نقل التعلم يساعد كثيرا! جامعة تشنغدو للتكنولوجيا تبني نموذج SCDUNet++ لرسم خرائط الانهيارات الأرضية

الانهيارات الأرضية هي واحدة من الكوارث الطبيعية الأكثر شيوعا، والتي تحدث عادة بسبب الزلازل والأمطار، مما يتسبب في أضرار جسيمة في الممتلكات والإصابات. يمكن أن تكون الأضرار الناجمة عن الانهيارات الأرضية الناجمة عن الزلازل في بعض الأحيان أكثر خطورة من الأضرار الناجمة عن الزلزال نفسه. بعد وقوع زلزال كبير، يعد رسم خرائط الانهيارات الأرضية السريعة والدقيقة أمرًا بالغ الأهمية لعمليات الإنقاذ في حالات الطوارئ، وتقييم الكوارث الكمية في الوقت المناسب، وإعادة الإعمار بعد الكارثة.

وفي السنوات الأخيرة، أجريت الكثير من الأبحاث حول طرق رسم خرائط الانهيارات الأرضية بشكل تلقائي من صور الاستشعار عن بعد. ومع ذلك، ونظراً للاختلافات الكبيرة في خصائص ومقاييس الانهيارات الأرضية والتشابه في صور الاستشعار عن بعد البصرية، فإن الأساليب الحالية تواجه تحديات مختلفة في رسم خرائط دقيقة للانهيارات الأرضية.

تحقيقا لهذه الغاية،اقترح باحثون من جامعة تشنغدو للتكنولوجيا نموذجًا للتجزئة الدلالية يسمى SCDUNet++، والذي يجمع بين مزايا الشبكات العصبية التلافيفية (CNN) وTransformer لتعزيز التعرف على ميزات الانهيارات الأرضية واستخراجها. أداءه أفضل من أداء 8 نماذج أخرى للتعلم العميق مثل FCN وDeepLabv3+ وSegformer وما إلى ذلك، ويحسن IoU بمقدار 1.91% إلى 24.42% وF1 بمقدار 1.26% إلى 18.54%.وقد تم نشر هذه النتيجة في المجلة الدولية لمراقبة الأرض التطبيقية والمعلومات الجغرافية. ملاحظة: IoU هي نسبة التقاطع إلى الاتحاد، والتي تقيس التداخل بين المنطقة المتوقعة والمنطقة الحقيقية؛ F1 هو المتوسط التوافقي للدقة والاسترجاع، والذي يقيس دقة واكتمال النموذج.

أبرز ما جاء في البحث:
* رسم خرائط الانهيارات الأرضية باستخدام نماذج التجزئة الدلالية للبيانات متعددة القنوات

* تحسين رسم خرائط الانهيارات الأرضية باستخدام عوامل المؤشر الطبوغرافي والطيفي

* بعد التعلم العميق للنقل، تم تحسين أداء النموذج في المناطق التي تعاني من ندرة البيانات بشكل كبير

* النموذج المقترح يتفوق على النماذج الأخرى من حيث الرسم وقابلية النقل

عنوان الورقة: 

https://doi.org/10.1016/j.jag.2023.103612 تنزيل مجموعة البيانات بنقرة واحدة:

https://hyper.ai/datasets/29647
تابع الحساب الرسمي ورد على "Landslide" للحصول على ملف PDF كامل

العملية التجريبية: بناء نموذج SCDUNet++

مجموعة البيانات: بيانات زلزال لودينغ وجيوتشايقو

تسبب زلزال لودينغ بقوة 6.8 درجة على مقياس ريختر في عام 2022 وزلزال جيوتشايقو بقوة 7.0 درجة على مقياس ريختر في عام 2017 في حدوث كوارث انهيارات أرضية خطيرة، لذلك اختار الباحثون هاتين المنطقتين لإجراء أبحاث تجريبية.

