Identificación de peligros de deslizamientos de tierra en múltiples ventanas basada en tecnología InSAR y factores predisponentes a desastres
Autores: Niu, Chong; Yin, Wenping; Xue, Wei; Sui, Yujing; Xun, Xingqing; Zhou, Xiran; Zhang, Sheng; Xue, Yong
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Identificación de peligros de deslizamientos de tierra en múltiples ventanas basada en tecnología InSAR y factores predisponentes a desastres
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
Identificación
Peligros de deslizamientos de tierra
CNN
RNN
Métodos de aprendizaje profundo
Enfoque de múltiples ventanas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
La identificación de peligros potenciales de deslizamientos de tierra es de gran importancia para la prevención y control de desastres. Se han utilizado CNN (Redes Neuronales Convolucionales), RNN (Redes Neuronales Recurrentes) y muchos otros métodos de aprendizaje profundo para identificar peligros de deslizamientos. Sin embargo, la mayoría de las muestras se realizan con un tamaño de ventana fijo, lo que afecta la precisión del reconocimiento hasta cierto punto. Este artículo presenta un método de identificación de peligros ocultos con CNN de múltiples ventanas según la escala del deslizamiento en el área experimental. En primer lugar, el área de peligro oculto se filtra preliminarmente mediante la tecnología de procesamiento de deformación InSAR. En segundo lugar, basándose en la topografía, geología, hidrología y actividades humanas, se utilizan un total de 15 factores propensos a desastres para crear conjuntos de datos de factores para un aprendizaje en profundidad. Según la escala general del deslizamiento, se entrenan modelos con cuatro tamaños de ventana de 48 x 48, 32 x 32, 16 x 16 y 8 x 8, respectivamente, y se seleccionan varios modelos de ventana con mejor efecto de reconocimiento y adecuados para la escala del deslizamiento en el área experimental para la identificación precisa de peligros de deslizamientos. Los resultados muestran que, entre las cuatro ventanas, las ventanas de 16 x 16 y 8 x 8 tienen el mejor efecto de reconocimiento del modelo. Luego, según la escala del deslizamiento, se seleccionan de manera pertinente estas ventanas óptimas, y se mejora la precisión, la tasa de recuperación y la medida F del modelo de aprendizaje profundo de múltiples ventanas (82.86%, 78.75%, 80.75%). Los resultados de la investigación demuestran que el método de identificación de peligros de deslizamientos de tierra de múltiples ventanas que combina la tecnología InSAR y factores predisponentes a desastres es efectivo, lo que puede desempeñar un papel importante en la identificación regional de desastres y mejorar la capacidad de apoyo científico y tecnológico para la prevención y mitigación de desastres geológicos.
Descripción
La identificación de peligros potenciales de deslizamientos de tierra es de gran importancia para la prevención y control de desastres. Se han utilizado CNN (Redes Neuronales Convolucionales), RNN (Redes Neuronales Recurrentes) y muchos otros métodos de aprendizaje profundo para identificar peligros de deslizamientos. Sin embargo, la mayoría de las muestras se realizan con un tamaño de ventana fijo, lo que afecta la precisión del reconocimiento hasta cierto punto. Este artículo presenta un método de identificación de peligros ocultos con CNN de múltiples ventanas según la escala del deslizamiento en el área experimental. En primer lugar, el área de peligro oculto se filtra preliminarmente mediante la tecnología de procesamiento de deformación InSAR. En segundo lugar, basándose en la topografía, geología, hidrología y actividades humanas, se utilizan un total de 15 factores propensos a desastres para crear conjuntos de datos de factores para un aprendizaje en profundidad. Según la escala general del deslizamiento, se entrenan modelos con cuatro tamaños de ventana de 48 x 48, 32 x 32, 16 x 16 y 8 x 8, respectivamente, y se seleccionan varios modelos de ventana con mejor efecto de reconocimiento y adecuados para la escala del deslizamiento en el área experimental para la identificación precisa de peligros de deslizamientos. Los resultados muestran que, entre las cuatro ventanas, las ventanas de 16 x 16 y 8 x 8 tienen el mejor efecto de reconocimiento del modelo. Luego, según la escala del deslizamiento, se seleccionan de manera pertinente estas ventanas óptimas, y se mejora la precisión, la tasa de recuperación y la medida F del modelo de aprendizaje profundo de múltiples ventanas (82.86%, 78.75%, 80.75%). Los resultados de la investigación demuestran que el método de identificación de peligros de deslizamientos de tierra de múltiples ventanas que combina la tecnología InSAR y factores predisponentes a desastres es efectivo, lo que puede desempeñar un papel importante en la identificación regional de desastres y mejorar la capacidad de apoyo científico y tecnológico para la prevención y mitigación de desastres geológicos.