《Remote Sensing Applications: Society and Environment》:GNSS-supervised machine learning framework for quality assessment of InSAR ground motion via spatial residual decomposition
编辑推荐:
大陆尺度InSAR(干涉合成孔径雷达)产品,如欧洲地面运动服务(EGMS),提供了前所未有的地面形变空间覆盖,但测量可靠性在地形类型、相干性(coherence)体制和散射体密度之间差异显著。因此,在点级别区分可靠与不稳定测量仍然是运营形变监测的核心挑战。本研
大陆尺度InSAR(干涉合成孔径雷达)产品,如欧洲地面运动服务(EGMS),提供了前所未有的地面形变空间覆盖,但测量可靠性在地形类型、相干性(coherence)体制和散射体密度之间差异显著。因此,在点级别区分可靠与不稳定测量仍然是运营形变监测的核心挑战。本研究引入了一种GNSS(全球导航卫星系统)监督的机器学习框架,即空间置信度残差变形分析与机器学习(SCRDA-ML),旨在通过物理上可解释的空间残差建模来量化和分类InSAR测量质量。局部形变行为在10 km移动窗口内使用平面、二次和三次多项式曲面拟合进行表征。为每个散射体导出残差幅度、局部方差和归一化置信度度量,形成九维空间特征集。在瓦片尺度(100 km × 100 km)上,应用基于密度的聚类(HDBSCAN,层次密度聚类)在监督分类之前表征形变体制结构。使用10 km共定位阈值从瓦片E33N34获得总共1005个GNSS–InSAR匹配样本,并通过分层80–10–10分割(804训练,100验证,101测试)进行划分。GNSS观测仅用于基于偏差的质量标记,而非回归建模;由于只有一个GNSS台站满足共定位约束,尽管偏差类别清晰分离,速度相关性固有有限。评估了三个分类器:XGBoost、多层感知机(MLP)和贝叶斯神经网络(SCRDA-Bayes)。在独立测试子集上,XGBoost实现了完美的类别分离(宏F1 = 1.00;ROC-AUC > 0.98),反映了SCRDA导出的空间特征强大的判别能力。在对两个未见瓦片的跨站点推断中,SCRDA-Bayes在低相干条件下表现出优越的空间鲁棒性和更平滑的分类边界。特征重要性分析确定了二次模型置信度和平面残差度量作为散射体可靠性的主导预测因子。
本研究基于论文《Remote Sensing Applications: Society and Environment》发表,旨在解决大陆尺度InSAR产品(如欧洲地面运动服务(EGMS))中测量可靠性因地形、相干性体制和散射体密度而异的问题。当前质量评估策略主要依赖聚合统计、相干性阈值或区域残差分析,但缺乏空间自适应、点级置信度度量,且难以推广至无GNSS(全球导航卫星系统)覆盖区域。为此,研究人员提出SCRDA-ML(空间置信度残差变形分析与机器学习)框架,结合空间残差建模与机器学习,实现可解释、可迁移的InSAR测量质量分类。该研究利用英国西部三个EGMS Level-3瓦片(E33N34、E33N37、E33N40),通过空间残差分解和GNSS监督标记,评估了XGBoost、MLP(多层感知机)和SCRDA-Bayes三种分类器的性能,并验证了跨站点泛化能力。结论表明,SCRDA-Bayes在低相干区域表现更鲁棒,而物理可解释的残差特征(如二次模型置信度)是分类的关键。
主要技术方法包括:①SCRDA空间残差分解:在10 km移动窗口内,对InSAR视线向(LoS)速度进行平面、二次和三次多项式曲面拟合,计算每个点的残差、局部方差和归一化置信度,形成九维特征向量;②密度聚类:在瓦片尺度(100 km × 100 km)使用HDBSCAN(层次密度聚类)算法,基于Haversine距离度量,识别形变体制结构(参数:min_cluster_size=30,min_samples=15,空间epsilon阈值0.005°);③GNSS监督标记:从10个永久性GNSS台站(来源:EUREF永久网络(EPN)和英国地形测量局档案)获取数据,在E33N34瓦片内通过10 km共定位阈值获得1005个匹配样本,按偏差绝对值(≤2 mm/yr为Good,2–5 mm/yr为Moderate,>5 mm/yr为Poor)进行质量标记,并采用分层80–10–10分割(训练804,验证100,测试101);④分类器评估:使用XGBoost(梯度提升树)、MLP(全连接前馈神经网络,ReLU激活)和SCRDA-Bayes(基于MC Dropout的贝叶斯神经网络),通过网格搜索优化超参数,在E33N34测试集上评估,并应用于E33N37和E33N40瓦片进行跨站点泛化测试。
研究结果如下:
3.1 Overview of study sites and point density(研究站点与点密度概述)
通过全局HDBSCAN聚类分析,瓦片E33N34和E33N40表现出近乎完全的空间相干性(聚类比例分别为1.000和0.9995),而E33N37聚类比例较低(0.888),表明形变场结构不连续。点密度方面,E33N40最高(19.86点/km2),E33N34中等(8.31点/km2),E33N37最低(5.12点/km2),为评估模型在不同数据支持条件下的鲁棒性提供了控制实验。
