L’apprentissage Par Transfert Aide Beaucoup ! L'Université De Technologie De Chengdu Construit Un Modèle SCDUNet++ Pour La Cartographie Des Glissements De Terrain

Les glissements de terrain sont l’une des catastrophes naturelles les plus courantes, généralement déclenchées par des tremblements de terre et des précipitations, provoquant de graves pertes matérielles et des victimes. Les dégâts causés par les glissements de terrain déclenchés par les tremblements de terre peuvent parfois être plus graves que les dégâts causés par le tremblement de terre lui-même. Après un tremblement de terre de grande ampleur, une cartographie rapide et précise des glissements de terrain (LM) est essentielle pour les secours d’urgence, l’évaluation quantitative rapide des catastrophes et la reconstruction après la catastrophe.

Ces dernières années, de nombreuses recherches ont été menées sur les méthodes permettant de dessiner automatiquement des cartes de glissements de terrain à partir d’images de télédétection. Cependant, en raison des grandes différences dans les caractéristiques et les échelles des glissements de terrain et des similitudes dans les images de télédétection optique, les méthodes existantes sont confrontées à divers défis pour cartographier avec précision les glissements de terrain.

à cette fin,Des chercheurs de l'Université de technologie de Chengdu ont proposé un modèle de segmentation sémantique appelé SCDUNet++, qui combine les avantages des réseaux neuronaux convolutifs (CNN) et de Transformer pour améliorer la reconnaissance et l'extraction des caractéristiques des glissements de terrain. Ses performances sont meilleures que celles de 8 autres modèles d'apprentissage en profondeur tels que FCN, DeepLabv3+, Segformer, etc., et il améliore l'IoU de 1,91% à 24,42% et F1 de 1,26% à 18,54%.Ce résultat a été publié dans l’International Journal of Applied Earth Observation and Geoinformation. Remarque : IoU est le rapport d’intersection sur union, qui mesure le chevauchement entre la zone prédite et la zone réelle ; F1 est la moyenne harmonique de précision et de rappel, qui mesure l'exactitude et l'exhaustivité du modèle.

Points saillants de la recherche:
* Dessiner des cartes de glissements de terrain à l'aide de modèles de segmentation sémantique de données multicanaux

* Amélioration de la cartographie des glissements de terrain à l'aide de facteurs d'indice topographiques et spectraux

* Après un apprentissage par transfert profond, les performances du modèle dans les zones où les données sont rares sont grandement améliorées

* Le modèle proposé surpasse les autres modèles en termes de dessin et de transférabilité

Adresse du document : 

Téléchargement en un clic du jeu de données :

https://hyper.ai/datasets/29647
Suivez le compte officiel et répondez « Landslide » pour obtenir le PDF complet

Processus expérimental : construction du modèle SCDUNet++

Ensemble de données : données sur les tremblements de terre de Luding et Jiuzhaigou

Le tremblement de terre de Luding de magnitude 6,8 en 2022 et le tremblement de terre de Jiuzhaigou de magnitude 7,0 en 2017 ont tous deux provoqué de graves glissements de terrain. Les chercheurs ont donc choisi ces deux zones pour leurs recherches expérimentales.

L'ensemble de données contient trois parties, qui sont intégrées et stockées au format HDF5.

Données multispectrales Sentinel-2 :Les données pour la région de Luding datent du 15/03/2022 et du 25/11/2022, et les données pour Jiuzhaigou datent du 29/07/2017 et du 07/09/2017.

Données NASADEM (Modèle numérique d'élévation) :Téléchargez les données du site Web officiel de NASADEM pour obtenir des données telles que la pente, l'aspect, la courbure, l'ombre des montagnes et l'indice d'humidité du terrain (TWI).

Inventaire des glissements de terrain :Les images de télédétection optique Sentinel-2 et les images de Google Earth ont été combinées et annotées manuellement par des experts.

