通过深度学习和可解释AI提高印度喀拉拉邦西部高原的山体滑坡检测能力
Abhilash Sreekumar1, Hemalatha Thirugnanam2, Sansar Raj Meena3,4
1Center for Wireless Networks & Applications (WNA), Amrita Vishwa Vidyapeetham, Amritapuri, India.
Scientific reports
|December 30, 2025
概括
这项研究开发了印度喀拉拉邦的自动滑坡库存,使用卫星图像的深度学习. 关注多尺度U-Net模型在绘制易发生山体滑坡的地区方面取得了高准确性,这对于减少灾害风险至关重要.
科学领域:
- 地质科学 地质科学
- 人工智能的人工智能
- 遥感 遥感 遥感 遥感
背景情况:
- 印度喀拉拉邦面临着越来越多的山体滑坡风险,最近的灾难性事件凸显了这一点.
- 准确的山体滑坡库存对于有效的风险减轻和预测至关重要.
- 现有的山体滑坡测绘方法在喀拉拉邦缺乏自动化.
研究的目的:
- 通过使用深度学习,为喀拉拉邦开发一个自动化的山体滑坡库存.
- 为了评估不同的U-Net模型变体对滑坡细分的性能.
- 通过可解释的人工智能 (XAI) 提高对模型决策的理解.
主要方法:
- 利用了PlanetScope卫星图像 (3米分辨率) 和高分辨率的山体滑坡探测器数据库 (HR-GLDD).
- 使用转移学习与时间差数据训练了两个U-Net模型变体 (简单的多尺度和注意力多尺度).
- 采用可解释的人工智能 (XAI) 技术,如集成梯度 (IG) 和梯度加权类激活映射 (Grad-CAM).
主要成果:
- 注意力多尺度U-Net模型以91.49%的精度和81.69%的F1评分获得了最高的性能.
- 视觉比较证实了该模型在准确地绘制山体滑坡库存的有效性.
- 综合梯度确定近红外 (NIR) 频段是对滑坡细分最有影响的.
结论:
- 这项研究为喀拉拉邦的自动化山体滑坡清单系统提供了重大进展.
- 关注多尺度U-Net模型显示了运营滑坡绘图的巨大潜力.
- XAI技术为模型的预测机制和数据特征的重要性提供了宝贵的见解.
