DOI: https://doi.org/10.3389/feart.2025.1710586
تاريخ النشر: 2026-01-12
المؤلف: Naveen Chandra وآخرون
الموضوع الرئيسي: الانهيارات الأرضية والمخاطر المرتبطة بها
نظرة عامة
تبحث هذه الدراسة في فعالية هياكل التعلم العميق المتقدمة، وخاصة U-Net، في تقسيم السقوط الأرضي باستخدام بيانات الاستشعار عن بعد عالية الدقة. تقيم الدراسة شبكات العمود الفقري المختلفة، بما في ذلك EfficientNet و ResNet و Inception و MobileNet و VGG و ResNeXt و SENet، عبر 29 متغيرًا، باستخدام مجموعتين متنوعتين من البيانات: قاعدة بيانات كاشف السقوط الأرضي العالمي عالي الدقة (HRGLDD) ومجموعة بيانات السقوط الأرضي عالية الدقة متعددة المصادر على نطاق واسع (LMHLD). تم استخدام مقاييس الأداء مثل التقاطع على الاتحاد (IoU) والدقة والاسترجاع و F-score لتقييم النماذج. ومن الجدير بالذكر أن شبكات العمود الفقري Squeeze-and-Excitation (SE)، وخاصة SENet154 و SE-ResNet-152 و SE-ResNeXt-50/101، أظهرت أداءً متفوقًا، حيث حقق نموذج U-Net + SE-ResNeXt_101 أعلى F-score قدره 0.9569 على مجموعة بيانات HRGLDD.
تسلط الخاتمة الضوء على التقييم المنهجي لـ 29 نموذجًا هجينًا من U-Net، مع التأكيد على أهمية هيكل العمود الفقري في تعزيز أداء النموذج لاكتشاف السقوط الأرضي عبر سياقات جغرافية متنوعة. تؤسس الدراسة إطار عمل قوي للتقييم يبرز قابلية التكيف وقدرات استخراج الميزات لهذه النماذج في تطبيقات الاستشعار عن بعد عالية الدقة. تشير النتائج إلى أن تصميم المشفر يؤثر بشكل كبير على قدرة النموذج على التقاط الميزات الجيومورفولوجية المعقدة، مما يحسن دقة التحديد ويقلل من الارتباك السياقي. تضع هذه الدراسة أساسًا قابلًا للتوسع لتطوير خطوط أنابيب فعالة لتقسيم السقوط الأرضي وتقدم منهجية قابلة للنقل لمهام المراقبة البيئية الأوسع باستخدام تقنيات الاستشعار عن بعد.
مقدمة
تمثل الانهيارات الأرضية خطرًا طبيعيًا كبيرًا، خاصة في المناطق الجبلية والنشطة زلزاليًا، والتي تتفاقم بسبب عوامل مثل الأمطار الغزيرة والزلازل والأنشطة البشرية. إن تزايد تكرار أحداث الانهيار الأرضي، المدفوع بتغير المناخ وتغيرات استخدام الأراضي، يتطلب تحسين تقنيات الكشف والرسم الخرائطي لتقليل مخاطر الكوارث بشكل فعال. الطرق التقليدية، بما في ذلك التحقيقات الميدانية والتصوير الجوي، تتطلب جهدًا كبيرًا ومحدودة النطاق، مما يدفع إلى اعتماد تقنيات الاستشعار عن بعد. لقد حسنت هذه التقنيات، وخاصة رادار الفتحة الاصطناعية (SAR) وأجهزة الاستشعار البصرية، من قدرات رسم الخرائط للانهيارات الأرضية عند دمجها مع نظم المعلومات الجغرافية (GIS). ومع ذلك، لا تزال هناك تحديات في تحديد حدود الانهيارات الأرضية بدقة وتمييزها عن الميزات المشهدية المماثلة.
