DOI: https://doi.org/10.1038/s41598-025-31789-2
PMID: https://pubmed.ncbi.nlm.nih.gov/41501220
تاريخ النشر: 2026-01-07
المؤلف: Vibha B. Hegde وآخرون
الموضوع الرئيسي: الانهيارات الأرضية والمخاطر المرتبطة بها
نظرة عامة
تتناول ورقة البحث التقدم في الكشف عن الانهيارات الأرضية من خلال تطبيق تقنيات التعلم العميق، مع التركيز بشكل خاص على تقسيم المعاني. من خلال استخدام بيانات متعددة الأنماط، بما في ذلك صور الأقمار الصناعية عالية الدقة وبيانات نموذج الارتفاع الرقمي (DEM)، تعزز الدراسة نموذج U-Net من خلال دمج آلية الانتباه التي تحسن التنبؤات على مستوى البكسل. تم تقييم فعالية وظائف الخسارة المختلفة، مما أدى إلى تحسينات كبيرة في الأداء. حقق النموذج الذي يدمج آلية الانتباه متوسط تقاطع الاتحاد (mIoU) قدره 0.76، ودرجة F1 قدرها 0.74، ودقة قدرها 0.94، متفوقًا على النموذج الأساسي.
في الختام، تقدم الورقة نهجًا جديدًا للكشف عن الانهيارات الأرضية يستفيد من مجموعة بيانات الانهيارات الأرضية في بيجي، والتي تتضمن ميزات متنوعة للانهيارات الأرضية. يعزز دمج كل من آليات الانتباه المكانية والسياقية ضمن إطار عمل U-Net++ أداء التقسيم بشكل كبير، حيث حقق النموذج أعلى استرجاع، ودرجة F1، وmIoU. كما تبرز الدراسة الإمكانية للبحوث المستقبلية لدمج بيانات الأقمار الصناعية الزمنية لتتبع التغيرات في التضاريس بمرور الوقت، مما يحسن قدرات التنبؤ لنماذج التعلم العميق. يُقترح توسيع مجموعات البيانات لتشمل ميزات جيولوجية متنوعة لتعزيز مرونة النموذج والتعميم، مما يسهم في استراتيجيات إدارة الكوارث الأكثر فعالية.
مقدمة
تناقش مقدمة الورقة الطبيعة متعددة الأوجه للانهيارات الأرضية، والتي تتميز بالحركة النزولية للصخور والحطام على المنحدرات، والتي تحفزها عوامل مثل الأمطار الغزيرة، والزلازل، والأنشطة البشرية المرتبطة بتغير المناخ. يتم تسليط الضوء على الطرق التقليدية للكشف عن الانهيارات الأرضية، بما في ذلك المسوحات الميدانية والاستشعار عن بعد اليدوي، باعتبارها كثيفة العمالة وتعتمد على المعرفة الخبيرة، كما أشار Varol N. وآخرون. تؤكد الورقة على إمكانيات تقنيات الاستشعار عن بعد، وخاصة صور الأقمار الصناعية والطائرات، للكشف عن الانهيارات الأرضية في الوقت الحقيقي، مما يمكن أن يعزز الاستجابة الطارئة ويقلل من المخاطر على الحياة والممتلكات.
لقد حسنت التقدمات الأخيرة في الاستشعار عن بعد، بما في ذلك استخدام رادار الفتحة الاصطناعية (SAR) وLiDAR، من دقة وكفاءة مراقبة الانهيارات الأرضية. تظهر دراسات لمؤلفين مختلفين دمج تقنيات الذكاء الاصطناعي (AI) والتعلم الآلي لأتمتة معالجة الصور وتعزيز استخراج الميزات، مما يسهل تقييمات أفضل لعرض الانهيارات الأرضية. من الجدير بالذكر أن الورقة تقدم بنية U-Net++ مدمجة مع رسم خرائط تنشيط الفئة المعتمد على التدرج (GradCAM) لتحسين الكشف عن المناطق المعرضة للانهيارات الأرضية من صور الأقمار الصناعية وبيانات نموذج الارتفاع الرقمي (DEM)، محققة مقاييس أداء متفوقة. تهدف استكشاف وظائف الخسارة المختلفة أيضًا إلى تحسين فعالية النموذج في الكشف عن الانهيارات الأرضية.
