基于深度学习的遥感图像滑坡分类框架-计算机科学-卫星图像-深度学习框架.pdfVIP

基于深度学习的遥感图像滑坡分类框架

Quang-HieuTang,Nhat-TruongVoDinh,Dong-Dong

Pham,Quoc-ToanNguyen,LamPham,

andTruongNguyen

UniversityoftechnologyofTroyes,Troyes10300,France

hieu.tang@utt.fr

ICCDongDuong,HoChiMinhCity,Vietnam

truongvnd277@

BioselAI,HoChiMinhCity,Vietnam

dongpd.work@

UniversityofTechnologySydney,Australia

quoctoan.nguyen@.au

本AustrianInstituteofTechnology

lam.pham@ait.ac.at

译HoChiMinhCityUniversityofTechnology(HCMUT)

中truongnguyen@.vn

1

v

9

3摘要卫星图像与深度学习的结合用于支持自动滑坡检测的应用正日益广泛。然而，选择一个合适的深度

9学习架构以优化性能并避免过拟合仍然是一个重要挑战。为了解决这些问题，本文提出了一种基于深度学

2习的滑坡检测框架，该框架从遥感图像中进行检测。所提出的框架有效组合了在线和离线数据增强方法来

1

.解决数据不平衡问题，使用EfficientNet_Large深度学习模型提取鲁棒嵌入特征，并采用后处理SVM分

7

0类器平衡并提升分类性能。在Zindi挑战赛的公共测试集上，该模型实现了0.8938的F1分数。

5

2Keywords:滑坡分类·卫星影像·深度学习架构。

:

v

i

x

r1介绍

a

滑坡正日益成为一种广泛存在的自然灾害，其原因包括全球变暖和人为地质表面改造等各种客观

因素。此类事件引起了人们对研究滑坡的越来越多的关注，特别是在有地质灾害历史的地区。从历史上

看，滑坡分析主要依赖于两种传统方法：（i）地貌现场调查和（ii）对航空影像或正射照片[12]的视觉解

释。方法（i）涉及实地测绘，通常在地震等灾害发生后进行，以验证和补充遥感数据，包括卫星图像。

同时，方法（ii）通常利用立体对的航空照片，其中一些可追溯到1950年代，来评估植被覆盖、地形特

征以及季节性和长期景观动态的变化。这两种传统方法本质上耗时且需要大量的专业领域知识。因此，

它们在实时灾害预测中的应用受到限制，常常阻碍快速反应，并可能导致遗漏受影响地区。

随着卫星技术的进步，多光谱卫星图像现在提供了精细的空间分辨率，每像素可达10米[13]，并

且提供广泛的不同光谱带。这些光谱带对地表属性（如湿度、植被覆盖和地形结构）进行了详细描述。

利用这些信息，科学家可以生成全面的滑坡风险地图，并编制几十年来地质结构变化的大量地理空间数

据集。为了分析多光谱卫星图像，机器学习和深度学习技术已经显示出了显