用无人机高分辨率图像进行煤矿地面表面裂划分的DRA-UNet

科学领域:

• 地质科学 地质科学
• 遥感 遥感 遥感 遥感
• 人工智能的人工智能

背景情况:

• 洛斯高原的煤炭开采经常导致地面裂,导致矿山通风问题,流水模式变化和植被损害.
• 快速准确地识别这些表面裂对于有效的防灾和减灾战略至关重要.

研究的目的:

• 开发和验证一种先进的方法,以快速划分煤炭开采造成的地面表面裂.
• 提高裂纹检测的效率和准确性,以防止矿区的灾害.

主要方法:

• 煤矿区地面裂的创建无人机 (GCCMA-UAV) 数据集,具有高分辨率 (3厘米) 图像.
• 开发DRA-UNet,这是一个改进的深度学习模型,包含双重注意力机制,残余网络和Atrous空间金字塔聚合模块.
• 应用DRA-UNet模型在3平方公里的数字骨相图 (DOM) 上进行裂划分,地面分辨率为3厘米.

主要成果:

• 与其他深度学习模型相比,DRA-UNet模型表现优越,回忆率为77.29%,精度为84.92%,F1得分为78.87%.
• 该模型成功地划出了胡杰图煤矿井区域的4903个裂.
• 开发的数据集 (GCCMA-UAV) 适用于创建1:500尺寸的地面裂主题地图.

结论:

• 无人机 (UAV) 的高分辨率绘图和DRA-UNet深度学习模型的结合提供了一个有效的解决方案,可以快速划分煤矿引发的地面裂.
• 这种方法显著提高了裂识别的效率,有助于改善灾害预防和矿山安全管理.