基于GEE和U-net模型的同震滑坡识别方法
地震滑坡解译是震后重建的重要基础工作,主要通过室内人工遥感解译和室外野外调查确定.地震滑坡相比其他地物来说更为复杂,很难通过简单指数识别.室内遥感解译通过滑坡后壁、侧壁和堆积等纹理特征进行识别,大面积同震滑坡解译工作往往耗费大量人力和物力,且耗时长,难以满足灾害应急需求.本研究利用U-net神经网络模型,结合Google Earth Engine(GEE)云平台和人工智能学习平台Tensorflow,以地震局解译的汶川滑坡作为样本数据,以震后30 m分辨率的Landsat影像、高程、坡度以及NDVI数据作为模型输入参数,自动识别并获取了汶川地震后的同震滑坡数据,同时比较了不同参数组合情况下U-net神经网络模型的分割识别精度.研究表明:①U-net模型可以用于以Landsat影像为基础数据的同震滑坡快速自动识别;②随着高程、坡度以及NDVI等输入参数增加,模型分割精度在逐渐提高,但假阳性结果也会出现增多,震后滑坡影像+高程+坡度+NDVI的输入参数组合精度最高;③在细节上,模型在多参数组合的情况下,大型滑坡能够很好被识别,一些较小型的滑坡受制于影像分辨率的影响,分割精度较差.为了更好识别小型滑坡,后续研究可能需提高影像的分辨率.此外,GEE云平台大大提高了训练样本获取的效率,为科研人员快速进行基于神经网络与遥感数据的地物识别研究提供了条件.
地震滑坡、U-net模型、GEE、图像分割、Landsat影像、均方误差、召回率、平均交并比
24
P642.22;TP391.41;P237
中国科学院战略性先导科技专项;国家重点研发计划;国家重点研发计划
2022-08-05（万方平台首次上网日期，不代表论文的发表时间）
共11页
1275-1285
