Change detection for phase estimation in large InSAR datasets

Synthetic Aperture Radar (SAR) and SAR Interferometry (InSAR) have proven effective for monitoring surface deformation and infrastructure health. However, a key challenge for existing algorithms is their difficulty in handling temporal changes, which jeopardizes the analysis of partially stable targets. The development of SAR-based change detection methods is therefore paramount for applications like hazard prevention, as they can provide change information well before target motion estimation, thereby complementing standard InSAR analysis and aiding in the interpretation of time series. SAR-based change detection approaches can be classified as time-series based (TS-CD), which works downstream of deformation analyses, as amplitude-based (ACD) or coherence-based (CCD), which work upstream, making them the most effective for enhanced InSAR analysis. Many traditional ACD and CCD methods suffer from significant limitations. The statistical based ones often rely on strong theoretical assumptions that limit their applicability when these assumptions are not met, and they may require calibration data under steady-state conditions (i.e., datasets where the targets are known to be stable). Deep Learning (DL)- based methods face two challenges: a lack of large, reliable labeled datasets for robust training, and a general difficulty in interpreting their outputs in a classical statistical sense. Furthermore, most existing algorithms rely on a single information source, either amplitude or coherence. These sources are generally considered orthogonal in this field due to their different resolutions, and the potential of mixing them for a comprehensive understanding of a change phenomenon is neglected. To address these limitations, this research aims to provide upstream change detection algorithms for a change-conscious InSAR framework. Initially, an interferometric interpretation and formalization of changes is discussed, distinguishing between Definitive, or abrupt, Change (DC), and Temporary Change (TC) based on their unique signature in the coherence matrix. The work then presents two CCD algorithms: the Permutational Change Detection (PCD), a first step toward a fully non-parametric CCD specialized for DC detection, and the Band-limited Uncalibrated Detector (BUD). BUD advances the development of a fully non-parametric CCD by inferring changes, regardless of their nature, through directly testing the multi-temporal evolution of the observed coherence samples. Additionally, BUD proposes a novel way of interpreting change detection results, moving from traditional binary maps to more quantitative information for in-depth analysis. Furthermore, it also proposes a multi-frequency/multi-geometry analysis that can serve as a cross-validation of the detected changes. The goal of inferring not only a change but also its nature is achieved through DANINET (Deep Analysis for Non-stable InSAR targets Network). DANI-NET represents the first effective method to infer a change’s nature and spatio-temporal location. It uniquely unifies amplitude and coherence information, proposing the first such unified approach for SAR-based change detection. Furthermore, DANI-NET follows a fully synthetic-based training and testing strategy. This synthetic dataset models the effects of changes on coherence and amplitude and, at the same time, satisfies the need for a transparent, interpretable, and explainable DL-based method, revealing interesting insights into its decision-making process. Synthetic analyses demonstrate the robustness and competitiveness of PCD, BUD, and DANI-NET against a diverse set of state-of-the-art methods. The frameworks are validated across multiple real-world applications, ranging from mostly rural to urban scenarios, to demonstrate their wider applicability and flexibility.

Il Radar ad Apertura Sintetica (SAR) e l’ Interferometria SAR (InSAR) si sono dimostrati efficaci per il monitoraggio della deformazione superficiale e della salute delle infrastrutture. Tuttavia, una sfida chiave per gli algoritmi esistenti è la loro difficoltà nel gestire i cambiamenti temporali, il che compromette l’analisi di bersagli parzialmente stabili. Lo sviluppo di metodi di rilevamento dei cambiamenti basati su SAR è quindi di fondamentale importanza per applicazioni come la prevenzione dei rischi, poiché possono fornire informazioni sui cambiamenti ben prima della stima del movimento dei bersagli, integrando così l’analisi InSAR standard e aiutando nell’interpretazione delle serie temporali. Gli approcci di rilevamento dei cambiamenti basati su SAR possono essere classificati come basati su serie temporali (TS-CD), che funzionano a valle delle analisi di deformazione, come basati sull’ampiezza (ACD) o basati sulla coerenza (CCD), che funzionano a monte, il che li rende più efficaci per una analisi InSAR più avanzata. Molti metodi tradizionali ACD e CCD soffrono di limitazioni significative. I metodi statistici si basano spesso su forti ipotesi teoriche che ne limitano l’applicabilità quando tali ipotesi non sono soddisfatte, e possono richiedere dati di calibrazione in condizioni di stato stazionario (cioè, insiemi di dati dove i bersagli sono noti essere stabili). I metodi basati sul Deep Learning (DL) affrontano due sfide: la mancanza di verità a terra ampie ed affidabili per un addestramento robusto, e una generale difficoltà nell’interpretare i loro output in senso statistico classico. Inoltre, la maggior parte degli algoritmi esistenti si basa su una singola fonte di informazione, o ampiezza o coerenza. Queste fonti sono generalmente considerate ortogonali in questo campo a causa delle loro diverse risoluzioni, e il potenziale di combinarle per una comprensione completa di un fenomeno di cambiamento viene trascurato. Per affrontare queste limitazioni, questa ricerca mira a fornire algoritmi di rilevamento dei cambiamenti a monte per un framework InSAR change-conscious. Inizialmente, viene discussa un’interpretazione e una formalizzazione interferometrica dei cambiamenti, distinguendo tra Cambiamento Definitivo, o brusco, (DC) e Cambiamento Temporaneo (TC) in base alla loro firma specifica nella matrice di coerenza. Il lavoro presenta quindi due algoritmi CCD: il Permutational Change Detection (PCD), un primo passo verso un CCD completamente non parametrico specializzato per il rilevamento di DC, e il Bandlimited Uncalibrated Detector (BUD), che definitivamente compie il passo verso un CCD completamente non parametrico inferendo un cambiamento, indipendentemente dalla sua natura, testando direttamente l’evoluzione multi-temporale dei campioni di coerenza osservati. Inoltre, BUD propone un nuovo modo di interpretare i risultati del rilevamento dei cambiamenti, passando da mappe binarie tradizionali a informazioni più quantitative per un’analisi più approfondita. Inoltre, propone anche un’analisi multi-frequenza multi-geometria che può servire come validazione incrociata dei cambiamenti rilevati. L’obiettivo di regredire non solo un cambiamento ma anche la sua natura è raggiunto attraverso DANI-NET (Deep Analysis for Non-stable InSAR targets Network). DANINET rappresenta il primo metodo efficace per inferire la natura e la posizione spaziotemporale di un cambiamento. Esso unifica in modo unico le informazioni di ampiezza e coerenza, proponendo il primo approccio unificato di questo tipo per il rilevamento dei cambiamenti basato su SAR. Inoltre, DANI-NET segue una strategia di addestramento e test interamente basata su dati sintetici. Questo insieme di dati sintetici modella gli effetti dei cambiamenti sulla coerenza e sull’ampiezza e, allo stesso tempo, soddisfa la necessità di un metodo basato su DL trasparente, interpretabile e spiegabile, rivelando spunti interessanti sul processo decisionale alla base delle sue previsioni. Le analisi sintetiche dimostrano la robustezza e la competitività di PCD, BUD e DANINET rispetto a un insieme diversificato di metodi tradizionali. Tutti gli algoritmi sono validati in molteplici applicazioni del mondo reale, che vanno da scenari prevalentemente rurali a urbani, per dimostrarne la generale applicabilità e flessibilità.