Thalia: A Global, Multi-Modal Dataset for Volcanic Activity Monitoring

Resumen Técnico: THALIA: Un conjunto de datos global y multimodal para el monitoreo de la actividad volcánica

Planteamiento del problema
El monitoreo de la actividad volcánica es crítico para salvaguardar vidas e infraestructura, sin embargo, solo una pequeña fracción de los volcanes del mundo es observada continuamente. Aunque existen redes basadas en tierra (por ejemplo, GNSS), muchos volcanos permanecen sin monitoreo. El radar de apertura sintética interferométrico (InSAR) basado en satélites ofrece una solución global para detectar la deformación del terreno, un precursor fiable de las erupciones. No obstante, la interpretación de los datos InSAR es compleja; distinguir la deformación real del terreno de los retrasos de propagación atmosférica (causados por variaciones ionosféricas y troposféricas) es un desafío importante. Estos retrasos suelen crear artefactos que imitan la deformación, lo que genera falsos positivos, particularmente en regiones volcánicas con topografía compleja. Además, la aplicación del aprendizaje profundo para automatizar esta interpretación se ha visto obstaculizada por la escasez de conjuntos de datos multimodales bien curados. Los conjuntos de datos existentes, como Hephaestus, sufren de una resolución espacial gruesa, pérdida de valores de píxeles físicos debido al compuesto RGB y formatos no aptos para el modelado espaciotemporal.

Metodología y construcción del conjunto de datos
Los autores presentan Thalia, un conjunto de datos global y multimodal diseñado para abordar las limitaciones de los recursos anteriores y apoyar el monitoreo volcánico basado en aprendizaje profundo. Thalia se basa en el conjunto de datos Hephaestus pero mejora significativamente su alcance y estructura:

• Estructura de datos: Thalia consta de 38 datacubes espaciotemporales que cubren 44 volcanes activos globalmente desde 2014 hasta 2021. A diferencia de los formatos anteriores, Thalia utiliza un formato de matriz multidimensional estructurada (Zarr comprimido) que co-registra múltiples fuentes de datos sobre regiones geográficas y tiempos fijos, eliminando la necesidad de un preprocesamiento adicional para la alineación.
• Resolución y contenido: El conjunto de datos ofrece una alta resolución espacial de aproximadamente 100 m × 100 m por píxel (una mejora respecto a los ~333 m de Hephaestus). Integra cuatro modalidades de datos primarias:
  1. Productos InSAR: Mapas de diferencia de fase envuelta y coherencia derivados de imágenes Sentinel-1 mediante el sistema COMET-LiCSAR.
  2. Topografía: Modelos Digitales de Elevación (DEM) de la misión Shuttle Radar Topography Mission (SRTM).
  3. Variables atmosféricas: Para abordar el ruido atmosférico, el conjunto de datos incluye el Contenido Total de Vapor de Agua, la Presión Superficial y la Integral Vertical de Temperatura del conjunto de datos de reanálisis ERA5, alineados con las fechas de adquisición de SAR.
  4. Anotaciones de expertos: El conjunto de datos contiene 19,942 muestras anotadas con máscaras y etiquetas generadas por expertos. Estas incluyen:
     • Máscaras de deformación: Presencia binaria de deformación.
     • Tipo de actividad: Clasificación de fuentes geofísicas (por ejemplo, Dykes, Mogi, Sill, Esferoide, Terremoto, No identificado).
     • Niveles de intensidad: Categorizados por conteo de franjas (Bajo, Medio, Alto).
     • Fase volcánica: Estado del volcán (Reposo, Inestabilidad, Rebote).
     • Banderas de ruido y calidad: Anotaciones para franjas atmosféricas, franjas de glaciares, errores orbitales y corrupción de datos.
     • Subtítulos textuales: Descripciones de expertos de los interferogramas y la justificación de la anotación.

Benchmark y configuración experimental
Para facilitar una evaluación justa, los autores establecieron un benchmark exhaustivo para dos tareas: clasificación binaria de deformación del terreno y segmentación semántica.

