転移学習はとても役に立ちます。成都理工大学、地滑り調査と地図作成のための SCDUNet++ モデルを構築
地滑りは最も一般的な自然災害の 1 つで、通常は地震や降雨によって引き起こされ、重大な物的損害や死傷者を引き起こす可能性があります。地震による土砂災害は、地震そのものによる被害よりも甚大な被害が発生する場合があります。大地震の後、迅速かつ正確な地すべりマッピング (LM) は、緊急救助、タイムリーな定量的な災害評価、および災害後の復興にとって非常に重要です。
近年、リモートセンシング画像から地すべり地図を自動作成する研究が盛んに行われていますが、地すべりの性質や規模は大きく異なり、光学式リモートセンシング画像は類似しているため、既存の手法では困難が生じています。地滑りを正確にマッピングするには、さまざまな課題に直面しました。
この目的を達成するために、成都理工大学の研究者は、SCDUNet++ と呼ばれるセマンティック セグメンテーション モデルを提案しました。これは、畳み込みニューラル ネットワーク (CNN) と Transformer の利点を組み合わせて地滑り特徴の認識と抽出を強化し、そのパフォーマンスは FCN、DeepLabv3+、その他 8 つのディープ モデルよりも優れています。 Segformer を含む学習モデルは、IoU では 1.91% から 24.42% に、F1 では 1.26% から 18.54% に改善されました。この結果は、International Journal of Applied Earth Observation and Geoinformation に掲載されました。注: IoU は、予測領域と実際の領域の間の重なりの度合いを測定する交差対和集合比です。F1 は、モデルの精度と完全性を測定する精度と再現率の調和平均です。
研究のハイライト:
* マルチチャネルデータのセマンティックセグメンテーションモデルを使用して地滑り地図を描画します
* 地形およびスペクトル指標要素を使用して地滑りマッピングを改善する
* 深層転移学習後、データが不足している領域でのモデルのパフォーマンスが大幅に向上します
※提案モデルは他のモデルに比べて描画性や転写性の点で優れています
用紙のアドレス:
https://doi.org/10.1016/j.jag.2023.103612 データセットのワンクリックダウンロード:
https://hyper.ai/datasets/29647
公式アカウントをフォローし、バックグラウンドで「Landslide」に返信すると、全文の PDF が入手できます
実験プロセス: SCDUNet++ モデルの構築
データセット: 鹿定市と九寨溝の地震データ
2022 年に発生したマグニチュード 6.8 の鹿定地震と 2017 年に発生したマグニチュード 7.0 の九寨溝地震はいずれも深刻な土砂災害を引き起こしたため、研究者らはこれら 2 つの地域を実験研究の対象に選びました。
データ セットには 3 つの部分が含まれており、これらは統合され、HDF5 形式で保存されます。
Sentinel-2 マルチスペクトル データ:鹿鼎地区のデータは2022/03/15と2022/11/25、九寨溝のデータは2017/07/29と2017/09/07。
NASADEM (数値標高モデル) データ:NASADEM 公式 Web サイトからデータをダウンロードして、傾斜、傾斜角、曲率、山陰、地形湿潤指数 (TWI) などのデータを取得します。
地滑りデータ (地滑りインベントリ):Sentinel-2 の光学式リモート センシング画像と Google Earth 画像を組み合わせて、専門家によって手動で注釈が付けられます。
モデルアーキテクチャ: 3 つのモジュールで構成
次の図は、構築された SCDUNet++ モデルの全体的なアーキテクチャを示しています。
GLFE (グローバル局所特徴抽出) モジュール: 図 b に示すように、GLFE モジュールは浅い CNN 構造と深い Swin Transformer 構造を組み合わせて、地滑り画像の特徴の抽出と分類を効果的に処理します。
DSSA (詳細空間スペクトル集約) モジュール: GLFE モジュールのスペクトル特徴と空間特徴を融合してマルチスペクトル画像内の複雑な情報の処理能力を強化することにより、このモジュールはより正確なスペクトル特徴と空間特徴の抽出を実行できるようになり、モデルのマルチスペクトル画像解析の効率と精度が向上します。
DSC (高密度スキップ接続) : 図 d に示すように、このモジュールは各段階で特徴の解像度を復元できます。
