Précédent|Prochain

Méthode de transfert d'apprentissage pour l'extraction des glissements de terrain après le séisme de Wenchuan à l'aide d'images à haute résolution du premier satellite chinois

  • role： First author第一作者
  • Affiliation：

    Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China

    School of Electronic, Electrical and Communication Engineering, University of Chinese Academy of Sciences, Beijing 100049, China

  • Email：lizhen18@aircas.ac.cn
  • Introduction：李震，研究方向为遥感图像处理。E-mail：lizhen18@aircas.ac.cn
LI Zhen12,  
  • role： Corresponding author通信作者
  • Affiliation：

    Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China

  • Email：lishanshan@aircas.ac.cn
  • Introduction：李山山，研究方向为遥感图像处理。E-mail：lishanshan@aircas.ac.cn
LI Shanshan1*,  
  • Affiliation：

    Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China

GE Xiaoqing1

résumé

Le séisme de magnitude 8,0 de Wenchuan en 2008 a déclenché de nombreux glissements de terrain et des effondrements géologiques, entraînant une fréquence élevée des catastrophes géologiques dans la zone de fort séisme après le séisme, et en raison de sa menace énorme pour la vie et la propriété, a suscité un large intérêt. L'extraction rapide des informations sur les glissements de terrain à l'aide de la télédétection et d'autres technologies est d'une grande importance pour réduire les pertes causées par les catastrophes. Cet article propose une méthode de transfert d'apprentissage, apprenant des caractéristiques à partir de l'ensemble de données de scènes naturelles, puis les transférant à l'extraction des glissements de terrain. Cette méthode s'entraîne d'abord sur le réseau ResNet sur ImageNet, puis entre des échantillons d'images de zones de glissement de terrain, et transfère le réseau pré-entraîné ainsi que ses paramètres sur LinkNet pour enfin réaliser l'extraction des glissements de terrain. L'analyse et la validation de l'expérience d'extraction des glissements de terrain post-sismiques de Wenchuan de 2013 à 2015 ont montré que la méthode de transfert d'apprentissage proposée dans cet article présente une précision d'extraction supérieure par rapport à la méthode classique de machine à vecteur de support et à d'autres méthodes d'apprentissage approfondi, favorisant ainsi l'évaluation et la prise de décision ultérieures.

mots-clés

Télédétection ; Extraction des glissements de terrain ; Transfert d'apprentissage ; ImageNet ; Satellite chinois à haute résolution

