Transferlernen Hilft Sehr! Technische Universität Chengdu Erstellt SCDUNet++-Modell Zur Kartierung Von Erdrutschen

Erdrutsche zählen zu den häufigsten Naturkatastrophen. Sie werden in der Regel durch Erdbeben und Regenfälle ausgelöst und verursachen schwere Sachschäden und viele Todesopfer. Die Schäden, die durch Erdbeben ausgelöste Erdrutsche verursachen, können manchmal schwerwiegender sein als die Schäden, die das Erdbeben selbst verursacht. Nach einem großen Erdbeben ist eine schnelle und genaue Kartierung von Erdrutschen (LM) von entscheidender Bedeutung für die Notfallrettung, die rechtzeitige quantitative Katastrophenbewertung und den Wiederaufbau nach der Katastrophe.

In den letzten Jahren wurde viel an Methoden geforscht, mit denen sich Erdrutschkarten automatisch aus Fernerkundungsbildern erstellen lassen. Aufgrund der großen Unterschiede in den Merkmalen und Ausmaßen von Erdrutschen und der Ähnlichkeiten in optischen Fernerkundungsbildern stehen bestehende Methoden jedoch vor verschiedenen Herausforderungen bei der genauen Kartierung von Erdrutschen.

zu diesem Zweck,Forscher der Technischen Universität Chengdu haben ein semantisches Segmentierungsmodell namens SCDUNet++ vorgeschlagen, das die Vorteile von Convolutional Neural Networks (CNN) und Transformer kombiniert, um die Erkennung und Extraktion von Erdrutschmerkmalen zu verbessern. Seine Leistung ist besser als die von 8 anderen Deep-Learning-Modellen wie FCN, DeepLabv3+, Segformer usw. und es verbessert IoU um 1,91% auf 24,42% und F1 um 1,26% auf 18,54%.Dieses Ergebnis wurde im International Journal of Applied Earth Observation and Geoinformation veröffentlicht. Hinweis: IoU ist das Verhältnis von Schnittmenge zu Vereinigungsmenge, das die Überlappung zwischen der vorhergesagten Fläche und der tatsächlichen Fläche misst. F1 ist der harmonische Mittelwert aus Präzision und Rückruf, der die Genauigkeit und Vollständigkeit des Modells misst.

Forschungshighlights:
* Zeichnen Sie Erdrutschkarten mithilfe semantischer Segmentierungsmodelle von Mehrkanaldaten

* Verbesserung der Erdrutschkartierung durch topografische und spektrale Indexfaktoren

* Nach Deep Transfer Learning wird die Leistung des Modells in datenarmen Bereichen erheblich verbessert

* Das vorgeschlagene Modell übertrifft andere Modelle in Bezug auf Zeichnung und Übertragbarkeit

Papieradresse: 

https://doi.org/10.1016/j.jag.2023.103612 Datensatz-Download per Mausklick:

https://hyper.ai/datasets/29647
Folgen Sie dem offiziellen Account und antworten Sie mit „Landslide“, um das vollständige PDF zu erhalten

Experimenteller Prozess: Erstellen des SCDUNet++-Modells

Datensatz: Erdbebendaten aus Luding und Jiuzhaigou

Sowohl das Erdbeben von Luding mit der Stärke 6,8 im Jahr 2022 als auch das Erdbeben von Jiuzhaigou mit der Stärke 7,0 im Jahr 2017 verursachten schwere Erdrutschkatastrophen, weshalb die Forscher diese beiden Gebiete für ihre experimentelle Forschung auswählten.

Der Datensatz besteht aus drei Teilen, die integriert und im HDF5-Format gespeichert sind.

Multispektrale Daten von Sentinel-2:Die Daten für das Gebiet Luding stammen vom 15.03.2022 und 25.11.2022, und die Daten für Jiuzhaigou stammen vom 29.07.2017 und 07.09.2017.

NASADEM-Daten (Digital Elevation Model):Laden Sie Daten von der offiziellen NASADEM-Website herunter, um Angaben zu Neigung, Ausrichtung, Krümmung, Bergschatten und Geländefeuchtigkeitsindex (TWI) zu erhalten.

Erdrutschinventar:Optische Fernerkundungsbilder von Sentinel-2 und Google Earth-Bilder wurden von Experten kombiniert und manuell kommentiert.

