Deep Learning Approaches for GNSS and InSAR Geodetic Modeling

Globale Satellitennavigationssysteme (GNSS) und Interferometrisches Radar mit Synthetischer Apertur (InSAR) sind wichtige geodätische Technologien, die Satellitendaten nutzen, um die Erdoberfläche präzise zu überwachen. Beide Methoden basieren auf von Satelliten ausgesandten Mikrowellensignalen, die die Erfassung von Aktivitäten auf der Erdoberfläche und innerhalb der Atmosphäre ermöglichen. Bei der Verarbeitung dieser Signale ist es jedoch unvermeidlich, externe Modelle einzuführen, um die für geodätische Beobachtungen relevanten Signalanteile zu extrahieren. Somit sind die Genauigkeit und Effizienz der Modellierung zu wichtigen Faktoren geworden, die sich auf diese geodätischen Methoden unmittelbar auswirken, und stellen auch zentrale Gegenstände innerhalb der geodätischen Forschungsgemeinschaft dar.
... mehr

Herkömmlich basierte die Modellierung in GNSS und InSAR auf externen Daten, wie denen von numerischen Wettermodellen (NWM), oder auf statistischen und Filteransätzen. Diese herkömmlichen Methoden haben jedoch oft Unzulänglichkeiten in Bezug auf Genauigkeit, räumliche Auflösung und Recheneffizienz. Deep Learning, ein datengetriebener Ansatz aus dem Bereich der Künstlichen Intelligenz, bietet die Möglichkeit einer fortschrittlichen. nichtlinearen Modellierung und hat sich als vielversprechend in der Verarbeitung raumzeitlicher Geodaten erwiesen. Die vorliegende Arbeit konzentriert sich auf zwei Schlüsselanwendungen von Deep Learning in der Geodäsie: die Modellierung der Zenith Tropospheric Delay (ZTD) und die Identifikation und Vorhersage von Distributed Scatterern (DS).

Für die Modellierung der troposphärischen Verzögerung führt diese Studie ein neuartiges Deep-Learning-Framework ein, genannt Gaussian Mixed Long Short-Term Memory Network (GM-LSTM), das Bi-LSTM nutzt, um Muster des Zenith Wet Delay (ZWD) aus GNSS-Beobachtungen zu erfassen und ZWD-Schätzungen zu korrigieren, die durch Strahlverfolgung aus Daten von NWM erzeugt wurden. Ein wesentlicher Beitrag dieser Forschung ist die Entwicklung des ersten auf Deep Learning basierenden ZTD-Schätzalgorithmus, der geodätisches Kontextwissen integriert. Im Vergleich zu traditionellen Methoden, wie der Strahlverfolgung basierend auf ERA5, VMF3 und GACOS — die bekannterweise Fehler im Zentimeterbereich aufweisen — und allgemeinen Deep-Learning-Methoden wie DNN, die kein geodätisches Wissen einfließen lassen, wurde das GM-LSTM-Framework für acht verschiedene Breitengrade in Europa validiert und erzielte dabei einen durchschnittlichen RMSE von 4,6 mm. Dies erweist GM-LSTM als eine hochgenaue Lösung für die ZTD-Modellierung. Methodisch führt GM-LSTM die Nutzung von Wahrscheinlichkeitsdichten bei der Schätzung von ZWD ein, was es erlaubt, räumliche Unsicherheiten effektiv zu berücksichtigen. Meteorologische Daten bestätigen, dass GM-LSTM Unsicherheiten aufgrund räumlich variabler Regenereignisse genau widerspiegeln kann. Bei homogener Datenbasis übertrifft das Modell andere Methoden bei der Vorhersage von ZTD während starker Regenfälle.

