تشخیص فروچاله ها و زمین لغزش ها با استفاده از روش های یادگیری عمیق و تصاویر پهپادی

زمین لغزش ها و فروچاله ها به زیرساخت های اجتماعی، اقتصادی و طبیعی آسیب می زنند. این فرایندها تاثیرات مستقیم و غیرمستقیم بر زیرساخت های مهم، از جمله مناطق مسکونی دارند و بر تغییر کاربری اراضی و مهاجرت از روستا به شهر تاثیرگذارند. یکی از اهداف اصلی در مدیریت پایدار اراضی، شناسایی و کنترل بلایای طبیعی است که از یک سو سبب ارتقاء کمی و کیفی تولید در طولانی مدت شده و از سوی دیگر، علاوه بر حفظ کیفیت خاک از تخریب خاک جلوگیری می کند. به منظور مدیریت بهتر و پایدارتر، آگاهی از نحوه تغییر پذیری و شناسایی شکل های مختلف فرسایشی مانند فروچاله ها و زمین لغزش ها ضروری به نظر می رسد.

با پیشرفت های اخیر در استفاده از تصاویر پهپاد (UAV) و روش های یادگیری عمیق (DL)، امکان ارائه روش های نیمه خودکار برای شناسایی واحدهای اراضی در مناطق مختلف با دقت مکانی بسیار خوب فراهم شده است. در این پژوهش، توانمندی دو مدل یادگیری عمیق پیشرفته، یعنی مدل U-Net و مدل U-Net با نظارت عمیق (ADSMS) که بر روی تصاویر به دست آمده از پهپاد اعمال شده است، برای نقشه برداری زمین لغزش ها و فروچاله ها در بخشی از نهشته های لسی استان گلستان مورد بررسی قرار گرفته است.

نتایج و بحث:

عملکرد مدل U-Net در زمینه زمین لغزش ها نشان می دهد که مدل دارای مقادیر مثبت کاذب کمتری است، اما هم زمان، بسیاری از سلول های زمین لغزش را از دست داده است. درعین حال، مدل ADSMS U-Net در تشخیص سلول های زمین لغزش عملکرد بهتری داشته، اما موارد زیادی را به پیش بینی های نادرست نسبت داد (که با امتیاز پایین دقت توضیح داده شده است). بهترین امتیاز F1  به مقدار 0.68 برای مدل ADSMS U-Net به دست آمده است. برای همه ترکیب باندها در تشخیص فروچاله ها، عملکردهای ADSMS U-Net نسبت به مدلU-Net  سنتی بهتر است. بهترین امتیازات کلی توسطADSMS U-Net  زمانی به دست آمد که بر روی داده های ALL، آموزش داده شد. در مورد اثربخشی مختلف ترکیب های ارزیابی شده در این پژوهش، می توان رفتار متناقض مدل ها را مشاهده کرد. U-Net سنتی، بهترین عملکرد را با استفاده از ترکیب نوری RGB به دست می آورد، درحالی که ADSMS U-Net  می تواند از اطلاعات مشتقات توپوگرافی و داده های نوری بهره برده و با ترکیبALL  بهترین نتایج را نشان دهد. علاوه بر این، واضح است که داده های DSHC به تنهایی برای هر دو مدل بدترین نتایج را ارائه می دهد. به طور کلی نتایج نشان داد که قابلیت ADSMS U-Net برای پیش بینی زمین لغزش ها در مقایسه با U-Net به واقعیت زمین نزدیک تر است. این مدل اغلب زمین لغزش های موجود در قسمت های آزمون را شناسایی می کند. همچنین، برای همه ترکیب باندهای فروچاله ها، عملکرد ADSMS U-Net نسبت به مدل U-Net بهتر است. بهترین امتیازات کلی توسط ADSMS U-Net زمانی به دست آمده است که بر روی داده های ALL آموزش داده شده اند.

از آنجایی که فروچاله ها منشا اصلی برخی از فرسایش های عمده دیگر ازجمله شروع و گسترش آبکند محسوب می شوند، استفاده از ابزارها و فناوری جدید نظیر پهپاد و یادگیری عمیق، بسیار مهم است. با استفاده از مدل های مورداستفاده در این پژوهش، زمین لغزش ها با امتیاز قابل قبول ٪69=F1 نقشه برداری شدند. همچنین، مشتقات توپوگرافیکی به دست آمده از مدل رقومی ارتفاع مبتنی بر پهپاد، توانایی نقشه برداری فروچاله ها و زمین لغزش ها با داده های موجود را دارا هستند. تحقیقات بعدی می توانند استفاده از چنین رویکردی را برای نقشه برداری از زمین لغزش ها و فروچاله ها در طول زمان مورد بررسی قرار داده تا تغییرات مبتنی بر زمان بر روی شکل گیری و گسترش مخاطرات طبیعی را ارزیابی کنند.