【2024|全球滑坡数据集论文解读1】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

【2024|全球滑坡数据集论文解读1】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
摘要
1. Introduction

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

摘要

**由极端事件触发的滑坡进行快速、精准制图对高效的应急响应、灾害防治与风险管理至关重要。**然而，由于缺乏高分辨率、全球分布的事件驱动数据集，滑坡检测的通用机器学习模型的发展受限。为填补这一空白，我们引入了全球共震滑坡数据集（Globally Distributed Coseismic Landslide Dataset, GDCLD），该综合数据集集成了来自多源遥感影像（包括PlanetScope、高分六号、天地图和无人机（UAV）数据）的信息，涵盖了全球九个事件的不同地理和地质背景。
GDCLD数据集可免费获取（https://doi.org/10.5281/zenodo.13612636，Fang et al., 2024）。本研究通过比较七种先进语义分割算法的制图表现，评估了GDCLD的有效性。模型进一步测试了三种不同类型的遥感影像，并在四个独立区域内开展了实验，其中GDCLD-SegFormer模型表现最佳。此外，我们将评价范围扩展至一个降雨诱发的滑坡数据集，模型同样表现优异，凸显了数据集在其它成因滑坡分割中的适用性。研究结果证实了GDCLD在遥感滑坡检测建模中的优越性，为未来全球范围内突发事件后的滑坡快速评估提供了全面的数据支撑。

1. Introduction

由地震及强降水等极端事件触发的滑坡是山地聚落损毁的主要原因之一（Huang and Fan, 2013）。在某些情况下，滑坡的灾害性甚至超过触发事件本身，因其可切断道路和其他交通生命线，使得应急响应变得无效（Cigna et al., 2012; Huang et al., 2012; Valagussa et al., 2019; Chau et al., 2004）。因此，极端事件后滑坡的快速、精准识别对于灾害的及时量化评估至关重要，尤其在地形复杂、交通不便的山地区域，更是对紧急救援和后续风险管理具有重要意义（Cigna et al., 2018; Chau et al., 2004; Gorum et al., 2011）。

传统的滑坡制图通常依赖地形全站仪、野外观测等传统测量方法，以获取坡面稳定性与地形形态的基本数据（Brardinoni et al., 2003; Coe et al., 2003; Zhong et al., 2020）。然而，由于这些方法具有静态性，往往无法充分捕捉地形动态特征（Metternicht et al., 2005），因此在滑坡详细制图中难以发挥作用，尤其是在无法进入受影响且不稳定区域进行实地勘测的情况下。汶川共震滑坡即为一例，大量物质滑动阻塞了道路，增加了灾害响应及勘测、制图工作的复杂性（Gorum et al., 2011）。

随着近几十年遥感技术的发展，滑坡调查得到了数字化制图的支持，有效降低了时间与人力成本（Fiorucci et al., 2011, 2019; Gao and Maro, 2010; Guzzetti et al., 2012）。多种传感器模式的应用，如合成孔径雷达（SAR）（Mondini et al., 2021; Nava et al., 2021）、多光谱（Udin et al., 2019）及高光谱影像（Ye et al., 2019），进一步提升了制图效果。然而，由于滑坡视觉解译高度依赖操作者经验，且涉及大量滑坡事件的解译仍耗时甚久，这种主观性及解译的耗时性在汶川地震（2008）及尼泊尔戈尔卡地震（2015）等重大事件后的滑坡制图中显著影响了其可靠性与效率。

理想的解决方案是开发自动化模型或工具，以节省时间和成本，同时确保制图过程的客观性（Casagli et al., 2023）。尽管一些研究者尝试采用机器学习或深度学习构建这些模型，但大多数模型缺乏在不同环境背景和遥感影像上应用的泛化能力（Burrows et al., 2019; Bhuyan et al., 2023; Li et al., 2016; Liu et al., 2022; Lu et al., 2019; Luppino et al., 2022; Meena et al., 2021; Soares et al., 2022; Yang et al., 2022b; Mohan et al., 2021; Ss and Shaji, 2022; Li et al., 2024）。**为提升这些模型的性能，需要丰富的地貌和气候背景数据，以涵盖滑坡发生的多样性。**基于MapWorld影像的毕节滑坡数据集是首个填补山区滑坡检测任务数据空白的小规模数据集（Ji et al., 2020）。基于Sentinel-2影像的Landslide4Sense引入了多光谱滑坡数据集，首次实现了滑坡的语义级注释（Ghorbanzadeh et al., 2022）。HR-GLDD和GVLM数据集分别基于PlanetScope和Google Earth影像，代表全球范围内的高分辨率滑坡数据集（Meena et al., 2023; Zhang et al., 2023）。

然而，这些数据集由于依赖单一遥感数据源，限制了模型在不同传感器和分辨率下的适用性。CAS滑坡数据集引入了一种包含多种遥感数据源的山区滑坡数据集（Xu et al., 2024）。

然而，由于其标注滑坡数量有限、图像重叠度高，以及缺乏负样本（背景/非滑坡），仍然无法有效地泛化到不同复杂环境下的自动滑坡制图任务，尤其是在滑坡特征常常与周围地形相似的情况下。

因此，急需开发一个精心策划且多样化的数据集，以便利用现有的先验知识快速、准确地制图滑坡。为此，我们提出了一个综合性的滑坡数据集，来源于九个地震触发的滑坡事件，包含来自3米的PlanetScope、2米的Gaofen-6、0.5米的MapWorld和0.2米的无人机（UAV）的多传感器影像。这项工作旨在解决现有数据集在准确性和泛化能力方面的不足，为训练大型复杂的深度学习模型提供支持。这对全球范围内滑坡的准确、快速和自动制图具有重要意义，并为高效的地质灾害应急响应和调查提供强有力的支持。

本文结构如下：

第二节回顾现有的高质量滑坡数据集，概述当前的研究现状。
第三节介绍数据收集和准备过程，展示我们数据生产背后的广泛研究事件和科学方法论。
第四节描述本研究中使用的语义分割算法、损失函数和参数设置，并解释其使用的理由。
第五节展示结果，包括数据集的训练、验证和测试结果，以及基于全球分布的共震滑坡数据集（GDCLD）训练的模型在独立区域的泛化能力。
第六节讨论GDCLD的创新性和有效性，说明其在多个滑坡事件中的有效应用。

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