Monitoring topographic subsidence with the implementation of InSAR satellite imagery, and GNSS vector analysis techniques

Abstract

Land subsidence is a progressive geohazard with profound implications for infrastructure safety, environmental stability, and land-use planning. This doctoral research addresses the challenge of accurately detecting, monitoring, and predicting land subsidence over extended spatial and temporal scales using remote sensing and machine learning techniques. By integrating multitemporal InSAR datasets with GNSS observations and geospatial factors, the study presents a scalable and transferable framework for land subsidence susceptibility (LSS) mapping, validated over the tectonically and hydrologically complex region of Attica, Greece. The thesis is structured around three major scientific approaches. The first approach focuses on enhancing the monitoring of ground displacement across multiple temporal scales by combining Persistent Scatterer InSAR (PS-InSAR), Small Baseline Subset (SBAS) InSAR, and GNSS data using Kalman filtering. Five case studies—Anavyssos, Corinth, Metamorfosi, Penteli, and Eleonas—were examined, covering both six-year (2015–2021) and one-year (2021) observation periods. The fusion methodology provided smoother, higher-confidence displacement time series, eliminating noise while preserving significant deformation signals. The GNSS Kalman-filtered fusion yielded displacement time series consistent with those from PS-InSAR and SBAS techniques, thereby validating the robustness of the integrated approach. Feature importance and Partial Dependence Plot (PDP) analyses further revealed that proximity to faults and streams were the most dominant factors driving long-term ground deformation, followed by lithology and land use, particularly in fault-affected alluvial plains. These causal relationships were consistently observed across case studies and temporal scales. The second approach introduces an LSS model by integrating SBAS InSAR data with key geospatial factors using machine learning approaches. The study focuses on the Attica prefecture, Greece, and utilizes SBAS InSAR data from 2015 to 2021 to extract ground deformation velocities by classifying them into four susceptibility levels: stable, low, moderate, and high. The susceptibility results indicate that stable zones constitute 58.2% of the study area, followed by low (27.2%), moderate (11.2%), and high susceptibility zones (3.4%), predominantly concentrated in areas undergoing hydrological stress and urbanization. Random Forest (RF) and XGBoost (XGB) models incorporate a comprehensive set of causal factors, including slope, aspect, land use, groundwater level, geology, and rainfall. The evaluation of the models includes accuracy metrics and confusion matrices. The XGB model achieved the highest performance, recording an accuracy of 94%, with well-balanced predictions across all susceptibility classes. Addressing class imbalance during model training improved the recall of minority classes, though with slight tradeoffs in precision. Feature importance analysis identifies proximity to streams, land use, aspect, rainfall, and groundwater extraction as the most influential factors driving subsidence susceptibility. This methodology demonstrates high reliability and robustness in predicting LSS, providing critical insights for land-use planning and mitigation strategies. These findings establish a scalable framework for regional and global applications, contributing to sustainable land management and risk reduction efforts. The third approach explored the spatial transferability of susceptibility models through a crossregional learning framework. The Attica AOI was divided into two subregions—Dataframe 2 (DF2) for model training and testing, and Dataframe 1 (DF1) as an independent region for prediction. The models trained on DF2 were evaluated for their predictive performance in DF1 using both spatial overlays and a 100-meter nearest-neighbor matching algorithm. Among the evaluated models, RF_ADASYN and XGB_ADASYN demonstrated the highest alignment with the full AOI susceptibility reference, particularly in Moderate and High classes—zones of critical geohazard concern. These results affirm the operational readiness of ensemble models combined with adaptive sampling for reliable susceptibility forecasting in unseen, geologically similar areas. This research makes significant contributions to geohazard monitoring by establishing an integrated, multi-sensor displacement analysis pipeline and a transferable machine learning framework for subsidence susceptibility assessment. By linking observed deformation patterns with geomorphological, lithological, and anthropogenic variables, the thesis offers a reproducible and scalable methodology for ground motion mapping in tectonically active and urbanizing regions. The outcomes are particularly valuable for risk-informed urban planning, infrastructure resilience strategies, and early warning systems.

