شناسایی نقاط تغییر در سری زمانی جابجایی ناشی از تداخل سنجی راداری با استفاده از شبکه‌ عصبی پرسپترون چندلایه: (مطالعه موردی قاره اروپا)

سطح زمین به‌دلیل وقوع پدیده‌های طبیعی مانند زلزله و آتش‌فشان و همچنین فعالیت‌های انسانی نظیر استخراج آب‌های زیرزمینی و معادن، همواره در حال تغییر و جابجایی است. در سال‌های اخیر، افزایش آگاهی از خطرات ناشی از حرکات زمین، منجر به تقاضای بیشتر جهت دست‌یابی به اطلاعات جامع و قابل‌اعتماد درباره این جابجایی‌ها شده است. تاکنون روش‌های گوناگونی به‌منظور تخمین جابجایی سطح زمین ارائه‌شده‌اند که ازجمله مهم‌ترین منابع جهت برآورد میزان جابجایی سطح زمین در طول زمان، آنالیز سری زمانی جابجایی حاصل از تداخل‌سنجی راداری است. بااین‌حال، پس‌پردازش داده‌های سری زمانی کمتر موردتوجه قرار گرفته است. کارآمدترین روش‌های پس‌پردازش آنالیز سری زمانی، شناسایی نقاط تغییر در روند سری زمانی است. به‌نحوی‌که با شناسایی نقطه تغییر در سری زمانی می‌توان علاوه بر استخراج اطلاعات مکانی، نتایج حاصل را نیز در بعد زمان تحلیل نمود. این پژوهش به بررسی روشی جهت شناسایی نقاط تغییر سری زمانی جابجایی‌های زمین ناشی از فعالیت‌های زمین‌شناسی و انسانی در قاره اروپا می‌پردازد و از داده‌های سامانه پایش حرکت سطح زمین در قاره اروپا (egms) بهره می برد. باتوجه‌به چالش‌های موجود در تشخیص نقاط تغییر در سری زمانی جابجایی حاصل از تداخل‌سنجی از قبیل نویز و رفتارهای فصلی، استفاده از شبکه‌ عصبی پرسپترون چندلایه به‌عنوان یکی از ساده‌ترین و پرکاربردترین شبکه‌های عصبی در یادگیری ماشین می‌تواند جهت شناسایی الگوهای پیچیده و روابط غیرخطی موثر باشد. نتایج به‌دست‌آمده نشان‌دهنده دقت بالای 97 درصد در شناسایی نقاط تغییر و توانایی مدل در تشخیص تغییرات با دقت مناسب است که می‌تواند به درک بهتر تغییرات زمین کمک کند. همچنین قابلیت‌های مدل پیشنهادی در تحلیل داده‌های جابجایی و شناسایی تغییرات موردبررسی قرار گرفته و نتایج حاصل با روش‌های متداول مقایسه شده است. بر اساس این مقایسه، روش پیشنهادی ازنظر دقت، عملکرد بسیار بهتری نسبت به روش‌های آماری دارد و همچنین در مقایسه با سایر روش‌های یادگیری عمیق، حدود 9 برابر هزینه محاسباتی کاهش‌یافته است.

change point detection (cpd) in insar time series using mlp: (case study: europe continent)

the earth’s surface is constantly changing due to natural phenomena such as earthquakes and volcanoes, as well as human activities like groundwater extraction and mining. in recent years, the increased awareness of the risks associated with ground movements has led to a higher demand for comprehensive and reliable information regarding these displacements. various methods have been proposed to estimate land surface displacement, among which time-series analysis of displacement derived from insar is one of the most important sources for assessing the extent of surface displacements over time. however, the post-processing of time-series data has received less attention. the most efficient post-processing techniques for time-series analysis involve identifying the change points in the time series. by detecting these change points, it is possible not only to extract spatial information but also to analyze the temporal aspect of the results. this study explores a method for identifying the change points in the time series of land displacements caused by geological and human activities in europe, utilizing data from the egms system. given the challenges in detecting the change points in displacement time series derived from interferometry, such as noise and seasonal behaviors, the use of a multilayer perceptron neural network can be effective in recognizing complex patterns and nonlinear relationships. the results demonstrate an accuracy of over 97% in detecting the change points, highlighting the model’s ability to identify the changes with appropriate precision, which can aid in a better understanding of earth’s dynamics. furthermore, the capabilities of the proposed model in analyzing the displacement data and identifying the changes were evaluated, and the results were compared with the conventional methods. based on this comparison, the proposed method outperforms the statistical approaches in terms of accuracy and exhibits approximately 9 times lower computational cost compared to the other deep learning methods.