| تعداد نشریات | 286 |
| تعداد نشریات سازمان | 84 |
| تعداد شماره‌ها | 2,838 |
| تعداد مقالات | 32,218 |
| تعداد مشاهده مقاله | 41,132,484 |
| تعداد دریافت فایل اصل مقاله | 18,372,664 |
تشخیص فروچاله‌ها و زمین‌لغزش‌ها با استفاده از روش‌های یادگیری عمیق و تصاویر پهپادی | ||
| مهندسی و مدیریت آبخیز | ||
| مقاله 1، دوره 16، شماره 3، مهر 1403، صفحه 316-330 اصل مقاله (2.12 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijwmse.2024.363888.2037 | ||
| نویسندگان | ||
| نرگس کریمی‌نژاد1؛ حمیدرضا پورقاسمی* 2؛ محسن حسینعلی زاده3؛ وحید شفاهی4 | ||
| 1استادیار، گروه مهندسی محیط زیست و منابع طبیعی، دانشکده کشاورزی، دانشگاه شیراز، شیراز، ایران | ||
| 2استاد، گروه مهندسی خاک، دانشکده کشاورزی، دانشگاه شیراز، شیراز، ایران | ||
| 3دانشیار، گروه مدیریت مناطق بیابانی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران | ||
| 4دانشجو دکتری، گروه مهندسی سازه و ژئوتکینک، دانشگاه Széchenyi István، 9026 گیور، مجارستان | ||
| چکیده | ||
| مقدمه زمین‌لغزش‌ها و فروچاله‌ها به زیرساخت‌های اجتماعی، اقتصادی و طبیعی آسیب می‌زنند. این فرایندها تأثیرات مستقیم و غیرمستقیم بر زیرساخت‌های مهم، از جمله مناطق مسکونی دارند و بر تغییر کاربری اراضی و مهاجرت از روستا به شهر تأثیرگذارند. یکی از اهداف اصلی در مدیریت پایدار اراضی، شناسایی و کنترل بلایای طبیعی است که از یک‌سو سبب ارتقاء کمی و کیفی تولید در طولانی‌مدت شده و از سوی دیگر، علاوه بر حفظ کیفیت خاک از تخریب خاک جلوگیری می‌کند. به‌منظور مدیریت بهتر و پایدارتر، آگاهی از نحوه تغییر‌پذیری و شناسایی شکل‌های مختلف فرسایشی مانند فروچاله‌ها و زمین‌لغزش‌ها ضروری به‌نظر می‌رسد. مواد و روش‌ها با پیشرفت‌های اخیر در استفاده از تصاویر پهپاد (UAV) و روش‌های یادگیری عمیق (DL)، امکان ارائه روش‌های نیمه‌خودکار برای شناسایی واحدهای اراضی در مناطق مختلف با دقت مکانی بسیار خوب فراهم شده است. در این پژوهش، توانمندی دو مدل یادگیری عمیق پیشرفته، یعنی مدل U-Net و مدل U-Net با نظارت عمیق (ADSMS) که بر روی تصاویر به‌دست آمده از پهپاد اعمال شده است، برای نقشه‌برداری زمین‌لغزش‌ها و فروچاله‌ها در بخشی از نهشته‌های لسی استان گلستان مورد بررسی قرار گرفته است. نتایج و بحث عملکرد مدل U-Net در زمینه زمین‌لغزش‌ها نشان می‌دهد که مدل دارای مقادیر مثبت کاذب کمتری است، اما هم‌زمان، بسیاری از سلول‌های زمین‌لغزش را از دست داده است. درعین‌حال، مدل ADSMS U-Net در تشخیص سلول‌های زمین‌لغزش عملکرد بهتری داشته، اما موارد زیادی را به پیش‌بینی‌های نادرست نسبت داد (که با امتیاز پایین دقت توضیح داده شده است). بهترین امتیاز F1 به مقدار 0.68 برای مدل ADSMS U-Net به‌دست آمده است. برای همه ترکیب باندها در تشخیص فروچاله‌ها، عملکردهای ADSMS U-Net نسبت به مدلU-Net سنتی بهتر است. بهترین امتیازات کلی توسطADSMS U-Net زمانی به‌دست آمد که بر روی داده‌های ALL، آموزش داده شد. در مورد اثربخشی مختلف ترکیب‌های ارزیابی‌شده در این پژوهش، می‌توان رفتار متناقض مدل‌ها را مشاهده کرد. U-Net سنتی، بهترین عملکرد را با استفاده از ترکیب نوری RGB به‌دست می‌آورد، درحالی‌که ADSMS U-Net می‌تواند از اطلاعات مشتقات توپوگرافی و داده‌های نوری بهره برده و با ترکیبALL بهترین نتایج را نشان دهد. علاوه بر این، واضح است که داده‌های DSHC به‌تنهایی برای هر دو مدل بدترین نتایج را ارائه می‌دهد. به طور کلی نتایج نشان داد که قابلیت ADSMS U-Net برای پیش‌بینی زمین‌لغزش‌ها در مقایسه با U-Net به واقعیت زمین نزدیک‌تر است. این مدل اغلب زمین‌لغزش‌های موجود در قسمت‌های آزمون را شناسایی می‌کند. همچنین، برای همه ترکیب باندهای فروچاله‌ها، عملکرد ADSMS U-Net نسبت به مدل U-Net بهتر است. بهترین امتیازات کلی توسط ADSMS U-Net زمانی به‌دست آمده است که بر روی داده‌های ALL آموزش داده شده‌اند. نتیجه‌گیری از آنجایی‌که فروچاله‌ها منشأ اصلی برخی از فرسایش‌های عمده دیگر ازجمله شروع و گسترش آبکند محسوب می‌شوند، استفاده از ابزارها و فناوری جدید نظیر پهپاد و یادگیری عمیق، بسیار مهم است. با استفاده از مدل‌های مورداستفاده در این پژوهش، زمین‌لغزش‌ها با امتیاز قابل‌قبول ٪69=F1 نقشه‌برداری شدند. همچنین، مشتقات توپوگرافیکی به‌دست آمده از مدل رقومی ارتفاع مبتنی بر پهپاد، توانایی نقشه‌برداری فروچاله‌ها و زمین‌لغزش‌ها با داده‌های موجود را دارا هستند. تحقیقات بعدی می‌توانند استفاده از چنین رویکردی را برای نقشه‌برداری از زمین‌لغزش‌ها و فروچاله‌ها در طول زمان مورد بررسی قرار داده تا تغییرات مبتنی بر زمان بر روی شکل‌گیری و گسترش مخاطرات طبیعی را ارزیابی کنند. | ||
