利用深度学习嵌入进行无监督火山变化检测：以智利内瓦多斯德奇利亚安（Nevados de Chillán）和利亚马（Llaima）火山为例（2017–2023年）

《Remote Sensing Applications: Society and Environment》：Unsupervised volcanic change detection using deep learning embeddings: Case studies of Nevados de Chillán and Llaima volcanoes, Chile (2017–2023)

火山监测中卫星嵌入向量应用研究。首次利用GEE的64维ViT嵌入进行智利Chillán和Llaima两座活火山（2017-2023）非监督检测，发现极端变化区（4.04km2和3.79km2）与NDVI弱相关（r=0.29/-0.06），嵌入捕捉纹理/空间/光谱复合特征，为全球火山监测提供新方法。

　　

弗朗西斯科·帕拉

智利圣地亚哥大学计算机工程系，维克托·哈拉大道3659号，圣地亚哥，9170125，智利

摘要

传统的火山变化检测光谱指数（例如NDVI、NBR）主要捕捉植被和温度变化，但可能忽略复杂的形态和纹理变化。在这里，我们首次应用了Google Earth Engine的卫星嵌入技术——这些64维特征向量是基于在全局卫星图像上训练的视觉变换器（Vision Transformer）生成的——来无监督地检测火山变化。我们分析了智利的两座活火山：内瓦多斯德奇兰（Nevados de Chillán）和利亚马（Llaima），时间跨度为7年（2017-2023年）。通过在64维嵌入空间中使用欧几里得距离，我们识别出在活火山口5公里半径范围内极端变化的区域，其大小分别为4.04平方公里（位于第95百分位）和3.79平方公里（位于第95百分位）。跨百分位阈值（P75–P99）的敏感性分析证实了这两种方法在两个地点都具有稳健的检测效果。无监督的K均值聚类显示，两座火山的表面可以分为两类（奇兰：44.4%/55.6%；利亚马：59.6%/40.4%），其轮廓得分较低（约为0.22），反映了火山地形的渐变特征。时间序列分析揭示了不同的时间变化特征：奇兰有两个主要的活动期（2018-2019年、2021-2022年），而利亚马则呈现出一个高峰期（2022-2023年）。与NDVI变化的相关性较弱（奇兰：r = 0.29，95%置信区间[0.24, 0.34；利亚马：r = -0.06，95%置信区间[-0.12, -0.01]），表明嵌入信息与植被动态并非线性相关。在两座火山上的结果一致，表明深度学习嵌入技术为火山监测提供了一种有前景的无监督方法，值得在更多火山环境中进行验证。

引言

火山喷发对全球数百万人构成重大威胁，大约有8亿人生活在活火山100公里范围内（Brown等人，2015年）。持续监测火山活动对于早期预警系统和灾害缓解至关重要。遥感技术已成为火山监测不可或缺的工具，尤其是在偏远或难以到达的地区（Pieri等人，2004年）。传统方法依赖于光谱指数，如归一化植被指数（NDVI）、归一化烧毁比（NBR）或利用亮度温度差（BTD）进行热异常检测（Wright等人，2004年；Blackett，2017年）。虽然这些方法能有效检测特定现象（如植被损失、热排放），但可能忽略涉及纹理、形态和多光谱模式的复杂变化。

深度学习的最新进展彻底改变了地球观测方式，使得可以从卫星图像中提取高级语义特征（Zhu等人，2017年；Reichstein等人，2019年；Zhang等人，2016年）。Google Earth Engine（GEE）（Gorelick等人，2017年）使人们能够进行行星尺度的地理空间分析，处理PB级别的卫星数据。2023年，Google发布了卫星图像嵌入数据集，其中包含64维特征向量，这些向量是由基于Vision Transformer的模型通过自监督对比学习从Sentinel-2卫星图像中生成的（Dosovitskiy等人，2021年；Chen等人，2020年；He等人，2020年）。这些嵌入信息包含了丰富的 semantics，包括光谱特征、空间背景和纹理模式，并以适合下游任务（如分类和变化检测）的紧凑形式表示。

尽管深度学习在遥感领域的应用日益广泛（Ma等人，2019年；Ball等人，2017年），但嵌入技术尚未应用于火山监测。变化检测方法已经从传统的基于像素的比较（Tewkesbury等人，2015年）发展到使用卷积神经网络的深度学习方法（Daudt和B. Le Saux，2018年；Shi等人，2020年），但大多数方法仍需要标记的训练数据。火山监测研究采用了热异常检测（Carn等人，2016年；Laiolo等人，2019年）、InSAR变形分析（Ebmeier等人，2018年）和多光谱时间序列（Murphy等人，2018年；Valade等人，2019年；Ramsey和Harris，2013年），但监督方法需要大量的地面真实数据，而光谱指数可能无法完全捕捉火山表面变化的复杂性。