最後に、各段階の特徴が重み付けされ、融合されて最終結果が得られます。
アルゴリズムトレーニング: 単純なモデルに基づく DTL メソッド
研究者らは、LM とモデルの転送パフォーマンスを向上させるために深層転移学習 (DTL) 手法を導入しました。このアルゴリズム トレーニングは、リモート センシング画像における地滑りと背景の不均衡な分布を効果的に処理しながら、モデルが複数のパフォーマンス指標で適切に動作するように設計されています。効率の良い。
実験結果: 転移学習後、モデルは地滑り調査と地図作成作業を効果的に実行できます。
モデル評価：GLFEモジュールとDSSAモジュールの組み合わせの有効性
研究者らは、地滑りマッピングに一般的に使用されるUNet++をベースラインとして使用し、ルーディングエリアIとIIを実験グループとして使用し、IoUとF1全体に焦点を当てて、さまざまなモジュールを追加したモデルを比較するアブレーション実験を実施しました。 。
以下の表からわかるように、
* GLFE モジュールの効果: ベースラインと比較して、IoU と F1 はそれぞれ 1.7% と 1.16% 向上しました。
* DSSA モジュールの効果: ベースラインと比較して、IoU と F1 はそれぞれ 1.88% と 1.28% 向上しました。
* SCDUNet++ モデル: ベースラインと比較して、IoU と F1 はそれぞれ 2.83% と 1.92% 向上しています。
要約すると、研究者らはベースライン モデル UNet++ に GLFE モジュールと DSSA モジュールを追加して、SCDUNet++ モデルを形成しました。 SCDUNet++ モデルは、パフォーマンスを向上させるために小さな地滑り画像を保持し、モデルの精度が 0.46% 増加し、再現率が 4.06% 増加しました。
a: ベースライン
b: ベースライン + GLFE
c: ベースライン + DSSA
d: ベースライン + GLFE + DSSA
Luding エリア テスト: SCDUNet++ が優れたパフォーマンスを実証
Luding I および II のテスト地域では、研究者らは SCDUNet++ モデルの地滑りマッピング作業を残りの 8 つのモデルと比較し、特定の地理的特徴や環境の複雑さに対する SCDUNet++ の感度を明らかにしました。
以下の図の結果は、テスト領域 I では、SCDUNet++ が精度、再現率、MCC、IoU、MIoU、および F1 スコアで高いパフォーマンスを示していることを示しています。これは、このモデルが比較的複雑な地理的環境においても高い検出精度を維持できることを示しています。比較的単純な背景を備えたテスト領域 II の実験結果でも、さまざまな環境における SCDUNet++ の適応性、特に再現率と MIoU における優れたパフォーマンスが確認されました。
視覚化の結果では、SCDUNet++ モデルは特に次のような優れたパフォーマンスを実証しました。
地滑りマッピングの完全性:SCDUNet++ は比較的完全な地滑りマップを生成できますが、対照的に、FCN、Segformer、TransUNet、UNet などのモデルはいくつかの小さな地滑り画像を見逃します。
FP の処理 (偽陽性、つまり、陽性クラスであると誤って予測された陰性クラス): 裸地領域と地滑りの特徴は非常に似ているため、どのモデルでも程度の差はある FP が現れますが、SCDUNet++ では特定の特徴抽出モジュールに基づいて FP の発生をある程度抑えることができます。
境界領域の処理: 研究者らは、地滑りと背景の境界領域で多数の FN (偽陰性、つまり陰性クラスであると誤って予測された陽性クラス) と FP を発見しましたが、SCDUNet++ はネストされたデコーダーを使用して各レベルの特徴を回復および融合します境界の不正確さを効果的に解決するために綿密な監督を実施します。
A、B、C、D の白い四角形は、結果間の主な違いを示しています。
a：試験エリアI
b: テストエリア II
全体として、SCDUNet++ モデルは、特に複雑な環境の処理と正確な境界決定において、Luding 地域の地滑りマッピングに大きな可能性を示しています。
九寨溝エリアのテスト: 転移学習後のモデル予測がより正確になりました
Ludingエリアでトレーニングされたモデルを直接使用します
メトリクスの比較: SCDUNet++ は、ほとんどのメトリクスで他のモデルよりも優れています。ただし、九寨溝実験区の特徴は比較的単純であり、モデル試験の結果は鹿定区よりも優れているはずですが、指標はあまり理想的ではありません。
