تشخیص فروچالهها و زمینلغزشها با استفاده از روشهای یادگیری عمیق و تصاویر پهپادی
مقدمه زمینلغزشها و فروچالهها به زیرساختهای اجتماعی، اقتصادی و طبیعی آسیب میزنند. این فرایندها تأثیرات مستقیم و غیرمستقیم بر زیرساختهای مهم، از جمله مناطق مسکونی دارند و بر تغییر کاربری اراضی و مهاجرت از روستا به شهر تأثیرگذارند. یکی از اهداف اصلی در مدیریت پایدار اراضی، شناسایی و کنترل بلایای...
Saved in:
Main Authors: | , , , |
---|---|
Format: | Article |
Language: | fas |
Published: |
Soil Conservation and Watershed Management Research Institute (SCWMRI)
2024-09-01
|
Series: | Muhandisī va mudirīyyat-i ābkhīz |
Subjects: | |
Online Access: | https://jwem.areeo.ac.ir/article_131797_4c59ab1b91059c0ca803bbf2923de4d5.pdf |
Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
_version_ | 1832539824023666688 |
---|---|
author | نرگس کریمینژاد حمیدرضا پورقاسمی محسن حسینعلی زاده وحید شفاهی |
author_facet | نرگس کریمینژاد حمیدرضا پورقاسمی محسن حسینعلی زاده وحید شفاهی |
author_sort | نرگس کریمینژاد |
collection | DOAJ |
description | مقدمه
زمینلغزشها و فروچالهها به زیرساختهای اجتماعی، اقتصادی و طبیعی آسیب میزنند. این فرایندها تأثیرات مستقیم و غیرمستقیم بر زیرساختهای مهم، از جمله مناطق مسکونی دارند و بر تغییر کاربری اراضی و مهاجرت از روستا به شهر تأثیرگذارند. یکی از اهداف اصلی در مدیریت پایدار اراضی، شناسایی و کنترل بلایای طبیعی است که از یکسو سبب ارتقاء کمی و کیفی تولید در طولانیمدت شده و از سوی دیگر، علاوه بر حفظ کیفیت خاک از تخریب خاک جلوگیری میکند. بهمنظور مدیریت بهتر و پایدارتر، آگاهی از نحوه تغییرپذیری و شناسایی شکلهای مختلف فرسایشی مانند فروچالهها و زمینلغزشها ضروری بهنظر میرسد.
مواد و روشها
با پیشرفتهای اخیر در استفاده از تصاویر پهپاد (UAV) و روشهای یادگیری عمیق (DL)، امکان ارائه روشهای نیمهخودکار 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 بهدست آمده از پهپاد اعمال شده است، برای نقشهبرداری زمینلغزشها و فروچالهها در بخشی از نهشتههای لسی استان گلستان مورد بررسی قرار گرفته است.
نتایج و بحث
عملکرد مدل U-Net در زمینه زمینلغزشها نشان میدهد که مدل دارای مقادیر مثبت کاذب کمتری است، اما همزمان، بسیاری از سلولهای زمینلغزش را از دست داده است. درعینحال، مدل ADSMS U-Net در تشخیص سلولهای زمینلغزش عملکرد بهتری داشته، اما موارد زیادی را به پیشبینیهای نادرست نسبت داد (که با امتیاز پایین دقت توضیح داده شده است). بهترین امتیاز F1 به مقدار 0.68 برای مدل ADSMS U-Net بهدست آمده است. برای همه ترکیب باندها در تشخیص فروچالهها، عملکردهای ADSMS U-Net نسبت به مدلU-Net سنتی بهتر است. بهترین امتیازات کلی توسطADSMS U-Net زمانی بهدست آمد که بر روی دادههای ALL، آموزش داده شد. در مورد اثربخشی مختلف ترکیبهای ارزیابیشده در این پژوهش، میتوان رفتار متناقض مدلها را مشاهده کرد. U-Net سنتی، بهترین عملکرد را با استفاده از ترکیب نوری RGB بهدست میآورد، درحالیکه ADSMS U-Net میتواند از اطلاعات مشتقات توپوگرافی و دادههای نوری بهره برده و با ترکیبALL بهترین نتایج را نشان دهد. علاوه بر این، واضح است که دادههای DSHC بهتنهایی برای هر دو مدل بدترین نتایج را ارائه میدهد. به طور کلی نتایج نشان داد که قابلیت ADSMS U-Net برای پیشبینی زمینلغزشها در مقایسه با U-Net به واقعیت زمین نزدیکتر است. این مدل اغلب زمینلغزشهای موجود در قسمتهای آزمون را شناسایی میکند. همچنین، برای همه ترکیب باندهای فروچالهها، عملکرد ADSMS U-Net نسبت به مدل U-Net بهتر است. بهترین امتیازات کلی توسط ADSMS U-Net زمانی بهدست آمده است که بر روی دادههای ALL آموزش داده شدهاند.
