使用深度学习方法实现黄土滑坡自动识别
区域性滑坡识别是滑坡灾害风险管理的基础,传统的识别工作主要依靠人力完成.在已有的滑坡自动识别研究中,方法上以机器学习为主,数据源上对谷歌地球影像应用较少,识别对象上多以与环境差异较大的新滑坡为主.结合深度学习方法和谷歌地球影像数据对中国典型黄土地区历史滑坡进行自动识别.首先,基于开源谷歌地球影像建立了历史黄土滑坡样本数据库,包含黄土滑坡2 498处;然后,利用掩膜区域卷积神经网络(mask region-based convolutional networks,Mask R-CNN)目标检测模块进行黄土滑坡自动识别.识别的准确率为0.56,召回率为0.72,F1值为0.63.结果 表明,Mask R-CNN是一种稳健性较好的方法,可以用于以谷歌地球影像为数据源的黄土滑坡自动识别,为快速准确地进行区域滑坡灾害调查提供了可能.
黄土滑坡、自动识别、谷歌地球影像、深度学习、Mask R-CNN、目标检测
45
P237;P208(摄影测量学与测绘遥感)
国家自然科学基金创新研究群体科学基金;四川省科技厅重点研发计划;四川省科技计划
2020-12-22(万方平台首次上网日期,不代表论文的发表时间)
共9页
1747-1755