Denoising of Geodetic Time Series Using Spatiotemporal Graph Neural Networks: Application to Slow Slip Event Extraction
作者: Giuseppe Costantino, Sophie Giffard-Roisin, Mauro Dalla Mura, Anne Socquet
分类: cs.LG, cs.AI, eess.SP, physics.geo-ph
发布日期: 2024-05-06
💡 一句话要点
提出基于时空图神经网络的SSEdenoiser，用于大地测量时间序列的去噪和慢滑事件提取。
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 大地测量 时间序列去噪 图神经网络 时空Transformer 慢滑事件 GNSS 地震监测
📋 核心要点
- 大地测量数据去噪面临噪声时空相关性强、来源复杂等挑战，传统方法难以有效分离噪声和目标信号。
- 论文提出SSEdenoiser，利用图循环网络和时空Transformer，学习GNSS噪声的潜在特征，从而有效提取慢滑事件信号。
- 在卡斯卡迪亚俯冲带的实验表明，该方法提取的慢滑事件与地震颤的时空演化高度吻合，验证了其有效性。
📝 摘要（中文）
本研究致力于解决由不规则分布的传感器网络采集的多变量时间序列的去噪问题，尤其关注大地测量位置时间序列的去噪，该序列用于以厘米级到毫米级的精度监测全球地面位移。针对大地测量数据中存在的慢滑事件（SSEs）信号微弱的问题，本文设计了一种多站点时空图注意力去噪器SSEdenoiser，该模型能够学习GNSS噪声的潜在特征，从而以亚毫米级的精度揭示与SSE相关的位移。该方法结合了图循环网络和时空Transformer的关键优势。实验结果表明，该方法应用于卡斯卡迪亚俯冲带时，提取的事件与构造性地震颤的时空演化相匹配，验证了所提出的去噪程序的有效性。
🔬 方法详解
问题定义：论文旨在解决大地测量时间序列的去噪问题，特别是从受噪声污染的GNSS数据中提取微弱的慢滑事件（SSEs）信号。现有方法难以有效处理噪声的时空相关性以及区分环境信号和仪器伪影，导致SSEs信号提取精度不高。
核心思路：论文的核心思路是利用图神经网络（GNN）建模GNSS站点之间的空间关系，并结合循环神经网络（RNN）和Transformer处理时间序列数据，从而学习噪声的时空特征。通过学习到的噪声模型，可以更准确地从原始数据中去除噪声，从而突出SSEs信号。
技术框架：SSEdenoiser是一个多站点的时空图注意力去噪器，其整体架构包含以下几个主要模块：1) 图构建模块：根据GNSS站点的地理位置构建图结构，节点代表GNSS站点，边表示站点之间的空间关系。2) 图循环网络模块：利用图循环网络（Graph Recurrent Network）处理每个站点的时间序列数据，并考虑站点之间的空间依赖关系。3) 时空Transformer模块：利用Transformer进一步捕捉时间序列中的长程依赖关系，并融合空间信息。4) 去噪模块：利用学习到的噪声模型从原始数据中减去噪声，得到去噪后的时间序列。
关键创新：该方法的主要创新在于将图神经网络、循环神经网络和Transformer结合起来，构建了一个能够有效处理时空相关性的去噪模型。传统的去噪方法通常只考虑时间序列的局部特征，而忽略了站点之间的空间关系。SSEdenoiser通过图神经网络显式地建模了站点之间的空间依赖关系，从而能够更准确地学习噪声的时空特征。
关键设计：在图构建模块中，可以使用不同的方法来定义站点之间的空间关系，例如基于距离的连接或基于相关性的连接。在图循环网络模块中，可以使用不同的图卷积算子，例如GCN或GraphSAGE。在时空Transformer模块中，可以使用不同的注意力机制，例如自注意力或交叉注意力。损失函数的设计需要考虑去噪效果和信号保持，例如可以使用均方误差损失函数或Huber损失函数。
🖼️ 关键图片
📊 实验亮点
该方法在卡斯卡迪亚俯冲带的实验中表现出色，提取的慢滑事件与地震颤的时空演化高度吻合。该结果表明，SSEdenoiser能够有效地去除GNSS数据中的噪声，并提取出微弱的慢滑事件信号，精度达到亚毫米级。这验证了该方法在实际应用中的有效性。
🎯 应用场景
该研究成果可应用于地震监测、地质灾害预警等领域。通过提高GNSS数据的去噪精度，可以更准确地监测地面形变，从而更好地理解地震的发生机制，并为地质灾害的预警提供更可靠的数据支持。此外，该方法还可以推广到其他类型的时空数据去噪问题，例如气象数据、环境监测数据等。
📄 摘要（原文）
Geospatial data has been transformative for the monitoring of the Earth, yet, as in the case of (geo)physical monitoring, the measurements can have variable spatial and temporal sampling and may be associated with a significant level of perturbations degrading the signal quality. Denoising geospatial data is, therefore, essential, yet often challenging because the observations may comprise noise coming from different origins, including both environmental signals and instrumental artifacts, which are spatially and temporally correlated, thus hard to disentangle. This study addresses the denoising of multivariate time series acquired by irregularly distributed networks of sensors, requiring specific methods to handle the spatiotemporal correlation of the noise and the signal of interest. Specifically, our method focuses on the denoising of geodetic position time series, used to monitor ground displacement worldwide with centimeter- to-millimeter precision. Among the signals affecting GNSS data, slow slip events (SSEs) are of interest to seismologists. These are transients of deformation that are weakly emerging compared to other signals. Here, we design SSEdenoiser, a multi-station spatiotemporal graph-based attentive denoiser that learns latent characteristics of GNSS noise to reveal SSE-related displacement with sub-millimeter precision. It is based on the key combination of graph recurrent networks and spatiotemporal Transformers. The proposed method is applied to the Cascadia subduction zone, where SSEs occur along with bursts of tectonic tremors, a seismic rumbling identified from independent seismic recordings. The extracted events match the spatiotemporal evolution of tremors. This good space-time correlation of the denoised GNSS signals with the tremors validates the proposed denoising procedure.