾害评估覆盖范围。