الطرق
في هذه الدراسة، تم استخدام بنية U-Net كنموذج أساسي لتحديد مناطق الانهيارات الأرضية بسبب هيكله الفعال من نوع الترميز-فك الترميز، الذي يسهل استخراج الميزات والدمج. يتضمن تصميم U-Net اتصالات تخطي تحافظ على المعلومات المكانية، مما يعزز قدرته على تقسيم الصور. يدمج النموذج صور الأقمار الصناعية عالية الدقة مع بيانات نموذج الارتفاع الرقمي (DEM) لالتقاط كل من الميزات المحلية والعالمية الضرورية للكشف عن الانهيارات الأرضية. يقوم المشفر بضغط الأبعاد المكانية مع زيادة العمق، مما يسمح بتحديد الميزات الدلالية عالية المستوى، بينما يقوم فك الترميز بإعادة بناء الأبعاد المكانية لإنتاج خرائط تقسيم مفصلة.
شملت المنهجية تكديس صور الأقمار الصناعية ومدخلات DEM، التي تمت معالجتها من خلال مشفر واحد، مما حسن من قدرة النموذج على التقاط ميزات متنوعة من مصادر بيانات متعددة. يركز المشفر على الهياكل العالمية المعرضة للانهيارات الأرضية، بينما تبرز بيانات DEM التغيرات المحلية في التضاريس التي تشير إلى المخاطر. تم اختبار اختلافات في وظائف الخسارة وعناصر التصميم عبر عدة نماذج ضمن إطار عمل U-Net، مع الحفاظ على هيكل أساسي ثابت. تم إجراء التجارب على Google Colab باستخدام وحدة معالجة الرسوميات T4، مما يحسن الأداء للمهام التي تتطلب حسابات مكثفة، مع تسهيل إدارة البيانات من خلال Google Drive لسهولة الوصول والتخزين.
النتائج
في هذه الدراسة، تم إجراء اثني عشر تجربة أولية باستخدام أربع وظائف خسارة متميزة. تم تقييم أداء هذه الوظائف، مما أدى إلى اختيار الثلاثة الأوائل بناءً على فعاليتها. يتم تلخيص نتائج هذه التقييمات في الجدول 1، الذي يبرز مقاييس الأداء المقارنة لوظائف الخسارة المختارة. يضع هذا التحليل الأساسي الأساس لمزيد من الاستكشاف والتطبيق لوظائف الخسارة المختارة في التجارب اللاحقة.
المناقشة
في قسم المناقشة من ورقة البحث، يستعرض المؤلفون التقدم في الشبكات العصبية التلافيفية (CNNs) للكشف عن الانهيارات الأرضية، مع تسليط الضوء على نماذج مختلفة وفعاليتها. تشمل المساهمات البارزة LandsNet، الذي يظهر قوة في تحديد ميزات الانهيارات الأرضية، ونموذج ResNet18، الذي تفوق على الآخرين في دقة التعرف. تؤكد الورقة على التحديات التي تطرحها بيانات الانهيارات الأرضية المحدودة وغير الممثلة، مع إظهار أساليب مثل DenseNets والشبكات المزدوجة السياقية (DCA-Net) وعدًا في معالجة هذه القضايا. بالإضافة إلى ذلك، تم استكشاف نماذج هجينة مثل شبكة Conv-Trans المزدوجة (CTDNet) وآليات الانتباه المدمجة في بنى U-Net لتعزيز دقة الكشف من خلال الاستفادة من مصادر بيانات متعددة الأنماط.
كما يناقش المؤلفون أهمية جودة مجموعة البيانات، باستخدام مجموعة بيانات متاحة للجمهور من منطقة بيجي في الصين، والتي تتضمن أنواعًا متنوعة من الانهيارات الأرضية وبيانات نموذج الارتفاع الرقمي (DEM) المقابلة. تسهل هذه المجموعة التدريب والتقييم الفعال لنماذج التقسيم، مما يعالج مخاوف عدم توازن البيانات. تختتم الورقة بتقييم وظائف الخسارة المختلفة وهياكل النماذج، حيث حقق U-Net++ باستخدام خسارة Dice أعلى درجة متوسط تقاطع الاتحاد (mIoU) قدرها 0.75، مما يشير إلى قدرته المتفوقة في تقسيم المعاني للانهيارات الأرضية. كما حسنت دمج آليات الانتباه من أداء النموذج، مما يظهر إمكانيات تقنيات التعلم العميق المتقدمة في تعزيز الكشف عن الانهيارات الأرضية ورسم الخرائط.
DOI: https://doi.org/10.1038/s41598-025-31789-2
PMID: https://pubmed.ncbi.nlm.nih.gov/41501220
Publication Date: 2026-01-07
Author(s): Vibha B. Hegde et al.
Primary Topic: Landslides and related hazards
Overview
The research paper discusses advancements in landslide detection through the application of deep learning techniques, particularly focusing on semantic segmentation. Utilizing multi-modal data, including high-resolution satellite imagery and Digital Elevation Model (DEM) data, the study enhances the U-Net model by integrating an attention mechanism that improves pixel-level predictions. The effectiveness of various loss functions was evaluated, leading to significant performance improvements. The model incorporating the attention mechanism achieved a mean intersection over union (mIoU) of 0.76, F1 score of 0.74, and accuracy of 0.94, outperforming the baseline model.
