Physics-Informed Anomaly Detection of Terrain Material Change in Radar Imagery

1. Il Problema

L'articolo affronta la sfida di rilevare cambiamenti sottili e localizzati spazialmente nei materiali del terreno (ad esempio, variazioni di umidità, rugosità superficiale o invecchiamento dell'asfalto) utilizzando immagini radar (SAR).
Le sfide principali identificate sono:

• Natura dei dati: Le immagini radar sono soggette a "speckle" e clutter pesante (distribuzioni a coda lunga come Gamma o K), che rendono difficile l'uso di soglie globali fisse per il controllo dei falsi allarmi (CFAR).
• Limiti dei metodi attuali: La maggior parte dei modelli di deep learning e dei rilevatori di anomalie tradizionali (come RX) si basano su approcci statistici puri, con legami limitati alle proprietà elettromagnetiche (EM) reali che generano la retrodiffusione (backscatter) e la decorrelazione.
• Mancanza di studi controllati: C'è una carenza di studi riproducibili che colleghino direttamente i cambiamenti a livello di materiale (es. variazioni di permittività complessa) alle variazioni attese di backscatter e coerenza interferometrica.

2. Metodologia

Gli autori propongono un framework di rilevamento delle anomalie "fisicamente informato" (physics-informed) composto da tre fasi principali:

A. Modello Inverso Fisico-Informato (Forward Model)

Per generare dati di addestramento e test realistici ma controllati, viene sviluppato un modello di formazione dell'immagine leggero basato sull'Integral Equation Model (IEM/AIEM).

• Input: Mappe di materiali etichettate con parametri fisici per pixel: permittività complessa ($\varepsilon_r$), altezza quadratica media (rms height, $\sigma$) e lunghezza di correlazione ($l_c$).
• Simulazione: Il modello calcola il backscatter medio ($\sigma^0$) utilizzando un'approssimazione che combina un termine di Fresnel e un termine di attenuazione della rugosità.
• Generazione SLC: Vengono sintetizzate coppie di immagini Single-Look Complex (SLC) bi-temporali ($t_1, t_2$) introducendo:
  • Speckle moltiplicativo (distribuzione Gaussiana complessa).
  • Texture composta (per simulare clutter pesante).
  • Decorrelazione controllata: In aree di cambiamento materiale, il parametro di coerenza $\gamma$ viene ridotto, simulando la perdita di coerenza tipica dei cambiamenti strutturali o di materiale.

B. Stack di Caratteristiche "Fisicamente Consapevoli"

Dalle immagini SLC simulate, viene estratto uno stack di caratteristiche che integra informazioni radiometriche, geometriche e di coerenza:

1. Intensità logaritmiche: $I_1, I_2$ e il loro rapporto logaritmico.
2. Texture: Media e varianza locale.
3. Geometria: Angolo di incidenza ($\theta$).
4. Coerenza Interferometrica: Modulo della coerenza stimata $|\hat{\gamma}|$ in finestre locali.

C. Rilevatori di Anomalie Valutati

Vengono confrontati diversi approcci di rilevamento non supervisionato:

• RX (Reed-Xiaoli) e Local-RX: Basati sulla distanza di Mahalanobis. Per gestire il clutter pesante, viene utilizzata una stima robusta della covarianza (Stimatore di Tyler's M) invece della covarianza campionaria classica.
• CCD (Coherent Change Detection): Sfrutta direttamente la decorrelazione ($1 - |\hat{\gamma}|$) come statistica di cambiamento.
• Auto-Encoder (AE) Convoluzionale: Un modello leggero addestrato solo su tile "non cambiati" per ricostruire l'input; l'errore di ricostruzione funge da punteggio di anomalia.
• Fusione: I punteggi dei diversi rilevatori vengono fusi (somma pesata o regressore logistico) per migliorare le prestazioni.

3. Contributi Chiave

1. Framework di Simulazione Fisica: Creazione di un simulatore leggero ma fisicamente fondato che mappa direttamente le proprietà del materiale (permittività, rugosità) alle statistiche radar (intensità e coerenza), permettendo studi Monte Carlo controllati.
2. Integrazione di Caratteristiche Fisiche: Dimostrazione che l'aggiunta di coerenza interferometrica e modelli di covarianza robusti migliora significativamente il rilevamento rispetto ai metodi basati solo sull'intensità.
3. Analisi Comparativa Rigorosa: Valutazione sistematica delle prestazioni di RX, CCD e AE in diverse condizioni di clutter (distribuzioni K vs Gamma), numero di look (L) e livelli di rumore, mantenendo costante la probabilità di falso allarme (PFA).

4. Risultati

Gli esperimenti sono stati condotti su 200 trial Monte Carlo con scene sintetiche 256x256. I risultati principali (Tabella 2 e Figure 1-3) mostrano:

• Dominio della Coerenza: I rilevatori basati sulla coerenza (CCD) e le fusioni di punteggio hanno ottenuto le prestazioni migliori, con un ROC-AUC di ~0.90 e un F1 score di ~0.30 (a PFA = $10^{-3}$).
• Limiti dei Metodi Basati sull'Intensità: I rilevatori RX (globale e locale) hanno mostrato prestazioni inferiori (ROC-AUC ~0.77 per RX globale, ~0.49 per Local-RX). Sebbene l'uso dello stimatore di Tyler abbia stabilizzato il RX in clutter pesante, non ha colmato il divario quando il segnale principale è la decorrelazione.
• Scarsa Efficacia dell'Auto-Encoder: L'AE compatto ha ottenuto risultati modesti (ROC-AUC ~0.64), suggerendo che in questo contesto specifico, i metodi basati su principi fisici diretti superano l'apprendimento non supervisiono generico.
• Fusione: Una semplice fusione a due vie (coerenza + RX) ha raggiunto prestazioni equivalenti al CCD puro, confermando che in scenari dominati dalla coerenza, l'aggiunta di segnali radiometrici offre un beneficio marginale o aggiunge varianza.
• Sensibilità ai Parametri:
  • Un aumento del numero di look (L) migliora le prestazioni riducendo la varianza della stima di coerenza.
  • Clutter con code più pesanti degrada maggiormente i metodi RX rispetto al CCD.
  • Errori di registrazione (jitter) riducono la coerenza di fondo, limitando la capacità di separazione del CCD.

5. Significato e Conclusioni

Il paper dimostra che per il rilevamento di cambiamenti di materiale nel terreno, l'approccio fisico è superiore a quello puramente statistico o basato su deep learning generico.

• I cambiamenti di materiale (es. da secco a umido) influenzano primariamente la coerenza interferometrica più che l'intensità radiometrica, specialmente in presenza di clutter pesante.
• L'uso di stime robuste della covarianza (Tyler) è essenziale per adattare i rilevatori RX alle statistiche non Gaussiane del radar, rendendoli più simili al CFAR (Constant False Alarm Rate).
• Il framework proposto offre un metodo riproducibile per valutare algoritmi di rilevamento cambiamenti in scenari fisicamente realistici, sottolineando che la fusione di caratteristiche consapevoli della fisica (coerenza + intensità) con modelli statistici robusti rappresenta la strategia ottimale per applicazioni di monitoraggio infrastrutturale e sicurezza.