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

Titel: Fysica-informeerde anomaliedetectie van veranderingen in terreinmateriaal in radarbeelden

1. Probleemstelling

Het detecteren van subtiele, lokaal beperkte veranderingen in terreinmaterialen (zoals vochtigheidsveranderingen in de bodem, veroudering van asfalt of vegetatieverwijdering) op basis van radarbeelden is cruciaal voor infrastructuurmonitoring, milieu-surveillance en beveiliging.

• Uitdaging: Bestaande methoden gebruiken vaak puur statistische benaderingen (zoals diepe leermodellen) zonder expliciete koppeling aan de onderliggende elektromagnetische (EM) eigenschappen van het materiaal.
• Complexiteit: Radarbackscatter wordt beïnvloed door complexe permittiviteit, ruwheid en radargeometrie. In radarbeelden komt "heavy-tailed clutter" (zware staartruis) vaak voor, wat betekent dat traditionele detectors die uitgaan van een Gaussische achtergrondverdeling onbetrouwbaar zijn en geen stabiele vals-positief ratio (CFAR) behouden.
• Gat in de literatuur: Er ontbreekt reproduceerbaar, gecontroleerd onderzoek dat directe verbanden legt tussen materiële veranderingen (bijv. droog $\to$ nat) en de verwachte veranderingen in backscatter en interferometrische coherentie, en hoe dit de prestaties van verschillende detectors beïnvloedt.

2. Methodologie

De auteurs stellen een fysica-informeerd raamwerk voor dat bestaat uit drie hoofdblokken:

A. Fysica-informeerd Forward Model (Simulatie)

• Er wordt een lichtgewicht elektromagnetisch forward model ontwikkeld om bi-temporele Single-Look Complex (SLC) beelden te genereren vanuit gelabelde materiaalkaarten.
• Het model gebruikt een vereenvoudigde versie van het Integral Equation Model (IEM/AIEM) om de backscatter ($\sigma^0$) te berekenen op basis van complexe permittiviteit ($\varepsilon_r$), ruwheid (RMS-hoogte $\sigma$) en correlatielengte ($l_c$).
• SLC-vorming: Beelden worden gegenereerd met multiplicatieve speckle. Voor twee tijdstippen ($t_1, t_2$) wordt gecooreleerde speckle gesynthetiseerd via een coherentieparameter $\gamma$. Materiële veranderingen worden gesimuleerd door de parameters in geselecteerde gebieden te wijzigen, wat leidt tot een afname van de coherentie ($|\gamma|$).

B. Fysica-bewuste Feature Stack
Uit de gegenereerde SLC-beelden worden per pixel features afgeleid die zowel radiometrische als geometrische informatie combineren:

• Log-intensiteiten ($I_1, I_2$) en hun verhouding.
• Textuurkenmerken (gemiddelde en variantie).
• Invallingshoek ($\theta$).
• Interferometrische coherentie ($|\hat{\gamma}|$), berekend over een venster.

C. Detectoren
Er wordt een vergelijkende studie uitgevoerd met verschillende onbewaakte (unsupervised) detectoren:

1. RX en Local-RX: De Reed-Xiaoli detector, gebaseerd op de Mahalanobis-afstand.
   • Verbetering: Gebruik van Tyler's M-schatter (een robuuste covariantie-schatter) om om te gaan met heavy-tailed clutter en CFAR-gedrag te behouden.
2. Coherent Change Detection (CCD): Detectie op basis van decorrelatie ($1 - |\hat{\gamma}|$).
3. Unsupervised Auto-Encoder (AE): Een compacte convolutionele auto-encoder, getraind op onveranderde tiles, die anomalieën detecteert op basis van reconstructiefout.
4. Fusie: Score-level fusie (gelijk gewogen of geleerd via logistieke regressie) van de bovenstaande methoden.

3. Experimenteel Opzet

• Monte Carlo simulaties: 200 trials op 256x256 scènes.
• Variabele parameters: Permittiviteit, ruwheid, aantal looks ($L$), Signal-to-Noise Ratio (SNR), en achtergrondruis (Gamma vs. K-family verdelingen).
• Evaluatiemetrics: ROC-AUC, Average Precision (AP) en F1-score bij een vaste kans op valse alarmen (PFA = $10^{-3}$).

4. Belangrijkste Resultaten

De resultaten, samengevat in Tabel 2 en Figuur 3, tonen de volgende trends:

• Dominantie van Coherentie: Detectoren die gebruikmaken van interferometrische coherentie (CCD) presteren aanzienlijk beter dan intensiteit-gebaseerde methoden.
  • CCD: Bereikte de hoogste ROC-AUC (0.901) en F1-score (0.304).
  • RX / Local-RX: Presteerden slecht (ROC-AUC ~0.49 voor Local-RX). Zelfs met robuuste schatters (Tyler) verbeterde RX slechts marginaal, maar kon het de kloof met CCD niet dichten wanneer decorrelatie de primaire indicator was.
• Impact van Robuuste Statistiek: Het gebruik van Tyler's M-estimator stabiliseerde de RX-detector in zware staartverdelingen (heavy-tailed clutter), maar loste het fundamentele probleem niet op dat materiële veranderingen zich primair manifesteren als decorrelatie en niet als grote intensiteitsverschillen.
• Auto-Encoder: De compacte AE presteerde matig (ROC-AUC 0.645), waarschijnlijk door domeinverschuiving en gebrek aan fysieke interpretatie in de training.
• Fusie: Een eenvoudige score-level fusie (gelijk gewogen) presteerde vergelijkbaar met de beste CCD, maar voegde weinig extra waarde toe in coherentie-gedomineerde scenario's. Fusie wordt alleen nuttiger als er ook significante radiometrische contrasten zijn.
• Invloed van Parameters:
  • Een hoger aantal looks ($L$) verlaagt de variantie van de coherentie en verbetert de prestaties.
  • Zwaardere staarten in de ruis (kleinere $\nu$) degraderen de prestaties van RX meer dan die van CCD.

5. Bijdragen en Significance

• Fysica-informeerd Framework: Het paper introduceert een reproduceerbaar simulatieplatform dat directe causale links legt tussen materiële eigenschappen (vochtigheid, ruwheid) en radarobservaties (backscatter, coherentie).
• Validatie van Coherentie: Het bevestigt theoretisch en empirisch dat voor het detecteren van materiële veranderingen (die vaak leiden tot decorrelatie) coherentie-gebaseerde features superieur zijn aan puur intensiteit-gebaseerde features, zelfs in complexe, heavy-tailed achtergronden.
• Rol van Robuuste Statistiek: Het toont aan dat robuuste covariantie-schatters essentieel zijn voor de stabiliteit van klassieke detectors (RX) in radar, maar dat ze geen vervanging zijn voor domeinspecifieke features zoals coherentie wanneer decorrelatie het belangrijkste signaal is.
• Praktische Implicatie: Voor toepassingen zoals infrastructuurmonitoring of milieusurveillance waar materiële veranderingen centraal staan, moeten systemen prioriteit geven aan interferometrische coherentie en robuuste statistische modellering in plaats van alleen te vertrouwen op diepe leermodellen die puur op pixelintensiteit trainen.

Conclusie:
De studie concludeert dat op coherentie gerichte methoden (CCD) en eenvoudige fusiemethoden de beste prestaties leveren bij het detecteren van veranderingen in terreinmaterialen. Traditionele intensiteit-gebaseerde detectors falen vaak omdat ze de decorrelatie niet effectief benutten en gevoelig zijn voor de statistische eigenschappen van de radarruis.