通过深度学习改进SAR数据的滑坡检测
计算机视觉与模式识别
2022-02-16 v1 机器学习
摘要
在本通讯中，我们使用深度学习卷积神经网络（CNNs）来评估光学图像（来自 Sentinel-2）与 SAR 图像（来自 Sentinel-1）上的滑坡制图与分类性能。用于独立评估 CNNs 在不同数据集上性能的训炼与测试区位于北海道东部的胆振地方，2018年9月6日当地时间 03.08（JST）一场 Mw 6.6 地震引发了约 8000 处同震滑坡。我们利用在 TensorFlow 中实现的 CNN，通过多极化 SAR 以及光学数据，分析震前与震后的状况，该 CNN 指出滑坡类更可能被预测的位置。正如预期，基于光学图像运行的 CNN 在滑坡检测任务中表现优异，总体精度达 99.20%，而基于地面距离探测（GRD）SAR 数据组合的 CNNs 总体精度超过 94%。我们的发现表明，SAR 数据的综合使用即使在风暴期间及浓云覆盖下也可实现快速制图，并且在滑坡识别与制图中似乎能提供与经典光学变化检测相当的精度。
引用
@article{arxiv.2105.00782,
title = {Improving Landslide Detection on SAR Data through Deep Learning},
author = {Lorenzo Nava and Oriol Monserrat and Filippo Catani},
journal= {arXiv preprint arXiv:2105.00782},
year = {2022}
}
备注
8 pages, 2 figures, 3 tables