Architecture du modèle : trois modules principaux

La figure suivante montre l’architecture globale du modèle SCDUNet++ construit :

Module GLFE (Extraction de caractéristiques globales et locales):Comme le montre la figure b, le module GLFE combine la structure CNN peu profonde et la structure Swin Transformer profonde pour gérer efficacement le problème de l'extraction et de la classification des caractéristiques des images de glissement de terrain.

Module DSSA (agrégation spectrale spatiale détaillée):En fusionnant les caractéristiques spectrales et spatiales du module GLFE, la capacité à traiter des informations complexes dans des images multispectrales est améliorée. Ce module peut effectuer une extraction de caractéristiques spectrales et spatiales plus précise, améliorant ainsi l'efficacité et la précision du modèle pour l'analyse d'images multispectrales.

DSC (connexion à saut dense) :Comme le montre la figure d, ce module est capable de restaurer la résolution des fonctionnalités à chaque étape.

Enfin, les caractéristiques de chaque étape sont pondérées et fusionnées pour obtenir le résultat final.

Formation d'algorithmes : méthode DTL basée sur un modèle simple

Les chercheurs ont introduit la méthode d’apprentissage par transfert profond (DTL) pour améliorer les performances de migration de LM et du modèle. La formation de l'algorithme est conçue pour gérer efficacement la distribution déséquilibrée des glissements de terrain et des arrière-plans dans les images de télédétection tout en garantissant l'efficacité du modèle dans plusieurs indicateurs de performance.

Résultats expérimentaux : Après l'apprentissage par transfert, le modèle a réalisé efficacement un travail de cartographie des glissements de terrain

Évaluation du modèle : efficacité de la combinaison des modules GLFE et DSSA

Les chercheurs ont utilisé UNet++, une méthode couramment utilisée pour la cartographie des glissements de terrain, comme base de référence, et les zones I et II de Luding comme groupes expérimentaux. Ils ont mené une expérience d'ablation pour comparer les modèles avec différents modules ajoutés, en se concentrant sur les deux indicateurs globaux d'IoU et de F1.

Comme on peut le voir dans le tableau ci-dessous :

* Efficacité du module GLFE : Par rapport à la ligne de base, IoU et F1 sont améliorés respectivement de 1,7% et 1,16%.

* Efficacité du module DSSA : Par rapport à la ligne de base, l'IoU et le F1 sont améliorés respectivement de 1,88% et 1,28%.

* Modèle SCDUNet++ : Par rapport à la ligne de base, IoU et F1 sont améliorés respectivement de 2,83% et 1,92%.

En résumé, les chercheurs ont ajouté le module GLFE et le module DSSA au modèle de base UNet++ pour former le modèle SCDUNet++. Le modèle SCDUNet++ conserve les petites images de glissements de terrain pour de meilleures performances, améliorant la précision du modèle de 0,46% et le rappel de 4,06%.

a : Ligne de base
b : Ligne de base + GLFE
c : Ligne de base + DSSA
d : Ligne de base + GLFE + DSSA

Test Luding : SCDUNet++ démontre des performances supérieures

Dans les zones de test Luding I et II, les chercheurs ont comparé le travail de cartographie des glissements de terrain du modèle SCDUNet++ avec celui des huit autres modèles, révélant la sensibilité de SCDUNet++ à des caractéristiques géographiques spécifiques et à la complexité environnementale.

Les résultats de la figure ci-dessous montrent que dans la zone de test I, SCDUNet++ présente des performances élevées en termes de précision, de rappel, de MCC, d'IoU, de MIoU et de score F1.Cela montre que le modèle peut toujours maintenir une précision de détection élevée dans des environnements géographiques relativement complexes.Les résultats expérimentaux de la zone de test II avec un contexte relativement simple ont également confirmé l'adaptabilité de SCDUNet++ dans différents environnements, notamment en termes de taux de rappel et de MIoU.

