从卫星图像上监测采矿引起的沉降,使用基于变压器的深度学习,以网格沉降测量进行训练

科学领域:

• 环境科学 环境科学
• 地质科学是地球科学.
• 人工智能的人工智能

背景情况:

• 地下煤炭开采由于其隐藏性质,给环境监测带来了挑战.
• 非法采矿活动往往会在被发现之前造成严重的环境破坏,如洪水和结构损坏.
• 目前的方法缺乏早期干预能力,使生态恢复变得困难.

研究的目的:

• 解决人工智能模型训练数据的局限性,用于检测采矿引起的土地沉降.
• 克服传统卷积神经网络 (CNN) 架构在这个领域的不满意的分类准确性.
• 开发一种更有效的AI模型,使用卫星图像监测土地沉降.

主要方法:

• 一个视觉变压器 (ViT-Base) 模型使用191,630个土地沉降网格测量和高分辨率卫星图像的大数据集进行了训练.
• 该模型的性能在中国顶级煤炭生产省份的十个代表性采矿受影响地区进行了评估.
• 每个评估区域提供了250个独立的沉降网格测量,并与卫星图像配对.

主要成果:

• 在培训数据区域内,ViT-Base模型在识别土地沉降时实现了94%的整体准确性.
• 在不同地区进行的通用性测试,准确度在77.2%至84.8%之间.
• 与传统的CNN模型相比,ViT-Base模型表现出更高的性能.

结论:

• 视觉变压器 (ViT-Base) 模型为监测采矿引起的土地沉降提供了一个实用和准确的解决方案.
• 这种人工智能方法克服了数据的局限性,并在各种地质环境中提高了检测准确性.
• 开发的模型为环境当局在管理和减轻采矿影响方面提供了有价值的工具.