Trend Classification of InSAR Displacement Time Series Using SAE–CNN
AI要約
背景
マルチテンポラルInSAR（MTInSAR）技術は、広範囲の地盤変動を測定する上で貴重なツールですが、数百万のコヒーレントターゲット（CT）から得られる変位時系列を解釈し、危険な信号を特定することは困難です。既存の統計的手法は、複雑な変形を記述するのが難しく、InSAR時系列に不可避な位相ノイズの影響を受けやすいという限界がありました。また、先行の機械学習アプローチでは、教師なし学習の結果が初期パラメータや専門知識に大きく依存し、教師あり学習では特徴量エンジニアリングや手動介入の課題がありました。手法
本研究では、InSAR時系列の分類を目的として、最適化されたStacked Autoencoder（SAE）とConvolutional Neural Network（CNN）を組み合わせた深層学習手法（SAE-CNN）を提案しています。このハイブリッドモデルは、SAEがInSAR時系列からノイズの影響を低減し、微妙な変形パターンに関連する深層特徴を抽出する能力と、CNNが時系列内の様々なスケールで変位トレンドを捉える能力を組み合わせています。SAEは、softmax分類器を備えたバックプロパゲーションニューラルネットワーク（BPNN）によって最適化されています。分類対象の変形トレンドは、「安定（stable）」、「線形（linear）」、「加速（accelerating）」、「減速（deceleration）」、および「位相アンラップ誤差（PUE）」の5つのカテゴリに定義されました。これらのカテゴリに属する5000のサンプル（各カテゴリ1000サンプル）が、手動の視覚的解釈と相互確認によってラベリングされ、70%がモデルの教師あり学習に、30%が検証に使用されました。データは、Sklearnライブラリを用いて前処理（データ準備、クリーニング、正規化、学習/テスト分割など）され、異常な変形信号に対するモデルの感度を高めるために、線形、加速、減速のカテゴリには重み付けがされました。モデルの性能評価には、精度（accuracy）、適合率（precision）、再現率（recall）、F1スコア、および混同行列が用いられました。
本手法は、2017年1月から2022年9月までの171枚のSentinel-1画像から抽出された561,839のCTに対し、中国昆明市を対象地域として適用されました。昆明市は、急速な都市化、軟弱な地盤、および顕著な地盤変形のため、研究対象として選ばれています。
結果
提案されたSAE-CNNモデルは、ラベル付けされたサンプルに対して95.1%の精度を達成しました。比較実験では、本モデルが従来のCNN、Random Forest（RF）、Support Vector Machine Classification（SVC）といった他の分類モデルよりも、精度、適合率、再現率、F1スコアのすべての指標で優れていることが示されました。特に、従来のCNNと比較して、精度で6.4%、F1値で6.1%の改善が見られました。混同行列の分析により、本モデルは、加速パターンと減速パターンを混同しがちな他のモデルと比較して、加速パターンの認識において7.7%の精度向上を示し、異なる分類カテゴリを区別する能力が優れていることが実証されました。SAEの有効性は、t-SNE可視化によっても確認され、SAEがInSAR時系列データの分離可能性を著しく向上させ、ノイズを低減し、複雑な分類シナリオを容易に分類可能なものに変えることが示されました。
昆明市への適用結果では、CTの約79.28%が安定していると分類され、残りのうち線形が10.70%、減速が5.30%、加速が4.72%、PUEが3.60%でした。特に、S2地域では危険な加速変形が住宅地で観測され、S3地域では減速変形が主であることが示されました。本手法は、InSAR時系列単独では見逃されがちな地域（例：P1クラスター）における減速変形を特定するなど、広域InSAR結果の解釈を補完する能力があることが示されました。また、不規則な建物や建設活動がある地域（P4, P5, P6）で複雑な変形パターンを識別しました。
計算時間については、提案手法の訓練およびテストに要した時間は32.18秒であり、CNN（3.36秒）やRF（1.69秒）よりは長いものの、SVC（413.46秒）よりは大幅に高速であり、合理的な計算速度で競争力のある精度を提供することが示されました。
考察
本研究のSAE-CNNモデルは、人間の介入なしに、大規模な地盤変動の特徴を区別し、非線形変形信号を検出できるという利点があります。これにより、変形パターンの理解が深まり、MTInSAR成果品の定性的な解釈が向上します。ただし、本研究で設定された5つのカテゴリは、実際の変形現象を簡略化したものであり、すべての複雑な変形を網羅しているわけではないため、誤分類（誤警報）につながる可能性が指摘されています。この問題は、より高品質な参照サンプルを用いたモデル学習や、教師なし学習手法の検討によって軽減できる可能性がありますが、後者にはアルゴリズムとパラメータ選択、結果の解釈という課題が伴います。処理時間のさらなる改善は、非常に大規模なデータセットへの適用を考慮する上で必要です。本分類結果は、変形プロセスによる悪影響を軽減するための意思決定や予防的措置において重要な情報源となります。
精度や誤差の評価を除き、ひとまず変動マップの作成まで自動化できるようになります。