نتیجهگیری
از آنجاییکه فروچالهها منشأ اصلی برخی از فرسایشهای عمده دیگر ازجمله شروع و گسترش آبکند محسوب میشوند، استفاده از ابزارها و فناوری جدید نظیر پهپاد و یادگیری عمیق، بسیار مهم است. با استفاده از مدلهای مورداستفاده در این پژوهش، زمینلغزشها با امتیاز قابلقبول ٪69=F1 نقشهبرداری شدند. همچنین، مشتقات توپوگرافیکی بهدست آمده از مدل رقومی ارتفاع مبتنی بر پهپاد، توانایی نقشهبرداری فروچالهها و زمینلغزشها با دادههای موجود را دارا هستند. تحقیقات بعدی میتوانند استفاده از چنین رویکردی را برای نقشهبرداری از زمینلغزشها و فروچالهها در طول زمان مورد بررسی قرار داده تا تغییرات مبتنی بر زمان بر روی شکلگیری و گسترش مخاطرات طبیعی را ارزیابی کنند. |
format | Article |
id | doaj-art-6f453e68e0cf4cd1b0327742a84fe309 |
institution | Kabale University |
issn | 2251-9300 2322-536X |
language | fas |
publishDate | 2024-09-01 |
publisher | Soil Conservation and Watershed Management Research Institute (SCWMRI) |
record_format | Article |
series | Muhandisī va mudirīyyat-i ābkhīz |
spelling | doaj-art-6f453e68e0cf4cd1b0327742a84fe3092025-02-05T08:25:45ZfasSoil Conservation and Watershed Management Research Institute (SCWMRI)Muhandisī va mudirīyyat-i ābkhīz2251-93002322-536X2024-09-0116331633010.22092/ijwmse.2024.363888.2037131797تشخیص فروچالهها و زمینلغزشها با استفاده از روشهای یادگیری عمیق و تصاویر پهپادینرگس کریمینژاد0حمیدرضا پورقاسمی1محسن حسینعلی زاده2وحید شفاهی3استادیار، گروه مهندسی محیط زیست و منابع طبیعی، دانشکده کشاورزی، دانشگاه شیراز، شیراز، ایراناستاد، گروه مهندسی خاک، دانشکده کشاورزی، دانشگاه شیراز، شیراز، ایراندانشیار، گروه مدیریت مناطق بیابانی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایراندانشجو دکتری، گروه مهندسی سازه و ژئوتکینک، دانشگاه Széchenyi István، 9026 گیور، مجارستانمقدمه زمینلغزشها و فروچالهها به زیرساختهای اجتماعی، اقتصادی و طبیعی آسیب میزنند. این فرایندها تأثیرات مستقیم و غیرمستقیم بر زیرساختهای مهم، از جمله مناطق مسکونی دارند و بر تغییر کاربری اراضی و مهاجرت از روستا به شهر تأثیرگذارند. یکی از اهداف اصلی در مدیریت پایدار اراضی، شناسایی و کنترل بلایای طبیعی است که از یکسو سبب ارتقاء کمی و کیفی تولید در طولانیمدت شده و از سوی دیگر، علاوه بر حفظ کیفیت خاک از تخریب خاک جلوگیری میکند. بهمنظور مدیریت بهتر و پایدارتر، آگاهی از نحوه تغییرپذیری و شناسایی شکلهای مختلف فرسایشی مانند فروچالهها و زمینلغزشها ضروری بهنظر میرسد. مواد و روشها با پیشرفتهای اخیر در استفاده از تصاویر پهپاد (UAV) و روشهای یادگیری عمیق (DL)، امکان ارائه روشهای نیمهخودکار 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 بهدست آمده از پهپاد اعمال شده است، برای نقشهبرداری زمینلغزشها و فروچالهها در بخشی از نهشتههای لسی استان گلستان مورد بررسی قرار گرفته است. نتایج و بحث عملکرد مدل U-Net در زمینه زمینلغزشها نشان میدهد که مدل دارای مقادیر مثبت کاذب کمتری است، اما همزمان، بسیاری از سلولهای زمینلغزش را از دست داده است. درعینحال، مدل ADSMS U-Net در تشخیص سلولهای زمینلغزش عملکرد بهتری داشته، اما موارد زیادی را به پیشبینیهای نادرست نسبت داد (که با امتیاز پایین دقت توضیح داده شده است). بهترین امتیاز F1 به مقدار 0.68 برای مدل ADSMS U-Net بهدست آمده است. برای همه ترکیب باندها در تشخیص فروچالهها، عملکردهای ADSMS