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

Technische Samenvatting: THALIA: Een wereldwijde, multi-modale dataset voor het monitoren van vulkanische activiteit

Probleemstelling
Het monitoren van vulkanische activiteit is cruciaal voor de bescherming van levens en infrastructuur, maar slechts een klein deel van de wereldwijde vulkanen wordt continu geobserveerd. Hoewel er op de grond gebaseerde netwerken (bijv. GNSS) bestaan, blijven veel vulkanen onbeheerd. Satellietgebaseerde Interferometrische Synthetische Apertuur Radar (InSAR) biedt een wereldwijde oplossing voor het detecteren van bodemdeformatie, een betrouwbare voorbode van erupties. Het interpreteren van InSAR-gegevens is echter complex; het onderscheiden van echte bodemdeformatie van atmosferische propagatievertragingen (veroorzaakt door ionosferische en troposferische variaties) is een grote uitdaging. Deze vertragingen veroorzaken vaak artefacten die deformatie nabootsen, wat leidt tot fout-positieven, met name in vulkanische regio's met complexe topografie. Bovendien wordt de toepassing van deep learning voor de automatisering van deze interpretatie gehinderd door een tekort aan goed gecureerde, multi-modale datasets. Bestaande datasets, zoals Hephaestus, lijden aan een grove ruimtelijke resolutie, verlies van fysieke pixelwaarden door RGB-compositing en formaten die ongeschikt zijn voor spatiotemporele modellering.

Methodologie en Datasetconstructie
De auteurs introduceren Thalia, een wereldwijde, multi-modale dataset die is ontworpen om de beperkingen van eerdere bronnen aan te pakken en deep learning-gebaseerde vulkanische monitoring te ondersteunen. Thalia bouwt voort op de Hephaestus-dataset maar breidt de reikwijdte en structuur aanzienlijk uit:

• Datastructuur: Thalia bestaat uit 38 spatiotemporele datacubes die 44 actieve vulkanen wereldwijd beslaan van 2014 tot 2021. In tegen tegenstelling tot eerdere formaten maakt Thalia gebruik van een gestructureerd, meerdimensionaal arrayformaat (gecomprimeerde Zarr) dat meerdere databronnen co-registreert over vaste geografische regio's en tijd, waardoor extra preprocessing voor uitlijning overbodig is.
• Resolutie en Inhoud: De dataset biedt een hoge ruimtelijke resolutie van ongeveer 100 m × 100 m per pixel (verbeterd ten opzichte van de ~333 m van Hephaestus). Het integreert vier primaire datamodaliteiten:
  1. InSAR-producten: Wrapped faseverschil- en coherentiekaarten afgeleid van Sentinel-1 beelden via het COMET-LiCSAR systeem.
  2. Topografie: Digitale Hoogtemodellen (DEM) van de Shuttle Radar Topography Mission (SRTM).
  3. Atmosferische Variabelen: Om atmosferische ruis aan te pakken, bevat de dataset de totale kolom waterdamp, oppervlakedruk en de verticale integraal van de temperatuur uit de ERA5-reanalyse-dataset, uitgelijnd met de SAR-acquisitiedata.
  4. Expert-annotaties: De dataset bevat 19.942 geannoteerde monsters met door experts gegenereerde maskers en labels. Deze omvatten:
     • Deformatie-maskers: Binaire aanwezigheid van deformatie.
     • Activiteitstype: Classificatie van geofysische bronnen (bijv. Dyke, Mogi, Sill, Spheroid, Aardbeving, Ongeïdentificeerd).
     • Intensiteitsniveaus: Gecategoriseerd door fringe-count (Laag, Medium, Hoog).
     • Vulkanische Fase: De staat van de vulkaan (Rust, Onrust, Rebound).
     • Ruis en Kwaliteitsvlaggen: Annotaties voor atmosferische fringes, gletsjer-fringes, orbitale fouten en datacorruptie.
     • Tekstuele bijschriften: Expertbeschrijvingen van de interferogrammen en de rationale achter de annotatie.

Benchmark en Experimentele Opstelling
Om een eerlijke evaluatie te faciliteren, hebben de auteurs een uitgebreide benchmark opgezet voor twee taken: binaire classificatie van bodemdeformatie en semantische segmentatie.

