【2024|全球滑坡数据集论文解读7】基于多源高分辨率遥感影像的同震滑坡制图全球分布式数据集
【2024|全球滑坡数据集论文解读7】基于多源高分辨率遥感影像的同震滑坡制图全球分布式数据集
文章目录
欢迎宝子们点赞、关注、收藏！欢迎宝子们批评指正！
祝所有的硕博生都能遇到好的导师！好的审稿人！好的同门！顺利毕业！
大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文：
可访问艾思科蓝官网，浏览即将召开的学术会议列表。会议入口：https://ais.cn/u/mmmiUz
论文链接：https://essd.copernicus.org/articles/16/4817/2024/essd-16-4817-2024.pdf
7. Future research directions
**当前的GDCLD主要包含植被覆盖度较高地区的滑坡样本，对植被稀疏地区（如黄土滑坡）的代表性较为有限。**为此，我们更新了数据集，加入了2023年12月中国甘肃积石山Mw 6.2地震触发的黄土滑坡的高分辨率无人机数据（0.1米分辨率）（Chen等，2024）。这些黄土滑坡样本的纳入提升了数据集的多样性及滑坡检测模型的泛化能力。我们将继续追踪并整合未来极端事件（如强震、强降雨和飓风）诱发的滑坡数据，以进一步丰富数据集。
**除扩展GDCLD数据集外，开发滑坡检测的大规模视觉模型（如专为滑坡识别而定制的Segment Anything Model，并基于GDCLD进行训练）是推进基于人工智能的滑坡检测的重要一步。**该模型将用于全球多源遥感影像的滑坡智能识别。
需要注意的是，相较于实例分割，GDCLD更适用于滑坡识别的语义分割任务。不同于其他实例分割任务，滑坡分割具有独特的挑战，原因在于相邻滑坡体的“堆积”区域常常相互混合（Hungr等，2014）。在大多数情况下，我们只能直观地识别滑坡的“源”区，这种现象在中国2022年泸定地震诱发的滑坡中尤为常见（见图S10）。在此类情况下，难以直接从二维光学影像中区分出单个滑坡，需从三维视角考虑各个滑坡体的运动特征（Bhuyan等，2024；Marc和Hovius，2015），并结合地形数据生成准确的滑坡标注，例如用于分割。然而，生成此类数据集需要高分辨率的数字高程模型（DEMs）和无人机或点云数据的直接使用。鉴于全球公开DEM分辨率的限制（约30米），实现此类精细区分具有挑战性。因此，我们目前的研究主要聚焦于语义分割任务。未来研究中，我们计划基于激光雷达数据准备滑坡标注，并开发适用于滑坡实例分割任务的专门算法。
8. Code and data availability
数据可在 https://doi.org/10.5281/zenodo.13612636 (Fang et al., 2024) 免费获取。资料库包含以下压缩文件夹：train_dataset.zip、val_dataset.zip 和 test_dataset.zip。train_dataset.zip 文件包含11,162张TIFF格式的RGB图像及其对应的二值标签数据，每张图像尺寸为1024×1024像素。val_dataset.zip 文件包含4,459张同样尺寸和格式的RGB图像及二值标签数据。test_data.zip 文件包含来自四个滑坡事件的七幅原始遥感影像，图像为TIFF格式RGB图像，标签为TIFF格式的二值数据，但图像尺寸不一致。“Future work”文件夹中包含将来会加入的一些遥感数据。标签中，“0”表示背景，“1”表示滑坡。此外，其他如无人机影像、Map World 和高分六号的数据为非公开数据，Map World和高分六号数据经由团队获得的影像许可访问，无人机数据则归属团队实验室。如需使用，请联系通讯作者。原始的PlanetScope数据通过Planet教育与研究项目获取，原始影像可从 https://www.planet.com/ (Planet Team, 2019) 获得。本研究中用于生成数据及制作图表的代码可在 https://doi.org/10.5281/zenodo.13956757 (Fang, 2024) 访问。
9. Conclusion
利用遥感技术进行大范围滑坡制图是一项极具挑战性的工作。尽管先前的研究已生成滑坡数据集并推动了自动化和智能化发展，但仍未克服事件特异性和数据源局限性等问题。本研究提出了全球分布的同震滑坡数据集（GDCLD），以实现滑坡制图的自主化和高精度。该研究在全球滑坡识别领域做出了三项重要贡献。
- 首先，通过多源遥感数据的精确解译，构建了一个大规模滑坡检测数据集，包含约1.39亿个标注的滑坡像素以及四种分辨率的遥感影像，覆盖全球九大区域，有效弥补了当前滑坡识别研究中大规模数据集的空缺。
- 其次，我们利用GDCLD训练的模型展示了其在不同地理背景下的滑坡识别的鲁棒性与泛化能力，表明该数据集在地质灾害的快速响应与应急管理中具有巨大潜力。尽管滑坡样本源自同震事件，但所训练模型能够捕捉和学习滑坡与周边环境的特征差异，使其适用于雨触发等非地震滑坡事件的制图。与现有数据集的对比分析也进一步证实了该数据集在全球多区域滑坡识别中的优越性。
- 最后，我们证明了在滑坡识别任务中，变换器架构在多源遥感影像处理中的优越性，相较传统的CNN架构，GDCLD-S模型更好地展示了多源数据的泛化能力。该研究为全球地质灾害的防治与减灾提供了重要的实践意义。
欢迎宝子们点赞、关注、收藏！欢迎宝子们批评指正！
祝所有的硕博生都能遇到好的导师！好的审稿人！好的同门！顺利毕业！
大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文：
可访问艾思科蓝官网，浏览即将召开的学术会议列表。会议入口：https://ais.cn/u/mmmiUz