تشمل الأساليب الحالية للاستشعار عن بعد للكشف عن الانهيارات الأرضية التفسير البصري، وتصنيف البكسل، والتحليل القائم على الكائنات، والتقنيات المدفوعة بالذكاء الاصطناعي (AI). بينما يعتمد التفسير البصري على تحليل الخبراء، تواجه طرق تصنيف البكسل أخطاء في التصنيف في التضاريس غير المتجانسة. تحسن الأساليب القائمة على الكائنات التناسق المكاني ولكنها تتطلب ضبطًا دقيقًا للمعلمات. أظهرت طرق الذكاء الاصطناعي، وخاصة التعلم الآلي والتعلم العميق، وعدًا في أتمتة عمليات الكشف وتحسين الدقة. ومن الجدير بالذكر أن هياكل التعلم العميق مثل U-Net و YOLO أظهرت أداءً متفوقًا في الكشف عن الانهيارات الأرضية، خاصة عند تعزيزها بآليات الانتباه. على الرغم من التقدم، لا تزال هناك فجوات في فهم أداء النموذج عبر ظروف جيومورفولوجية ومناخية متنوعة. تهدف هذه الدراسة إلى تقييم فعالية مجموعات العمود الفقري المختلفة من U-Net للكشف عن الانهيارات الأرضية باستخدام مجموعات بيانات غير متجانسة، مقترحة إطار رسم خرائط آلي موحد لتعزيز قدرات الكشف على مستوى العالم. تركز أسئلة البحث على تأثير هياكل العمود الفقري على تعميم النموذج وموثوقية تقسيم المعاني عبر مجموعات بيانات متنوعة.
الطرق
في هذا القسم، يحدد المؤلفون الإطار المنهجي لدراستهم، مستخدمين هيكل U-Net كنموذج أساسي. يوضحون دمج مجموعة متنوعة من الشبكات العصبية التلافيفية (CNN) المتطورة مع U-Net لتحسين قدرات استخراج الميزات. كما يتناول القسم التكوينات الشبكية الناتجة عن هذه الدمجات، إلى جانب إعدادات التدريب، وتكوينات الآلات، ومعايير التقييم المستخدمة لتقييم أداء النموذج عبر مجموعات بيانات متعددة.
يقدم المؤلفون بعد ذلك نتائج كمية ونوعية مستمدة من هيكل U-Net المقترح المعزز بالعمود الفقري المتنوع. يتم مناقشة هذه النتائج بالتفصيل، مع تسليط الضوء على فعالية النماذج المدمجة مقارنة بالطرق التقليدية.
النتائج
تكشف النتائج من الدراسة حول الكشف عن الانهيارات الأرضية باستخدام هياكل U-Net المختلفة عن رؤى مهمة حول أداء النموذج عبر مجموعات بيانات مختلفة. حقق U-Net المدمج مع SE-ResNeXt_101 أعلى أداء على مجموعة بيانات HRGLDD، مع F-score قدره 0.9569، وتقاطع على الاتحاد (IoU) قدره 0.918، وأدنى خسارة قدرها 0.0145، مما يدل على فعاليته في تحديد مناطق الانهيار الأرضي بدقة مع تقليل الإيجابيات والسلبيات الكاذبة. تضمنت التركيبات البارزة الأخرى U-Net + SE-ResNeXt_50 و U-Net + MobileNet، حيث أظهرت كلاهما مقاييس أداء قوية. بالمقابل، أظهرت الهياكل التقليدية مثل VGG_16 و VGG_19 فعالية أقل، مع F-scores أقل من 0.78، مما يبرز أهمية اختيار شبكات العمود الفقري المتقدمة لتحسين قدرات التقسيم.
أكدت نتائج التحقق عبر مجموعات بيانات متعددة، بما في ذلك LMHLD و DMLD، تفوق العمود الفقري القائم على SE و EfficientNet، التي حققت باستمرار درجات F عالية وقيم IoU مع الحفاظ على توازن الدقة والاسترجاع. على سبيل المثال، أظهر U-Net + SE-ResNet_152 و U-Net + InceptionResNet_V2 أداءً استثنائيًا، مع F-scores تتجاوز 0.96 في سياقات متنوعة. بالمقابل، واجهت النماذج الأبسط مثل MobileNet ونسخ ResNet التقليدية صعوبة في التعميم، مما أدى غالبًا إلى مقاييس أداء أقل. أظهرت التحليلات النوعية، المدعومة بتصورات Grad-CAM، أن نماذج العمود الفقري الأقوى قامت بتحديد ميزات الانهيار الأرضي بفعالية مع قمع المعلومات الخلفية غير ذات الصلة، مما يبرز الدور الحاسم لهياكل العمود الفقري في تعزيز موثوقية النموذج لتطبيقات رسم الخرائط للتهديدات في العالم الحقيقي.
