基于深度学习利用合成孔径雷达数据立方体进行快速滑坡检测
信号处理
2022-11-08 v1 计算机视觉与模式识别
图像与视频处理
摘要
随着气候变化预计将增加滑坡事件发生的可能性，对有助于应急响应的快速滑坡检测技术的需求日益增长。合成孔径雷达（SAR）是一种遥感技术，可不受天气或光照条件影响地提供受影响区域的测量。然而，SAR 的使用受限于其预处理步骤所需的领域知识，且其解译需要专家知识。我们提供了简化的、预处理完毕、可直接用于机器学习的 SAR 数据立方体，涵盖全球四处滑坡事件，数据来自滑坡触发事件前后的多次 Sentinel-1 卫星过境，并附有滑坡的分割图。基于该数据集，利用日本北海道数据立方体，我们研究了基于 SAR 的滑坡检测在监督式深度学习（DL）下的可行性。我们的结果表明，DL 模型可用于从 SAR 数据中检测滑坡，其精确率-召回率曲线下面积超过 0.7。我们发现额外的卫星过境可提升检测性能，但当 SAR 数据与来自数字高程模型的地形信息结合时，可实现早期检测。这对于时间紧迫的应急干预尤为有用。代码已公开于 https://github.com/iprapas/landslide-sar-unet。
引用
@article{arxiv.2211.02869,
title = {Deep Learning for Rapid Landslide Detection using Synthetic Aperture Radar (SAR) Datacubes},
author = {Vanessa Boehm and Wei Ji Leong and Ragini Bal Mahesh and Ioannis Prapas and Edoardo Nemni and Freddie Kalaitzis and Siddha Ganju and Raul Ramos-Pollan},
journal= {arXiv preprint arXiv:2211.02869},
year = {2022}
}
备注
Accepted in the NeurIPS 2022 workshop on Tackling Climate Change with Machine Learning. Authors Vanessa Boehm, Wei Ji Leong, Ragini Bal Mahesh, Ioannis Prapas contributed equally as researchers for the Frontier Development Lab (FDL) 2022