Learning change detection in short length unevenly sampled series. An application on SAR interferometry

Time series allow to model phenomena over time. Detecting the points where changes occurred is important as they may indicate critical events. This problem, known as change point detection, is a topic of interest with many applications such as, but not limited to, speech analysis, anomaly detection, medical condition monitoring, and human activity analysis. The focus of this work of thesis is the detection of trends in ground deformation time series retrieved with the PSInSAR algorithm. This kind of analysis is important to monitor reservoirs, provide first damage evaluation after natural disasters and highlight potential damages to infrastructures. The standard methods of time series analysis presented in the literature are mainly suited to long series of uniformly sampled observations, while the current remote sensing technology allows to collect only few unevenly sampled observations per month, resulting in short length time series and making the standard methods ineffective. A specific method for this task is adopted by our partner company TRE-Altamira. This method is based on statistics and requires a long execution time. In a future perspective, we expect satellite data to grow at a rapid pace, hence new faster approaches will soon be necessary. Our contribution in this research area is the examination of fast unsupervised and supervised machine learning approaches, with the employment of LSTM neural networks. We first discuss unsupervised prediction based and autoencoder approaches and their limitations. Following these approaches, we move to supervised techniques with a particular focus on handling irregular sampling rate in recurrent neural networks. We present the study that led us to the formulation of models and the wide suite of experiments we designed to validate our approaches on real world data.

Le serie temporali permettono di rappresentare l'evoluzione dei fenomeni nel tempo. Eventi critici possono essere rilevati identificando cambiamenti all'interno delle serie temporali. Il problema è noto come rilevamento dei punti di cambiamento ed è oggetto di ricerca in vari settori quali analisi del discorso, rilevamento di anomalie, monitoraggio delle condizioni mediche e analisi delle attività umane. Lo scopo di questa tesi è rilevare cambi di andamento nella deformazione della superficie terrestre, usando serie temporali acquisite tramite l'algoritmo PSInSAR. Tali rilevamenti possono essere impiegati per monitorare le riserve sotterranee, per stimare il danno generato da disastri naturali e per identificare possibili infrastrutture danneggiate. In letteratura sono presenti metodi per rilevare punti di cambiamento che hanno dimostrato la loro efficacia su lunghe serie con campionamento regolare. L'attuale tecnologia satellitare con cui sono acquisiti i dati permette invece di avere poche misurazioni al mese, ad un intervallo di campionamento irregolare e i metodi classici non sono sufficienti per gestire tale informazione. TRE-Altamira, l'azienda che ci ha affiancato in questa ricerca, adotta un algoritmo statistico apposito per gestire il dato in questione, ma tale algoritmo richiede lunghi tempi d`esecuzione. In futuro, ci aspettiamo che la quantità di dati da elaborare cresca esponenzialmente, il che renderà necessario avere a disposizione metodi di elaborazione più veloci. Il contributo di questa tesi è la ricerca di nuovi approcci di apprendimento automatico supervisionati e non, utilizzando le reti neurali LSTM. Inizialmente ci concentriamo sugli approcci non supervisionati basati sulla predizione e sugli autoencoder. Dopodichè analizziamo tecniche supervisionate focalizzandoci su come le reti neurali ricorrenti possono gestire frequenze di campionamento irregolari. Riportiamo tutto lo studio effettuato e l'insieme degli esperimenti che hanno portato alla creazione dei modelli finali.