نوع مقاله : مقاله پژوهشی

نویسندگان

• نرگس کریمی‌نژاد ¹
• حمیدرضا پورقاسمی ²
• محسن حسینعلیزاده ³
• وحید شفاهی ⁴

¹ دانشگاه شیراز

² استاد بخش مهندسی منابع طبیعی و محیط زیست- دانشکده کشاورزی- دانشگاه شیراز

³ گروه آبخیزداری و مدیریت مناطق بیابانی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گلستان، ایران

⁴ دانشجوی دکتری، گروه مهندسی سازه و ژئوتکینک . دانشگاه مجارستان

چکیده

مقدمه:
فروچاله‌ها و زمین‌لغزش‌ها زمانی به‌وقوع می‌پیوندند که بخش‌هایی از خاک در شیب‌های ملایم یا تند فرو ‌ریزد و این رویدادهای طبیعی عمدتاً به‌دلیل بارندگی‌های شدید اتفاق می‌افتد.
مواد و روش‌ها:
با پیشرفت‌های اخیر در دریافت تصاویر از پهپاد (UAV) و روش‌های یادگیری عمیق (DL)، امکان ارائه روش‌های نیمه‌خودکار برای شناسایی واحدهای اراضی در مناطق مختلف با دقت مکانی بسیارخوب فراهم شده‌است. در این مطالعه، توانمندی دو مدل یادگیری عمیق پیشرفته، یعنی مدل U-Net و مدل U-Net با نظارت عمیق (ADSMS)، که بر تصاویر به‌دست آمده از پهپاد اعمال می‌شوند، برای نقشه‌برداری زمین‌لغزش‌ها و فروچاله‌ها در بخشی از نهشته های لسی استان گلستان مورد بررسی قرار گرفته ‌است.
نتایج و بحث:
نتایج نشان می‌دهد که چارچوب کاری موجود می‌تواند با موفقیت زمین‌لغزش‌ها را در یک منطقه نیمه‌خشک (با امتیاز F1 69٪) نقشه‌برداری نماید و هم‌چنین مشتقات توپوگرافیکی به‌دست آمده از DSM مبتنی بر پهپاد، توانایی نقشه‌برداری فروچاله‌ها با داده‌های موجود را دارد.
نتیجه‌گیری:
از آن‌جایی که فرسایش خاک منشأ اصلی برخی از فرسایش‌های عمده دیگر از جمله شروع و گسترش آبکند محسوب می‌شود، استفاده از فناوری جدید یعنی پهپاد و یادگیری عمیق بسیار مهم است.

کلیدواژه‌ها

• پهپاد
• زمین لغزش
• فروچاله
• یادگیری عمیق

عنوان مقاله [English]

Detection of Sinkholes and Landslides Using Deep-Learning Methods, UAV images, and Topographical Derivatives

نویسندگان [English]

• Naeges Kariminejad ¹
• Hamid Reza Pourghasemi ²
• Mohsen Hoseinalizadeh ³
• Vahid Shafaie ⁴

¹ Shiraz University

² Shiraz University

³ Dep. of Watershed & Arid Zone Management Gorgan University of Agricultural Sciences & Natural Resources Gorgan, Iran

⁴ Széchenyi István University

چکیده [English]

Introduction:
Sinkholes and landslides occur when parts of a soil collapse mainly in more gentle or steeper slopes, which are often triggered by intensive rainfall.
Materials and methods:
Recent advances in acquiring images from unmanned aerial vehicles (UAV) and deep learning (DL) methods inherited from computer vision have made it feasible to propose semi-automated soil landform detection methodologies for large areas at an unprecedented spatial resolution. In this study, we evaluate the potential of two cutting-edge DL segmentation models, the vanilla U-Net model, and the Attention Deep Supervision Multi-Scale U-Net model, applied to UAV-derived products, to map landslides and sinkholes in a semi-arid environment, the “Golestan Province” (north-east Iran)
Results and discussion:
Results show that our framework can successfully map landslides in a challenging environment (with an F1-score of 69 %), and that topographical derivates from UAV-derived DSM decrease the capacity of mapping sinkholes of the models calibrated with optical data.
Conclusions:
Since this kind of soil erosion is the main origin of some major soil erosion including gully initiation and extension, applying new technology namely, UAV and deep learning is highly important and recommended.

کلیدواژه‌ها [English]

• Keywords: Unmanned aerial vehicle
• Sinkholes
• Landslide detection
• Deep learning