SAR image formation : conventional and AI-based approaches on Sentinel-1 raw products

The Earth Observation (EO) sector, whose data allow to address complex problems such as natural disasters management and climate change monitoring, is undergoing deep transformation thanks to the fresh paradigms of the New Space Economy. Among the technologies used for remote sensing, Synthetic Aperture Radar (SAR) plays a key role, as it provides high-resolution images regardless of day-night cycle and weather conditions. The great availability of data naturally paves the way to Artificial Intelligence (AI) solutions for EO problems. Despite the great opportunities that AI could open for SAR data utilization, this promising field is still nearly unexplored. This work aims at investigating the SAR image formation problem - the workflow needed to obtain focused images from the radar echoes - for the Sentinel-1 case study. In the first part, this problem is tackled from a conventional perspective, by developing a simplified version of the famous Range Doppler Algorithm. This is then applied to Sentinel-1 StripMap and IW products, obtaining satisfactory metrics with respect to ESA requirements. Conventional algorithms are accurate but require users knowledge and high computational capabilities, so the current paradigm demands to the ground most of the data processing. On the other hand, an AI approach would allow to treat the image formation problem as a "black box". This could be beneficial for enabling on-board data processing and the autonomous use of data for the applications of interest. To this purpose, in the second part of the work several StripMap products are processed and reorganized in a dataset. Then, a Deep Learning pipeline, based on a modified version of the fully convolutional U-Net, is set up. One of the proposed models reaches an accuracy of ≈70% and a Structural Similarity Index Measure (SSIM) of ≈0.6 on the training set. As a last step, this model is tested on unseen samples, resulting in an accuracy and SSIM which drop down respectively ≈50% and ≈0.5. Considering that this approach is the first of its kind in the literature, those results are promising for future works with larger datasets and tailored architectures.

Il settore dell'Osservazione della Terra (EO), i cui dati permettono lo sviluppo di soluzioni a problemi complessi come la gestione delle calamità naturali o il monitoraggio dei cambiamenti climatici, sta attraversando profondi cambiamenti grazie ai nuovi paradigmi della New Space Economy. Nel telerilevamento i radar ad apertura sintetica (SAR) giocano un ruolo chiave, poiché forniscono immagini ad alta risoluzione indipendentemente dall'illuminazione e dagli agenti atmosferici. L'elevata disponibilità dei dati suggerisce l'impiego dell'Intelligenza Artificiale (IA) nell'EO, ma nonostante le opportunità che ciò aprirebbe per l'utilizzo dei dati SAR, questo campo è di fatto inesplorato. L'obiettivo di questo elaborato è investigare il problema della "focalizzazione" dei dati SAR - la procedura necessaria per ottenere le immagini a partire dai segnali radar registrati - per il caso di studio di Sentinel-1. Nella prima parte è stata perseguita una metodologia tradizionale attraverso lo sviluppo di una versione semplificata dell'algoritmo Range Doppler: esso è stato implementato per i prodotti StripMap e IW di Sentinel-1, con risultati comparabili con i requisiti ESA. Gli algoritmi convenzionali sono accurati, ma richiedono utenti esperti e notevoli capacità computazionali, difatti l'attuale paradigma demanda l'elaborazione dei dati al segmento di terra. D'altro canto, un approccio basato sull'IA permetterebbe ai satelliti di processare i dati a bordo e utilizzarli direttamente per le applicazioni di interesse. A questo proposito, nella seconda parte del lavoro, diversi prodotti StripMap sono stati processati ed organizzati in un dataset, ed è stata definita un'architettura di Deep Learning basata su una versione modificata della rete neurale convoluzionale U-Net. In uno dei modelli proposti si è raggiunta un'accuratezza di ≈70% e un indice di similarità (SSIM) di ≈0.6. Infine il modello è stato testato su esempi diversi da quelli usati nel training, ottenendo delle metriche inferiori, rispettivamente ≈50% e ≈0.5 per accuratezza e SSIM. Questi risultati sono promettenti per lavori futuri con dataset di maggiori dimensioni e architetture più mirate.