Application of Sentinel-1 InSAR to monitor tailings dams and predict geotechnical instability: practical considerations based on case study insights
Notice bibliographique
Résumé
Abstract Tailings storage facilities (TSFs) impound mining waste behind dams to ensure public safety, but failure incidents have prompted calls for more robust monitoring programs. Satellite-based interferometric synthetic aperture radar (InSAR) has grown in popularity due to its ability to remotely detect millimeter-scale displacements in most urban and some natural terrains. However, there remains a limited understanding of whether InSAR can be as accurate or representative as on-the-ground instruments, whether failures can be predicted in advance using InSAR, and what variables govern the quality and reliability of InSAR results. To address these gaps, we analyze open-source, medium-resolution Sentinel-1 data to undertake a ground-truth assessment at a test site and a forensic analysis of five failure cases. We use a commercial software with an automated Persistent Scatterer (PS) workflow (SARScape Analytics) for all case study sites except one and a proprietary algorithm (SqueeSAR) with a dual PS and Distributed Scatterer (DS) algorithm for the ground-truth site and one forensic case. The main goal is to deliver practical insights regarding the influence of algorithm/satellite selection, environmental conditions, site activity, coherence thresholds, satellite-dam geometry, and failure modes. We conclude that Sentinel-1 InSAR can serve as a hazard-screening tool to help guide where to undertake targeted investigations; however, most potential failure modes may not exhibit InSAR-detectable accelerations that could assist with time-of-failure prediction in real time. As such, long-term monitoring programs should ideally be integrated with a combination of remote sensing and field instrumentation to best support engineering practice and judgment.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».