Learning to observe Earth from satellite synthetic aperture radar sensors through deep learning methodologies

Synthetic Aperture Radar (SAR) sensors have undoubtedly reinforced the growth potential of Earth observation (EO) applications. SAR sensors allow collecting information about the physical properties of the illuminated surface and its distance, thus allowing the monitoring of ground deformation phenomena. To this end, ground displacements must be estimated and accurate tools of analysis must be implemented to skim the huge amount of information to focus on the events that deserve a thorough investigation. Advanced SAR interferometry (InSAR) techniques allow obtaining displacements time series with millimeter accuracy. However, errors due to a particular noise known as speckle or an incorrect phase unwrapping, an unavoidable step in the InSAR analysis, may affect the estimate. This thesis strengthens the analysis of satellite SAR images through the use of deep learning (DL) methods. First, we address the problem of reducing the speckle effect in SAR images using simulated data to train an encoder-decoder deep neural network (DNN). We introduce a finetuning stage on real SAR images and provide a modified total variation (TV) regularization to obtain smoother results while preserving the details. The use of the encoder-decoder architecture with skip connections enables better preservation of the details compared to state-of-the-art approaches and the finetuning strategy guarantees a better generalization. In addition, we report the promising results obtained in our preliminary attempt to learn the speckle filter in an unpaired image-to-image translation setting that uses generative adversarial networks (GANs). Then, we provide a solution to the problem of automatically detecting trend changes in InSAR time series. The proposed method consists of a deep recurrent neural network (RNN) that combines the information about the ground displacement and the temporal baseline associated with the SAR acquisitions to predict the change points. We demonstrate the validity of the proposed approach in several simulated scenarios, where it outperforms the reference algorithm. In addition, we show how the provided method can generalize when applied to real InSAR time series by reporting the analysis on a continuous monitoring project. Finally, we provide a novel solution to the phase unwrapping problem, a well-known challenging task in InSAR analysis. The proposed method, which outperforms state of the art, replaces traditional black-box end-to-end architectures with an explainable learnable system that automatically learns to interface with a phase unwrapping optimization algorithm by predicting intermediate representation that improves the algorithm solution, effectively exploiting the benefits of both learnable and algorithmic approaches. Overall, this thesis provides novel solutions for analyzing satellite SAR-derived data through the exploitation of deep learning techniques, thus increasing its operational use.

I radar ad apertura sintetica (SAR) hanno indubbiamente rafforzato il potenziale di crescita delle applicazioni per osservazione della Terra. I sensori SAR consentono di raccogliere informazioni sulle proprietà fisiche della superficie illuminata e sulla sua distanza, consentendo così il monitoraggio dei fenomeni di deformazione del suolo. A tal fine è importante stimare gli spostamenti del suolo e usare strumenti di analisi accurati per scremare l'enorme quantità di informazioni e concentrarsi sugli eventi che meritano un'indagine approfondita. Le tecniche di interferometria SAR avanzata (InSAR) consentono di ottenere serie temporali di spostamenti del suolo con precisione millimetrica. Tuttavia, errori dovuti a un particolare rumore noto come speckle o a un'errato phase unwrapping, passaggio inevitabile nell'analisi InSAR, possono influenzare la stima. Questo lavoro di tesi rafforza l'analisi delle immagini SAR satellitari attraverso l'uso di metodi di deep learning (DL). In primo luogo, affrontiamo il problema della riduzione dello speckle nelle immagini SAR utilizzando dati simulati per addestrare una rete neurale profonda (DNN) con architettura encoder-decoder. Inoltre viene eseguita in un secondo momento una fase di finetuning del modello usando immagini SAR reali e applicando una versione modificata della regolarizzazione total variation (TV) per ottenere risultati più uniformi preservando i dettagli. L'utilizzo dell'architettura encoder-decoder, grazie anche all'uso di skip connection, consente una migliore ricostruzione dei dettagli rispetto agli approcci dello stato dell'arte e la strategia di finetuning garantisce una migliore generalizzazione. Inoltre, riportiamo i risultati ottenuti dal lavoro preliminare in cui impostiamo l'apprendimento della rete di filtraggio come problema di traduzione di immagini, che fa uso di reti generative avversarie (GAN). Succesivamente, forniamo una soluzione al problema del rilevamento automatico dei cambiamenti di trend nelle serie temporali InSAR. Il metodo proposto consiste in una rete neurale ricorrente profonda (RNN) che combina le informazioni sullo spostamento del suolo e l'intervallo temporale associato alle acquisizioni SAR al fine di riconoscere punti di cambiamento. Dimostriamo la validità dell'approccio proposto in diversi scenari simulati, mostrando come il metodo proposto superi l'algoritmo di riferimento. Inoltre, mostriamo come il metodo è in grado di generalizzare quando applicato a serie temporali InSAR reali, riportando l'analisi svolta in un progetto di continuous monitoring. Infine, forniamo una nuova soluzione al problema del phase unwrapping, un task noto nell'analisi InSAR per la sua complessità. Il metodo proposto, che migliora rispetto allo stato dell'arte, sostituisce le tradizionali architetture end-to-end black-box con un sistema di apprendimento spiegabile, che impara automaticamente a interfacciarsi con un algoritmo esistente di phase unwrapping, apprendendo una rappresentazione dell'input intermedia che migliori la soluzione dell'algoritmo stesso. Il metodo proposto sfrutta quindi efficacemente i vantaggi di entrambi gli approcci, DL e algoritmico. Nel complesso, questa tesi fornisce nuove soluzioni per l'analisi dei dati satellitari SAR, attraverso tecniche di deep learning, aumentando così il loro utilizzo operativo.