U-Net نسبت به مدلU-Net سنتی بهتر است. بهترین امتیازات کلی توسطADSMS U-Net زمانی بهدست آمد که بر روی دادههای ALL، آموزش داده شد. در مورد اثربخشی مختلف ترکیبهای ارزیابیشده در این پژوهش، میتوان رفتار متناقض مدلها را مشاهده کرد. U-Net سنتی، بهترین عملکرد را با استفاده از ترکیب نوری RGB بهدست میآورد، درحالیکه ADSMS U-Net میتواند از اطلاعات مشتقات توپوگرافی و دادههای نوری بهره برده و با ترکیبALL بهترین نتایج را نشان دهد. علاوه بر این، واضح است که دادههای DSHC بهتنهایی برای هر دو مدل بدترین نتایج را ارائه میدهد. به طور کلی نتایج نشان داد که قابلیت ADSMS U-Net برای پیشبینی زمینلغزشها در مقایسه با U-Net به واقعیت زمین نزدیکتر است. این مدل اغلب زمینلغزشهای موجود در قسمتهای آزمون را شناسایی میکند. همچنین، برای همه ترکیب باندهای فروچالهها، عملکرد ADSMS U-Net نسبت به مدل U-Net بهتر است. بهترین امتیازات کلی توسط ADSMS U-Net زمانی بهدست آمده است که بر روی دادههای ALL آموزش داده شدهاند. نتیجهگیری از آنجاییکه فروچالهها منشأ اصلی برخی از فرسایشهای عمده دیگر ازجمله شروع و گسترش آبکند محسوب میشوند، استفاده از ابزارها و فناوری جدید نظیر پهپاد و یادگیری عمیق، بسیار مهم است. با استفاده از مدلهای مورداستفاده در این پژوهش، زمینلغزشها با امتیاز قابلقبول ٪69=F1 نقشهبرداری شدند. همچنین، مشتقات توپوگرافیکی بهدست آمده از مدل رقومی ارتفاع مبتنی بر پهپاد، توانایی نقشهبرداری فروچالهها و زمینلغزشها با دادههای موجود را دارا هستند. تحقیقات بعدی میتوانند استفاده از چنین رویکردی را برای نقشهبرداری از زمینلغزشها و فروچالهها در طول زمان مورد بررسی قرار داده تا تغییرات مبتنی بر زمان بر روی شکلگیری و گسترش مخاطرات طبیعی را ارزیابی کنند.https://jwem.areeo.ac.ir/article_131797_4c59ab1b91059c0ca803bbf2923de4d5.pdfپهپاد بالثابتتوپوگرافیکیفتوگرامتریمدل adsms u-netمدل u-net |
spellingShingle | نرگس کریمینژاد حمیدرضا پورقاسمی محسن حسینعلی زاده وحید شفاهی تشخیص فروچالهها و زمینلغزشها با استفاده از روشهای یادگیری عمیق و تصاویر پهپادی Muhandisī va mudirīyyat-i ābkhīz پهپاد بالثابت توپوگرافیکی فتوگرامتری مدل adsms u-net مدل u-net |
title | تشخیص فروچالهها و زمینلغزشها با استفاده از روشهای یادگیری عمیق و تصاویر پهپادی |
title_full | تشخیص فروچالهها و زمینلغزشها با استفاده از روشهای یادگیری عمیق و تصاویر پهپادی |
title_fullStr | تشخیص فروچالهها و زمینلغزشها با استفاده از روشهای یادگیری عمیق و تصاویر پهپادی |
title_full_unstemmed | تشخیص فروچالهها و زمینلغزشها با استفاده از روشهای یادگیری عمیق و تصاویر پهپادی |
title_short | تشخیص فروچالهها و زمینلغزشها با استفاده از روشهای یادگیری عمیق و تصاویر پهپادی |
title_sort | تشخیص فروچالهها و زمینلغزشها با استفاده از روشهای یادگیری عمیق و تصاویر پهپادی |
topic | پهپاد بالثابت توپوگرافیکی فتوگرامتری مدل adsms u-net مدل u-net |
url | https://jwem.areeo.ac.ir/article_131797_4c59ab1b91059c0ca803bbf2923de4d5.pdf |
work_keys_str_mv | AT nrgsḵrymynzẖạd tsẖkẖyṣfrwcẖạlhhạwzmynlgẖzsẖhạbạạstfạdhạzrwsẖhạyyạdgyryʿmyqwtṣạwyrphpạdy AT ḥmydrḍạpwrqạsmy tsẖkẖyṣfrwcẖạlhhạwzmynlgẖzsẖhạbạạstfạdhạzrwsẖhạyyạdgyryʿmyqwtṣạwyrphpạdy AT mḥsnḥsynʿlyzạdh tsẖkẖyṣfrwcẖạlhhạwzmynlgẖzsẖhạbạạstfạdhạzrwsẖhạyyạdgyryʿmyqwtṣạwyrphpạdy AT wḥydsẖfạhy tsẖkẖyṣfrwcẖạlhhạwzmynlgẖzsẖhạbạạstfạdhạzrwsẖhạyyạdgyryʿmyqwtṣạwyrphpạdy |