Advanced modeling of InSAR time series for ground displacement hazard assessment

Abstract

(English) Natural movements of Earth and human-based activities generate continuous ground displacements, affecting human life and the economy. In order to mitigate and reduce the impact of such displacements, accurate and frequent monitoring of their spatial and temporal characteristics is necessary. Remote sensing technology offers diverse temporal and spatial assets that are suitable for actively monitoring and measuring the intensity of ground displacements. This information can then be used to prevent risks, forecast occurrences, and manage the associated hazards. One active remote sensing system, known as synthetic aperture radar (SAR), enables accurate and anytime measurements of ground displacements using a technique called interferometric SAR (InSAR). InSAR allows for millimeter scale monitoring of deformations over small to wide areas affected by geohazards such as earthquakes, volcanic activities, landslides, and subsidence. With the increasing availability of large data, short revisits, and higher spatial resolution of SAR images, a massive amount of InSAR products is now provided. These products need to be properly analyzed and prepared for ground displacements monitoring to offer valuable information for geohazard risk management and monitoring. This PhD study is pursuing development of methodologies to model ground displacements behavior of InSAR time series (TS). Hence, an empirical analysis and modeling of displacements TS is performed to investigate various and dominant trends using robust statistical approaches. To achieve this, an automatic classification tool for InSAR TS is proposed to accurately classify seven types of displacement trends using step-wise statistical tests and conditions. The proposed workflow is applied and evaluated on simulated and real InSAR TS datasets from Barcelona and three landslide cases in Granada, Spain. Furthermore, the study explores the idea of modeling and classifying displacement TS through machine learning (ML) models, which have revealed beneficial insights in classifying temporal data. Multiple supervised models are employed, incorporating customized features, such as autocorrelation and decomposition, to classify ground displacements into the afore-mentioned trends. The conventional performance assessment of ML models, along with pairwise intersections within random samples compared to the model-based method, are observed to compute the reliability and precision of TS classifier outputs. Finally, a forecasting tool is presented to support the prediction and identification of failures in hazardous regions. The tool is designed as an input for early warning system that utilizes spatio-temporal outcomes from a deep learning model known as long short-term memory (LSTM). It aims to support the activation of reliable alarms prior to high-risk events. Three failure cases in mining areas in Spain, Brazil, and Australia are considered to demonstrate the significance of temporal and spatial characteristics of InSAR data in detecting areas at risk of potential collapses in the near future.

(Español) Los movimientos del terreno de origen natural y antrópico afectan la vida humana y la economía. Con el fin de mitigar y reducir el impacto de tales desplazamientos, es necesario realizar un monitoreo preciso y frecuente de sus características espaciales y temporales. La técnicas de teledetección ofrecen diversos recursos temporales y espaciales adecuados para monitorear activamente y medir la intensidad de los desplazamientos del suelo. Esta informaci ón puede ser utilizada para prevenir riesgos, pronosticar eventos y gestionar los peligros asociados. En particular, los sistemas de teledetecci ón acticva radar de apertura sintética (SAR), permiten mediciones precisas en cualquier momento de los desplazamientos del suelo utilizando una técnica llamada interferometría SAR (InSAR). La InSAR permite el monitoreo a escala milimétrica de deformaciones en áreas afectadas por peligros geol ógicos como terremotos, actividades volcánicas, deslizamientos de tierra y subsidencia. La creciente disponibilidad de grandes conjuntos de datos y una mayor resoluci ón espacial y temporal de las imágenes SAR, ha permitido la generación masiva de productos InSAR. Estos productos deben ser correctamente analizados y preparados para el monitoreo de desplazamientos del suelo con el fin de ofrecer informaci ón valiosa para la gesti ón y el monitoreo de riesgos geol ógicos. Este estudio de doctorado persigue el desarrollo de metodologías para la explotaci ón de series temporales INSAR para mejorar el control de los desplazamientos del suelo en series temporales de InSAR. Con este fin se han realizado análisis empírico y estadístico de las series temporales con el fin de investigar las tendencias dominantes. Para lograr esto, se proponen herramientas de clasificaci ón automática para las series temporales de InSAR a fin de clasificar con precisi ón siete tipos de tendencias de desplazamiento utilizando pruebas y condiciones estadísticas escalonadas. El flujo de trabajo propuesto se aplica y eval úa en conjuntos de datos simulados y reales de series temporales de InSAR de Barcelona y tres casos de deslizamientos de tierra en Granada, España. Además, el estudio explora la idea de modelar y clasificar las series temporales de desplazamientos a través de modelos de aprendizaje automático (ML), que evaluando los beneficios de estas técnicas en la clasificación de datos temporales. Se han utilizado múltiples modelos supervisados, incorporando características personalizadas, como autocorrelaci ón y descomposición, para clasificar los desplazamientos del suelo en las tendencias mencionadas anteriormente. La evaluaci ón convencional del rendimiento de los modelos de ML, junto con intersecciones por pares dentro de muestras aleatorias en comparaci ón con el método basado en modelos, se observa para calcular la confiabilidad y precisi ón de las salidas de los clasificadores de series temporales. Finalmente, se presenta una herramienta de pronóstico para respaldar la predicción e identificaci ón de fallas en regiones peligrosas. La herramienta está diseñada como una entrada para un sistema de alerta temprana que utiliza resultados espacio-temporales de un modelo de aprendizaje profundo conocido como memoria a largo plazo con redes neuronales recurrentes (LSTM). Su objetivo es activar alarmas confiables antes de eventos de alto riesgo. Se consideran tres casos de fallas en áreas mineras en España, Brasil y Australia para demostrar la importancia de las características temporales y espaciales de los datos de InSAR en la detecci ón de áreas en riesgo de posibles colapsos en un futuro cercano.