Tài liệu kỹ thuật

Lập bản đồ về sạt lở đất sử dụng phương pháp Deep Learning

18/03/2021 GeoLink Thu Giang 0 Nhận xét

(English below)

Lập bản đồ nhanh về lở đất ở Tây Ghats (Ấn Độ) do lượng mưa gió mùa bất thường năm 2018 sử dụng phương pháp tiếp cận Deep Learning

Các số liệu thống kê về trượt lở đất do lượng mưa gây ra có thể được tổng hợp bằng cách sử dụng dữ liệu viễn thám và địa hình, được thu thập bằng các phương pháp giám sát truyền thống hoặc bán tự động.

Trong nghiên cứu này, chúng tôi đã sử dụng hình ảnh Kính hành tinh và mạng nơ-ron tích lũy Deep Learning (CNN) để lập bản đồ các trận lở đất do mưa gây ra năm 2018 ở quận Kodagu của bang Karnataka, miền Tây Ghats của Ấn Độ. Chúng tôi đã sử dụng xác thực chéo bốn lần (CV) để chọn dữ liệu đào tạo và thử nghiệm nhằm loại bỏ bất kỳ kết quả ngẫu nhiên nào của mô hình. Dữ liệu độ dốc Topograph-ic được sử dụng làm thông tin bổ trợ để tăng hiệu suất của mô hình. Bản đồ kiểm kê sạt lở đất thu được, được tạo bằng cách sử dụng dữ liệu độ dốc với thông tin quang phổ, làm giảm sai số dương tính, giúp phân biệt các khu vực sạt lở với các đặc điểm tương tự khác như vùng đất cằn cỗi và lòng sông.

Tuy nhiên, trong khi việc bao gồm các dữ liệu về độ dốc không làm tăng giá trị dương thực sự, thì độ chính xác tổng thể vẫn cao hơn so với việc chỉ sử dụng thông tin quang phổ để huấn luyện mô hình. Độ chính xác trung bình của các giá trị trượt đất được phân loại chính xác là 65,5% khi chỉ sử dụng dữ liệu quang học, tăng lên 78% khi sử dụng dữ liệu độ dốc.

Phương pháp luận được trình bày trong nghiên cứu này có thể được áp dụng ở các vùng dễ xảy ra sạt lở đất khác và kết quả có thể được sử dụng để hỗ trợ giảm thiểu rủi ro ở các vùng dễ xảy ra sạt lở đất.

Xem thêm:

https://www.researchgate.net/publication/348004460_Rapid_Mapping_of_Landslides_in_the_Western_Ghats_India_Triggered_by_2018_Extreme_Monsoon_Rainfall_Using_a_Deep_Learning_Approach

-------

Rapid Mapping of Landslides in the Western Ghats (India) Triggered by 2018 Extreme Monsoon Rainfall Using a Deep Learning Approach

Rainfall-induced landslide inventories can be compiled using remote sensing and topographical data, gathered using either traditional or semi-automatic supervised methods.

In this study, we used the PlanetScope imagery and deep learning convolution neural networks (CNNs) to map the 2018 rainfall-induced landslides in the Kodagu district of Karnataka state in the Western Ghats of India. We used a fourfold cross-validation (CV) to select the training and testing data to remove any random results of the model. Topograph-ic slope data was used as auxiliary information to increase the performance of the model. The resulting landslide inventory map, created using the slope data with the spectral information, reduces the false positives, which helps to distinguish the landslide areas from other similar features such as barren lands and riverbeds.

However, while including the slope data did not increase the true positives, the overall accuracy was higher compared to using only spectral information to train the model. The mean accuracies of correctly classified landslide values were 65.5% when using only optical data, which increased to 78% with the use of slope data.

The methodology presented in this research can be applied in other landslide-prone regions, and the results can be used to support hazard mitigation in landslide-prone regions.

Bình luận

VIẾT BÌNH LUẬN CỦA BẠN:

popup

Số lượng:

Tổng tiền: