.png){kind=icon}
返回
Assessing Deep Learning Segmentation Models for Mapping Landslides From LiDAR-Based Elevation Data
.png){kind=icon}
OA
AI
DOI：10.1029/2025ea004937.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
稳健的滑坡编目对于表征滑坡灾害和帮助减少社会脆弱性至关重要。本研究利用LiDAR衍生的数字高程模型（DEMs）、其派生数据以及一个滑坡编目，训练不同的深度学习分割模型，以评估高分辨率、非事件特定的自动滑坡编目分割功能。三种深度学习分割方法（U-Net、MA-Net和FPN）使用多种超参数进行训练，并考虑了输入模态。模型通过空间测试保留集进行评估，随后与邻近保留集的滑坡编目进行进一步评估。共训练了90种模型情景。模型性能指标和视觉评估表明，超参数调整期间模型性能总体变化不大。基于DEM梯度训练的U-Net表现最佳，在所有情景中特征交并比（IoU）为0.407。基于DEM梯度训练的MA-Net在与邻近保留集编目的对比中表现最佳，IoU为0.398，但这些性能在模型随机变异性范围内，表明没有明确的最佳模型。不同训练模型邻近保留集推理结果的比较表明，深度学习分割模型在利用LiDAR衍生的DEMs绘制滑坡图方面是有效的。一个训练良好的滑坡分割模型有望通过提高效率与精度来辅助手动制图。直接推理结果也可用作近似编目，用于数据驱动模型（如滑坡易发性模型），显著减少传统滑坡制图所需的时间和资源。
Keyword:
landslides
deep learning
automatic segmentation
LiDAR
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.6
论文数:
385
被引数:
5.1K
机构
引用论文
Identification of Forested Landslides Using LiDar Data, Object-based Image Analysis, and Machine Learning Algorithms使用LiDar数据，基于对象的图像分析和机器学习算法识别森林滑坡OAAI
OAAI分享收藏A new strategy to map landslides with a generalized convolutional neural network.png)
SCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
查看更多内容