Η καθίζηση του εδάφους είναι ένας προοδευτικός γεωκίνδυνος με βαθιές επιπτώσεις στην ασφάλεια των υποδομών, την περιβαλλοντική σταθερότητα και τον χωροταξικό σχεδιασμό. Αυτή η διδακτορική έρευνα αντιμετωπίζει την πρόκληση της ακριβούς ανίχνευσης, παρακολούθησης και πρόβλεψης της καθίζησης του εδάφους σε εκτεταμένες χωρικές και χρονικές κλίμακες, χρησιμοποιώντας τεχνικές τηλεπισκόπησης και μηχανικής μάθησης. Με την ενσωμάτωση πολυχρονικών συνόλων δεδομένων InSAR με παρατηρήσεις Παγκόσμιων Δορυφορικών Συστημάτων Πλοήγησης (Global Navigation Satellite Systems – GNSS) και γεωχωρικούς παράγοντες, η μελέτη παρουσιάζει ένα κλιμακούμενο και μεταβιβάσιμο πλαίσιο για την χαρτογράφηση της ευαισθησίας στις καθιζήσεις του εδάφους (Land Subsidence Susceptibility - LSS), επικεντρώνοντας στην τεκτονικά και υδρολογικά πολύπλοκη περιοχή της Αττικής.Η διατριβή διαρθρώνεται γύρω από τρεις κύριες επιστημονικές προσεγγίσεις. Η πρώτη προσέγγιση επικεντρώνεται στην ενίσχυση της παρακολούθησης της μετατόπισης εδάφους σε πολλαπλές χρονικές κλίμακες, συνδυάζοντας τις τεχνικές Persistent Scatterer InSAR (PS-InSAR), Small Baseline Subset (SBAS) InSAR και δεδομένα GNSS, και χρησιμοποιώντας φίλτρα Kalman. Εξετάστηκαν πέντε περιπτωσιολογικές μελέτες στις περιοχές Ανάβυσσος, Κόρινθος, Μεταμόρφωση, Πεντέλη και Ελαιώνας, οι οποίες καλύπτουν τόσο εξαετείς (2015–2021) όσο και μονοετείς (2021) περιόδους παρατήρησης. Η μεθοδολογία σύντηξης παρείχε ομαλότερες χρονοσειρές μετατόπισης υψηλότερης εμπιστοσύνης, εξαλείφοντας τον θόρυβο διατηρώντας παράλληλα σημαντικά σήματα παραμόρφωσης. Η φιλτραρισμένη σύντηξη GNSS Kalman έδωσε χρονοσειρές μετατόπισης σύμφωνες με εκείνες των τεχνικών PS-InSAR και SBAS, επικυρώνοντας έτσι την ευρωστία της ολοκληρωμένης προσέγγισης. Οι αναλύσεις της σημασίας των χαρακτηριστικών και του γραφήματος μερικής εξάρτησης (PDP) αποκάλυψαν περαιτέρω ότι η εγγύτητα σε ρήγματα και ρέματα ήταν οι πιο κυρίαρχοι παράγοντες που οδήγησαν σε μακροπρόθεσμη παραμόρφωση του εδάφους, ακολουθούμενη από την λιθολογία και την χρήση γης, ιδιαίτερα σε αλλουβιακές πεδιάδες που επηρεάζονται από ρήγματα. Αυτές οι αιτιώδεις σχέσεις παρατηρήθηκαν με συνέπεια σε περιπτωσιολογικές μελέτες και χρονικές κλίμακες. Η δεύτερη προσέγγιση εισάγει ένα μοντέλο LSS ενσωματώνοντας δεδομένα SBAS InSAR με βασικούς γεωχωρικούς παράγοντες και χρησιμοποιώντας προσεγγίσεις μηχανικής μάθησης. Η μελέτη επικεντρώνεται στον νομό Αττικής και χρησιμοποιεί δεδομένα SBAS InSAR από το 2015 έως το 2021 για να εξαγάγει ταχύτητες παραμόρφωσης εδάφους ταξινομώντας τις σε τέσσερα επίπεδα ευαισθησίας: σταθερή, χαμηλή, μέτρια και υψηλή. Τα αποτελέσματα ευαισθησίας δείχνουν ότι οι σταθερές ζώνες αποτελούν το 58,2% της περιοχής μελέτης, ακολουθούμενες από ζώνες χαμηλής (27,2%), μέτριας (11,2%) και υψηλής ευαισθησίας (3,4%), κυρίως συγκεντρωμένες σε περιοχές που υφίστανται υδρολογική καταπόνηση και