المناقشة
في هذا القسم، يناقش المؤلفون تقييم نماذجهم المعتمدة على U-Net للكشف عن الانهيارات الأرضية باستخدام مجموعتين متنوعتين من البيانات: HRGLDD و LMHLD، اللتين تشملان مجموعة واسعة من الظروف الجغرافية والبيئية. تتضمن مجموعة بيانات HRGLDD، التي تم تطويرها من صور PlanetScope عالية الدقة، 7,193 انهيارًا أرضيًا تم رسمه عبر مناطق فيزيائية عالمية متنوعة، بينما تحتوي مجموعة بيانات LMHLD على 31,296 انهيارًا أرضيًا من سبع مواقع متميزة مع اختلافات في دقة صور الأقمار الصناعية. يبرز المؤلفون أهمية هذه المجموعات في تقييم أداء النموذج، خاصة من حيث الموثوقية والقدرة على التكيف عبر المناظر الطبيعية والظروف المناخية المختلفة. كما يشيرون إلى القيود الكامنة في مجموعات البيانات متعددة المصادر، مثل التباين في جودة التوصيف وخصائص المستشعر، والتي يمكن أن تؤثر على أداء النموذج.
يقيم المؤلفون نماذجهم أيضًا مقابل مجموعة بيانات GVLM، محققين درجات F عالية ومقاييس التقاطع على الاتحاد (IoU)، خاصة مع U-Net المدمج مع SE-ResNeXt_101، الذي أظهر أداءً متفوقًا في الكشف عن الانهيارات الأرضية العالمية. يؤكدون على فعالية دمج آليات الانتباه القائم على القناة في العمود الفقري القائم على SE، مما يعزز تمثيل الميزات ودقة الحدود. تشير النتائج إلى أن هذه النماذج يمكن استخدامها بفعالية لتقييم مخاطر الانهيارات الأرضية في الوقت الحقيقي، مما يوفر معلومات في الوقت المناسب للاستجابة للكوارث دون الحاجة إلى إعادة تدريب محددة للمنطقة. يختتم المؤلفون بمقارنة نتائجهم مع الدراسات المرجعية السابقة، مما يظهر تحسينات كبيرة في أداء النموذج، وبالتالي يبرز التقدم المحرز في منهجيات الكشف عن الانهيارات الأرضية من خلال دمج الشبكات القوية مع هياكل U-Net.
القيود
تكشف الدراسة حول الكشف عن الانهيارات الأرضية باستخدام U-Net المدمج مع هياكل العمود الفقري المختلفة عن عدة قيود تقدم فرصًا للبحث المستقبلي. يتمثل القيد الرئيسي في الاعتماد على مجموعات بيانات عالية الجودة ومشروحة بشكل احترافي، والتي غالبًا ما تكون محددة للمنطقة وتتطلب جهدًا كبيرًا لإنتاجها. تعيق هذه القيود النشر على نطاق واسع، خاصة في المناطق النائية حيث يكون الرسم الخرائطي في الوقت المناسب أمرًا حاسمًا. بالإضافة إلى ذلك، يمكن أن تؤثر التحديات مثل تأخر البيانات، وتغطية السحب، واختلافات أنواع المستشعرات على موثوقية الكشف عن الانهيارات الأرضية في التطبيقات الزمنية الحقيقية (Zhang B. et al., 2024).
للتغلب على هذه التحديات، يجب أن تركز الأبحاث المستقبلية على دمج البيانات متعددة الأوقات، باستخدام ملاحظات الأقمار الصناعية المتتابعة للكشف عن التغيرات ومراقبة عدم استقرار المنحدرات بشكل فعال. يمكن أن يعزز تنفيذ أطر التعلم شبه المراقب والتعلم المراقب بشكل ضعيف من استخدام بيانات الاستشعار عن بعد غير الموصوفة أو الموصوفة بشكل نادر، مما يقلل من الاعتماد على التوصيفات عالية الجودة. علاوة على ذلك، سيساهم استكشاف دمج مجموعات بيانات الاستشعار عن بعد متعددة المصادر في تطوير أنظمة إنذار مبكر أكثر شمولاً للانهيارات الأرضية. أخيرًا، يعد معالجة المتطلبات الحاسوبية للهياكل المعقدة للعمود الفقري من خلال تقنيات تحسين النموذج أمرًا ضروريًا للنشر العملي في البيئات ذات الموارد المحدودة. سيكون الاستمرار في استكشاف الشبكات القوية واستراتيجيات التعلم التكيفية أمرًا حاسمًا لتطوير أنظمة الكشف عن الانهيارات الأرضية في الوقت الحقيقي، القابلة للتفسير، والقابلة للتوسع على مستوى العالم.