تحتوي مجموعة البيانات على ثلاثة أجزاء، والتي تم دمجها وتخزينها بتنسيق HDF5.

بيانات Sentinel-2 متعددة الأطياف:البيانات الخاصة بمنطقة لودينغ هي من 2022/03/15 و2022/11/25، والبيانات الخاصة بمنطقة جيوتشايقو هي من 2017/07/29 و2017/09/07.

بيانات NASADEM (نموذج الارتفاع الرقمي):قم بتنزيل البيانات من الموقع الرسمي لـ NASADEM للحصول على بيانات مثل المنحدر والجانب والانحناء وظل الجبل ومؤشر رطوبة التضاريس (TWI).

جرد الانهيارات الأرضية:تم دمج صور الاستشعار عن بعد البصرية من Sentinel-2 وصور Google Earth وتم التعليق عليها يدويًا بواسطة خبراء.

هندسة النموذج: ثلاث وحدات رئيسية

يوضح الشكل التالي البنية العامة للنموذج SCDUNet++ الذي تم إنشاؤه:

وحدة GLFE (استخراج الميزات المحلية العالمية):كما هو موضح في الشكل ب، تجمع وحدة GLFE بين بنية CNN الضحلة وبنية Swin Transformer العميقة للتعامل بشكل فعال مع مشكلة استخراج ميزات صور الانهيارات الأرضية وتصنيفها.

وحدة DSSA (التجميع الطيفي المكاني التفصيلي):من خلال دمج الميزات الطيفية والمكانية من وحدة GLFE، يتم تعزيز القدرة على معالجة المعلومات المعقدة في الصور متعددة الأطياف. يمكن لهذه الوحدة إجراء استخراج أكثر دقة للميزات الطيفية والمكانية، مما يعزز كفاءة ودقة النموذج لتحليل الصور متعددة الأطياف.

DSC (اتصال التخطي الكثيف) :كما هو موضح في الشكل د، هذه الوحدة قادرة على استعادة دقة الميزات في كل مرحلة.

وأخيرا، يتم ترجيح ميزات كل مرحلة ودمجها للحصول على النتيجة النهائية.

تدريب الخوارزمية: طريقة DTL تعتمد على نموذج بسيط

قام الباحثون بتقديم طريقة التعلم بالنقل العميق (DTL) لتحسين أداء الهجرة لـ LM والنموذج. تم تصميم تدريب الخوارزمية للتعامل بشكل فعال مع التوزيع غير المتوازن للانهيارات الأرضية والخلفيات في صور الاستشعار عن بعد مع ضمان كفاءة النموذج في مؤشرات الأداء المتعددة.

النتائج التجريبية: بعد نقل التعلم، نفذ النموذج عمل رسم خرائط الانهيارات الأرضية بفعالية

تقييم النموذج: فعالية الجمع بين وحدتي GLFE و DSSA

استخدم الباحثون UNet++، وهي طريقة شائعة الاستخدام لرسم خرائط الانهيارات الأرضية، كخط أساسي، ومنطقة لودينج الأولى والثانية كمجموعات تجريبية. لقد أجروا تجربة استئصال لمقارنة النماذج مع وحدات مختلفة مضافة، مع التركيز على المؤشرين العامين IoU وF1.

كما هو واضح من الجدول أدناه:

* فعالية وحدة GLFE: بالمقارنة مع خط الأساس، تم تحسين IoU وF1 بمقدار 1.7% و1.16% على التوالي.

* فعالية وحدة DSSA: بالمقارنة مع خط الأساس، تم تحسين IoU وF1 بمقدار 1.88% و1.28% على التوالي.

* نموذج SCDUNet++: بالمقارنة مع خط الأساس، تم تحسين IoU وF1 بمقدار 2.83% و1.92% على التوالي.

