Tài liệu kỹ thuật

Ứng dụng Learning machine để cải thiện dữ liệu địa hình miễn phí, lập mô hình lũ lụt

31/03/2021 GeoLink Thu Giang 0 Nhận xét

(English below)

Tên đề tài: So sánh các phương pháp tiếp cận máy học để cải thiện dữ liệu địa hình miễn phí để lập mô hình lũ lụt

Tác giả: Michael Meadows, Matthew Wilson

Năm xuất bản: 2021

Tóm tắt

Do chi phí tài chính và thể chế cao cho việc thu thập và xử lý dữ liệu địa hình chính xác, nhiều đánh giá nguy cơ lũ lụt quy mô lớn tiếp tục dựa vào các Mô hình Độ cao Kỹ thuật số toàn cầu có sẵn miễn phí, bất chấp các sai lệch dọc đáng kể được biết là ảnh hưởng đến chúng. Để dự đoán (và do đó giảm thiểu) những sai lệch này, chúng tôi áp dụng mạng nơ-ron tích tụ đầy đủ (FCN), một dạng mạng nơ-ron nhân tạo ban đầu được phát triển để phân đoạn hình ảnh có khả năng học hỏi từ các mẫu không gian đa dạng ở các quy mô khác nhau.

Chúng tôi đánh giá tiềm năng của nó bằng cách đào tạo một mô hình như vậy trên nhiều loại dữ liệu đầu vào viễn thám (chủ yếu là hình ảnh đa quang phổ), sử dụng Mô hình địa hình kỹ thuật số có độ phân giải cao, lấy từ LiDAR do chính phủ New Zealand xuất bản làm dữ liệu địa hình tham chiếu.

Song song đó, hai mô hình Machine learning được sử dụng rộng rãi hơn cũng được đào tạo, nhằm cung cấp các điểm chuẩn mà FCN mới có thể được đánh giá. Chúng tôi nhận thấy rằng FCN hoạt động tốt hơn các mô hình khác (giảm 71% sai số trung bình căn bậc hai trong tập dữ liệu thử nghiệm), có thể là do khả năng học hỏi từ các mẫu không gian ở nhiều tỷ lệ, thay vì chỉ dựa trên cơ sở từng pixel.

Đối với các ứng dụng lập mô hình nguy cơ lũ lụt, các hiệu chỉnh được phát hiện đặc biệt hiệu quả dọc theo các con sông và vùng ngập lũ của chúng. Tuy nhiên, kết quả của chúng tôi cũng cho thấy rằng các mô hình có khả năng thiên về độ che phủ đất và các điều kiện cứu trợ phổ biến nhất trong dữ liệu đào tạo của họ, với các công việc cần làm thêm để đánh giá tầm quan trọng của việc hạn chế đầu vào dữ liệu đào tạo đối với những mô hình đại diện nhất cho khu vực ứng dụng dự kiến S).

Link download: 

https://drive.google.com/file/d/1FSOzv_Gl2IsRISf1kKoBtDAdbVhWAqOQ/view?usp=sharing

----------

A Comparison of Machine Learning Approaches to Improve Free Topography Data for Flood Modelling


Given the high financial and institutional cost of collecting and processing accurate topography data, many large-scale flood hazard assessments continue to rely instead on freely-available global Digital Elevation Models, despite the significant vertical biases known to affect them. To predict (and thereby reduce) these biases, we apply a fully-convolutional neural network (FCN), a form of artificial neural network originally developed for image segmentation which is capable of learning from multi-variate spatial patterns at different scales.

We assess its potential by training such a model on a wide variety of remote-sensed input data (primarily multi-spectral imagery), using high-resolution, LiDAR-derived Digital Terrain Models published by the New Zealand government as the reference topography data.

In parallel, two more widely used machine learning models are also trained, in order to provide benchmarks against which the novel FCN may be assessed. We find that the FCN outperforms the other models (reducing root mean square error in the testing dataset by 71%), likely due to its ability to learn from spatial patterns at multiple scales, rather than only a pixel-by-pixel basis.

Significantly for flood hazard modelling applications, corrections were found to be especially effective along rivers and their floodplains. However, our results also suggest that models are likely to be biased towards the land cover and relief conditions most prevalent in their training data, with further work required to assess the importance of limiting training data inputs to those most representative of the intended application area(s).

Link download: 

https://drive.google.com/file/d/1FSOzv_Gl2IsRISf1kKoBtDAdbVhWAqOQ/view?usp=sharing

Geolink tổng hợp từ MDPI

Bình luận

VIẾT BÌNH LUẬN CỦA BẠN:

popup

Số lượng:

Tổng tiền: