Großflächige InSAR-Deformationsüberwachung mittels realitätsnaher, simulationsbasierter Training eines Deep-Learning-Modells

Die großräumige Überwachung von Landoberflächenverformungen mittels interferometrischem Synthetic-Aperture-Radar (InSAR) erfordert eine zuverlässige Erkennung von Veränderungen in langfristigen Verformungstrends. Die genaue Erkennung von Wendepunkten (Change Points, CP) stellt jedoch aufgrund der komplexen Eigenschaften von InSAR-Zeitreihen, darunter saisonale und quasi-periodische Komponenten sowie Rauschen, nach wie vor eine Herausforderung dar. Klassische statistische Methoden und viele bestehende Deep-Learning-Ansätze stützen sich auf restriktive Annahmen oder Trainingsdaten, die reale InSAR-Zeitreihen nicht vollständig abbilden, was zu einer eingeschränkten Generalisierungsfähigkeit und Skalierbarkeit für großflächige operative Anwendungen führt.
In dieser Studie konzentrieren wir uns auf den Einsatz von Deep-Learning-Modellen, um diese Herausforderungen zu bewältigen. Wir schlagen ein integriertes, vollständig überwachtes Framework für die CP-Erkennung in InSAR-Verschiebungszeitreihen vor, das auf Temporal Convolutional Networks (TCNs) basiert. Das vorgeschlagene TCN-Modell zur CP-Erkennung nutzt dilatierte Faltungen mit multiskaligen rezeptiven Feldern, um langfristige zeitliche Abhängigkeiten und komplexe Verformungsmuster zu erfassen, was eine genaue und robuste Identifizierung signifikanter Trendänderungen unter verrauschten Bedingungen ermöglicht. Um das Modell effektiv zu trainieren, führen wir ein Deep-Learning-basiertes InSAR-Zeitreihen-Simulations-Framework ein, das auf realen Beobachtungen basiert. Dieses Simulations-Framework generiert physikalisch konsistente InSAR-Zeitreihen, die wesentliche zeitliche Eigenschaften bewahren und gleichzeitig vordefinierte, realistische Trendänderungen einbeziehen. Schließlich integrieren wir das trainierte Modell in eine groß angelegte Pipeline zur Erkennung anomaler Veränderungen, die in einzelnen Zeitreihen erkannte CPs zu räumlich kohärenten Verformungs-Heatmaps aggregiert, die für die operative Überwachung geeignet sind. Das vorgeschlagene Framework wird sowohl anhand von simulierten Daten als auch anhand realer InSAR-Zeitreihen aus der Caldera der Phlegräischen Felder (Campi Flegrei) in Italien evaluiert. Vergleiche mit unabhängigen GNSS-Messungen und Ergebnissen aus früheren Studien bestätigen die Wirksamkeit des vorgeschlagenen Ansatzes für die hochauflösende Deformationsüberwachung auf regionaler Ebene.