| کلیدواژه‌ها | ||
| پهپاد بال‌ثابت؛ توپوگرافیکی؛ فتوگرامتری؛ مدل ADSMS U-Net؛ مدل U-Net | ||
| عنوان مقاله [English] | ||
| Detection of sinkholes and landslides using deep-learning methods and UAV images | ||
| نویسندگان [English] | ||
| Naeges Kariminejad1؛ Hamid Reza Pourghasemi2؛ Mohsen Hoseinalizadeh3؛ Vahid Shafaie4 | ||
| 1Department of Natural Resources and Environmental Engineering, College of Agriculture, Shiraz University, Shiraz, Iran | ||
| 2Department of Soil Science, College of Agriculture, Shiraz University, Shiraz, Iran | ||
| 3Department of Arid Zone Management, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran | ||
| 4Department of Structural and Geotechnical Engineering, Széchenyi István University, 9026 Győr, Hungary | ||
| چکیده [English] | ||
| Introduction Landslides and sinkholes damage social, economic, and natural infrastructure. These processes have direct and indirect impacts on important infrastructure, including residential areas, and influence land use change and migration from rural to urban areas. Sinkholes and landslides occur when parts of a soil collapse mainly in more gentle or steeper slopes, which are often triggered by intensive rainfall. One of the main goals in sustainable land management is the identification and control of natural disasters, which on the one hand leads to the quantitative and qualitative improvement of production in the long term, and on the other hand, maintains the quality of the soil and prevents soil degradation. In order to manage better and more stable, it seems necessary to know how to change and identify different forms of erosion such as sinkholes and landslides. Sinkholes and landslides occur when parts of a soil collapse mainly in more gentle or steeper slopes, which are often triggered by intensive rainfall. Materials and methods Recent advances in acquiring images from unmanned aerial vehicles (UAV) (UAV) and deep learning (DL) methods inherited from computer vision have made it feasible to propose semi-automated soil landform detection methodologies for large areas at an unprecedented spatial resolution. In this study, we evaluate the potential of two cutting-edge DL deep learning segmentation models, the vanilla U-Net model, and the Attention Deep Supervision Multi-Scale U-Net model, applied to UAV-derived products, to map landslides and sinkholes in a semi-arid environment, the “Golestan Province” (north-east Iran). Results and discussion Landslides: The performance of the U-Net model shows that it has fewer false positives, but at the same time, it has missed many landslide cells. Meanwhile, the ADSMS U-Net model has performed better in detecting landslide cells, but it attributed many cases to incorrect predictions (which is explained by the low accuracy score). The best F1 score achieved for the ADSMS U-Net model is 0.68. Sinkholes: For all band combinations, the performances of ADSMS U-Net are better than those of the traditional U-Net model. The best overall scores by ADSMS U-Net were obtained when trained on the ALL data. Regarding the effectiveness of the various combinations evaluated in this study, we can observe the contradictory