باختصار، أضاف الباحثون وحدة GLFE ووحدة DSSA إلى النموذج الأساسي UNet++ لتشكيل نموذج SCDUNet++. يحتفظ نموذج SCDUNet++ بصور الانهيارات الأرضية الصغيرة لتحسين الأداء، مما يحسن دقة النموذج بمقدار 0.46% والاسترجاع بمقدار 4.06%.

أ: خط الأساس
ب: خط الأساس + GLFE
ج: خط الأساس + DSSA
د: خط الأساس + GLFE + DSSA

اختبار Luding: SCDUNet++ يظهر أداءً متفوقًا

وفي مناطق الاختبار لودينج I وII، قارن الباحثون عمل رسم خرائط الانهيارات الأرضية لنموذج SCDUNet++ مع عمل النماذج الثمانية الأخرى، مما كشف عن حساسية SCDUNet++ للميزات الجغرافية المحددة والتعقيد البيئي.

تظهر النتائج في الشكل أدناه أنه في منطقة الاختبار I، أظهر SCDUNet++ أداءً عاليًا في الدقة والاستدعاء وMCC وIoU وMIoU وF1.ويُظهر هذا أن النموذج لا يزال قادرًا على الحفاظ على دقة اكتشاف عالية في بيئات جغرافية معقدة نسبيًا.كما أكدت النتائج التجريبية لمنطقة الاختبار الثانية ذات الخلفية البسيطة نسبيًا أيضًا قدرة SCDUNet++ على التكيف في بيئات مختلفة، وخاصة من حيث معدل الاسترجاع وMIoU.

في نتائج التصور، يظهر نموذج SCDUNet++ أداءً ممتازًا، كما هو موضح فيما يلي:

اكتمال رسم خرائط الانهيارات الأرضية:يعد برنامج SCDUNet++ قادرًا على إنشاء خرائط انهيارات أرضية كاملة نسبيًا. وعلى النقيض من ذلك، فإن النماذج مثل FCN، وSegformer، وTransUNet، وUNet تفوت بعض صور الانهيارات الأرضية الصغيرة.

التعامل مع FP (الإيجابيات الخاطئة، أي الفئات السلبية التي يتم التنبؤ بها بشكل غير صحيح على أنها فئات إيجابية):نظرًا لأن مساحة التربة العارية وخصائص الانهيار الأرضي متشابهة جدًا، فإن جميع النماذج لها درجات مختلفة من FP، ولكن SCDUNet++ يمكنه قمع إنشاء FP إلى حد معين استنادًا إلى وحدة استخراج ميزات محددة.

معالجة المناطق الحدودية:عثر الباحثون على عدد كبير من FNs (السلبيات الكاذبة، أي الفئات الإيجابية التي تم التنبؤ بها بشكل خاطئ على أنها فئات سلبية) وFPs في المناطق الحدودية للانهيارات الأرضية والخلفيات، ولكن SCDUNet++ يستخدم فك تشفير متداخل يمكنه استعادة الميزات ودمجها على جميع المستويات وإجراء إشراف عميق، مما يحل مشكلة الحدود غير الدقيقة بشكل فعال.

تظهر المستطيلات البيضاء في A وB وC وD الاختلافات الرئيسية بين النتائج.
أ: منطقة الاختبار الأولى
ب: منطقة الاختبار الثانية

بشكل عام، يظهر نموذج SCDUNet++ إمكانات كبيرة لرسم خرائط الانهيارات الأرضية في منطقة لودينج، وخاصة في التعامل مع البيئات المعقدة وتحديد الحدود بدقة.

اختبار جيوتشايقو: التنبؤات النموذجية بعد التعلم الانتقالي أكثر دقة

استخدم النموذج الذي تم تدريبه في منطقة لودينج مباشرةً

مقارنة المقاييس: يتفوق SCDUNet++ على النماذج الأخرى في معظم المقاييس. ومع ذلك، فمن الضروري أن نأخذ في الاعتبار أن خصائص منطقة جيوتشايقو التجريبية بسيطة نسبيًا، ويجب أن تكون نتائج اختبار النموذج أفضل من تلك الموجودة في منطقة لودينغ، ولكن المؤشرات ليست مثالية للغاية.