Modellarchitektur: drei Hauptmodule

Die folgende Abbildung zeigt die Gesamtarchitektur des erstellten SCDUNet++-Modells:

GLFE-Modul (Global Local Feature Extraction): Wie in Abbildung b dargestellt, kombiniert das GLFE-Modul die flache CNN-Struktur und die tiefe Swin-Transformer-Struktur, um das Problem der Extraktion und Klassifizierung von Merkmalen aus Erdrutschbildern effektiv zu bewältigen.

DSSA-Modul (Detailed Spatial Spectral Aggregation): Durch die Fusion der spektralen und räumlichen Merkmale des GLFE-Moduls wird die Fähigkeit zur Verarbeitung komplexer Informationen in multispektralen Bildern verbessert. Dieses Modul kann eine genauere spektrale und räumliche Merkmalsextraktion durchführen und so die Effizienz und Genauigkeit des Modells für die multispektrale Bildanalyse verbessern.

DSC (Dense Skip Connection) : Wie in Abbildung d gezeigt, kann dieses Modul die Auflösung der Features in jeder Phase wiederherstellen.

Abschließend werden die Merkmale jeder Phase gewichtet und zusammengeführt, um das Endergebnis zu erhalten.

Algorithmus-Training: DTL-Methode basierend auf einem einfachen Modell

Die Forscher führten die Methode des Deep Transfer Learning (DTL) ein, um die Migrationsleistung von LM und des Modells zu verbessern. Das Algorithmus-Training ist darauf ausgelegt, die unausgewogene Verteilung von Erdrutschen und Hintergründen in Fernerkundungsbildern effektiv zu bewältigen und gleichzeitig die Effizienz des Modells hinsichtlich mehrerer Leistungsindikatoren sicherzustellen.

Experimentelle Ergebnisse: Nach dem Transferlernen führte das Modell effektiv Erdrutschkartierungsarbeiten durch

Modellbewertung: Wirksamkeit der Kombination von GLFE- und DSSA-Modulen

Die Forscher verwendeten UNet++, eine häufig verwendete Methode zur Kartierung von Erdrutschen, als Basislinie und die Luding-Gebiete I und II als Versuchsgruppen. Sie führten ein Ablationsexperiment durch, um die Modelle mit verschiedenen hinzugefügten Modulen zu vergleichen, wobei sie sich auf die beiden Gesamtindikatoren IoU und F1 konzentrierten.

Wie aus der folgenden Tabelle ersichtlich ist:

* Wirksamkeit des GLFE-Moduls: Im Vergleich zur Basislinie sind IoU und F1 um 1,7% bzw. 1,16% verbessert.

* Wirksamkeit des DSSA-Moduls: Im Vergleich zum Basiswert verbessern sich IoU und F1 um 1,88% bzw. 1,28%.

* SCDUNet++-Modell: Im Vergleich zur Basislinie sind IoU und F1 um 2,83% bzw. 1,92% verbessert.

Zusammenfassend haben die Forscher das GLFE-Modul und das DSSA-Modul zum Basismodell UNet++ hinzugefügt, um das SCDUNet++-Modell zu bilden. Das SCDUNet++-Modell behält kleine Erdrutschbilder für eine bessere Leistung bei, wodurch die Modellpräzision um 0,46% und der Rückruf um 4,06% verbessert wird.

a: Basislinie
b: Basislinie + GLFE
c: Basislinie + DSSA
d: Basislinie + GLFE + DSSA

Luding-Test: SCDUNet++ zeigt überlegene Leistung

In den Testgebieten Luding I und II verglichen die Forscher die Erdrutschkartierungsarbeit des SCDUNet++-Modells mit der der anderen acht Modelle und zeigten dabei die Empfindlichkeit von SCDUNet++ gegenüber bestimmten geografischen Merkmalen und der Komplexität der Umwelt.

Die Ergebnisse in der folgenden Abbildung zeigen, dass SCDUNet++ im Testbereich I eine hohe Leistung in den Bereichen Präzision, Rückruf, MCC, IoU, MIoU und F1-Score aufweist.Dies zeigt, dass das Modell auch in relativ komplexen geografischen Umgebungen eine hohe Erkennungsgenauigkeit aufrechterhalten kann.Die experimentellen Ergebnisse des Testbereichs II mit einem relativ einfachen Hintergrund bestätigten auch die Anpassungsfähigkeit von SCDUNet++ in verschiedenen Umgebungen, insbesondere in Bezug auf die Rückrufrate und den MIoU.

In den Visualisierungsergebnissen zeigt das SCDUNet++-Modell eine hervorragende Leistung, wie im Folgenden gezeigt:

Vollständigkeit der Erdrutschkartierung:SCDUNet++ ist in der Lage, relativ vollständige Erdrutschkarten zu erstellen. Im Gegensatz dazu fehlen Modellen wie FCN, Segformer, TransUNet und UNet einige Bilder kleiner Erdrutsche.