DOI: https://doi.org/10.3389/feart.2025.1710586
Publication Date: 2026-01-12
Author(s): Naveen Chandra et al.
Primary Topic: Landslides and related hazards
Overview
This research investigates the efficacy of advanced deep learning architectures, particularly U-Net, in the semantic segmentation of landslides using high-resolution remote sensing data. The study evaluates various backbone networks, including EfficientNet, ResNet, Inception, MobileNet, VGG, ResNeXt, and SENet, across 29 variants, utilizing two diverse datasets: the High-Resolution Global Landslide Detector Database (HRGLDD) and the Large-scale Multi-source High-resolution Landslide Dataset (LMHLD). Performance metrics such as Intersection over Union (IoU), Precision, Recall, and F-score were employed to assess the models. Notably, the Squeeze-and-Excitation (SE) backbone networks, particularly SENet154, SE-ResNet-152, and SE-ResNeXt-50/101, demonstrated superior performance, with the U-Net + SE-ResNeXt_101 model achieving the highest F-score of 0.9569 on the HRGLDD dataset.
The conclusion highlights the systematic evaluation of 29 hybrid U-Net models, emphasizing the importance of backbone architecture in enhancing model performance for landslide detection across varied geographical contexts. The study establishes a robust benchmarking framework that underscores the adaptability and feature extraction capabilities of these models in high-resolution remote sensing applications. The findings indicate that the encoder design significantly influences the model’s ability to capture complex geomorphological features, thereby improving delineation accuracy and reducing contextual confusion. This research lays a scalable foundation for developing effective landslide segmentation pipelines and offers a transferable methodology for broader environmental monitoring tasks using remote sensing technologies.
Introduction
Landslides represent a significant natural hazard, particularly in mountainous and seismically active regions, exacerbated by factors such as heavy rainfall, earthquakes, and human activities. The increasing frequency of landslide events, driven by climate change and land-use changes, necessitates improved detection and mapping techniques for effective disaster risk reduction. Traditional methods, including field investigations and aerial photography, are labor-intensive and limited in scope, prompting the adoption of remote sensing technologies. These technologies, particularly Synthetic Aperture Radar (SAR) and optical sensors, have enhanced landslide mapping capabilities when integrated with Geographic Information Systems (GIS). However, challenges remain in accurately delineating landslide boundaries and distinguishing them from similar landscape features.
Current remote sensing approaches for landslide detection include visual interpretation, pixel-based classification, object-oriented analysis, and artificial intelligence (AI)-driven techniques. While visual interpretation relies on expert analysis, pixel-based methods face classification errors in heterogeneous terrains. Object-oriented approaches improve spatial coherence but require careful parameter tuning. AI methods, particularly machine learning and deep learning, have shown promise in automating detection processes and improving accuracy. Notably, deep learning architectures like U-Net and YOLO have demonstrated superior performance in landslide detection, especially when enhanced with attention mechanisms. Despite advancements, gaps remain in understanding model performance across diverse geomorphological and climatic conditions. This study aims to evaluate the effectiveness of various U-Net backbone combinations for landslide detection using heterogeneous datasets, proposing a unified automated mapping framework to enhance detection capabilities globally. The research questions focus on the influence of backbone architectures on model generalization and the robustness of semantic segmentation across diverse datasets.
Methods
In this section, the authors outline the methodological framework of their study, utilizing the U-Net architecture as the foundational model. They detail the integration of various state-of-the-art convolutional neural network (CNN) backbones with U-Net to improve feature extraction capabilities. The section also elaborates on the resulting network configurations from these integrations, alongside the training settings, machine configurations, and evaluation criteria employed to assess model performance across multiple datasets.
