文献

J-GLOBAL ID：202202282945398561   整理番号：22A1101005

InSAR時系列における変化点検出のための深層学習アプローチ【JST・京大機械翻訳】

A Deep Learning Approach for Change Points Detection in InSAR Time Series

著者 (3件)： Lattari Francesco (Department of Electronics, Information and Bioengineering, Politecnico di Milano, Milan, Italy) ,  Rucci Alessio (TRE ALTAMIRA s.r.l., Milan, Italy) ,  Matteucci Matteo (Department of Electronics, Information and Bioengineering, Politecnico di Milano, Milan, Italy)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 60  ページ： ROMBUNNO.5223916.1-16  発行年： 2022年 
JST資料番号： H0016B  ISSN： 0196-2892  CODEN： IGRSD2  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 干渉SAR(InSAR)アルゴリズムは,地上変位を推定するために合成開口レーダ(SAR)画像を利用して,それは広い区域に関して各々の新しい衛星取得で更新した。得られた時系列の解析は,地震断層,沈下,地滑り,および都市構造に関するモニタリング作業において,その適用を見出し,正確でタイムリーな応答が必要である。典型的な解析は,異常変位を示す多数の時系列間の同定から成り,従って,さらに調査される。実際に,これは,歴史的挙動のトレンド変化によって特性化される時系列を選択することによって実現される。本研究では,InSAR時系列における変化点検出のための深層学習アプローチを提案した。設計したアーキテクチャは,長い短期メモリ(LSTM)セルを結合し,入力時系列のサンプルと時間ゲートLSTM(TGLSTM)セルの間の時間相関をモデル化し,学習中の追加情報としてサンプリング速度を考慮する。さらに,現実的なデータシミュレーションのための適切なパイプラインを開発することにより,グランドトルースの欠如に対する解決策を提案した。この方法を開発し,多数の実験で検証した。定量的および定性的解析の両者を行い,学習モデルの検出能力および統計的参照アルゴリズムに対する有効な代替法である方法を示した。さらに,イタリアのTuscany地域のInSAR時系列を分析するために,実際の連続モニタリングプロジェクトで開発した方法を適用し,実際の領域におけるその有効性を証明した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  記憶装置 ,  シミュレーション ,  *学習 ,  学習モデル ,  地滑り ,  画像 ,  地震断層 ,  都市構造 ,  計算機アーキテクチャ ,  合成開口レーダ ,  *機械学習
準シソーラス用語： *InSAR ,  サンプリング速度 ,  グランドトゥルース ,  *深層学習 , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： InSAR ,  時系列 ,  変化点検出 ,  深層学習