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

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.