Evaluation of Various Deep Learning Algorithms for Landslide and Sinkhole Detection from UAV Imagery in a Semi-arid Environment
Notice bibliographique
Résumé
Abstract Sinkholes and landslides occur due to soil collapse in different slope types, often triggered by heavy rainfall, presenting challenges in the semi-arid Golestan province, Iran. This study primarily focuses on the detection of these phenomena. Recent advancements in unmanned aerial vehicle (UAV) image acquisition and the incorporation of deep learning (DL) algorithms have enabled the creation of semi-automated methods for highly detailed soil landform detection across large areas. In this study, we explored the efficacy of six state-of-the-art deep learning segmentation algorithms—DeepLab-v3+, Link-Net, MA-Net, PSP-Net, ResU-Net, and SQ-Net—applied to UAV-derived datasets for mapping landslides and sinkholes. Our most promising outcomes demonstrated the successful mapping of landslides with an F1-Score of 0.95% and sinkholes with an F1-Score of 89% in a challenging environment. ResUNet exhibited an outstanding Precision of 0.97 and Recall of 0.92, culminating in the highest F1-Score of 0.95, indicating the best landslide detection model. MA-Net and SQ-Net resulted in the highest F1-Score for sinkhole detection. Our study underscores the significant impact of DL segmentation algorithm selection on the accuracy of landslide and sinkhole detection tasks. By leveraging DL segmentation algorithms, the accuracy of both landslide and sinkhole detection tasks can be significantly improved, promoting better hazard management and enhancing the safety of the affected areas.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».