点击名片 关注我们
标题
Title
期刊: International Journal of Digital Earth
作者：Lifu Chen,Zengqi Li,Chuang Song,Jin Xing,Xingmin Cai,Zhenhuan Fang,Ru Luo &Zhenhong Li
年份：2024
1
摘要
地震触发滑坡（Earthquake Triggered Landslides，ETLs）是地震严重的次生灾害，会造成严重的人员伤亡和财产损失，对其进行快速、自动且准确的检测具有重大价值。由于合成孔径雷达（Synthetic Aperture Radar，SAR）具有全天时、全天候的成像能力，利用 SAR 图像进行 ETL 检测很有前景，但面临准确性不足的问题。在本研究中，我们提出了一种基于深度学习的 ETL 检测方法来解决这个问题。首先，将已公布的 ETL 清单和 SAR 图像结合起来生成高质量的训练数据集。然后，提出了一种多级别特征有效加权与融合（Multi-level Features Effective Weighting and Fusion，MFEWF）的滑坡检测网络，以有效地提取和融合多级别滑坡特征，从而识别 ETL 内的 SAR 像素。最后，根据这些已识别的 SAR 像素确定 ETL 的边界。该方法通过三个地震案例进行了验证：2017 年中国墨脱地震、2018 年印度尼西亚帕卢地震和 2018 年巴布亚新几内亚地震。结果表明，我们的方法可以有效地识别滑坡边界，且具有较高的准确性（三个案例的准确率分别为 88.8%、81.4% 和 82.4%），明显优于其他深度学习框架（例如 DeepLabV3+）。利用 Sentinel-1 影像在滑坡检测中实现如此高的准确性，本研究将改善地震后对滑坡灾害的应急响应。
2
图表
图 1. 墨脱县滑坡编录（红色多边形）及相应的 Sentinel-2 影像。（a）中的黄色五角星表示地震震中。（b）表示此案例的位置（红色矩形）和收集的 Sentinel-1 影像（黑色矩形）。
图 3. 巴布亚新几内亚案例的滑坡清单（红色多边形）和相应的陆地卫星 8 号图像。其他符号与图 1 相同。
图 5. 基于深度学习的从合成孔径雷达图像中识别地表变形界限的总体框架。在训练阶段，利用滑坡清单、光学图像和合成孔径雷达图像来校正清单并生成高质量的数据集，然后将其输入到提出的 MFEWF 网络中进行训练。在测试阶段，应用滑坡检测模型仅使用合成孔径雷达数据来提取滑坡的边界。
图 6. ETL 高质量训练数据集的生成工作流程。
图 7. MFEWF 的滑坡检测网络。它由一个 DRN 骨干网络、一个用于高级特征提取的 CAASP 模块、一个用于低级特征处理的 AMM 模块以及一个用于有效融合低级和高级特征的 MFFRM 模块组成。
图 8. 坐标注意力的结构。
图 11. 印度尼西亚帕卢的 ETL 检测结果。(a)是修订后的滑坡清单及其对应的 Sentinel-2 图像的融合图（其他符号如图 10 所示）；(b)是四个网络独立测试区滑坡检测的 PA 和 IoU 值；(c)是所提出的 MFEWF 网络的滑坡检测结果与已发布的滑坡清单的融合图；(d1)-(d4)和(e1)-(e4)分别是(c)中四个网络在区域 D 和 E 的放大视图图像（其他符号如图 10 所示）。
图 12. 巴布亚新几内亚（PNG）中地表线性构造（ETLs）的检测结果。(a)是修订后的滑坡清单及其对应的 Landsat-8 图像的融合图（其他符号如图 10 所示）；(b)是四个网络在独立测试区域的滑坡检测的准确率（PA）和交并比（IoU）值；(c)和(f)是滑坡检测结果的融合图；(d1)-(d4)、(e1)-(e4)、(g1)-(g4)和(h1)-(h4)分别是(c)中四个网络在区域 D、E、G 和 H 的放大视图图像（其他符号如图 10 所示）。
3
结论
为了解决地震触发地表破裂（ETL）的紧急检测问题，提出了一种基于深度学习的从合成孔径雷达（SAR）图像中自动检测 ETL 的框架。它包括三个重要组成部分：可靠的 ETL 数据集的生成、MFEWF 滑坡检测网络以及 ETL 边界提取。该框架可以从源头上为深度学习网络确保高质量的滑坡训练数据集，并且所提出的 MFEWF 网络可以生成高精度的滑坡检测结果，即实现 ETL 边界的准确提取。在墨脱、印度尼西亚和巴布亚新几内亚（PNG）由不同类型地震引起的多尺度滑坡上进行了实验，结果表明，与其他三个现有网络（DeepLabV3+、GCAM 和 MF2AM）相比，我们提出的方法的 ETL 检测准确率最高（超过 80%）。特别是，我们的方法在定位滑坡边界方面具有独特优势，这也最大限度地减少了漏检和误报。使用我们提出的方法，一旦有震后的第一幅 SAR 图像，并与震前 SAR 图像对齐，经过训练的模型即使在阴天或雨天也可以快速准确地生成具有明确滑坡边界的高度可靠的 ETL 清单。请注意，使用 Gamma 软件进行的 SAR 预处理通常不超过两个小时，这是一个可接受的时间延迟。有了生成的 ETL 清单，应急救援部门可以进行二次灾害评估，并更好地进行震后救援/恢复。因此，本文提出的方法将有助于在毁灭性地震后的应急响应实施，并可以促进深度学习在 SAR 和滑坡领域的应用和发展。
4
参考文献
扫码关注，欢迎来稿
邮箱丨engeomodel@gmail.com
免责声明
本公众号推广所有论文，仅供学术交流，由于小编水平有限，摘要、图表均为原文内容，文字翻译部分仅代表小编个人理解，本公众号不具该原文的版权。在文献解读或作者简历介绍过程中如有疏漏，我们深表歉意，如涉及侵权问题或冒犯之处，请作者团队及时联系本公众号（邮箱），我们会在第一时间进行修改或删除，感谢您的谅解！
