Advancing remote sensing : deep learning techniques for InSAR data processing and analysis

Synthetic Aperture Radar (SAR) represents an advanced microwave-based imaging system that operates on the principle of coherent signal processing. This system possesses a distinctive capacity for penetrating through cloud cover due to its utilization of microwave frequencies. Its active nature ensures continuous operation both during daylight and nighttime conditions. Leveraging these capabilities, the emergence of the Interferometric Synthetic Aperture Radar (InSAR) technique has revolutionized remote sensing, offering unparalleled accuracy in Earth surface monitoring. InSAR enables the precise measurement of ground movements, deformation, and topographical changes, leading to invaluable insights for various scientific and practical applications. However, despite its transformative potential, InSAR encounters several challenges due to the presence of noise and artefacts within the data, which can seriously compromise the result's accuracy and reliability. This thesis represents an in-depth investigation into InSAR data processing, employing the formidable capabilities of deep learning to forge novel methodologies. The exploration begins by addressing the phase filtering and coherence estimation task, a fundamental process crucial to exploiting the potential of the subsequent InSAR methodologies developed. In particular, we introduced an innovative model for noise reduction, pattern preservation, and artifact mitigation in filtered signals. The result's accuracy ensures the reliability of the subsequent phase unwrapping outcomes, thus enhancing the whole deformation or topographic analysis. A novel simulation strategy for generating SAR interferograms is also presented using parameters extracted from real SAR imagery, establishing the basis for a dataset that accurately mirrors real-world InSAR physical properties. Additionally, an assessment of the reliability in the filtered phase is computed, providing a comprehensive understanding of the quality linked to our phase estimations. After that, we addressed the intricate challenge of identifying phase discontinuities, a critical element in ensuring the precision of phase unwrapping. These abrupt transitions hold the key to accurate unwrapped phase values, preventing results from distortions. Within the complexities of real-world scenarios, where noise necessitates filtering and unwrapping depends on a noise-free phase, we introduced a comprehensive approach to estimating phase discontinuities starting from our filtered data. Finally, we addressed the task of change detection within open-pit mines. Recognizing the impact of mine alterations on safety, efficiency, and environmental impact, we leverage deep learning to detect changes using high-resolution SAR images accurately. In summation, this thesis delves deeply into the complexities of InSAR, harnessing deep learning methodologies to overcome challenges and unlock the technology's true potential. Our approaches leverage neural networks while intricately considering the underlying physics of the data. Indeed, we actively guide the learning process rather than passively feeding data and relying solely on deep learning for autonomous decision-making. Through the developed methods encompassing accurate phase filtering, coherence estimation, phase discontinuity identification, and change detection, this research redefines the boundaries of InSAR's capabilities, forging a path toward more profound insights and transformative applications across diverse disciplines.

Il Radar ad Apertura Sintetica (SAR) rappresenta un sistema avanzato di cattura delle immagini basato sulle microonde che funziona attraverso l’elaborazione coerente dei segnali. Questo sistema è unico nella sua capacità di penetrare le coperture nuvolose grazie all’utilizzo di frequenze a microonde e, data la sua natura attiva, ne garantisce il funzionamento costante sia di giorno che di notte. Sfruttando queste capacità, la tecnica dell’Interferometria Radar ad Apertura Sintetica (InSAR) ha portato una rivoluzione nel campo del telerilevamento, offrendo una precisione senza precedenti nel monitoraggio della superficie terrestre. Infatti, l’InSAR permette di misurare con precisione i movimenti del terreno, le deformazioni e i cambiamenti topografici, fornendo dati preziosi per svariate applicazioni scientifiche e pratiche. Tuttavia, nonostante il suo grande potenziale, l’InSAR affronta sfide significative dovute alla presenza di rumori e artefatti nei dati, che possono compromettere in modo significativo l’accuratezza e l’affidabilità dei risultati. L’obiettivo di questa tesi è quello di sviluppare nuove metodologie per l’elaborazione e l’analisi dei dati InSAR, sfruttando le potenzialità del Deep Learning. L’indagine inizia con lo studio del filtraggio della fase e della stima della coerenza, processi fondamentali per massimizzare il potenziale delle metodologie sviluppate successivamente in questo trattato. In particolare, è stato introdotto un modello innovativo finalizzato alla riduzione del rumore, alla conservazione dei pattern e alla mitigazione degli artefatti nei segnali filtrati. L’accuratezza del segnale filtrato garantisce l’affidabilità dei risultati a seguito dell’unwrap della fase, migliorando così l’analisi complessiva delle deformazioni o delle variazioni topografiche. Viene inoltre presentata una nuova strategia di simulazione che consente di generare interferogrammi SAR utilizzando parametri estratti da immagini SAR reali, ottenendo così un dataset in grado di riflettere fedelmente le proprietà fisiche del dato nel mondo reale. Infine, viene condotta una valutazione dell’affidabilità della fase filtrata, fornendo una comprensione completa della qualità legata alle nostre stime di fase. Successivamente, è stata affrontata la complessa sfida di identificare le discontinuità di fase, poiché questo elemento rappresenta una criticità nel garantire la precisione dell’unwrap della fase, ed evitare così l’introduzione di distorsioni nei risultati finali. Viene quindi presentato un nuovo approccio per stimare le discontinuità di fase a partire dai dati filtrati. L’ utilizzo di un dato iniziale filtrato è una condizione fondamentale in un contesto reale, in quanto le analisi si basano sull’unwrap della fase priva di rumore. In ultima analisi, è stato affrontato il problema del rilevamento dei cambiamenti nelle miniere a cielo aperto. Riconoscendo l’impatto delle miniere sulla sicurezza, l’efficienza e le ripercussioni sull’ambiente, è stata sviluppata una metodologia che consente di rilevare accuratamente i cambiamenti sulla superficie terrestre tramite coppie di immagini SAR ad alta risoluzione. In conclusione, questa tesi approfondisce le criticità dell’InSAR, sfruttando le metodologie Deep Learning per superare le sfide e svelare il vero potenziale di questa tecnologia. Tutti gli approcci sviluppati considerano intrinsecamente la fisica dei dati, guidando così attivamente il processo di apprendimento anziché alimentarlo passivamente. L’obiettivo di questa ricerca è quello di ridefinire i limiti delle capacità dell’InSAR, aprendo la strada a intuizioni più profonde e applicazioni innovative in diverse discipline.