Clasificación no supervisada para la detección de deslizamientos de tierra a partir de escaneos láser aerotransportados
Autores: Tran, Caitlin J.; Mora, Omar E.; Fayne, Jessica V.; Lenzano, M. Gabriela
Idioma: Inglés
Editor: MDPI
Año: 2019
Acceso abierto
Artículo científico
2019
Clasificación no supervisada para la detección de deslizamientos de tierra a partir de escaneos láser aerotransportados
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Ciencias de la Tierra y Geología
Palabras clave
Desastres naturales
Deslizamientos de tierra
Señales de advertencia temprana
Datos de escaneo láser aéreo
Clasificación no supervisada
Firmas topográficas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 18
Citaciones: Sin citaciones
Los deslizamientos de tierra son desastres naturales que causan daños ambientales, de infraestructura y socioeconómicos extensos en todo el mundo. Dado que son difíciles de identificar, es imperativo evaluar enfoques innovadores para detectar señales de advertencia temprana y evaluar su susceptibilidad, peligro y riesgo. La creciente disponibilidad de datos de escaneo láser aéreo ofrece una oportunidad para que las técnicas modernas de mapeo de deslizamientos de tierra analicen patrones de firma topográfica de áreas de deslizamientos, propensas a deslizamientos y marcadas por deslizamientos en grandes extensiones de terreno. En este estudio, se probó una metodología basada en varios extractores de características y clasificación no supervisada, específicamente el agrupamiento k-means y el modelo de mezcla gaussiana (GMM) en la Península de Carlyon Beach en el estado de Washington para mapear terrenos deslizantes y no deslizantes. Al compararse con el mapa de inventario de deslizamientos de tierra detallado y compilado de manera independiente, los métodos no supervisados clasifican correctamente hasta el 87% del terreno en el área de estudio. Estos resultados sugieren que (1) las cicatrices de deslizamientos asociadas con deslizamientos profundos pasados pueden ser identificadas utilizando modelos digitales de elevación (DEMs) con modelos de clasificación no supervisada; (2) los extractores de características permiten un análisis individual de firmas topográficas específicas; (3) la clasificación no supervisada se puede realizar en cada firma topográfica utilizando múltiples números de clústeres; (4) la comparación de regiones documentadas propensas a deslizamientos con regiones mapeadas por algoritmos muestra que la clasificación algorítmica puede identificar con precisión áreas donde han ocurrido deslizamientos profundos. Las conclusiones de este estudio se pueden resumir afirmando que los métodos de mapeo de clasificación no supervisada y los DEM derivados de la detección y medición de luz aérea (LiDAR) pueden ofrecer información superficial importante que puede ser utilizada como herramientas efectivas para el análisis digital del terreno para apoyar la detección de deslizamientos de tierra.
Descripción
Los deslizamientos de tierra son desastres naturales que causan daños ambientales, de infraestructura y socioeconómicos extensos en todo el mundo. Dado que son difíciles de identificar, es imperativo evaluar enfoques innovadores para detectar señales de advertencia temprana y evaluar su susceptibilidad, peligro y riesgo. La creciente disponibilidad de datos de escaneo láser aéreo ofrece una oportunidad para que las técnicas modernas de mapeo de deslizamientos de tierra analicen patrones de firma topográfica de áreas de deslizamientos, propensas a deslizamientos y marcadas por deslizamientos en grandes extensiones de terreno. En este estudio, se probó una metodología basada en varios extractores de características y clasificación no supervisada, específicamente el agrupamiento k-means y el modelo de mezcla gaussiana (GMM) en la Península de Carlyon Beach en el estado de Washington para mapear terrenos deslizantes y no deslizantes. Al compararse con el mapa de inventario de deslizamientos de tierra detallado y compilado de manera independiente, los métodos no supervisados clasifican correctamente hasta el 87% del terreno en el área de estudio. Estos resultados sugieren que (1) las cicatrices de deslizamientos asociadas con deslizamientos profundos pasados pueden ser identificadas utilizando modelos digitales de elevación (DEMs) con modelos de clasificación no supervisada; (2) los extractores de características permiten un análisis individual de firmas topográficas específicas; (3) la clasificación no supervisada se puede realizar en cada firma topográfica utilizando múltiples números de clústeres; (4) la comparación de regiones documentadas propensas a deslizamientos con regiones mapeadas por algoritmos muestra que la clasificación algorítmica puede identificar con precisión áreas donde han ocurrido deslizamientos profundos. Las conclusiones de este estudio se pueden resumir afirmando que los métodos de mapeo de clasificación no supervisada y los DEM derivados de la detección y medición de luz aérea (LiDAR) pueden ofrecer información superficial importante que puede ser utilizada como herramientas efectivas para el análisis digital del terreno para apoyar la detección de deslizamientos de tierra.