• División de datos: Se aplicó una división temporal (Entrenamiento: 2014–2019; Validación: 2019; Prueba: 2020–2021) para preservar la diversidad espacial. También se creó una división de "dejar 3 fuera" (leave-3-out) para probar la generalización a regiones volcánicas no observadas (Galápagos, Rift de África Oriental, Egeo Meridional).
• Construcción de series temporales: Dado el carácter bi-temporal de InSAR, las series temporales se construyeron emparejando una fecha de adquisición primaria única con múltiples fechas secundarias. Las secuencias se fijaron a una longitud de tres para equilibrar el contexto temporal y la disponibilidad de datos.
• Modelos: El benchmark evaluó modelos de vanguardia incluyendo ResNet-50, ViT, ConvNeXt, MobileNetV3 y EfficientNetV2 para clasificación, y UNet, DeepLabv3 y SegFormer para segmentación. También se probó una arquitectura ConvLSTM para modelar explícitamente las dependencias secuenciales.
• Estudios de ablación: Los experimentos compararon modelos entrenados con y sin variables atmosféricas para evaluar su impacto en el rendimiento.

Resultos clave

• Rendimiento de clasificación: Los modelos lograron una fuerte capacidad discriminativa, con puntuaciones F1 que alcanzaron aproximadamente el 79% en configuraciones de un solo paso de tiempo. La inclusión de variables atmosféricas generalmente mejoró el rendimiento de la clasificación (8 de cada 10 modelos mostraron mejoras), lo que sugiere que el contexto atmosférico ayuda a distinguir la deformación del ruido.
• Rendimiento de segmentación: El rendimiento fue menor que el de la clasificación, con puntuaciones F1 que alcanzaron el ~75%. Esto refleja la ambigüedad inherente en la delimitación de los límites exactos de la deformación, incluso para los expertos. Notablemente, la inclusión de variables atmosféricas degradó el rendimiento de la segmentación. Los autores hipotetizan que la fusión temprana de datos InSAR de alta resolución con datos atmosféricos de baja resolución crea un cuello de botella en la capacidad, comprometiendo la habilidad del modelo para extraer características de deformación a escala fina.
• Series temporales vs. Paso de tiempo único: Los inputs de series temporales utilizando arquitecturas recurrentes (ConvLSTM) mostraron un rendimiento superior en las tareas de segmentación en comparación con los enfoques de apilamiento de canales, probablemente debido a una mejor explotación del contexto temporal y la mitigación del ruido atmosférico. Sin embargo, el rendimiento en las tareas de clasificación se mantuvo comparable entre ambos enfoques.
• Generalización: El experimento "dejar 3 fuera" demostró capacidades de generalización moderadas. Las puntuaciones F1 de clasificación cayeron aproximadamente un 8% en volcanes no observados, mientras que el rendimiento de la segmentación cayó más significativamente (20–25%), debido principalmente a la reducción de la precisión (sobre sensibilidad al ruido).

Significancia y afirmaciones
Los autores posicionan a Thalia como un recurso fundamental para avanzar en la intersección del aprendizaje automático y las ciencias de la Tierra.

• El primero en su clase: Se afirma que Thalia es el primer conjunto de datos a gran escala, listo para el aprendizaje automático, que integra productos InSAR de alta resolución, datos topográficos y variables atmosféricas en un formato espaciotemporal estructurado con anotaciones de expertos.
• Abordaje de limitaciones: Al proporcionar datos de fase envuelta (preservando la interpretabilidad física) y entradas multimodales, Thalia aborda los desafíos específicos de la interferencia atmosférica y la falta de benchmarks estandarizados en el monitoreo volcánico.
• Direcciones de investigación: El conjunto de datos y el benchmark resaltan desafíos críticos, como la dificultad de segmentar la deformación en entornos ruidosos y los compromisos involucrados en la fusión de datos de distintas resoluciones. Los autores sugieren que el trabajo futuro debería explorar estrategias de fusión alternativas (por ejemplo, fusión tardía o atención cruzada) para aprovechar mejor el contexto atmosférico sin sacrificar la precisión espacial.
• Ciencia abierta: El conjunto de datos y el código están disponibles públicamente, fomentando la colaboración y la reproducibilidad en el desarrollo de herramientas de evaluación de riesgos geológicos basadas en aprendizaje profundo y automatizadas.