نتائج التصور: يوضح الشكل أدناه أن نتائج رسم الخرائط تحتوي على عدد قليل من النقاط التصورية (المناطق الزرقاء)، ولكن تم تفويت العديد من الانهيارات الأرضية الفعلية.

نموذج مُحسَّن باستخدام التعلم النقلي العميق

مؤشرات محسنة: بعد التعلم بالنقل العميق، أظهرت جميع المؤشرات تحسنات كبيرة في مناطق الاختبار III وIV، وخاصة معدل الاسترجاع ودرجة F1 التي زادت بشكل كبير. لا يزال نموذج SCDUNet++ يحقق أفضل أداء في مؤشرات متعددة.

نتائج التصور: بعد التعلم بالنقل العميق، يتم تقليل عدد النتائج السلبية الخاطئة (أي الفئات الإيجابية التي يتم التنبؤ بها بشكل غير صحيح على أنها فئات سلبية) بشكل كبير. يعمل النموذج على تحديد ورسم خرائط الانهيارات الأرضية الكبيرة بشكل فعال، مما يقلل من عمليات الكشف الفائتة. وفي الوقت نفسه، تتضمن نتائج نموذج LM معظم الانهيارات الأرضية الصغيرة،يوضح هذا أن نموذج SCDUNet++ بعد التعلم النقلي العميق يتمتع بقدرة أفضل على التعرف على ميزات الانهيارات الأرضية الصغيرة والمعقدة.

أ: منطقة الاختبار الثالثة قبل DTL
ب: منطقة الاختبار الثالثة بعد DTL
ج: منطقة الاختبار الرابعة قبل DTL
د: منطقة الاختبار الرابعة بعد DTL

المختبر الوطني الرئيسي في مجال الوقاية من المخاطر الجيولوجية والسيطرة عليها

تقع مدينة تشنغدو في الجزء الغربي من حوض سيتشوان، وتتميز بتركيبة جيولوجية معقدة. غالبًا ما تتأثر المنطقة المحلية والمناطق المحيطة بها بالكوارث الزلزالية. يمكن القول أن مدينة تشنغدو كانت في الخطوط الأمامية لمكافحة الكوارث والتخفيف من آثارها، وكانت جامعة تشنغدو للتكنولوجيا واحدة من أوائل القوى الأساسية التي انضمت إلى "المعركة".

في عام 1989، وافقت لجنة التخطيط الحكومية السابقة ولجنة التعليم الحكومية على إنشاء مختبر مهني وطني يعتمد على التخصص الوطني الرئيسي للهندسة الجيولوجية في جامعة تشنغدو للتكنولوجيا (معهد تشنغدو للجيولوجيا سابقًا).وهذا هو السلف لمختبر الدولة الرئيسي للوقاية من المخاطر الجيولوجية وحماية البيئة الجيولوجية. في عام 2001، تمت الموافقة على المختبر من قبل حكومة الشعب الإقليمية في سيتشوان باعتباره "مختبر سيتشوان الرئيسي". في عام 2002، أصبحت "قاعدة زراعة المختبر الوطني الرئيسي" التي تم بناؤها بشكل مشترك من قبل وزارة العلوم والتكنولوجيا ومقاطعة سيتشوان. وفي عام 2003، تمت الموافقة عليه كمختبر رئيسي لوزارة الأراضي والموارد. وفي أكتوبر 2007، وافقت وزارة العلوم والتكنولوجيا على إدراجه ضمن خطة بناء المختبر الوطني الرئيسي. وفي ديسمبر 2010، حصلت على موافقة وزارة العلوم والتكنولوجيا.

