Estimating Earthquake Magnitude in Sentinel-1 Imagery via Ranking

Technische Samenvatting: Schatting van Aardbevingsterkte in Sentinel-1 Beelden via Ranking

Probleemdefinitie
De schatting van aardbevingsterkte is traditioneel afhankelijk van fysieke seismische stations. De hoge kosten en logistieke uitdagingen bij het installeren en onderhouden van deze stations beperken echter de wereldwijde dekking, waardoor het moeilijk is om seismische activiteit in afgelegen of onderbemande regio's te monitoren. Hoewel satelliet-aardeobservatie (EO) data, specifiek Synthetic Aperture Radar (SAR) van Sentinel-1, een veelbelovend alternatief biedt voor wereldwijde monitoring, staat de toepassing van machine learning op dit domein voor een probleem van een "regime met weinig data". Het gebrek aan historisch geregistreerde aardbevingen gekoppeld aan satellietbeelden beperkt de prestaties van standaard regressiemodellen, die moeite hebben om effectief te generaliseren met dergelijke kleine datasets.

Methodologie
Om de uitdaging van data-schaarste aan te pakken, stellen de auteurs voor om de schatting van aardbevingsterkte niet uitsluitend te zien als een regressietask, maar als een probleem met metrisch leren. De kerninnovatie omvat een trainingsstrategie met een dubbel doel:

1. Regressiedoel: Het model voorspelt de absolute sterkte ($G_t$) uit Sentinel-1 beeldparen (voor en na het evenement).
2. Ranking-doel: Het model wordt getraind om paren van samples te rangschikken op basis van hun relatieve sterkte.

De totale verliesfunctie ($L$) combineert de standaard Mean Squared Error (MSE) verlies ($L_{MSE}$) met een Margin Ranking Loss ($L_{MR}$):
$$L = L_{MSE} + L_{MR}$$

De Margin Ranking Loss wordt gedefinieerd als:
$$L_{MR}(x_1, x_2, y) = \max(0, -y \cdot (x_1 - x_2) + m)$$
Waarbij $x_1$ en $x_2$ de voorspelde sterktes zijn voor twee samples, $y$ een label is dat de relatieve volgorde aangeeft (1 als $x_1 \geq x_2$, -1 anders), en $m$ een rand-hyperparameter is ( ingesteld op 0,02 in experimenten). Deze aanpak moedigt het model aan om de relatieve afstand tussen samples van verschillende sterktes te leren zonder extra gelabelde data te vereisen naast de bestaande sterkte-waarden.

Experimentele Opzet
De studie gebruikte het QuakeSet-dataset, bestaande uit 3.327 paren van 2-kanaals (VV- en VH-polarisaties) Sentinel-1 beelden (resolutie 512 × 512) die zijn vastgelegd voor en na seismische gebeurtenissen. De auteurs evalueerden een diverse reeks architecturen om de impact van modelgrootte en -type te bepalen:

• Convolutional Neural Networks (CNN's): ConvNeXt v2 (Atto-variant) en MobileNet (Small- en Large-varianten).
• Transformers: MobileViT v2 en ViT-tiny.

Alle modellen werden geinitialiseerd met ImageNet voorgetrainde gewichten en getraind met de AdamW-optimizer gedurende 10 epochs. De prestaties werden gemeten met Mean Absolute Error (MAE) en rekenkosten (FLOPS).

Belangrijkste Resultaten
De experimenten toonden aan dat het opnemen van het ranking-doel de prestaties aanzienlijk verbeterde over alle geteste architecturen.

• Prestatiewinst: De voorgestelde methode behaalde een verbetering van meer dan 30% in MAE vergeleken met regressie-only baselines.
• Vergelijking Architecturen:
  • ConvNeXt v2 (Atto) behaalde de beste algemene resultaten, waarbij de MAE daalde van 0,2577 naar 0,2287 bij gebruik van de ranking loss.
  • ViT-tiny toonde ook een significante verbetering, dalend van 0,3150 naar 0,2613.
  • MobileNet-Small bleek een zeer efficiënte oplossing, met een lage MAE (0,3678 met ranking) en de laagste rekenkosten (44,10 MFLOPs).
  • MobileNet-Large vertoonde neigingen tot overfitting, wat resulteerde in de slechtste prestaties.
• Efficiëntie: Hoewel Transformer-gebaseerde modellen (ViT) sterke nauwkeurigheid toonden, hadden ze hogere rekenkosten dan CNN's. MobileViT bood een middenweg, maar bleef in deze specifieke taak minder concurrerend dan convolutieve oplossingen.

Betekenis en Claims
Het artikel claimt dat het herdefiniëren van sterkteschatting als een probleem met metrisch leren modellen in staat stelt om beter te generaliseren vanuit beperkte data door gebruik te maken van de relatieve ordening van samples binnen een batch. Een primaire betekenis van dit werk is dat er geen extra data nodig is naast de bestaande sterkte-labels om het ranking-doel te implementeren. Door simpelweg de relaties tussen samples die al in de trainingsset aanwezig zijn te benutten, verbetert de methode het vermogen van het model om onderscheid te maken tussen verschillende sterkteniveaus, waardoor de nauwkeurigheid en robuustheid in een regime met weinig data worden verbeterd. De auteurs concluderen dat deze aanpak effectief is voor zowel CNN- als Transformer-architecturen, en een praktische weg biedt voor nauwkeurigere, wereldwijde aardbevingsmonitoring met behulp van satellietbeelden.