Automatic detection of earthquake triggered landslides using Sentinel-1 SAR imagery based on deep learning
Notice bibliographique
Résumé
Earthquake Triggered Landslides (ETLs) are serious secondary hazards of earthquakes, causing severe casualties and property losses, and their rapid, automated and accurate detection is of great value. Due to the all-day and all-weather imaging capability of Synthetic Aperture Radar (SAR), ETL detection using SAR images is promising but faces the problem of insufficient accuracy. In this study, we proposed a deep learning-based ETL detection method to address this problem. Firstly, published ETL inventories and SAR images are combined to generate high-quality training datasets. Then, a landslide detection network of Multi-level Features Effective Weighting and Fusion (MFEWF) is proposed to effectively extract and fuze multi-level landslide features to identify SAR pixels within ETLs. Finally, the ETL boundary is determined based on these identified SAR pixels. This method is verified through three earthquake cases: the 2017 Mainling, China earthquake, the 2018 Palu, Indonesia earthquake and the 2018 Papua New Guinea earthquake. Results show that our method can effectively identify landslide boundaries with high accuracy (88.8%, 81.4% and 82.4% for the three cases), obviously outperforming other deep learning frameworks (e.g. DeepLabV3+). Using Sentinel-1 imagery to achieve such high accuracy in landslide detection, this study will improve emergency response to landslide disasters following earthquakes.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».