علاوة على ذلك، يعد المختبر حاليًا المختبر الوطني الرئيسي الوحيد في مجال الوقاية من الكوارث الجيولوجية والسيطرة عليها في بلدي. في عام 2017، تم تسميتها "القاعدة الوطنية لتعميم العلوم للأراضي والموارد" من قبل وزارة الأراضي والموارد ووزارة العلوم والتكنولوجيا، وفي عام 2020 تم اختيارها كالدفعة الثانية عشرة من قواعد تعميم العلوم على مستوى المقاطعات في مقاطعة سيتشوان.

عندما يحدث انهيار أرضي على جبل ظل قائما لآلاف السنين، فإن الصخور والتربة سوف تتدفق على طول الجبل المائل مثل الماء، مما يؤدي على الفور إلى دفن قرية أو بلدة تبعد عدة كيلومترات. وخلف هذه الكوارث، هناك أسرار تنتظر من الباحثين استكشافها. على مر السنين، تمكن الباحثون في المختبرات من تجميع مجموعة كاملة من الأنظمة النظرية والتقنية للوقاية من الكوارث الجيولوجية والسيطرة عليها وحماية البيئة الجيولوجية من خلال التحقيقات في الموقع وتقييمات المحاكاة والمراقبة والإنذار المبكر.

في نوفمبر 2023، نشر الباحثون ورقة بحثية في مجلة الأكاديمية الوطنية للعلوم، حيث أحرزوا تقدمًا مهمًا في دراسة عدم استقرار الانزلاق والزلازل الأرضية؛ في سبتمبر 2023، نُشرت ورقة بحثية لدراسة خصائص الانزلاق والالتصاق السابقة للزلازل أو الانهيارات الأرضية، مما يوفر معلومات تنبؤية للزلازل أو الانهيارات الأرضية القادمة؛ في يناير 2023، تم حل لغز السيولة الفائقة للانهيارات الأرضية عالية السرعة لمسافات طويلة...

منذ العصور القديمة وحتى الوقت الحاضر، تعرضت البشرية "للاضطهاد" بسبب الكوارث الطبيعية عدة مرات، مثل الزلازل، وأمواج تسونامي، والعواصف الممطرة، والجفاف، وما إلى ذلك، مما تسبب في نزوح عدد لا يحصى من الأسر. رغم أن التكنولوجيا تتقدم بوتيرة سريعة اليوم، فما زال من الصعب علينا مواجهة قوى الطبيعة، ولا يمكننا إلا أن نعتمد بشكل أكبر على الوقاية والإنذار المبكر. وخاصة مع التكرار السريع للتقنيات مثل الذكاء الاصطناعي والبيانات الضخمة، أصبحت البيانات المتراكمة من الكوارث السابقة عناصر غذائية قيمة، تساعد نماذج التنبؤ المختلفة على تحسين دقتها، وذلك لخدمة المجتمع الحالي بشكل أفضل.

نحن على استعداد دائمًا للاعتقاد بأن الإنسان قادر على قهر الطبيعة، لذلك لم يتراجع البشر أبدًا في مواجهة الكوارث الطبيعية. ونحن نؤمن بأن التقنيات مثل الذكاء الاصطناعي سوف تصبح أيضًا بمثابة درع قوي للبشر لمقاومة الكوارث الطبيعية وحماية سلامة الأرواح والممتلكات.

قام الموقع الرسمي لشركة HyperAI بتحميل مجموعات البيانات المتعلقة بالكوارث الطبيعية والجيولوجيا

* مجموعة بيانات صور الكوارث الطبيعية xBD:

https://hyper.ai/datasets/13272

* مجموعة بيانات صور الاستشعار عن بعد RSSCN7:

https://hyper.ai/datasets/5440

* الفيضانات الأوروبية 2013 مجموعة بيانات الفيضانات الأوروبية:

https://hyper.ai/datasets/21579

مراجع:
https://www.sklgp.cdut.edu.cn/