Spatial anomaly detection in InSAR data

The representation of phenomena over time can be achieved using time series, with their analysis identifying critical situations or identifying changes within the same time series, known as "change point detection." Land surface deformation is studied through InSAR time series obtained from satellite imagery orbiting the Earth. Existing methods for change detection only perform temporal analysis on individual time series. Our objective is to introduce spatial analysis in the study of ground deformation time series to improve existing model performance. This is possible as each InSAR time series corresponds to a fixed point on the Earth’s surface, and a change can propagate through the ground, al- lowing for the combination of points with the same change. The focus of this work is the implementation of spatial correlation models for detecting changes in behavior in InSAR images. The fundamental theory on mathematical models used is provided, along with an explanation of what a SAR image is and how it is used to detect changes in ground motion. Our research highlights that finding the correct implementation is not a problem to be underestimated, as the massive resource cost required by recurrent models makes it complicated to find an architecture functional for the identified purposes. Our proposed solution is based on a Graph Neural Network that can combine each node’s features in both space and time.

La rappresentazione dell’andamento dei fenomeni nel corso del tempo può essere ottenuta mediante l’utilizzo delle serie temporali. La loro analisi consente di individuare eventuali situazioni critiche, identificando i cambiamenti che si registrano all’interno delle stesse serie temporali. Il rilevamento di tali cambiamenti, anche noto come "rilevamento dei punti di cambiamento". L’andamento del suolo terrestre viene studiato attraverso le serie temporali di deformazione del terreno, ottenute attraverso immagini satellitari che orbitano attorno alla Terra. I metodi attualmente esistenti che si occupano di rilevamento di cambiamenti eseguono unicamente un’analisi temporale sulle singole serie. Il nostro obbiettivo è introdurre un analisi spaziare nello studio delle serie temporali InSAR al fine di migliorare le prestazioni dei modelli esistenti. Questo è possibile dato che a ogni serie temporale InSAR corrisponde un punto fisso sulla superficie terrestre. Dato che un cambiamento si propaga nel suolo, è possibile combinare i punti che presentano lo stesso cambiamento. L’oggetto di questo lavoro è l’implementazione di modelli di correlazione spazialenel campo del rilevamento dei cambi di comporamento nelle immagini InSAR. Viene riportata la teoria fondamentale sui modelli matematici impiegati, una spiegazione su cosa sia una immagine SAR e come viene utilizzata al fine di rilevari cambiamenti di moto nel terreno. Dalla nostra ricerca si osserva che trovare una implementazione corretta non è un problema da sottovalutare, il costo massiccio di risorse richiesto dai modelli rocorrenti rende complicata la ricerca di una architettura funzionale ai fini preposti. La soluzione da noi proposta si basa su una rete Graph Neural Network capace di combinare le caratteristiche di ogni nodo sia nel tempo che nello spazio.