کشف سیل در تصاویر اخذ شده توسط پهپاد با استفاده از معماری PSPNet و برآورد عدم قطعیت پیش بینی ها به کمک روش دورریز مونت کارلو

سیلاب ها از شایع ترین و خطرناک ترین مخاطرات طبیعی هستند که در مقیاس وسیع بر جامعه تاثیر گذاشته و آسیب های مالی و جانی قابل توجهی را به آن وارد می کنند. استفاده از جدیدترین فناوری ها و نوآوری ها توسط مدیران و نیروهای امدادی سبب کاهش تاثیر مخرب سیل ها و صرفه جویی در هزینه ها می شود. پهپادهای مجهز به سنجنده های دقیق در کنار الگوریتم های پیشرفته بینایی ماشین و یادگیری عمیق می توانند به عنوان یک سکوی بالقوه برای فعالیت های نظارت، نقشه برداری، شناسایی و پهنه بندی سیلاب به صورتی کارآمد مورد استفاده قرار گیرند. در این مطالعه به منظور قطعه بندی معنایی تصاویر پهپادی با قدرت تفکیک مکانی بالا که پس از سیل از منطقه شهری اخذ شده اند، از معماری Pyramid Scene Parsing Network (PSPNet) به عنوان یک شبکه نوین، به همراه ResNeSt به عنوان رمزگذار استفاده شده است و در نهایت شبکه های مختلف با یکدیگر مقایسه شده اند. در این راستا، به جهت تفسیر بهتر و مطالعه قدرت، پایداری و عملکرد الگوریتم ها از روش Monte-Carlo Dropout (MCD) جهت برآورد عدم قطعیت مدل ها نیز استفاده شده است. نتایج مقایسه روش های مختلف نشان داد که با افزایش تعداد پارامترهای مدل و پیچیدگی شبکه، عملکرد شبکه در حین آموزش تحت معیار IoU تا 10% و در زمان آزمایش تا 3% بهبود پیدا کرده و قطعیت تصمیم گیری آن افزایش پیدا می کند. صحت (Accuracy) قطعه بندی معنایی تصاویر 97.93% و معیار F1-Score تقریبا 89% بوده است.