αστικοποίηση. Τα μοντέλα τυχαίων δασών (Random Forest - RF) και XGBoost (XGB) ενσωματώνουν ένα ολοκληρωμένο σύνολο αιτιωδών παραγόντων, συμπεριλαμβανομένης της κλίσης, της όψης, της χρήσης γης, της στάθμης των υπόγειων υδάτων, της γεωλογίας και των βροχοπτώσεων. Η αξιολόγηση των μοντέλων περιλαμβάνει μετρήσεις ακρίβειας και πίνακες σύγχυσης. Το μοντέλο XGB πέτυχε την υψηλότερη απόδοση, καταγράφοντας ακρίβεια 94%, με καλά ισορροπημένες προβλέψεις σε όλες τις κατηγορίες ευαισθησίας. Η αντιμετώπιση της ταξικής ανισορροπίας κατά την διάρκεια της εκπαίδευσης μοντέλων βελτίωσε την ανάκληση μειονοτικών τάξεων, αν και με μικρούς συμβιβασμούς στην ακρίβεια. Η ανάλυση της σημασίας των χαρακτηριστικών προσδιορίζει την εγγύτητα με τα ρέματα, την χρήση γης, την κλίση, τις βροχοπτώσεις και την εξόρυξη υπόγειων υδάτων ως τους πιο σημαντικούς παράγοντες που οδηγούν στην ευαισθησία στην καθίζηση. Αυτή η μεθοδολογία επιδεικνύει υψηλή αξιοπιστία και ευρωστία στην πρόβλεψη LSS, παρέχοντας κρίσιμες πληροφορίες για τον σχεδιασμό και τις στρατηγικές μετριασμού της χρήσης γης. Τα ευρήματα δημιουργούν ένα κλιμακούμενο πλαίσιο για περιφερειακές και παγκόσμιες εφαρμογές, συμβάλλοντας στην βιώσιμη διαχείριση της γης και στις προσπάθειες μείωσης του κινδύνου. Η τρίτη προσέγγιση διερεύνησε την χωρική δυνατότητα μεταφοράς των μοντέλων ευαισθησίας μέσω ενός διαπεριφερειακού πλαισίου μάθησης. Οι περιοχές ενδιαφέροντος στην Αττική χωρίστηκαν σε δύο υποπεριοχές, το Dataframe 2 (DF2) για εκπαίδευση και δοκιμή μοντέλων και το Dataframe 1 (DF1) ως ανεξάρτητη περιοχή πρόβλεψης. Τα μοντέλα που εκπαιδεύτηκαν στον DF2 αξιολογήθηκαν για την προγνωστική τους απόδοση στον DF1 χρησιμοποιώντας τόσο χωρικές επικαλύψεις όσο και έναν αλγόριθμο αντιστοίχισης πλησιέστερου γείτονα 100 μέτρων. Μεταξύ των μοντέλων που αξιολογήθηκαν, τα RF_ADASYN και XGB_ADASYN επέδειξαν την υψηλότερη ευθυγράμμιση με την πλήρη αναφορά ευαισθησίας, ιδιαίτερα στις μεσαίες και υψηλές τάξεις - ζώνες κρίσιμης ανησυχίας γεωκινδύνου. Αυτά τα αποτελέσματα επιβεβαιώνουν την επιχειρησιακή ετοιμότητα των μοντέλων σε συνδυασμό με προσαρμοστική δειγματοληψία για αξιόπιστη πρόβλεψη ευαισθησίας σε γεωλογικά παρόμοιες περιοχές. Η παρούσα έρευνα συμβάλλει σημαντικά στην παρακολούθηση των γεωκινδύνων με την δημιουργία ενός ολοκληρωμένου αγωγού ανάλυσης μετατόπισης πολλαπλών αισθητήρων και ενός μεταβιβάσιμου πλαισίου μηχανικής μάθησης για την εκτίμηση της ευαισθησίας σε καθίζηση. Συνδέοντας τα παρατηρούμενα πρότυπα παραμόρφωσης με γεωμορφολογικές, λιθολογικές και ανθρωπογενείς μεταβλητές, η διατριβή προσφέρει μια αναπαραγώγιμη και κλιμακούμενη μεθοδολογία για την χαρτογράφηση της κίνησης του εδάφους σε τεκτονικά ενεργές και αστικοποιούμενες περιοχές. Τα αποτελέσματα είναι ιδιαίτερα πολύτιμα για τον πολεοδομικό σχεδιασμό βάσει κινδύνου, τις στρατηγικές ανθεκτικότητας των υποδομών και τα συστήματα έγκαιρης προειδοποίησης.