behaviors of the models. The traditional U-Net achieves the best performance using the RGB optical combination, while the ADSMS U-Net can leverage topographic derivative information and optical data, showing the best results with the ALL combination. Moreover, it is evident that the DSHC data alone provides the worst results for both models. In overall, the results show that the ability of ADSMS U-Net to predict landslides is closer to the ground reality compared to U-Net. This model identifies most of the landslides in the test sections. Also, for all combinations of sinkhole bands, ADSMS U-Net performs better than the U-Net model. The best overall scores were obtained by ADSMS U-Net when trained on ALL data. Conclusions Since this kind of soil erosion is the main origin of some major soil erosion including gully initiation and extension, applying new technology namely, UAV and deep learning is highly important and recommended. Our framework can successfully map landslides in a challenging environment (with an F1-score of 69 %), and topographical derivates from UAV-derived DSM decrease the capacity of mapping sinkholes and landslides of the models calibrated with optical data. Future research could explore the use of such an approach to map landslides and sinkholes over time to assess time-based changes in the formation and spread of natural hazards. | ||
| کلیدواژه‌ها [English] | ||
| ADSMS U-Net model, Fixed-wing drones, Photogrammetry, Topography, U-Net model | ||
| مراجع | ||
|
Abraham, N., Khan, N.M., 2019. A novel focal tversky loss function with improved attention U-Net for lesion segmentation. In 2019 IEEE 16th International Symposium on Biomedical Imaging (ISBI 2019), IEEE., 683-687. Agarap, A.F., 2018. Deep learning using rectified linear units (relu). arXiv preprint arXiv:1803.08375. Agrawal, K., Baweja, Y., Dwivedi, D., Saha, R., Prasad, P., Agrawal, S., Kapoor, S., Chaturvedi, P., Mali, N., Kala, V.U. Dutt, V., 2017. A comparison of class imbalance techniques for real-world landslide predictions. In 2017 international conference on machine learning and data science (MLDS), IEEE., 1-8. Asadi Nalivan, O., Rahmani, M., Vakili Tajreh, F., Bayat, A., 2024. Prioritization of factors and zoning susceptibility of landslide in Karaj Dam Watershed. Watershed Engineering and Management 16(1), 1-14. Bernatek-Jakiel, A., 2015. The influence of piping on mid-mountain relief: A case study from the polish bieszczady Mts. (Eastern Carpathians). CJEES, 10(1), 107–120. Bernatek-Jakiel, A., Poesen, J., 2018. Subsurface erosion by soil piping: significance and research needs. Earth Sci. Rev. 185, 1107-1128. Brovkina, O. Cienciala, E. Surový, P., Janata, P., 2018. Unmanned Aerial Vehicles (UAV) for assessment of qualitative classification of norway spruce in temperate forest stands. Geo. Spat. Inf. Sci. 21, 12-20. Chandra, N., Sawant, S., Vaidya, H., 2023. An Efficient U-Net model for improved landslide detection from satellite images. J. Photogramm. Remote Sens. Geoinf. 1-16. Chen, Y., Chen, W., Janizadeh, S., Bhunia, G.S., Bera, A., Pham, Q.B., Linh, N.T.T., Balogun, A.L., Wang, X., 2021. Deep learning and boosting framework for piping erosion susceptibility modeling: spatial evaluation of agricultural areas in the semi-arid region. Geocarto Int. 1-27. Dou, J. Chang, K.-T. Chen, S. Yunus, A. Liu, J.