Dans les résultats de visualisation, le modèle SCDUNet++ montre d'excellentes performances, comme le montre ce qui suit :

Exhaustivité de la cartographie des glissements de terrain :SCDUNet++ est capable de générer des cartes de glissements de terrain relativement complètes. En revanche, les modèles tels que FCN, Segformer, TransUNet et UNet manquent certaines images de petits glissements de terrain.

Gestion des FP (faux positifs, c'est-à-dire des classes négatives qui sont prédites à tort comme des classes positives):Étant donné que la zone de sol nu et les caractéristiques de glissement de terrain sont très similaires, tous les modèles ont des degrés de FP différents, mais SCDUNet++ peut supprimer la génération de FP dans une certaine mesure en fonction d'un module d'extraction de fonctionnalités spécifique.

Traitement des zones frontalières:Les chercheurs ont trouvé un grand nombre de FN (faux négatifs, c'est-à-dire des classes positives qui ont été prédites par erreur comme des classes négatives) et de FP dans les zones limites des glissements de terrain et des arrière-plans, mais SCDUNet++ utilise un décodeur imbriqué qui peut récupérer et fusionner des fonctionnalités à tous les niveaux et effectuer une supervision approfondie, résolvant efficacement le problème des limites inexactes.

Les rectangles blancs en A, B, C et D montrent les principales différences entre les résultats.
a : Zone de test I
b : Zone d'essai II

En général, le modèle SCDUNet++ montre un grand potentiel pour la cartographie des glissements de terrain dans la région de Luding, en particulier dans la gestion d'environnements complexes et la détermination précise des limites.

Test de Jiuzhaigou : les prédictions du modèle après l'apprentissage par transfert sont plus précises

Utiliser directement le modèle formé dans la zone de Luding

Comparaison des métriques : SCDUNet++ surpasse les autres modèles dans la plupart des métriques. Cependant, il faut tenir compte du fait que les caractéristiques de la zone expérimentale de Jiuzhaigou sont relativement simples et que les résultats des tests du modèle devraient être meilleurs que ceux de la zone de Luding, mais les indicateurs ne sont pas très idéaux.

Résultats de la visualisation : La figure ci-dessous montre que les résultats de la cartographie comportent peu de FP (zones bleues), mais que de nombreux glissements de terrain réels sont manqués.

Modèle optimisé avec apprentissage par transfert profond

Indicateurs améliorés : après un apprentissage par transfert profond, tous les indicateurs ont montré des améliorations significatives dans les domaines de test III et IV, en particulier le taux de rappel et le score F1 ont augmenté de manière significative. Le modèle SCDUNet++ a toujours obtenu les meilleurs résultats dans plusieurs indicateurs.

Résultats de la visualisation : après un apprentissage par transfert profond, le nombre de faux négatifs (c'est-à-dire des classes positives qui sont prédites à tort comme des classes négatives) est considérablement réduit. Le modèle identifie et cartographie efficacement les grands glissements de terrain, réduisant ainsi les détections manquées. Dans le même temps, les résultats du modèle LM incluent la plupart des petits glissements de terrain,Cela montre que le modèle SCDUNet++ après un apprentissage par transfert profond a une meilleure capacité de reconnaissance des caractéristiques de glissement de terrain petites et complexes.

a : Zone de test III avant DTL
b : Zone de test III après DTL
c : Zone de test IV avant DTL
d : Zone de test IV après DTL

Laboratoire national clé dans le domaine de la prévention et du contrôle des risques géologiques

Chengdu est située dans la partie occidentale du bassin du Sichuan, avec une structure géologique complexe. La région locale et les zones environnantes sont souvent touchées par des catastrophes sismiques. On peut dire que Chengdu se bat en première ligne en matière de prévention et d’atténuation des catastrophes, et l’Université de technologie de Chengdu est l’une des premières forces vives à rejoindre la « bataille ».

