Ground surface displacement measurement from SAR imagery using deep learning
Notice bibliographique
Résumé
Offset tracking using synthetic aperture radar (SAR) amplitude imagery is a valuable technique for detecting large ground displacements. However, the traditional offset tracking methods with the SAR datasets are computationally intensive and require significant time for processing. We have developed a novel cross-connection Siamese ResNet (CC-ResSiamNet). The model leverages multi-kernel offset tracking for preprocessing, followed by deep learning architectures that incorporate U-Net, cross-connections, and residual and attention blocks to predict pixel offsets between two SAR amplitude images. It is trained and tested on 200 K pairs of reference and secondary SAR amplitude images, alongside corresponding target offset data from Alaska's glaciers. The comparative analysis with multiple deep learning models confirmed that our designed model is highly generalizable, achieving rapid convergence, minimal overfitting, and high prediction accuracy. Through multi-scenario inference with glacier movements, earthquakes, and volcanic eruptions worldwide, the model demonstrates strong performance, closely matching the accuracy of traditional methods while offering significantly faster processing times through parallel computing. The model's rapid displacement mapping capability shows particular promise for improving disaster response and near real-time surface monitoring. While the approach encounters challenges in accurately capturing small-scale displacements, it opens new possibilities for SAR-based surface displacement prediction using machine learning. This research highlights the advantages of combining deep learning with SAR imagery for advancing geophysical analysis, with future applications anticipated as more commercial and scientific SAR missions launch globally. • A novel deep learning model is developed to predict pixel offset using radar images. • The model is trained on a large dataset from glaciers in Alaska and Yukon Territory. • The model is evaluated for its accuracy in predicting offsets. • The model has the potential to predict displacements from earthquakes and volcanoes.
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 ».