視覚化の結果: 下の図は、マッピング結果に FP (青色の領域) がほとんどないにもかかわらず、多くの実際の地滑りが見逃されていることを示しています。
深層転移学習により最適化されたモデル
指標の改善: 深層転移学習後、すべての指標はテスト領域 III と IV で大幅な改善を示し、特に再現率と F1 スコアは依然として複数の指標で最高のパフォーマンスを示しました。
可視化された結果: 深層転移学習の後、FN (偽陰性例、つまり陰性クラスであると誤って予測される陽性クラス) が大幅に減少し、このモデルは大規模な地滑りを効果的に識別してマッピングし、検出の見逃しを減らしました。同時に、モデル LM の結果には、ほとんどの小規模な地滑りが含まれています。これは、深層転移学習後の SCDUNet++ モデルが、小さく複雑な地滑り地物に対する認識能力が優れていることを示しています。
a: DTL前のテストエリアIII
b: DTL後のテスト領域III
c: DTL前のテストエリアIV
d: DTL後のテストエリアIV
国家地質災害予防管理重点研究所
成都は四川盆地の西部に位置し、複雑な地層構造を持っており、地元およびその周辺地域は頻繁に地震災害の影響を受けます。成都は防災・減災の最前線で戦い続けてきたと言えるが、成都理工大学はいち早くその「戦い」に加わった。
1989 年、旧国家計画委員会と国家教育委員会は、地質工学という国家重点分野に基づく国家専門研究所を成都理工大学（旧成都地質研究所）に設立することを承認した。これは、地質災害防止および地質環境保護の州重点研究所の前身です。 2001 年に、この研究所は四川省人民政府によって「四川省重点研究所」として承認されました。 2002年に科学技術省と四川省が共同で建設した「国家重点実験室育成基地」となり、2003年には国土資源部から重点実験室として承認された。 2010年 12月に科学技術省の受入検査に合格し、国家重点実験室建設計画に含まれることが承認された。
また、当研究室は現在、我が国唯一の地質災害予防・制御分野の国家重点研究室であり、2017年に国土資源部と国家資源部より「国土資源科学普及基地」に指定されました。 2020年、科学技術省の第12陣の四川省人民科学基地に選ばれた。
数千年にわたってそびえ立ってきた山がひとたび地滑りを起こすと、石や土が水の流れのように山の傾斜に沿って流れ、数キロ離れた村や町を一瞬にして埋めてしまいます。災害の背後には次々と謎が研究者を待っています。研究室の研究者たちは長年にわたり、現地調査、シミュレーション評価、監視と早期警報などを通じて、地質災害防止と地質環境の完全なセットを徐々に蓄積してきました。 . 保護の理論と技術システム。
2023 年 11 月に研究者らは PNAS に論文を発表し、地震と地滑りのスティックスリップ不安定性研究の分野で重要な進歩を遂げました。2023 年 9 月には、地震または地滑りの前兆特性を研究する論文を発表し、情報を提供しました。今後の地震や地滑りについての予測情報を提供し、2023 年 1 月に発生する超高速地滑りの謎を解明します。
人類は古来より、地震、津波、大雨、干ばつなどの自然災害による「迫害」を何度も経験し、数え切れないほどの家族が避難を余儀なくされてきました。科学技術が急速に進歩した現在でも、私たちが自然の力に対抗することは困難になっていますが、より必要なのは予防と早期警戒です。特にAIやビッグデータなどのテクノロジーの急速な進化により、過去の災害から蓄積されたデータは貴重な糧となり、さまざまな予測モデルの精度や精度が向上し、現在の社会に貢献しています。
私たちは、人間が自然を征服できると常に信じたいと思っています。そのため、人類は自然災害に直面してもひるむことがありません。AI などのテクノロジーも、人類が自然災害に対抗し、生命と財産の安全を守るための強固な盾となると信じています。 。
HyperAI 公式 Web サイトに自然災害と地質に関するデータセットがアップロードされました
* xBD 自然災害画像データセット:
https://hyper.ai/datasets/13272
* RSSCN7 データセット リモートセンシング画像データセット:
https://hyper.ai/datasets/5440
* European Flood 2013 ヨーロッパ洪水データ セット:
https://hyper.ai/datasets/21579
参考文献:
https://www.sklgp.cdut.edu.cn/