Umgang mit FP (falsch positive Ergebnisse, d. h. negative Klassen, die fälschlicherweise als positive Klassen vorhergesagt werden): Da die Eigenschaften der nackten Bodenfläche und des Erdrutschs sehr ähnlich sind, weisen alle Modelle unterschiedliche FP-Grade auf, aber SCDUNet++ kann die Generierung von FP basierend auf einem bestimmten Merkmalsextraktionsmodul bis zu einem gewissen Grad unterdrücken.

Bearbeitung von Randbereichen: Die Forscher fanden eine große Anzahl von FNs (falsch-negative Ergebnisse, d. h. positive Klassen, die fälschlicherweise als negative Klassen vorhergesagt wurden) und FPs in den Grenzbereichen von Erdrutschen und Hintergründen, aber SCDUNet++ verwendet einen verschachtelten Decoder, der Merkmale auf allen Ebenen wiederherstellen und verschmelzen und eine gründliche Überwachung durchführen kann, wodurch das Problem ungenauer Grenzen effektiv gelöst wird.

Die weißen Rechtecke in A, B, C und D zeigen die Hauptunterschiede zwischen den Ergebnissen.
a: Prüfbereich I
b: Testbereich II

Im Allgemeinen weist das SCDUNet++-Modell großes Potenzial für die Kartierung von Erdrutschen im Gebiet Luding auf, insbesondere im Umgang mit komplexen Umgebungen und der genauen Grenzbestimmung.

Jiuzhaigou-Test: Modellvorhersagen nach Transferlernen sind genauer

Verwenden Sie direkt das im Luding-Bereich trainierte Modell

Vergleich der Metriken: SCDUNet++ übertrifft andere Modelle in den meisten Metriken. Allerdings muss berücksichtigt werden, dass die Merkmale des Versuchsgebiets Jiuzhaigou relativ einfach sind und die Ergebnisse des Modelltests besser sein sollten als die des Gebiets Luding, die Indikatoren jedoch nicht ganz optimal sind.

Visualisierungsergebnisse: Die folgende Abbildung zeigt, dass die Kartierungsergebnisse nur wenige FPs (blaue Bereiche) aufweisen, aber viele tatsächliche Erdrutsche übersehen werden.

Mit Deep Transfer Learning optimiertes Modell

Verbesserte Indikatoren: Nach dem Deep Transfer Learning zeigten alle Indikatoren in den Testbereichen III und IV signifikante Verbesserungen, insbesondere die Recall-Rate und der F1-Score stiegen deutlich an. Das SCDUNet++-Modell schnitt bei mehreren Indikatoren immer noch am besten ab.

Visualisierungsergebnisse: Nach dem Deep Transfer Learning ist die Anzahl falsch-negativer Ergebnisse (d. h. positive Klassen, die fälschlicherweise als negative Klassen vorhergesagt werden) deutlich reduziert. Das Modell identifiziert und kartiert große Erdrutsche effektiv und reduziert so die Zahl verpasster Entdeckungen. Gleichzeitig umfassen die Ergebnisse des Modells LM die meisten kleinen Erdrutsche,Dies zeigt, dass das SCDUNet++-Modell nach Deep Transfer Learning über eine bessere Erkennungsfähigkeit für kleine und komplexe Erdrutschmerkmale verfügt.

a: Testbereich III vor DTL
b: Testbereich III nach DTL
c: Testbereich IV vor DTL
d: Prüfbereich IV nach DTL

Nationales Schlüssellabor im Bereich der Prävention und Kontrolle geologischer Gefahren

Chengdu liegt im westlichen Teil des Sichuan-Beckens und weist eine komplexe geologische Struktur auf. Die Region und die umliegenden Gebiete sind häufig von Erdbebenkatastrophen betroffen. Man kann sagen, dass Chengdu an vorderster Front der Katastrophenvorbeugung und -minderung kämpft und die Technische Universität Chengdu eine der ersten tragenden Kräfte ist, die sich diesem „Kampf“ angeschlossen hat.