References

  1. 1.
    An L Q, Zhang J F and Zhao F J. 2011. Extracting secondary disaster of Wenchuan earthquake: application of object-oriented image-classifying technology. Journal of Natural Disasters, 20(2): 160-168
  2. 2.
    Dai W Y, Xue G R, Yang Q and Yu Y. 2007. Co-clustering based classification for out-of-domain documents//Proceedings of the 13th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Jose: ACM: 210-219
  3. 3.
    Fan J R, Zhang X Y, Su F H, Ge Y G, Tarolli P, Yang Z Y, Zeng C and Zeng Z. 2017. Geometrical feature analysis and disaster assessment of the Xinmo landslide based on remote sensing data. Journal of Mountain Science, 14(9): 1677-1688
  4. 4.
    He K M, Zhang X Y, Ren S Q and Sun J. 2016. Deep residual learning for image recognition//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas: IEEE: 770-778
  5. 5.
    Huang T, Bai X F, Zhuang Q F and Xu J H. 2018. Research on landslides extraction based on the Wenchuan earthquake in GF-1 remote sensing image. Bulletin of Surveying and Mapping, 2: 67-71, 82
  6. 6.
    LeCun Y, Bengio Y and Hinton G. 2015. Deep learning. Nature, 521(7553): 436-444
  7. 7.
    Li Q, Zhang J F, Luo Y and Jiao Q S. 2019. Recognition of earthquake-induced landslide and spatial distribution patterns triggered by the Jiuzhaigou earthquake in August 8, 2017. Journal of Remote Sensing, 23(4): 785-795
  8. 8.
    Li S, Deng B K, Xu H Q and Wang Z F. 2015. Fast interpretation methods of landslides triggered by earthquake using remote sensing imagery. Remote Sensing Information, 30(4): 25-28
  9. 9.
    Li W L, Wu J and Lü B X. 2011. Research on landslide triggered by earthquake: review and prospect. Journal of Catastrophology, 26(3): 103-108
  10. 10.
    Liu P, Wei Y M, Wang Q J, Chen Y and Xie J J. 2020. Research on post-earthquake landslide extraction algorithm based on improved U-net model. Remote sensing, 12(5): 894
  11. 11.
    Liu Y and Wu L Z. 2016. Geological disaster recognition on optical remote sensing images using deep learning. Procedia Computer Science, 91: 566-575
  12. 12.
    Mondini A C, Guzzetti F, Reichenbach P, Rossi M, Cardinali M and Ardizzone F. 2011. Semi-automatic recognition and mapping of rainfall induced shallow landslides using optical satellite images. Remote Sensing of Environment, 115(7): 1743-1757
  13. 13.
    Pan S J and Yang Q. 2010. A survey on transfer learning. IEEE Transactions on Knowledge and Data Engineering, 22(10): 1345-1359
  14. 14.
    Penatti O A B, Nogueira K and Santos J A D. 2015. Do deep features generalize from everyday objects to remote sensing and aerial scenes domains?//Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition Workshops. Boston: IEEE: 44-51
  15. 15.
    Peng L, Xu S N, Mei J J and Su F H. 2017. Earthquake-induced landslide recognition using high-resolution remote sensing images. Journal of Remote Sensing, 21(4): 509-518
  16. 16.
    Raina R, Ng A Y and Koller D. 2006. Constructing informative priors using transfer learning//Proceedings of the 23rd International Conference on Machine Learning. Pittsburgh: ACM: 713-720
  17. 17.
    Shvets A A, Rakhlin A, Kalinin A A and Iglovikov V I. 2018. Automatic instrument segmentation in robot-assisted surgery using deep learning//2018 17th IEEE International Conference on Machine Learning and Applications (ICMLA). Orlando: IEEE: 624-628
  18. 18.
    Su F H, Liu H J and Han Y S. 2008. The extraction of mountain hazard induced by Wenchuan earthquake and analysis of its distributing characteristic. Journal of Remote Sensing, 12(6): 956-963
  19. 19.
    Wang Y, Wang X F and Jian J F. 2019. Remote sensing landslide recognition based on convolutional neural network. Mathematical Problems in Engineering, 2019: 8389368
  20. 20.
    Wang Y, Yang Y, Wang B S, Wang T, Bu X H and Wang C Y. 2019. Building segmentation in high-resolution remote sensing image through deep neural network and conditional random fields. Journal of Remote Sensing, 23(6): 1194-1208
  21. 21.
    Wang Z H. 1999. Reviewing and prospecting for applying remote sensing to landslide and debris flow investigation. Remote Sensing for Land and Resources, 41(3): 10-15, 39
  22. 22.
    Ye R Q, Deng Q L and Wang H Q. 2007. Landslides identification based on image classification: a case study on Guizhoulaocheng landslide in the three gorges reservoir area. Chinese Journal of Engineering Geophysics, 4(6): 574-577
  23. 23.
    Yin J, Yang Q and Ni L. 2005. Adaptive temporal radio maps for indoor location estimation//Third IEEE International Conference on Pervasive Computing and Communications. Kauai: IEEE: 85-94
  24. 24.
    Yu H, Ma Y, Wang L F, Zhai Y S and Wang X Q. 2017. A landslide intelligent detection method based on CNN and RSG_R//2017 IEEE International Conference on Mechatronics and Automation (ICMA). Takamatsu: IEEE: 40-44

Lire l'article complet

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website