-K. Xia, H. Zhu, Z., 2015. Automatic case-based reasoning approach for landslide detection: Integration of object-oriented image analysis and a genetic algorithm. Remote Sens. 7, 4318. Du, Z. Yang, J. Ou, C. Zhang, T., 2019. Smallholder crop area mapped with a semantic segmentation deep learning method. Remote Sens. 11, 888. Fernández, T. Pérez, J.L. Cardenal, J. Gómez, J.M. Colomo, C. Delgado, J., 2016. Analysis of landslide evolution affecting olive groves using uav and photogrammetric techniques. Remote Sens. 8, 837. Ghadi, Y.Y., Rafique, A.A., Al Shloul, T., Alsuhibany, S.A., Jalal, A., Park, J., 2022. Robust object categorization and Scene classification over remote sensing images via features fusion and fully convolutional network. Remote Sens. 14(7), 1550. Ghorbanzadeh, O., Meena, S.R., Blaschke, T., Aryal, J., 2019. UAV-based landslide detection using deep-learning convolutional neural networks. Remote Sens. 11(17), 2046. Ghorbanzadeh, O., Rostamzadeh, H., Blaschke, T., Gholaminia, K., Aryal, J., 2018. A new gis-based data mining technique using an adaptive neuro-fuzzy inference system (anfis) and k-fold cross-validation approach for land subsidence susceptibility mapping. Nat. Hazards 94, 497–517. Higgins, C.G., Coates, D.R., 1990. Groundwater geomorphology: The role of subsurface water in Earth-surface processes and landforms (Vol. 252). Geological Society of America. Hoai, N.V., Dung, N.M., Ro, S., 2019, July. Sinkhole detection by deep learning and data association. In 2019 Eleventh International Conference on Ubiquitous and Future Networks (ICUFN) (pp. 211-213). IEEE. Hölbling, D., Füreder, P., Antolini, F., Cigna, F., Casagli, N., Lang, S., 2012. A semi-automated object-based approach for landslide detection validated by persistent scatterer interferometry measures and landslide inventories. Remote Sens. 4, 1310-1336. Hosseinalizadeh, M., Kariminejad, N., Alinejad, M., 2018. An application of different summary statistics for modelling piping collapses and gully headcuts to evaluate their geomorphological interactions in Golestan Province, Iran. Catena 171, 613-621. Jones, J.A.A., Crane, F.G., 1984. Pipeflow and pipe erosion in the Maesnant experimental catchment. International Geographical Union Commission on Field Experiments in Geomorphology. Meeting 55-72. Karantanellis, E., Marinos, V., Vassilakis, E., Hölbling, D., 2021. Evaluation of machine learning algorithms for object-based mapping of landslide zones using UAV data. Geosciences 11(8), 305. Kariminejad, N., Hosseinalizadeh, M., Pourghasemi, H.R., Tiefenbacher, J.P., 2021. Change detection in piping, gully head forms, and mechanisms. Catena 206, 105550. Kariminejad, N., Pourghasemi, H.R., Hosseinalizadeh, M., 2022. Analytical techniques for mapping multi-hazard with geo ‑ environmental modeling approaches and UAV images. Sci. Rep. 1-17. Kingma, D.P., Ba, J., 2014. Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980. Kundu, S., Mostafa, H., Sridhar, S.N., Sundaresan, S., 2020. Attention-based Image Upsampling. arXiv preprint arXiv:2012.09904. Lee, C.Y., Xie, S., Gallagher, P., Zhang, Z., Tu, Z., 2015. Deeply-supervised nets. In Artificial intelligence and statistics (pp. 562-570). PMLR. Lin, J., Tao, H., Wang, Y., Huang, Z., 2010. Practical application of unmanned aerial vehicles for mountain hazards survey. In Proceedings of the International Conference on Geoinformatics, Beijing, China. Meena, S.R., Mishra, B.K., Tavakkoli Piralilou, S., 2019. A hybrid spatial multi-criteria evaluation method for mapping landslide susceptible areas in kullu valley, himalayas. Geosciences 9, 156. Meena, S.R., Soares, L.P., Grohmann, C.H., van Westen, C., Bhuyan, K., Singh, R.P., Catani, F., 2022. Landslide detection in the Himalayas using machine learning algorithms and U-Net. Landslides 19(5), 1209-1229. Mey, J., Guntu, R.K., Plakias, A., Silva de Almeida, I., Schwanghart, W., 2023. More than one landslide per road kilometer–surveying and modelling mass movements along the Rishikesh-Joshimath (NH-7) highway, Uttarakhand, India. Nat. Hazards Earth Syst. Sci. Discuss. 