En 1989, l'ancienne Commission de planification de l'État et la Commission de l'éducation de l'État ont approuvé la création d'un laboratoire professionnel national basé sur la discipline clé nationale de l'ingénierie géologique à l'Université de technologie de Chengdu (anciennement Institut de géologie de Chengdu).Il s'agit du prédécesseur du Laboratoire national clé de prévention des risques géologiques et de protection de l'environnement géologique. En 2001, le laboratoire a été approuvé par le gouvernement populaire de la province du Sichuan comme « laboratoire clé du Sichuan ». En 2002, il est devenu une « base nationale de culture en laboratoire clé » construite conjointement par le ministère des Sciences et de la Technologie et la province du Sichuan. En 2003, il a été approuvé comme laboratoire clé du ministère des Terres et des Ressources. En octobre 2007, le ministère des Sciences et de la Technologie a approuvé son inclusion dans le Plan national de construction de laboratoires clés. En décembre 2010, il a été approuvé par le ministère des Sciences et de la Technologie.

En outre, le laboratoire est actuellement le seul laboratoire national clé dans le domaine de la prévention et du contrôle des catastrophes géologiques dans mon pays. En 2017, elle a été nommée « Base nationale de vulgarisation scientifique des terres et des ressources » par le ministère des Terres et des Ressources et le ministère des Sciences et de la Technologie, et en 2020, elle a été sélectionnée comme douzième groupe de bases provinciales de vulgarisation scientifique dans la province du Sichuan.

Lorsqu'un glissement de terrain se produit sur une montagne qui existe depuis des milliers d'années, les roches et le sol s'écoulent le long de la montagne inclinée comme de l'eau, enterrant instantanément un village ou une ville à plusieurs kilomètres de là. Derrière les catastrophes se cachent des mystères qui attendent que les chercheurs les explorent. Au fil des années, les chercheurs du laboratoire ont progressivement accumulé un ensemble complet de systèmes théoriques et techniques pour la prévention et le contrôle des catastrophes géologiques et la protection de l'environnement géologique grâce à des enquêtes sur site, des évaluations de simulation, une surveillance et une alerte précoce.

En novembre 2023, des chercheurs ont publié un article dans PNAS, réalisant des progrès importants dans l’étude de l’instabilité de type stick-slip des tremblements de terre et des glissements de terrain ; en septembre 2023, un article a été publié pour étudier les caractéristiques précurseurs de glissements saccadés des tremblements de terre ou des glissements de terrain, fournissant des informations de prédiction pour les tremblements de terre ou les glissements de terrain à venir ; en janvier 2023, le mystère de la fluidisation ultra-forte des glissements de terrain à grande vitesse et à longue distance a été résolu...

Depuis l’Antiquité jusqu’à nos jours, l’humanité a été « persécutée » à de nombreuses reprises par des catastrophes naturelles, telles que des tremblements de terre, des tsunamis, des tempêtes de pluie, des sécheresses, etc., qui ont provoqué le déplacement d’innombrables familles. Même si la technologie progresse à un rythme rapide aujourd’hui, il nous est toujours difficile de lutter contre les forces de la nature, et nous ne pouvons que prendre des précautions et émettre des avertissements. En particulier avec l’itération rapide des technologies telles que l’IA et le big data, les données accumulées lors des catastrophes passées sont devenues des nutriments précieux, aidant divers modèles de prédiction à améliorer leur précision et leur exactitude, afin de mieux servir la société actuelle.

Nous sommes toujours prêts à croire que l’homme peut conquérir la nature, c’est pourquoi les humains n’ont jamais reculé face aux catastrophes naturelles. Nous pensons que les technologies telles que l’IA deviendront également un bouclier solide pour les humains afin de résister aux catastrophes naturelles et de protéger la sécurité des personnes et des biens.

Le site Web officiel d'HyperAI a mis en ligne des ensembles de données liés aux catastrophes naturelles et à la géologie

* Ensemble de données d'images de catastrophes naturelles xBD :

https://hyper.ai/datasets/13272

* Ensemble de données RSSCN7 Ensemble de données d'images de télédétection :

https://hyper.ai/datasets/5440

* Inondations européennes 2013 Ensemble de données sur les inondations européennes :

https://hyper.ai/datasets/21579

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