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

Sintesi Tecnica: THALIA: Un dataset globale e multi-modale per il monitoraggio dell'attività vulcanica

Problematica
Il monitoraggio dell'attività vulcanica è fondamentale per salvaguardare vite e infrastrutture, eppure solo una piccola frazione dei vulcani mondiali è costantemente osservata. Sebbene esistano reti basate a terra (ad esempio, GNSS), molti vulcani rimangono non monitorati. L'interferometria radar ad apertura sintetica (InSAR) basata su satellite offre una soluzione globale per rilevare la deformazione del suolo, un precursore affidabile delle eruzioni. Tuttavia, l'interpretazione dei dati InSAR è complessa; distinguere la vera deformazione del suolo dai ritardi di propagazione atmosferica (causati da variazioni ionosferiche e troposferiche) è una sfida principale. Questi ritardi creano spesso artefatti che simulano la deformazione, portando a falsi positoli, particolarmente nelle regioni vulcaniche con topografia complessa. Inoltre, l'applicazione del deep learning per automatizzare questa interpretazione è stata ostacolata dalla scarsità di dataset ben curati e multi-modali. I dataset esistenti, come Hephaestus, soffrono di una risoluzione spaziale grossolana, perdita dei valori fisici dei pixel a causa della composizione RGB e formati non adatti alla modellazione spazio-temporale.

Metodologia e Costruzione del Dataset
Gli autori introducono Thalia, un dataset globale e multi-modale progettato per affrontare i limiti delle risorse precedenti e supportare il monitoraggio vulcanico basato sul deep learning. Thalia si basa sul dataset Hephaestus ma ne potenzia significativamente l'ambito e la struttura:

• Struttura dei Dati: Thalia consiste in 38 datacube spazio-temporali che coprono 44 vulcani attivi a livello globale dal 2014 al 2021. A differenza dei formati precedenti, Thalia utilizza un formato di array multidimensionale strutturato (Zarr compresso) che co-registra molteplici fonti di dati su regioni geografiche e tempi fissi, eliminando la necessità di ulteriori pre-elaborazioni per l'allineamento.
• Risoluzione e Contenuto: Il dataset offre una risoluzione spaziale elevata di circa 100 m × 100 m per pixel (migliorata rispetto ai ~333 m di Hephaestus). Integra quattro modalità di dati primarie:
  1. Prodotti InSAR: Mappe di differenza di fase avvolta (wrapped phase) e di coerenza derivate da immagini Sentinel-1 tramite il sistema COMET-LiCSAR.
  2. Topografia: Modelli digitali di elevazione (DEM) dalla missione Shuttle Radar Topography Mission (SRTM).
  3. Variabili Atmosferiche: Per affrontare il rumore atmosferico, il dataset include il contenuto totale di vapore acqueo nella colonna, la pressione superficiale e l'integrale verticale della temperatura dal dataset di rianalisi ERA5, allineati con le date di acquisizione SAR.
  4. Annotazioni di Esperti: Il dataset contiene 19.942 campioni annotati con maschere e label generate da esperti. Queste includono:
     • Maschere di Deformazione: Presenza binaria di deformazione.
     • Tipo di Attività: Classificazione delle sorgenti geofisiche (es. Dyke, Mogi, Sill, Spheroid, Terremoto, Non identificato).
     • Livelli di Intensità: Categorizzati per numero di frange (Bassa, Media, Alta).
     • Fase Vulcanica: Stato del vulcano (Riposo, Instabilità, Rebound).
     • Flag di Rumore e Qualità: Annotazioni per frange atmosferiche, frange glaciali, errori orbitali e corruzione dei dati.
     • Didascalie Testuali: Descrizioni degli esperti degli interferogrammi e della razionale delle annotazioni.

Benchmark e Configurazione Sperimentale
Per facilitare una valutazione equa, gli autori hanno stabilito un benchmark completo per due compiti: classificazione binaria della deformazione del suolo e segmentazione semantica.