Im Jahr 1989 genehmigten die damalige staatliche Planungskommission und die staatliche Bildungskommission die Einrichtung eines nationalen Fachlabors auf Grundlage der nationalen Schlüsseldisziplin der Geologietechnik an der Technischen Universität Chengdu (ehemals Chengdu Institute of Geology).Dies ist der Vorgänger des staatlichen Schlüssellabors für die Prävention geologischer Gefahren und den Schutz der geologischen Umwelt. Im Jahr 2001 wurde das Labor von der Volksregierung der Provinz Sichuan als „Sichuan Key Laboratory“ anerkannt. Im Jahr 2002 wurde es zu einer „Nationalen Schlüssellabor-Kultivierungsbasis“, die gemeinsam vom Ministerium für Wissenschaft und Technologie und der Provinz Sichuan errichtet wurde. Im Jahr 2003 wurde es als Schlüssellabor des Ministeriums für Land und Ressourcen anerkannt. Im Oktober 2007 genehmigte das Ministerium für Wissenschaft und Technologie die Aufnahme in den National Key Laboratory Construction Plan. Im Dezember 2010 erhielt es die Genehmigung des Ministeriums für Wissenschaft und Technologie.

Darüber hinaus ist das Labor derzeit das einzige nationale Schlüssellabor auf dem Gebiet der Prävention und Kontrolle geologischer Katastrophen in meinem Land. Im Jahr 2017 wurde es vom Ministerium für Land und Ressourcen und dem Ministerium für Wissenschaft und Technologie zur „Nationalen Basis für die Popularisierung der Wissenschaft im Bereich Land und Ressourcen“ ernannt und im Jahr 2020 als zwölfte Gruppe von Wissenschaftsbasen der Provinz Sichuan ausgewählt.

Kommt es bei einem Berg, der seit Tausenden von Jahren steht, zu einem Erdrutsch, fließen Gestein und Erde wie Wasser den geneigten Berg entlang und begraben augenblicklich ein mehrere Kilometer entferntes Dorf oder eine Stadt. Hinter den Katastrophen verbergen sich Geheimnisse, die darauf warten, von Forschern erforscht zu werden. Im Laufe der Jahre haben Laborforscher durch Untersuchungen vor Ort, Simulationsbewertungen, Überwachung und Frühwarnung nach und nach ein komplettes Set theoretischer und technischer Systeme zur Prävention und Kontrolle geologischer Katastrophen und zum Schutz der geologischen Umwelt entwickelt.

Im November 2023 veröffentlichten Forscher einen Artikel in PNAS, in dem sie wichtige Fortschritte bei der Untersuchung der Stick-Slip-Instabilität von Erdbeben und Erdrutschen machten. Im September 2023 wurde ein Artikel veröffentlicht, der die Stick-Slip-Vorläufereigenschaften von Erdbeben oder Erdrutschen untersucht und Vorhersageinformationen für bevorstehende Erdbeben oder Erdrutsche liefert. Im Januar 2023 wurde das Rätsel um die extrem starke Verflüssigung von Hochgeschwindigkeits-Fernrutschen gelöst …

Von der Antike bis in die Gegenwart wurde die Menschheit oft von Naturkatastrophen wie Erdbeben, Tsunamis, Regenstürmen, Dürren usw. „verfolgt“, die zur Vertreibung unzähliger Familien führten. Auch wenn die Technologie heutzutage rasant voranschreitet, können wir den Naturgewalten immer noch nur schwer Paroli bieten und können nur Vorkehrungen treffen und Warnungen aussprechen. Insbesondere durch die schnelle Weiterentwicklung von Technologien wie KI und Big Data sind die durch Katastrophen der Vergangenheit gesammelten Daten zu wertvollen Ressourcen geworden. Sie helfen verschiedenen Vorhersagemodellen dabei, ihre Präzision und Genauigkeit zu verbessern und so der heutigen Gesellschaft besser zu dienen.

Wir sind immer bereit zu glauben, dass der Mensch die Natur bezwingen kann, deshalb haben die Menschen angesichts von Naturkatastrophen nie zurückgeschreckt. Wir sind davon überzeugt, dass Technologien wie KI auch für die Menschheit zu einem soliden Schutzschild werden, um Naturkatastrophen zu widerstehen und die Sicherheit von Leben und Eigentum zu gewährleisten.

Auf der offiziellen Website von HyperAI wurden Datensätze zu Naturkatastrophen und Geologie hochgeladen

* xBD-Bilddatensatz zu Naturkatastrophen:

https://hyper.ai/datasets/13272

* RSSCN7-Datensatz Fernerkundungsbilddatensatz:

https://hyper.ai/datasets/5440

* Europäisches Hochwasser 2013 Europäischer Hochwasserdatensatz:

https://hyper.ai/datasets/21579

Quellen:
https://www.sklgp.cdut.edu.cn/