Ground deformation characterization using machine learning and multi-sensor PS-InSAR

Satellite-based interferometric monitoring through Persistent Scatterer (PS) techniques has become a fundamental tool for ground deformation assessment. The growing availability of PS data from different satellites, while offering unprecedented opportunities for comprehensive monitoring, raises fundamental questions about efficient data integration and interpretation strategies. This research develops auto-mated methodologies for enhancing ground deformation characterization through the integration of multi-sensor PS data and Machine Learning techniques, with a particular focus on supporting post-earthquake reconstruction planning in the Central Apennines (Italy). The research progressively advances from spatial to temporal analysis approaches. Initial developments focus on a multi-sensor prioritization framework that combines PS measurements with socio-economic indicators to assess landslide impacts on urban areas systematically. This is followed by the implementation of a data fusion methodology based on a weighted least squares approach with an adaptive weighting scheme that generates synthetic measurement points capturing integrated displacement contributions. The temporal evolution of ground movements is then investigated through the analysis of displacement time series and their relationship with environmental drivers. Finally, a multivariate clustering framework is developed to analyze the spatiotemporal evolution of ground deformation processes through the integrated analysis of two-dimensional displacement patterns and their spatial context. The results demonstrate that multi-sensor integration significantly enhances ground deformation characterization by overcoming single-sensor limitations in terms of spatial coverage and information content. The developed prioritization framework enables systematic identification of high-risk areas, revealing that 30% of analyzed landslides exhibit displacement beyond their mapped perimeters. This significant percentage indicates potential expansion or underestimation of landslide boundaries, providing evidence-based insights for directing reconstruction planning efforts toward areas requiring detailed investigation. Temporal analysis established clear correlations between extreme rainfall events and acceleration periods in displacement time series, particularly evident in cases where intense precipitation followed extended dry periods. In the context of observed climate trends, the understanding of trigger-response relationships becomes crucial for implementing preventive and adaptive measures to reduce potential impacts. Finally, the multivariate time series analysis successfully classified distinct deformation patterns and delineated unstable areas in regions with complex displacement combinations, while revealing the underlying logic of the clustering process. This interpretable spatiotemporal characterization provides new insights into the evolution and extent of ground deformation dynamics, offering quantitative evidence to support the development of site-specific mitigation strategies based on the identified deformation behaviors. These methodological developments bridge the gap between monitoring capabilities and operational needs in post-event reconstruction scenarios, supporting efficient resource allocation and risk mitigation planning. The research demonstrates how automated post-processing of multi-sensor interferometric data advances the technical capabilities and practical applications of ground deformation monitoring, providing decision-makers with quantitative evidence for implementing targeted intervention strategies. However, while the application of current Machine Learning techniques to this context represents a significant step forward, the intrinsic complexity of deformation phenomena and their multi-parametric nature suggest the need to develop more sophisticated and specific approaches, beyond the mere adaptation of existing methodologies, to characterize the dynamics of deformation processes.

Il monitoraggio satellitare interferometrico basato sui Persistent Scatterer (PS) rappresenta oggi uno strumento essenziale per l’analisi delle deformazioni superficiali. L’aumento della disponibilità di dati PS provenienti da diverse piattaforme satellitari apre nuove opportunità per un monitoraggio integrato, richiedendo però lo sviluppo di strategie innovative per una loro efficace interpretazione. Questa ricerca propone metodologie avanzate per caratterizzare i processi deformativi superficiali, combinando dati PS multi-sensore con tecniche di Machine Learning, con particolare attenzione al supporto della ricostruzione post-sisma nell’Appennino Centrale. Lo studio si sviluppa in un percorso progressivo che integra analisi spaziale e temporale. La prima fase introduce un sistema di prioritizzazione che integra dati PS e indicatori socio-economici per valutare l’impatto delle frane in aree urbane. Successivamente, si propone una metodologia di fusione dei dati multi-sensore basata su un approccio pesato ai minimi quadrati, con l’obiettivo di generare punti di misura sintetici rappresentativi degli spostamenti complessivi. L’analisi prosegue con lo studio dell’evoluzione temporale delle deformazioni in relazione a fattori ambientali innescanti, culminando in un clustering multivariato dei processi deformativi nel dominio spazio-temporale. I risultati dimostrano come l’integrazione multi-sensore superi le limitazioni dei singoli sensori, migliorando significativamente la caratterizzazione delle deformazioni. Il sistema di prioritizzazione mostra che il 30% delle frane analizzate presenta deformazioni superiori ai limiti cartografati, suggerendo possibili sottostime delle aree instabili e fornendo indicazioni cruciali per la pianificazione degli interventi di ricostruzione. L’analisi temporale evidenzia significative correlazioni tra eventi di precipitazioni estreme e accelerazioni delle deformazioni, in particolare quando a periodi di siccità prolungata seguono intense precipitazioni. Nell’attuale contesto dei cambiamenti climatici, questa comprensione delle relazioni causa-effetto risulta essenziale per lo sviluppo di misure preventive efficaci. L’analisi multivariata permette inoltre di identificare distinti pattern deformativi e di delineare aree instabili caratterizzate da dinamiche complesse, offrendo una caratterizzazione interpretabile dei processi in atto. Le metodologie sviluppate costituiscono un ponte tra le potenzialità del monitoraggio satellitare e le esigenze operative nella gestione post-evento, facilitando l’ottimizzazione delle risorse e la pianificazione degli interventi di mitigazione. La ricerca evidenzia come l’elaborazione automatizzata dei dati interferometrici multi-sensore possa potenziare sia gli aspetti tecnici che applicativi del monitoraggio delle deformazioni, fornendo elementi quantitativi utili per definire strategie di intervento mirate. Tuttavia, sebbene l’applicazione delle attuali tecniche di Machine Learning rappresenti un significativo passo avanti verso una migliore comprensione dei fenomeni deformativi, la loro complessità intrinseca e natura multi-parametrica sottolineano la necessità di sviluppare approcci più sofisticati e specifici. Questi nuovi metodi dovrebbero andare oltre il semplice adattamento delle tecniche esistenti per consentire una caratterizzazione più completa della dinamica evolutiva di questi processi.