3.2 Residual and confidence surface analysis(残差与置信度表面分析)
应用SCRDA平面、二次和三次多项式模型,残差均值接近零,但E33N37标准偏差最高(2.51 mm/yr)。三次模型在所有瓦片中产生最高平均置信度(E33N34为0.99)。在10 km窗口内,二次和三次模型因系数趋近零而退化为平面模型,导致残差和置信度一致,反映了SCRDA空间正则化对过拟合的抑制。
3.3 GNSS-InSAR validation(GNSS-InSAR验证)
基于E33N34瓦片中唯一GNSS台站,获得1005个匹配样本。偏差分布显示74.2%为Good(平均偏差-1.06 mm/yr),16.9%为Moderate,7.9%为Poor。Good类偏差标准差0.49 mm/yr,表明InSAR与GNSS高度一致;Poor类标准差3.58 mm/yr,反映空间去相关或噪声。
3.4 Classification performance – Model comparison(分类性能——模型比较)
在E33N34测试集上,XGBoost实现完美分类(准确率=1.000,Cohen’s κ=1.000),MLP性能略低(准确率=0.992,κ=0.980),SCRDA-Bayes(准确率=0.998,κ=0.995)。跨站点推断中,SCRDA-Bayes在低相干瓦片E33N37上预测Good类比例(72.14%)远高于XGBoost(14.36%)和MLP(14.79%),表现出更平滑、鲁棒的分类边界。
3.5 Feature importance and interpretability(特征重要性与可解释性)
基于增益的特征重要性分析显示,二次模型置信度(conf_local_quad)是最重要特征,其次为平面残差(residual_local_planar)和三次方差。Pearson和Spearman相关分析表明,不同多项式阶次的残差特征间存在几乎完美线性相关,VIF(方差膨胀因子)值极高,但非线性分类器(如XGBoost、神经网络)不受此影响。
3.6 Comparison with other studies(与其他研究比较)
与现有EGMS验证研究(如Martins等2024,Vradi等2023)相比,SCRDA-ML提供了点级、空间自适应的可靠性分类,而非仅聚合统计。与机器学习形变预测研究(如Naghibi等2022)相比,SCRDA-ML专注于基于GNSS监督的协议级分类,强调空间残差一致性。
讨论部分总结:本研究验证了空间残差分解结合监督学习可提供可解释、可迁移的InSAR质量分类框架。形变可靠性主要由空间相干性结构决定,而非点密度。GNSS监督仅用于标记,分类器依赖SCRDA空间特征。SCRDA-Bayes在低相干条件下表现更保守,符合不确定性感知范式。局限性包括:监督评估局限于E33N34瓦片,仅依赖单个GNSS台站,固定10 km窗口可能平滑局部梯度,且GNSS自身不确定性未直接量化。研究结论翻译如下:
5. 结论
分析表明,SCRDA-ML框架在整合局部表面统计与机器学习以评估和分类InSAR散射体质量方面具有有效性,涉及所有评估阶段。结论如下:
• 模型性能高度依赖于相干性:XGBoost和MLP分类器在高相干区域达到近乎完美准确率,但在低相干区域因对训练条件变化的敏感性而显著退化。相比之下,所提出的SCRDA-Bayes分类器在不同相干水平下表现更稳定。
• SCRDA-Bayes在空间噪声下表现出更强的泛化能力:在最优设置下可能略显保守,但在碎片化或去相关瓦片中始终维持连贯的Good类簇,使其对多样地理环境更具鲁棒性。
• 特征重要性分析进一步确认,空间导出的度量——特别是二次拟合下的置信度值和平面拟合的残差——驱动了预测性能,这些特征主导模型决策,并凸显了空间信息曲面拟合的价值。
• 跨站点应用强调了分类器的权衡:当目标瓦片与训练数据共享相似相干性特征时,XGBoost和MLP泛化良好,但SCRDA-Bayes在异质或失配的相干性体制中提供了更高的可靠性。
• 基于局部GNSS的偏差监督揭示了质量类别间GNSS–InSAR偏差的清晰可分性,支持其作为局部空间学习监督信号的使用。这凸显了将地面真值大地测量参考整合到机器学习框架中,以增强InSAR形变分类的空间可靠性和可解释性的潜力,特别是在异质或低相干区域。
• SCRDA-ML成为一个可扩展、可解释的框架,用于InSAR时间序列分析的自动质量分类。其混合设计整合了空间相干性建模、机器学习分类和可解释性工具,这对于国家尺度地面运动监测系统的运营部署至关重要。经典模型在理想条件下表现良好,但SCRDA-Bayes为具有挑战性的地理空间环境提供了一个原则性替代方案,强化了现代大地测量基础设施中相干性感知学习策略的重要性。
除方法论贡献外,所提出的SCRDA-Bayes框架为遥感监测系统提供了实用价值。其能在噪声条件下自适应分类散射体质量,使其适合集成到支持地面形变监测、民用基础设施诊断和环境规划的运营工作流中。通过显式建模不确定性并利用空间结构,它促进了不同地理环境中InSAR产品的风险感知解释。