使用深度学习方法实现黄土滑坡自动识别

doi:10.13203/j.whugis20200132

	使用深度学习方法实现黄土滑坡自动识别
	巨袁臻 ; 许强 ; 金时超 ; 李为乐 ; 董秀军 ; 郭庆华
	2020
发表期刊	武汉大学学报(信息科学版)
ISSN	1671-8860
卷号	45 期号:11 页码:1747-1755
摘要	区域性滑坡识别是滑坡灾害风险管理的基础,传统的识别工作主要依靠人力完成。在已有的滑坡自动识别研究中,方法上以机器学习为主,数据源上对谷歌地球影像应用较少,识别对象上多以与环境差异较大的新滑坡为主。结合深度学习方法和谷歌地球影像数据对中国典型黄土地区历史滑坡进行自动识别。首先,基于开源谷歌地球影像建立了历史黄土滑坡样本数据库,包含黄土滑坡2 498处;然后,利用掩膜区域卷积神经网络(mask region-based convolutional networks,Mask R-CNN)目标检测模块进行黄土滑坡自动识别。识别的准确率为0.56,召回率为0.72,F1值为0.63。结果表明,Mask R-CNN是一种稳健性较好的方法,可以用于以谷歌地球影像为数据源的黄土滑坡自动识别,为快速准确地进行区域滑坡灾害调查提供了可能。
关键词	黄土滑坡自动识别谷歌地球影像深度学习 Mask R-CNN 目标检测
DOI	10.13203/j.whugis20200132
语种	中文
资助机构	国家自然科学基金创新研究群体科学基金(41521002) ; 四川省科技厅重点研发计划(2019YFS0074) ; 四川省科技计划(2018SZ0339)~~
引用统计
文献类型	期刊论文
条目标识符	http://ir.ibcas.ac.cn/handle/2S10CLM1/22513
专题	植被与环境变化国家重点实验室
作者单位	1.成都理工大学地质灾害防治与地质环境保护国家重点实验室 2.南京农业大学作物表型组学交叉研究中心 3.中国科学院大学 4.中国科学院植物研究所植被与环境变化重点实验室
推荐引用方式 GB/T 7714	巨袁臻,许强,金时超,等. 使用深度学习方法实现黄土滑坡自动识别[J]. 武汉大学学报(信息科学版),2020,45(11):1747-1755.
APA	巨袁臻,许强,金时超,李为乐,董秀军,&郭庆华.(2020).使用深度学习方法实现黄土滑坡自动识别.武汉大学学报(信息科学版),45(11),1747-1755.
MLA	巨袁臻,et al."使用深度学习方法实现黄土滑坡自动识别".武汉大学学报(信息科学版) 45.11(2020):1747-1755.

条目包含的文件
文件名称/大小	文献类型	版本类型	开放类型	使用许可
使用深度学习方法实现黄土滑坡自动识别.p（5727KB）	期刊论文	出版稿	开放获取	CC BY-NC-SA	浏览请求全文