Remote Sensing:基于深度学习的大区域复杂环境下的滑坡自动提取

全震区的同震滑坡快速识别与制图是理解同震滑坡的发育程度、分布规律、滑坡危险性评价等的重要基础,对于地震灾害的应急救援与损失评估也具有非常重要的意义。地震滑坡往往会导致应急救援与现场调查无法顺利进行,会严重影响生命救援和地震灾情评估。因此快速准确地获取地震滑坡的位置、范围、大小等信息对指导地震应急救援和灾后评估、重建等工作具有重要意义。近年来,研究人员在小范围和单一环境的实验研究工作中取得了不错的效果。然而,面对大范围复杂环境的全震区,同震滑坡提取缺少理想的解决方法。本文使用的ENVI Deep Learning Module,是基于TensorFlow框架开发的U-Net模型,可以对遥感图像进行分类。相比于前人的研究,该方法更加便捷。并且可以应用于大区域复杂环境下的滑坡识别。

基于地震前后的高分辨率卫星影像,在震后灾情详查中可精确地确定滑坡的空间分布。建立震后短时间内滑坡灾害高精度判识模型。实现滑坡空间分布的自动识别。通过对大量滑坡样本数据的训练来提高滑坡识别的准确度与效率,大大提高了获取灾后数据的效率和精度。本研究方法可以智能地从遥感影像中识别地震触发滑坡(图1和图2)。具有很强的实用性,准确度高,可为地震应急救援和灾情快速评估提供重要方法与数据。

 

 

图1  滑坡自动提取结果图

 

图2  模型对四个子区域滑坡的识别效果(红色多边形表示手动视觉解释的结果,黄色多边形表示自动提取结果)

上述研究结果发表在Remote Sensing,作者:张鹏飞、许冲*、马思远、邵霄怡、田颖颖、温博寓, Automatic extraction of seismic landslides in large areas with complex environments based on deep learning: An example of the 2018 Iburi, Japan earthquake. Remote Sensing, 2020, 12(3992): 22 pages https://doi.org/10.3390/rs12233992