• Suddivisione dei Dati: È stata applicata una suddivisione temporale (Training: 2014–2019; Validazione: 2019; Test: 2020–2021) per preservare la diversità spaziale. È stata creata anche una suddivisione "leave-3-out" per testare la generalizzazione a regioni vulcaniche non viste (Galápagos, Rift dell'Africa Orientale, Sud dell'Egeo).
• Costruzione delle Serie Temporali: Data la natura bi-temporale dell'InSAR, le serie temporali sono state costruite accoppiando una singola data di acquisizione primaria con molteplici date secondarie. Le sequenze sono state fissate a una lunghezza di tre per bilanciare il contesto temporale e la disponibilità dei dati.
• Modelli: Il benchmark ha valutato modelli allo stato dell'arte tra cui ResNet-50, ViT, ConvNeXt, MobileNetV3 ed EfficientNetV2 per la classificazione, e UNet, DeepLabv3 e SegFormer per la segmentazione. È stata inoltre testata un'architettura ConvLSTM per modellare esplicitamente le dipendenze sequenziali.
• Studi di Ablazione: Gli esperimenti hanno confrontato i modelli addestrati con e senza variabili atmosferiche per valutare il loro impatto sulle prestazioni.

Risultati Chiave

• Prestazioni di Classificazione: I modelli hanno raggiunto una forte capacità discriminativa, con F1-score che raggiungono circa il 79% nelle impostazioni a singolo timestep. L'inclusione di variabili atmosferiche ha generalmente migliorato le prestazioni di classificazione (8 modelli su 10 hanno mostrato guadagni), suggerendo che il contesto atmosferico aiuta a distinguere la deformazione dal rumore.
• Prestazioni di Segmentazione: Le prestazioni sono state inferiori rispetto alla classificazione, con F1-score che raggiungono il ~75%. Ciò riflette l'intrinseca ambiguità nel delineare i confini esatti della deformazione, anche per gli esperti. Significativamente, l'inclusione di variabili atmosferiche ha degradato le prestazioni di segmentazione. Gli autori ipotizzano che la fusione precoce di dati InSAR ad alta risoluzione con dati atmosferici grossolani crei un collo di bottiglia della capacità, compromettendo l'abilità del modello di estrarre caratteristiche di deformazione su piccola scala.
• Serie Temporali vs. Singolo Timestep: Gli input di serie temporali utilizzando architetture ricorrenti (ConvLSTM) hanno mostrato prestazioni superiori nei compiti di segmentazione rispetto agli approcci di stacking dei canali, probabilmente grazie a una migliore sfruttazione del contesto temporale e alla mitigazione del rumore atmosferico. Tuttavia, le prestazioni nei compiti di classificazione sono rimaste comparabili tra i due approcci.
• Generalizzazione: L'esperimento "leave-3-out" ha dimostrato capacità di generalizzazione moderate. Gli F1-score di classificazione sono scesi di circa l'8% sui vulcani non visti, mentre le prestazioni di segmentazione sono scese più significativamente (20–25%), principalmente a causa della ridotta precisione (sovrasensibilità al rumore).

Significato e Rivendicazioni
Gli autori posizionano Thalia come una risorsa fondamentale per far avanzare l'intersezione tra machine learning e scienze della Terra.

• Primo del suo Genere: Thalia è rivendicata come il primo dataset su larga scala, pronto per il machine learning, che integra prodotti InSAR ad alta risoluzione, dati topografici e variabili atmosferiche in un formato spazio-temporale strutturato con annotazioni di esperti.
• Affrontare i Limiti: Fornendo dati di fase avvolta (preservando l'interpretabzionalità fisica) e input multi-modali, Thalia affronta le sfide specifiche dell'interferenza atmosferica e la mancanza di benchmark standardizzati nel monitoraggio vulcanico.
• Direzioni di Ricerca: Il dataset e il benchmark evidenziano sfide critiche, come la difficoltà di segmentare la deformazione in ambienti rumorosi e i compromessi coinvolti nel fondere dati a diversa risoluzione. Gli autori suggeriscono che il lavoro futuro debba esplorare strategie di fusione alternative (ad esempio, late fusion o cross-attention) per sfruttare meglio il contesto atmosferico senza sacrificare la precisione spaziale.
• Open Science: Il dataset e il codice sono pubblicamente disponibili, favorendo la collaborazione e la riproducibilità nello sviluppo di strumenti di valutazione dei geopericoli basati sul deep learning automatizzato.