1-25. Mezaal, M., Pradhan, B., Rizeei, H., 2018, Improving landslide detection from airborne laser scanning data using optimized dempster–shafer. Remote Sens. 10, 1029. Miura, H., 2019. Fusion analysis of optical satellite images and digital elevation model for quantifying volume in debris flow disaster. Remote Sens, 11(9), 1096. Nava, L., Bhuyan, K., Meena, S.R., Monserrat, O., Catani, F., 2022. Rapid mapping of landslides on SAR data by attention U-Net. Remote Sens. 14(6), 1449. Poesen, J., 2018. Soil erosion in the Anthropocene: Research needs. Earth Surface Processes and Landforms, 43(1). Pourghasemi, H.R., Yousefi, S., Kornejady, A., Cerdà, A., 2017. Performance assessment of individual and ensemble data-mining techniques for gully erosion modeling. Sci. Total Environ. 609, 764-775. Qayyum, A., Malik, A., M Saad, N., Mazher, M., 2019. Designing deep CNN models based on sparse coding for aerial imagery: a deep-features reduction approach. European Journal of Remote Sens. 52(1), 221-239. Rahmati, O., Tahmasebipour, N., Haghizadeh, A., Pourghasemi, H.R., Feizizadeh, B., 2017. Evaluation of different machine learning models for predicting and mapping the susceptibility of gully erosion. Geomorphology 298, 118-137. Ronneberger, O., Fischer, P., Brox, T., 2015. U-Net: Convolutional networks for biomedical image segmentation. In International Conference on Medical image computing and computer-assisted intervention (234-241). Springer, Cham. Sarro, R., Riquelme, A., García-Davalillo, J.C., Mateos, R.M., Tomás, R., Pastor, J.L., Cano, M., Herrera, G., 2018. Rockfall simulation based on uav photogrammetry data obtained during an emergency declaration: Application at a cultural heritage site. Remote Sens. 10, 1923. Thakur, M., Kumar, N., Dhiman, R.K., Malik, J.N., 2023. Geological and geotechnical investigations of the Sataun landslide along the Active Sirmauri Tal Fault, Sataun, Northwestern Himalaya, India. Landslides 1-19. Wang, L., Li, X.A., Zheng, Z.Y., Zheng, H., Ren, Y.B., Chen, W.J., Lei, H.N., 2022. Analysis of the landslide mechanism a under tunnel erosion environment in the south-eastern Loess Plateau in China. Catena 212, 106039. Watson, C.S., Kargel, J.S., 2019. Tiruwa, B. Uav-derived himalayan topography: Hazard assessments and comparison with global dem products. Drones 3, 18. Wijaya, I.P., Straka, W., Mergili, M., Ottner, F., Wriessnig, K., Arndt, R., Andreatta, P., Arifianti, Y., Zangerl, C., 2023. Geological characterization and failure analysis of a catastrophic landslide in volcaniclastic soils: the Banjarnegara–Jemblung Landslide (Indonesia). Q. J. Eng. Geol. Hydrogeol. 56(1). Windrim, L., Bryson, M., McLean, M., Randle, J., 2019. Stone, C. Automated mapping of woody debris over harvested forest plantations using uavs, high-resolution imagery, and machine learning. Remote Sens. 11, 733. Yang, Z.-h., Lan, H.-x., Gao, X., Li, L.-p., Meng, Y.-s., 2015. Urgent landslide susceptibility assessment in the 2013 lushan earthquake-impacted area, sichuan province, china. Nat. Hazards. 75, 2467-2487. Zhang, Y., Yue, P., Zhang, G., Guan, T., Lv, M., Zhong, D., 2019. Augmented reality mapping of rock mass discontinuities and rockfall susceptibility based on unmanned aerial vehicle photogrammetry. Remote Sens. 11, 1311. | ||
|
آمار تعداد مشاهده مقاله: 131 تعداد دریافت فایل اصل مقاله: 21 |
||