Im Bereich der DS-Identifikation und -Vorhersage stellt diese Arbeit das Distributed Scatterer Prediction Network (DSPN) vor, ein Convolutional Neural Network, das entwickelt wurde, um DS-Kandidaten aus einem Paar polarimetrischer SAR-Bilder vorherzusagen. Der Hauptbeitrag von DSPN liegt in der signifikanten Beschleunigung der traditionellen InSAR-Deformationsanalyse, ohne dabei an Genauigkeit einzubüßen. Diese Forschung zeigt zum ersten Mal, dass Deep Learning DS-Kandidaten mit minimalem Rechenaufwand genau identifizieren kann, bevor zeitaufwändige Vorverarbeitungsschritte durchgeführt werden. Dadurch werden die Gesamtrechenanforderungen reduziert und die Effizienz der InSAR-Arbeitsabläufe verbessert.

Die vorliegende Studie beleuchtet das Potenzial von Deep Learning in der Geodäsie, indem sie zwei zentrale Herausforderungen der Modellierung behandelt und die Bedeutung der Kombination von geodätischem Fachwissen mit Deep Learning-Rahmenwerken herausstellt. Die Kombination verbessert nicht nur die Interpretierbarkeit der Modelle, sondern auch ihre Leistung und dürfte neue Ansätze für die Praxis der geodätischen Modellierung eröffnen.

Global Navigation Satellite Systems (GNSS) and Interferometric Synthetic Aperture Radar (InSAR) are crucial geodetic technologies that utilize satellite data to precisely monitor the Earth's surface. Both methods rely on microwave signals emitted by satellites, enabling the detection of activities on the Earth’s surface and within the atmosphere. However, when processing these signals, it is inevitable to introduce external models to extract the parts of the signals that are effective for geodetic observation. Therefore, the accuracy and efficiency of modeling have become important factors that directly affect these geodetic methods, and have also become central concerns within the geodetic research community.
... mehr

Traditionally, modeling of GNSS and InSAR has depended on external data, such as Numerical Weather Models (NWM), or statistical and filtering approaches. These traditional methods, however, often suffer from limitations in terms of accuracy, spatial resolution, and computational efficiency. Deep learning, a data-driven approach within artificial intelligence, offers advanced nonlinear modeling capabilities and has shown significant promise in handling spatio-temporal geodata. This thesis focuses on two key applications of deep learning for geodesy: Zenith Tropospheric Delay (ZTD) time series modeling and Distributed Scatterer (DS) identification and prediction.

For tropospheric delay modeling, this study introduces a novel deep learning framework, called Gaussian Mixed Long Short-Term Memory Network (GM-LSTM), which utilizes Bi-LSTM to capture the Zenith Wet Delay (ZWD) patterns from GNSS observations and correct ZWD estimates produced by NWM ray tracing. A key contribution of this research is the development of the first deep learning-based ZTD estimation algorithm that integrates geodetic background knowledge. Compared to traditional methods, such as ERA5 ray tracing, VMF3, and GACOS—known for centimeter-level errors—and general deep learning methods like DNN lacking geodetic context, the GM-LSTM framework was validated across eight distinct latitude regions in Europe, achieving an average RMSE of 4.6 mm. This establishes GM-LSTM as a state-of-the-art solution for ZTD modeling. Furthermore, GM-LSTM introduces the use of probability density to describe ZWD, effectively accounting for spatial uncertainties. Meteorological data confirm that GM-LSTM can accurately reflect uncertainties due to spatially variable rainfall events. When trained on homogeneous data, the model excels in predicting ZTD during heavy rainfall, outperforming other methods.

In addressing DS identification and prediction, this thesis presents the Distributed Scatterer Prediction Network (DSPN), a convolutional neural network designed to predict DS candidates from a pair of polarimetric SAR images. The primary contribution of DSPN lies in significantly accelerating the traditional InSAR deformation analysis without sacrificing accuracy. This research demonstrates, for the first time, that deep learning can accurately identify DS candidates at minimal computational cost before time-consuming preprocessing steps, thereby reducing overall computational demands and enhancing the efficiency of InSAR workflows.

This study highlights the potential of deep learning in geodesy by addressing two key modeling challenges and emphasizes the importance of combining geodetic domain knowledge with deep learning frameworks. This combination not only enhances the interpretability of the model but also improves performance, and is expected to open up new approaches to geodetic modeling practice.