The authors subsequently present both quantitative and qualitative results derived from the proposed U-Net architecture enhanced by the diverse backbones. These results are discussed in detail, highlighting the effectiveness of the integrated models in comparison to traditional approaches.
Results
The results from the study on landslide detection using various U-Net architectures reveal significant insights into model performance across different datasets. The U-Net combined with SE-ResNeXt_101 achieved the highest performance on the HRGLDD dataset, with an F-score of 0.9569, an Intersection over Union (IoU) of 0.918, and the lowest loss of 0.0145, indicating its effectiveness in accurately identifying landslide areas while minimizing false positives and negatives. Other notable combinations included U-Net + SE-ResNeXt_50 and U-Net + MobileNet, both demonstrating robust performance metrics. In contrast, traditional architectures like VGG_16 and VGG_19 exhibited lower efficacy, with F-scores below 0.78, highlighting the importance of selecting advanced backbone networks for improved segmentation capabilities.
Validation results across multiple datasets, including LMHLD and DMLD, further confirmed the superiority of SE-based and EfficientNet backbones, which consistently achieved high F-scores and IoU values while maintaining balanced precision and recall. For instance, U-Net + SE-ResNet_152 and U-Net + InceptionResNet_V2 showed exceptional performance, with F-scores exceeding 0.96 in various contexts. Conversely, simpler models like MobileNet and traditional ResNet variants struggled with generalization, often resulting in lower performance metrics. The qualitative analysis, supported by Grad-CAM visualizations, illustrated that stronger backbone models effectively localized landslide features while suppressing irrelevant background information, underscoring the critical role of backbone architecture in enhancing model robustness for real-world hazard mapping applications.
Discussion
In this section, the authors discuss the evaluation of their U-Net-based models for landslide detection using two diverse datasets: HRGLDD and LMHLD, which encompass a wide range of geographical and environmental conditions. The HRGLDD dataset, developed from high-resolution PlanetScope imagery, includes 7,193 mapped landslides across various global physiographical regions, while the LMHLD dataset features 31,296 landslides from seven distinct locations with varying satellite imagery resolutions. The authors highlight the importance of these datasets in assessing model performance, particularly in terms of robustness and adaptability across different landscapes and climatic conditions. They also note the inherent limitations of multi-source datasets, such as variability in annotation quality and sensor characteristics, which can affect model performance.
The authors further evaluate their models against the GVLM dataset, achieving high F-scores and Intersection over Union (IoU) metrics, particularly with the U-Net combined with SE-ResNeXt_101, which demonstrated superior performance in global landslide detection. They emphasize the effectiveness of integrating channel-attention mechanisms in SE-based backbones, which enhance feature representation and boundary precision. The findings suggest that these models can be effectively utilized for real-time landslide hazard assessments, providing timely information for disaster response without the need for region-specific retraining. The authors conclude by comparing their results with previous benchmark studies, demonstrating significant improvements in model performance, thereby underscoring the advancements made in landslide detection methodologies through the integration of powerful backbone networks with U-Net architectures.
Limitations
The study on landslide detection using U-Net integrated with various backbone architectures reveals several limitations that present opportunities for future research. A primary constraint is the reliance on high-quality, expertly annotated datasets, which are often region-specific and labor-intensive to produce. This limitation hampers large-scale deployment, particularly in remote areas where timely mapping is critical. Additionally, challenges such as data latency, cloud cover, and variations in sensor types can affect the reliability of landslide detection in real-time applications (Zhang B. et al., 2024).
To overcome these challenges, future research should focus on multi-temporal data integration, utilizing sequential satellite observations for effective change detection and monitoring of slope instability. Implementing semi-supervised and weakly supervised learning frameworks can also enhance the use of unlabeled or sparsely labeled remote sensing data, thereby reducing the reliance on high-quality annotations. Furthermore, exploring the integration of multi-source remote sensing datasets will contribute to the development of more comprehensive landslide early warning systems. Lastly, addressing the computational demands of complex backbone architectures through model optimization techniques is essential for practical deployment in resource-constrained environments. Continued exploration of robust networks and adaptive learning strategies will be crucial for advancing real-time, interpretable, and scalable landslide detection systems globally.