In conclusion, the paper presents a novel approach for landslide detection that leverages the Bijie landslide dataset, which includes diverse landslide features. The integration of both spatial and contextual attention mechanisms within the U-Net++ framework significantly enhances segmentation performance, with the model achieving the highest recall, F1 score, and mIoU. The study also highlights the potential for future research to incorporate temporal satellite data to track terrain changes over time, thereby improving the forecasting capabilities of deep learning models. Expanding datasets to include varied geological features is suggested to enhance model resilience and generalization, ultimately contributing to more effective disaster management strategies.
Introduction
The introduction of the paper discusses the multifaceted nature of landslides, which are characterized by the downward movement of rock and debris along slopes, triggered by factors such as heavy rainfall, earthquakes, and human activities linked to climate change. Traditional methods for landslide detection, including field surveys and manual remote sensing, are highlighted as being labor-intensive and reliant on expert knowledge, as noted by Varol N. et al. The paper emphasizes the potential of remote sensing technologies, particularly satellite and aerial imagery, for real-time landslide detection, which can enhance emergency response and reduce risks to life and property.
Recent advancements in remote sensing, including the use of Synthetic Aperture Radar (SAR) and LiDAR, have improved the accuracy and efficiency of landslide monitoring. Studies by various authors demonstrate the integration of Artificial Intelligence (AI) and machine learning techniques to automate image processing and enhance feature extraction, thereby facilitating better landslide susceptibility assessments. Notably, the paper introduces a U-Net++ architecture combined with Gradient-weighted Class Activation Mapping (GradCAM) to improve the detection of landslide-prone areas from satellite imagery and Digital Elevation Model (DEM) data, achieving superior performance metrics. The exploration of different loss functions further aims to optimize the model’s effectiveness in landslide detection.
Methods
In this study, the U-Net architecture was employed as the foundational model for identifying landslide regions due to its effective encoder-decoder structure, which facilitates feature extraction and fusion. The U-Net’s design incorporates skip connections that preserve spatial information, enhancing its capability for image segmentation. The model integrates high-resolution satellite imagery with Digital Elevation Model (DEM) data to capture both local and global features essential for landslide detection. The encoder compresses spatial dimensions while increasing depth, allowing for the identification of high-level semantic features, while the decoder reconstructs the spatial dimensions to produce detailed segmentation maps.
The methodology involved stacking satellite images and DEM inputs, processed through a single encoder, which improved the model’s ability to capture diverse features from multiple data sources. The encoder focuses on global structures susceptible to landslides, while the DEM data highlights localized variations in topography that indicate risk. Variations in loss functions and design elements were tested across several models within the U-Net framework, maintaining a consistent core structure. The experiments were conducted on Google Colab using a T4 GPU, optimizing performance for computationally intensive tasks, with data management facilitated through Google Drive for ease of access and storage.
Results
In this study, twelve preliminary experiments were carried out employing four distinct loss functions. The performance of these loss functions was evaluated, leading to the selection of the top three based on their effectiveness. The results of these evaluations are summarized in Table 1, which highlights the comparative performance metrics of the chosen loss functions. This foundational analysis sets the stage for further exploration and application of the selected functions in subsequent experiments.
Discussion
In the discussion section of the research paper, the authors review advancements in Convolutional Neural Networks (CNNs) for landslide detection, highlighting various models and their effectiveness. Notable contributions include LandsNet, which demonstrates robustness in identifying landslide features, and the ResNet18 model, which outperformed others in recognition accuracy. The paper emphasizes the challenges posed by limited and undersampled landslide data, with approaches like DenseNets and Dual-Branch Contextual-Aware networks (DCA-Net) showing promise in addressing these issues. Additionally, hybrid models such as the Conv-Trans Dual Network (CTDNet) and attention mechanisms integrated into U-Net architectures have been explored to enhance detection accuracy by leveraging multi-modal data sources.
The authors also discuss the importance of dataset quality, using a publicly available dataset from the Bijie region of China, which includes diverse landslide types and corresponding Digital Elevation Model (DEM) data. This dataset facilitates effective training and evaluation of segmentation models, addressing concerns of data imbalance. The paper concludes by evaluating various loss functions and model architectures, with U-Net++ using Dice loss achieving the highest mean Intersection over Union (mIoU) score of 0.75, indicating its superior capability in landslide semantic segmentation. The integration of attention mechanisms further improved model performance, showcasing the potential of advanced deep learning techniques in enhancing landslide detection and mapping.