Estimating Earthquake Magnitude in Sentinel-1 Imagery via Ranking

Riepilogo Tecnico: Stima della Magnitudo dei Terremoti nelle Immagini Sentinel-1 tramite Classifica

Definizione del Problema
La stima della magnitudo dei terremoti dipende tradizionalmente da stazioni sismiche fisiche. Tuttavia, l'alto costo e le sfide logistiche legate all'installazione e alla manutenzione di queste stazioni limitano la copertura globale, rendendo difficile il monitoraggio dell'attività sismica in regioni remote o con risorse insufficienti. Sebbene i dati di Osservazione della Terra (EO) satellitare, in particolare il Radar ad Apertura Sintetica (SAR) proveniente da Sentinel-1, offrano un'alternativa promettente per il monitoraggio globale, l'applicazione dell'apprendimento automatico in questo dominio si scontra con un problema di "regime a bassa disponibilità di dati". La scarsità di terremoti storicamente registrati accoppiati a immagini satellitari limita le prestazioni dei modelli di regressione standard, che faticano a generalizzare efficacemente con dataset così piccoli.

Metodologia
Per affrontare la sfida della scarsità di dati, gli autori propongono di riformulare la stima della magnitudo dei terremoti non esclusivamente come un compito di regressione, ma come un problema di apprendimento metrico. L'innovazione centrale consiste in una strategia di addestramento a doppio obiettivo:

1. Obiettivo di Regressione: Il modello predice la magnitudo assoluta ($G_t$) dalle coppie di immagini Sentinel-1 (pre- e post-evento).
2. Obiettivo di Classifica: Il modello viene addestrato a classificare le coppie di campioni in base alle loro magnitudo relative.

La funzione di perdita totale ($L$) combina la perdita standard dell'Errore Quadratico Medio (MSE) ($L_{MSE}$) con una Perdita di Classifica con Margine ($L_{MR}$):
$$L = L_{MSE} + L_{MR}$$

La Perdita di Classifica con Margine è definita come:
$$L_{MR}(x_1, x_2, y) = \max(0, -y \cdot (x_1 - x_2) + m)$$
Dove $x_1$ e $x_2$ sono le magnitudo predette per due campioni, $y$ è un'etichetta che indica l'ordine relativo (1 se $x_1 \geq x_2$, -1 altrimenti) e $m$ è un iperparametro di margine (impostato a 0,02 negli esperimenti). Questo approccio incoraggia il modello a imparare la distanza relativa tra campioni di diverse magnitudo senza richiedere dati aggiuntivi etichettati oltre ai valori di magnitudo esistenti.

Configurazione Sperimentale
Lo studio ha utilizzato il dataset QuakeSet, composto da 3.327 coppie di immagini Sentinel-1 a 2 canali (polarizzazioni VV e VH) con risoluzione 512 × 512, acquisite prima e dopo eventi sismici. Gli autori hanno valutato un insieme diversificato di architetture per determinare l'impatto delle dimensioni e del tipo di modello:

• Reti Neurali Convolutive (CNN): ConvNeXt v2 (variante Atto) e MobileNet (varianti Small e Large).
• Trasformatori: MobileViT v2 e ViT-tiny.

Tutti i modelli sono stati inizializzati con pesi pre-addestrati su ImageNet e addestrati utilizzando l'ottimizzatore AdamW per 10 epoche. Le prestazioni sono state misurate utilizzando l'Errore Assoluto Medio (MAE) e il costo computazionale (FLOPS).

Risultati Chiave
Gli esperimenti hanno dimostrato che l'inclusione dell'obiettivo di classifica ha migliorato significativamente le prestazioni in tutte le architetture testate.

• Guadagno nelle Prestazioni: Il metodo proposto ha raggiunto un miglioramento superiore al 30% nel MAE rispetto alle baseline basate solo sulla regressione.
• Confronto tra Architetture:
  • ConvNeXt v2 (Atto) ha ottenuto i migliori risultati complessivi, riducendo il MAE da 0,2577 a 0,2287 quando si utilizzava la perdita di classifica.
  • ViT-tiny ha mostrato anch'esso un miglioramento significativo, scendendo da 0,3150 a 0,2613.
  • MobileNet-Small si è rivelato una soluzione altamente efficiente, ottenendo un basso MAE (0,3678 con classifica) con il costo computazionale più basso (44,10 MFLOPs).
  • MobileNet-Large ha mostrato tendenze all'overfitting, risultando nelle prestazioni peggiori.
• Efficienza: Sebbene i modelli basati su Trasformatori (ViT) abbiano mostrato un'accuratezza elevata, hanno sostenuto costi computazionali più elevati rispetto alle CNN. MobileViT ha offerto una via di mezzo, ma è rimasto meno competitivo rispetto alle soluzioni convolutive in questo compito specifico.

Significato e Affermazioni
Il documento afferma che ridefinire la stima della magnitudo come un problema di apprendimento metrico permette ai modelli di generalizzare meglio a partire da dati limitati, sfruttando l'ordinamento relativo dei campioni all'interno di un batch. Un significato primario di questo lavoro è che non richiede dati aggiuntivi oltre alle etichette di magnitudo esistenti per implementare l'obiettivo di classifica. Sfruttando semplicemente le relazioni tra i campioni già presenti nel set di addestramento, il metodo potenzia la capacità del modello di distinguere tra diversi livelli di magnitudo, migliorando così accuratezza e robustezza in un regime a bassa disponibilità di dati. Gli autori concludono che questo approccio è efficace sia per le architetture CNN che per i Trasformatori, offrendo una via pratica per un monitoraggio globale dei terremoti più accurato mediante immagini satellitari.