使用红外温度学与不同的深度学习框架同化,在土堤中局部识别漏和池
Ritesh Kumar1, Hans Henning Stutz2, Kanupriya Johari3
1Department of Earthquake Engineering, Joint Faculty at Center for Sustainable Energy, Indian Institute of Technology Roorkee, Roorkee, India. ritesh.kumar@eq.iitr.ac.in.
Scientific reports
|October 15, 2025
概括
这项研究使用深度学习 (DL) 与热图像来检测土堤的漏和池. 这种先进的方法提高了堤防的安全性和防洪灾害.
科学领域:
- 地质技术工程 地质技术工程
- 遥感 遥感 遥感 遥感
- 人工智能的人工智能
背景情况:
- 泥土堤防对于洪水控制至关重要,但容易因漏和池而发生故障.
- 侵蚀,水速,土壤特性和土壤分级有助于堤防的削弱和失败.
- 目前检测漏和池的方法可能是有限的.
研究的目的:
- 开发和验证一种新的方法,用于识别土的漏和池.
- 将被动红外热学与深度学习 (DL) 算法集成为增强监控.
- 提高堤防完整性评估的准确性和效率.
主要方法:
- 创建了一个物理模型规模的实验设置,以生成热图像数据.
- 在各种环境条件下 (植被,降雨) 收集了一个全面的热图数据集.
- 开发并训练了多个DL框架来处理热图像序列,以预测漏和池.
主要成果:
- 这项研究成功地将堤防泄漏识别转化为图像分类问题.
- 开发的DL框架准确地绘制了漏和池范围.
- 热图像与DL的同化在检测地下水运动方面被证明是有效的.
结论:
- 拟议的基于DL的方法显著提高了漏和池检测在土的准确性.
- 这种方法对于提高堤防安全性和加强洪水易发地区的防灾战略至关重要.
- 被动红外热学和DL的整合为积极地质技术基础设施管理提供了一个有前途的工具.


