Detektion von anormalen Zeitreihen an Persistent-Scatterer-Punkten im Zusammenhang mit der Ableitung flächenhafter Bodenbewegungen

Xi, Furui

Zur Erfassung von Bodenbewegungen hat sich die radarinterferometrische Methode der Per-sistent Scatterer Interferometrie (PSI) aufgrund der erreichbaren hohen Qualität und der zu-nehmenden Verfügbarkeit von Radar-Satellitendaten in vielen Bereichen der Wissenschaft, Wirtschaft und Behörden bewährt. Im Vergleich zu herkömmlichen Vermessungsverfahren er-zeugt die PSI-Methode eine hohe Punktdichte mit Informationen über die zeitlich variierenden Bodenbewegungen bzw. Höhenänderungen an der Tagesoberfläche und mit einer Genauig-keit im Sub-Zentimeterbereich. Aufgrund verschiedener, auch verfahrenstechnischer Ursa-chen können die ermittelten PSI-Höhenänderungszeitreihen an einzelnen PS-Punkten jedoch von dem erwarteten flächenhaften Bodenbewegungsverhalten abweichen. Sie sind somit für dieses Bodenbewegungsverhalten nicht repräsentativ oder im messtechnischen Sinne grob falsch. Vor einer weiteren Nutzung dieser Ergebnisse sollten diese auffallenden „Anoma-lien“ deshalb in den vorliegenden Massendaten automatisiert erkannt und von einer Interpre-tation des Bodenbewegungsverhaltens ausgeschlossen werden. Im Rahmen der vorliegenden Arbeit wird ein raumzeitliches Clusterverfahren vorgestellt, das die automatisierte Detektion von anormalen Zeitreihen an PS-Punkten in flächenhaft vorlie-genden PSI-Ergebnissen ermöglicht. Zur Auswahl eines für diese Aufgabenstellung geeigne-ten Verfahrens wurden verschiedene Clusterverfahren auf ihre Anwendbarkeit hin untersucht und letztlich das Verfahren „Local-Moran’s-Index“ auf Grundlage lokaler räumlicher Autokorrelationen ausgewählter Attribute zwischen den PS-Punkten an praktischen Beispielen getestet. Es zeigte sich, dass grundsätzlich mit Hilfe des Local-Moran’s-Index - Clusterverfahrens signifikante „räumliche Anomalien“ detektiert werden können, dabei aber der Wahl des Attributes eine wichtige Bedeutung zukommt. Im Vergleich zur Clusteranalyse mit den Attributen „Polynomgrad“ und „Höhenänderung“ (abgeleitet aus einer Trendpolynombestimmung) konnte die Clusteranalyse mit dem Attribut „Höhenänderungsrate" ein deutlich besseres Ergebnis erzielen. Darüber hinaus ergab die Untersuchung, dass zur Beschreibung des charakteristischen Verlaufs einer Höhenänderungszeitreihe ein einziges Attribut offensichtlich nicht ausreicht. Da bei der Local-Moran’s-Index - Clusteranalyse jedoch nur ein einziges Attribut berücksichtigt werden kann, erfolgt eine Modifikation dieses Verfahrens durch Einführung eines Gewichtungsfaktors zur Beurteilung und Quantifizierung der Ähnlichkeit der Höhenänderungsverläufe benachbarter PS-Punkte. Des Weiteren wurde ein Kriterium abgeleitet, das auf einer gemeinsamen Betrachtung von räumlichen Autokorrelationen und der Anzahl benachbarter PS-Punkte basiert, und zu einer Modifikation der Local-Moran’s-Index - Clusteranalyse führte. Erweitert wurde das Vorgehen um eine kleinräumige Clusteranalyse mit spezifischen, angepassten Parametern. Abschließend wurde am Beispiel eines umfangreichen Testdatensatzes das erweiterte und modifizierte Local-Moran’s-Index - Verfahren zur Identifizierung von anormalen Zeitreihen an PS-Punkten erprobt und das Analyseergebnis mit einem entwickelten statistischen Validati-onsverfahren, basierend auf berechneten Höhenänderungsdifferenzen, überprüft. Zusammen-fassend zeigte sich, dass eine automatisierte Detektion von anormalen Zeitreihen an massen-haft vorhandenen PS-Punkten mittels des modifizierten Local-Moran’s-Index - Verfahrens zu-verlässig erfolgen kann. Die hierdurch ermöglichte Datenbereinigung liefert einen wichtigen Beitrag zur Verbesserung der Qualität einer flächenhaften Modellierung von Bodenbewegun-gen.

Due to the achievable high quality and the increasing availability of radar satellite data, the radar interferometric method of persistent scatterer Interferometry (PSI) has proved of great value for the detection of ground movements in many fields of science, economics and public authorities. Compared to conventional surveying methods, the PSI method produces a high point density with information about the temporally varying ground movements or height changes on the ground surface with an accuracy in the sub-centimeter range. However, due to various, also procedural reasons, the determined PSI time series of height changes at individual PS-points can deviate from the expected areal ground movement behavior. They are therefore not representative to describe this ground movement behavior or are grossly wrong in the metrological sense. Before any further use of these results, these striking "anomalies" should therefore be recognized automatically in the present mass data and excluded from an interpretation of the ground movement behavior. In the present work, a space-time clustering method is presented, which enables the automated detection of abnormal time series at PS points in areal PSI results. In order to select a suitable method for this task, various clustering methods have been investigated for their applicability and finally the "Local-Moran's-Index" method on the basis of local spatial autocorrelation of selected attributes between the PS points has been tested in practical examples. It was found that in principle significant “spatial anomalies” can be detected with the help of the Local-Moran's-Index clustering method, but the choice of attribute is of great importance. In comparison to the cluster analysis with the attributes "polynomial degree" and "height change" (derived from a trend polynomial determination), the cluster analysis with the attribute "height change rate" was able to achieve a significantly better result. Furthermore, the investigation showed that a single attribute is obviously not sufficient to describe the characteristic course of a height change time series. However, since only a single attribute can be taken into account in the Local-Moran's-Index cluster analysis, a modification of this method is carried out by introducing a weighting factor for judging and quantifying the similarity of the height changes of adjacent PS points. Moreover, a criterion was derived based on a joint consideration of spatial autocorrelation and the number of neighboring PS points and led to a modification of the Local-Moran's-Index cluster analysis. The approach was then extended by a small-scale cluster analysis with specific, adapted parameters. Finally, using the example of a comprehensive test data set, the extended and modified Local-Moran's Index method for the identification of abnormal time series at PS points was tested, and the analysis result was checked with a developed statistical validation method based on calculated differences of height changes. In summary, it was found that automated detection of abnormal time series at mass PS points can be reliably performed by means of the modified Local-Moran's-Index method. The data cleansing provided thereby makes an important contribution to the improvement of the quality of areal modeling of ground movements.

Vorschau

Zitieren

Zitierform:

Xi, Furui: Detektion von anormalen Zeitreihen an Persistent-Scatterer-Punkten im Zusammenhang mit der Ableitung flächenhafter Bodenbewegungen. 2017.

Zugriffsstatistik

Gesamt:
Volltextzugriffe:
Metadatenansicht:
12 Monate:
Volltextzugriffe:
Metadatenansicht:

Grafik öffnen

Rechte

Nutzung und Vervielfältigung:
Alle Rechte vorbehalten

Export