• Data Split: Er werd een temporele split toegepast (Training: 2014–2019; Validatie: 2019; Test: 2020–2021) om ruimtelijke diversiteit te waarborgen. Ook een "leave-3-out" split werd gemaakt om generalisatie naar onbekende vulkanische regio's (Galápagos, Oost-Afrikaanse Slenk, Zuid-Egeïsche Zee) te testen.
• Tijdreeksconstructie: Gezien de bi-temporele aard van InSAR, werden tijdreeksen geconstrueerd door een enkele primaire acquisitiedatum te koppelen aan meerdere secundaire datums. Sequenties werden vastgesteld op een lengte van drie om een balans te vinden tussen temporele context en beschikbaarheid van data.
• Modellen: De benchmark evalueerde state-of-the-art modellen inclusief ResNet-50, ViT, ConvNeXt, MobileNetV3 en EfficientNetV2 voor classificatie, en UNet, DeepLabv3 en SegFormer voor segmentatie. Een ConvLSTM-architectuur werd ook getest om expliciete sequentiële afhankelijkheden te modelleren.
• Ablatie-studies: Experimenten vergeleken modellen getraind met en zonder atmosferische variabelen om de impact op de prestaties te beoordelen.

Belangrijkste Resultaten

• Classificatieprestaties: Modellen bereikten een sterke discriminerende capaciteit, met F1-scores van ongeveer 79% in single-timestep settings. De inclusie van atmosferische variabelen verbeterde de classificatieprestaties over het algemeen (8 van de 10 modellen vertoonden winst), wat suggereert dat atmosferische context helpt bij het onderscheiden van deformatie van ruis.
• Segmentatieprestaties: De prestaties waren lager dan bij classificatie, met F1-scores van circa 75%. Dit weerspiegelt de inherente ambiguïteit bij het afbakenen van exacte deformatiegrenzen, zelfs voor experts. Opvallend genoeg verslechterde de inclusie van atmosferische variabelen de segmentatieprestaties. De auteurs hypothetiseren dat vroege fusie van hoog-resolutie InSAR-data met grove atmosferische data een capaciteitsbottleneck creëert, waardoor het vermogen van het model om fijnschalige deformatiekenmerken te extraheren, wordt aangetast.
• Tijdreeks vs. Single-Timestep: Tijdreeks-inputs met behulp van recurrente architecturen (ConvLSTM) vertoonden superieure prestaties in segmentatietaken vergeleken met channel-stacking benaderingen, waarschijnlijk door een betere exploitatie van de temporele context en de mitigatie van atmosferische ruis. Echter, de prestaties in classificatietaken bleven vergelijkbaar tussen beide benaderingen.
• Generalisatie: De "leave-3-out" experimenten toonden matige generalisatiecapaciteiten aan. De classificatie F1-scores daalden met ongeveer 8% op onbekende vulkanen, terwijl de segmentatieprestaties sterker daalden (20–25%), voornamelijk door verminderde precisie (overgevoeligheid voor ruis).

Betekenis en Claims
De auteurs positioneren Thalia als een fundamentele bron voor het bevorderen van de intersectie tussen machine learning en geowetenschappen.

• Eerste in zijn soort: Thalia wordt beweerd de eerste grootschalige, machine-learning-ready dataset te zijn die hoog-resolutie InSAR-producten, topografische data en atmosferische variabelen integreert in een gestructureerd spatiotemporeel formaat met expert-annotaties.
• Aanpakken van beperkingen: Door het leveren van wrapped fase-data (die fysieke interpreteerbaarheid behoudt) en multi-modale inputs, adresseert Thalia de specifieke uitdagingen van atmosferische interferentie en het gebrek aan gestandaardiseerde benchmarks in vulkanische monitoring.
• Onderzoeksrichtingen: De dataset en de benchmark benadrukken kritieke uitdagingen, zoals de moeilijkheid van het segmenteren van deformatie in ruisige omgevingen en de trade-offs die gepaard gaan met het fuseren van multi-resolutie data. De auteurs suggereren dat toekomstig werk alternatieve fusiestrategieën (zoals late fusion of cross-attention) moet verkennen om atmosferische context beter te benutten zonder de ruimtelijke precisie op te offeren.
• Open Science: De dataset en de code zijn publiekelijk beschikbaar, wat samenwerking en reproduceerbaarheid in de ontwikkeling van geautomatiseerde, op deep learning gebaseerde tools voor de beoordeling van geofysische gevaren bevordert.