Comparteix:

Sinèrgia de SAR interferomètric i aprenentatge automàtic/profund per avaluar els perills naturals

31/01/2024

S. Mohammad Mirmazloumi va defensar la seva tesi codirigida per Michele Crosetto i Oriol Monserrat el 30 de Gener de 2024 al Campus del Baix Llobregat en el Centre Tecnològic de Telecomunicacions de Catalunya (CTTC). La tesi és titulada "Advanced Modeling of InSAR Time Series for Ground Displacement Hazard Assessment".

Els moviments naturals de la Terra i les activitats d'origen humà generen desplaçaments continus al sòl, afectant la vida humana i l'economia. Per tal de mitigar i reduir l'impacte d'aquests desplaçaments, és necessari realitzar un seguiment precís i freqüent de les seves característiques espacials i temporals. La tecnologia de teledetecció ofereix diversos recursos temporals i espacials que són adequats per al seguiment actiu i la mesura de la intensitat dels desplaçaments del sòl. Aquesta informació pot ser utilitzada per prevenir riscos, predir esdeveniments i gestionar els perills associats.

Un sistema actiu de teledetecció remota, conegut com a radar d'obertura sintètica (SAR), permet mesures precises en qualsevol moment dels desplaçaments del sòl utilitzant una tècnica anomenada interferometria SAR (InSAR). La InSAR permet el seguiment a una escala mil·limètrica de deformacions en àrees petites a àmplies afectades per riscos geològics com terratrèmols, activitats volcàniques, esllavissades de terra i subsidència.

Aquest estudi de doctorat persegueix el desenvolupament de metodologies per modelar el comportament dels desplaçaments del sòl en sèries temporals de InSAR. Per tant, es realitza una anàlisi empírica i modelatge de les sèries temporals de desplaçaments per investigar diverses i dominants tendències utilitzant enfocaments estadístics robustos. Per aconseguir això, es proposa una eina de classificació automàtica per a les sèries temporals de InSAR amb la finalitat de classificar amb precisió set tipus de tendències de desplaçament utilitzant proves i condicions estadístiques esglaonades. El flux de treball proposat s'aplica i s'avalua en conjunts de dades simulades i reals de sèries temporals de InSAR de Barcelona i tres casos d'esllavissades de terra a Granada, Espanya.

Es presenta una eina de suport a la predicció i identificació de fallades en regions perilloses. L'eina està dissenyada com a entrada per a un sistema d'alerta precoç que fa servir resultats espai-temporals d'un model d'aprenentatge profund conegut com a memòria a llarg termini amb xarxes neuronals recurrents (LSTM). El seu objectiu és activar alarmes fiables abans d'esdeveniments d'alt risc.

Keywords
r_n