Sinergia de SAR interferométrico y aprendizaje automático/profundo para evaluar peligros naturales

Los movimientos naturales de la Tierra y de las actividades humanas generan desplazamientos continuos del suelo, afectando la vida humana y la economía. Con el fin de mitigar y reducir el impacto de tales desplazamientos, es necesario realizar un monitoreo preciso y frecuente de sus características espaciales y temporales. La tecnología de teledetección ofrece diversos recursos temporales y espaciales que son adecuados para monitorear activamente y medir la intensidad de los desplazamientos del suelo. Esta información puede ser utilizada para prevenir riesgos, predecir eventos y gestionar los peligros asociados.

Un sistema activo de teledetección remota, conocido como radar de apertura sintética (SAR), permite realizar mediciones precisas en cualquier momento de los desplazamientos del suelo utilizando una técnica llamada interferometría SAR (InSAR). La InSAR permite el monitoreo a una escala milimétrica de deformaciones en áreas pequeñas a amplias afectadas por peligros geológicos como terremotos, actividades volcánicas, deslizamientos de tierra y subsidencia.

Este estudio de doctorado persigue el desarrollo de metodologías para modelar el comportamiento de los desplazamientos del suelo en series temporales de InSAR. Por lo tanto, se realiza un análisis empírico y modelado de las series temporales de desplazamientos para investigar diversas y dominantes tendencias utilizando enfoques estadísticos robustos. Para lograr esto, se propone una herramienta de clasificación automática para las series temporales de InSAR a fin de clasificar con precisión siete tipos de tendencias de desplazamiento utilizando pruebas y condiciones estadísticas escalonadas. El flujo de trabajo propuesto se aplica y evalúa en conjuntos de datos simulados y reales de series temporales de InSAR de Barcelona y tres casos de deslizamientos de tierra en Granada, España.

Se presenta una herramienta para respaldar la predicción e identificación de rupturas en regiones peligrosas. La herramienta está diseñada como una entrada para un sistema de alerta temprana que utiliza resultados espaciotemporales de un modelo de aprendizaje profundo conocido como memoria a largo plazo con redes neuronales recurrentes (LSTM). Su objetivo es activar alarmas confiables antes de eventos de alto riesgo.