【2024|全球滑坡数据集论文解读5】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5】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
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
5. Results
为验证GDCLD数据集的准确性，本研究选取了**五个地震事件（泸定、九寨沟、北海道、米林和尼佩斯）的四类遥感影像（无人机、PlanetScope、天地图和高分-6）**作为模型构建与精度验证的训练和验证数据集，训练集与验证集的比例为3:1。为进一步评估数据集的泛化能力，**我们选择了来自四个独立地震事件（芦山、梅塞塔斯、苏门答腊和帕卢）的三类遥感影像（无人机、PlanetScope和天地图）作为测试数据集。这四个地区地理分布广泛，位于不同大陆，且具有各异的构造背景和气候条件，确保了测试数据集与训练数据集完全独立。**从数据源来看，这些地区涵盖了三种主要遥感影像类型：PlanetScope、无人机和天地图。此外，芦山地区使用的无人机传感器不同于其他地区。本数据划分策略旨在严格评估GDCLD训练模型的泛化能力。
我们使用上述七种语义分割算法对数据集进行评估。每个模型训练100轮后，详细分析了GDCLD数据集在滑坡识别中的表现。表4展示了七种算法在验证集上的性能。
在七种算法中，U-Net、ResU-Net、DeepLabV3和HRNet属于基于卷积结构的神经网络模型，而UPerNet、SwinUNet和SegFormer则基于Transformer架构。由表4可见，**基于Transformer的语义分割模型在精度上优于卷积结构的模型。**GDCLD验证集中七种算法的mIoU在71.07%至85.06%之间。U-Net表现最低，mIoU和F1得分分别为71.07%和79.54%；而SegFormer表现最佳，精度达91.35%，召回率91.70%，F1得分91.52%，mIoU为85.06%。图6展示了不同模型在各种遥感数据源上的检测结果，表明基于Transformer的模型在分割精度上表现出色。
为展示模型在其他环境中的鲁棒性与泛化能力，**我们使用四个独立地震事件进行测试，结果如表5所示。**总体上，GDCLD训练的模型在这些事件中的mIoU在56.09%至72.84%之间。其中SegFormer表现最佳，精度77.09%，召回率87.09%，F1得分81.88%，mIoU为72.84%。
表6详细列出了六种遥感影像在这四个事件中的结果，整体mIoU在69.01%至82.31%之间，F1得分在80.63%至89.30%之间。值得注意的是，预测结果中召回率普遍高于精度，因为在灾害评估和救援操作中，尽可能避免漏检具有重要意义。遥感传感器的分辨率对滑坡检测效果有直接影响，除苏门答腊事件外，较高分辨率带来了更好的检测性能。
图7至图10分别展示了梅塞塔斯（PlanetScope）、苏门答腊（PlanetScope）、帕卢（天地图）和芦山（无人机）事件的检测结果。梅塞塔斯事件的F1得分为80.63%，召回率与精度相对均衡。图7中模型在山坡区域的滑坡检测和分割能力较强，但在山影区域（图7b、c、e）中表现较弱，阴影像素特征与滑坡显著不同。模型成功识别大部分滑坡像素，但在被阴影覆盖的滑坡区域有所漏检，小规模滑坡也偶有完全漏检。苏门答腊事件检测效果显著，F1得分达89.30%，召回率97.45%，精度83.57%，召回率比精度高出13.88%。**图8显示模型几乎检测到所有滑坡，但在图8a右下角的河流沉积区与滑坡堆积区存在混淆，导致检测结果欠佳。**帕卢事件的F1得分为81.40%，召回率91.24%，精度73.48%，召回率比精度高17.76%。**图9中模型有效区分了云遮、裸地和建筑物，数据集中负样本的增强显著提高了检测能力。**对于芦山事件的无人机数据，F1得分为81.80%，召回率为90.35%，精度为74.72%，召回率比精度高15.63%。图10显示模型在大规模滑坡（图10b、c、d）的分割表现出色，但小规模滑坡的检测效果稍显不足。
总体而言，基于GDCLD训练的模型在四个独立测试数据集中表现出卓越的泛化能力，成功检测出主要滑坡并精确分割滑坡边界。此外，模型有效排除河道、居民区裸地及云区背景噪声，展现出显著的鲁棒性。
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