Estimating Earthquake Magnitude in Sentinel-1 Imagery via Ranking

الخلاصة التقنية: تقدير قدر الزلزال في صور Sentinel-1 عبر الترتيب

تعريف المشكلة
يعتمد تقدير قدر الزلزال تقليديًا على المحطات السيزمية الفيزيائية. ومع ذلك، فإن التكاليف العالية والتحديات اللوجستية المرتبطة بتثبيت وصيانة هذه المحطات تحد من التغطية العالمية، مما يعيق مراقبة النشاط الزلزالي في المناطق النائية أو غير المخدومة. وعلى الرغم من أن بيانات رصد الأرض (EO) عبر الأقمار الصناعية، وتحديدًا رادار الفتحة الاصطناعية بفتحة ثابتة (SAR) من Sentinel-1، تقدم بديلًا واعدًا للمراقبة العالمية، إلا أن تطبيق تعلم الآلة في هذا المجال يواجه مشكلة "نظام البيانات المنخفضة" (low-data regime). إن ندرة الزلازل المسجلة تاريخيًا بالإضافة إلى صور الأقمار الصناعية تحد من أداء نماذج الانحدار التقليدية، والتي تواجه صعوبة في التعميم بفعالية مع مثل هذه المجموعات الصغيرة من البيانات.

المنهجية
لمعالجة تحدي ندرة البيانات، يقترح المؤلفون إعادة تعريف تقدير قدر الزلزال ليس فقط كمهمة انحدار، بل كمشكلة تعلم متري (metric learning). يكمن الابتكار الجوهري في استراتيجية تدريب تتضمن هدفين:

1. هدف الانحدار: يتنبأ النموذج بالقدر المطلق ($G_t$) من أزواج صور Sentinel-1 (قبل وبعد الحدث).
2. هدف الترتيب: يتم تدريب النموذج على ترتيب أزواج الصور بناءً على قدرها النسبي.

تجمع دالة الخسارة الإجمالية ($L$) بين متوسط مربع الخطأ المعياري (MSE) ($L_{MSE}$) وخسارة ترتيب الهامش ($L_{MR}$):
$$L = L_{MSE} + L_{MR}$$

تُعرف خسارة ترتيب الهامش كالتالي:
$$L_{MR}(x_1, x_2, y) = \max(0, -y \cdot (x_1 - x_2) + m)$$
حيث $x_1$ و $x_2$ هما القدر المتوقع لعينتين، و $y$ هو ملصق يشير إلى الترتيب النسبي (1 إذا كان $x_1 \geq x_2$، وإلا فهو -1)، و $m$ هو معلم فائق للهامش (تم ضبطه عند 0.02 في التجارب). يشجع هذا النهج النموذج على تعلم المسافة النسبية بين العينات ذات القدر المختلف دون الحاجة إلى بيانات إضافية مصنفة بخلاف قيم القدر الموجودة بالفعل.

الإعداد التجريبي
استخدمت الدراسة مجموعة بيانات QuakeSet، التي تضم 3,327 زوجًا من صور Sentinel-1 ثنائية القنوات (الاستقطاب VV و VH) بدقة 512 × 512 بكسل، تم التقاطها قبل وبعد الأحداث الزلزالية. قيم المؤلفون مجموعة متنوعة من البنيات لتحديد تأثير حجم النموذج ونوعه:

• الشبكات العصبية التلافيفية (CNNs): طراز ConvNeXt v2 (نسخة Atto) و MobileNet (نسختي Small و Large).
• المحولات (Transformers): طراز MobileViT v2 و ViT-tiny.

تم تهيئة جميع النماذج بأوزان مدربة مسبقًا على ImageNet، وتم تدريبها لمدة 10 حقبات (epochs) باستخدام مُحسن AdamW. تم قياس الأداء باستخدام متوسط الخطأ المطلق (MAE) والتكلفة الحسابية (FLOPS).

النتائج الرئيسية
أظهرت التجارب أن دمج هدف الترتيب حسن الأداء بشكل كبير عبر جميع البنيات المختبرة.

• تحسن الأداء: حققت الطريقة المقترحة تحسنًا في MAE بنسبة تزيد عن 30% مقارنة بنماذج الانحدار الصرفة.
• مقارنة البنيات:
  • حقق نموذج ConvNeXt v2 (Atto) أفضل النتائج الإجمالية، حيث خفض MAE من 0.2577 إلى 0.2287 عند استخدام خسارة الترتيب.
  • أظهر ViT-tiny أيضًا تحسنًا ملحوظًا، حيث انخفض من 0.3150 إلى 0.2613.
  • أثبت MobileNet-Small أنه حل عالي الكفاءة، حيث حقق MAE منخفضًا (0.3678 مع الترتيب) عند أدنى تكلفة حسابية (44.10 MFLOPs).
  • أظهر MobileNet-Large ميلاً نحو الإفراط في التخصيص (overfitting)، مما أدى إلى أسوأ أداء.
• الكفاءة: بينما أظهرت النماذج القائمة على المحولات (ViT) دقة عالية، إلا أنها تحمل تكاليف حسابية أعلى مقارنة بالنماذج التلافيفية. قدم MobileViT حلاً وسطًا ولكنه ظل أقل تنافسية من الحلول التلافيفية لهذه المهمة المحددة.

الأهمية والادعاءات
يزعم هذا العمل أن إعادة تعريف تقدير القدر كمشكلة تعلم متري تمكن النماذج من التعميم بشكل أفضل من البيانات المحدودة عبر الاستفادة من الترتيب النسبي للعينات داخل الدفعة (batch). وتتمثل الأهمية الرئيسية لهذا العمل في أنه لا يتطلب أي بيانات إضافية بخلاف ملصقات القدر الموجودة لتنفيذ هدف الترتيب. فمن خلال الاستفادة ببساه من العلاقات بين العينات الموجودة بالفعل في مجموعة بيانات التدريب، تعزز هذه الطريقة قدرة النموذج على التمييز بين مستويات القدر المختلفة، مما يزيد من الدقة والمتانة في نظام البيانات المنخفضة. ويخلص المؤلفون إلى أن هذا النهج فعال لكل من بنيات CNN و Transformers، مما يوفر مسارًا عمليًا لمراقبة أكثر دقة وعالمية للزلازل عبر صور الأقمار الصناعية.