Data science in nuclear verification - extracting verification-relevant information from Earth Observation Big Data

Laumen, Lisa; Bosbach, Dirk Adolf; Lehmkuhl, Frank

doi:43912

Data science in nuclear verification - extracting verification-relevant information from Earth Observation Big Data = Data Science in der nuklearen Verifikation - Extraktion verifikationsrelevanter Informationen aus Big Data der Erdbeobachtung

Laumen, Lisa^RWTH*

2024 & 2025

Verantwortlichkeitsangabevorgelegt von Lisa Laumen, M. Sc.

ImpressumAachen : RWTH Aachen University 2024

Umfang1 Online-Ressource : Illustrationen

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2024

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2025

Genehmigende Fakultät
Fak05

Hauptberichter/Gutachter
Bosbach, Dirk Adolf (Thesis advisor)^RWTH* ; Lehmkuhl, Frank (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2024-08-29

Online
DOI: 10.18154/RWTH-2024-11157
URL: https://publications.rwth-aachen.de/record/998125/files/998125.pdf

Einrichtungen

Inhaltliche Beschreibung (Schlagwörter)
big data pipeline (frei) ; data science (frei) ; earth observation big data (frei) ; machine learning (frei) ; nukleare Verifikation (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Die nukleare Verifikation und die Kernmaterialüberwachung (engl. Safeguards) der Internationalen Atomenergie-Organisation (IAEO) sind wichtige Instrumente zur Stärkung der nuklearen Sicherheit und Nichtverbreitung auf internationaler Ebene. Durch die Zusammenarbeit mit den Mitgliedsstaaten und den Einsatz innovativer Technologien, wie z.B. Big Data (BD) aus der Erdbeobachtung, überprüft die IAEO, dass ein Mitgliedstaat die von ihm eingegangenen internationalen Verpflichtungen einhält, seine Nuklearprogramme nicht für Kernwaffenzwecke zu nutzen. In den letzten Jahren ist BD aus der Erdbeobachtung zu einem wichtigen Werkzeug für die Verifikation und Überwachung von nuklearen Aktivitäten geworden. So können Satellitenbilder, wie z.B. Sentinel-2 Daten, als Referenz verwendet werden, um die Inspektionsplanung vor Ort zu unterstützen, Änderungen und Aktivitäten in kerntechnischen Anlagen zu erkennen und zu überwachen und die Vollständigkeit und Richtigkeit der von einem Vertragsteilnehmer bereitgestellten Informationen zu überprüfen. Die Kombination von Datenwissenschaften und maschinellem Lernen bietet neue Möglichkeiten um große Mengen an Satellitenbildern effizient zu verarbeiten und Muster sowie Anomalien zu erkennen. Da es im Bereich der nuklearen Verifikation bisher keine Implementierung für die automatische Verarbeitung und Analyse von Satellitenbildern unter Verwendung von Datenwissenschaften und maschinellem Lernen gibt, wird im Rahmen der vorliegenden Arbeit eine BD Pipeline vorgestellt, die in der Lage ist, Satellitendaten aus verschiedenen Quellen zu sammeln, diese für die Analyse vorzubereiten, Bildveränderungen zu erkennen und die Ergebnisse zu vergleichen. Kern der Pipeline ist die automatisierte Erkennung von Änderungen in nuklearen Einrichtungen unter Verwendung von maschinellem Lernen, insbesondere unüberwachtem sowie überwachtem Lernen und Transferlernen. Die Verfahren wurden sowohl auf simulierte als auch auf reale Sentinel-2 Daten angewandt. Die Ergebnisse wurden mit denen traditioneller Verfahren zur Erkennung von Veränderungen, wie der Änderungsvektor-Analyse, verglichen. Insgesamt wurde in dieser Arbeit gezeigt, dass die nukleare Verifikation durch den Einsatz von Sentinel-1 und -2 Daten in Verbindung mit Datenwissenschaften und maschinellem Lernen unterstützt werden kann.

Nuclear verification and the safeguards system of the International Atomic Energy Agency (IAEA) are important instruments for strengthening nuclear non-proliferation at international level. Through cooperation with the Member States and the use of innovative technologies, such as Big Data (BD) from Earth observation, the IAEA verifies that a Member State is in compliance with its international commitments not to use its nuclear programs for nuclear weapons purposes. In recent years, Earth Observation (EO) BD has become an important tool for the verification and monitoring of nuclear activities. Satellite imagery, such as Sentinel-2 data, can be used as a reference to support on-site inspection planning, detect and monitor changes and activities in nuclear facilities, and verify the completeness and accuracy of information provided by a State. The combination of Data Science (DS) and Machine Learning (ML) offers new opportunities to efficiently process large amounts of satellite imagery and identify patterns and anomalies. Since there is no implementation for the automatic processing and analysis of satellite images using DS and ML in the field of nuclear verification so far, this thesis presents a BD pipeline that is able to collect satellite data from different sources, prepare them for analysis, detect image changes and compare the results. The core of the pipeline is the automated detection of changes in nuclear facilities using ML, in particular unsupervised and supervised learning and transfer learning. The algorithms were applied to both simulated and real Sentinel-2 data. The results were compared with those of traditional change detection techniques, such as Change Vector Analysis (CVA). Overall, this work has shown that nuclear verification can be supported using Sentinel-1 and -2 data in combination with DS and ML.

OpenAccess:
PDF
(additional files)