位于智利安第斯山脉的内瓦多斯德奇兰火山（36.86°S，71.38°W）是一个理想的案例研究对象。在数十年的平静期后，该火山于2016年1月重新活跃起来，直到2023年一直有熔岩流、火山穹丘和火山灰排放（Ovdas-Sernageomin，2023年）。这座火山距离奇兰市约80公里（人口约18万），毗邻一个滑雪场，对社会构成了重大风险。SERNAGEOMIN的南安第斯火山观测站（OVDAS）持续进行监测，提供了宝贵的验证数据。

在这里，我们首次将卫星嵌入技术应用于火山变化检测。我们的目标是：（1）使用嵌入空间中的无监督距离度量来量化内瓦多斯德奇兰火山在2017-2023年期间的变化；（2）通过无监督聚类对火山表面进行分类；（3）通过时间序列分析识别活动模式；（4）将嵌入结果与传统光谱指数进行比较。我们证明嵌入技术为传统方法提供了补充信息，为全球火山监测提供了一种可扩展的方法。

研究区域

内瓦多斯德奇兰是位于智利安第斯山脉的一个火山复合体（36.86°S，71.38°W，海拔3212米），包括几座火山构造，如当前活跃的Volcán Nuevo、Volcán Viejo以及被冰覆盖的Nevado de Chillán（Naranjo和Moreno，1991年；Stern和volcanoes，2007年）。该复合体形成于Liqui?e-Ofqui断层带，属于安第斯山脉的南部火山带。

历史上的活跃时期包括1861-1864年、1906年和1973-1986年的喷发（全球火山活动计划，

卫星嵌入数据集

我们使用了Google Earth Engine的卫星图像嵌入数据集（GOOGLE/SATELLITE_EMBEDDING/V1/ANNUAL）（Google Earth Engine团队，2023年）。该数据集提供了64维特征向量（波段A00-A63），空间分辨率为10米，这些向量是通过视觉变换器（ViT）模型从Sentinel-2卫星图像中生成的，该模型采用了自监督对比学习进行训练。该模型能够在没有标记数据的情况下学习对相似地球表面类型的聚类。

变化的大小和空间分布

基于嵌入的变化检测（2017-2023年）显示了显著的火山活动（图2）。研究区域内欧几里得距离的分布如下：

• •
  中位数距离：0.34
• •
  第75百分位（中等）：0.41
• •
  第90百分位（高）：0.47
• •
  第95百分位（极端）：0.49
• •
  第99百分位：0.55

极端变化区域（位于第95百分位）覆盖了4.04平方公里，占研究区域的5.1%，主要集中在活火山口周围以及向南-西南方向的熔岩流路径上。

嵌入作为补充信息

我们对两座火山的研究结果表明，卫星嵌入捕获的信息与传统光谱指数不同。与NDVI的相关性较弱（奇兰：r = 0.29，95%置信区间[0.24, 0.34；利亚马：r = -0.06，95%置信区间[-0.12, -0.01]），表明嵌入不仅仅是植被变化的代理指标。相反，它们似乎编码了包括纹理、空间背景和从全局训练数据中学习到的多光谱模式在内的更丰富的信息。

结论

我们首次将64维深度学习特征（卫星嵌入）应用于火山变化检测，证明了其在2017-2023年间对智利两座火山（内瓦多斯德奇兰和利亚马）的有效性。主要发现包括：

• 1.
  有效的变化检测
  ：嵌入技术识别出奇兰和利亚马分别有4.04平方公里和3.79平方公里的极端火山变化区域，这些区域与报告的喷发活动在空间上是一致的。
• 2.
  与植被指数不同
  ：

CRediT作者贡献声明

弗朗西斯科·帕拉：概念化、方法论、软件开发、验证、正式分析、数据整理、初稿撰写、审稿与编辑、可视化。

写作过程中生成式AI和AI辅助技术的声明

在准备这项工作时，作者使用了Claude（Anthropic）工具来辅助Python脚本的开发、文献回顾和手稿初稿的编写。使用该工具后，作者对所有内容进行了审查、验证和编辑，并对发表文章的内容负全责。所有科学分析、解释和结论均为作者本人完成。

资金支持

本研究未获得任何公共、商业或非营利机构的特定资助。

利益冲突声明

作者声明他们没有已知的利益冲突或个人关系可能影响本文的研究结果。

致谢

我们感谢SERNAGEOMIN和OVDAS提供火山监测数据以及对内瓦多斯德奇兰和利亚马火山活动的宝贵见解，包括特殊活动报告（REAV）的访问权限。Google Earth Engine提供了计算资源和卫星嵌入。Sentinel-2数据由欧洲航天局和Copernicus计划提供。