Χαρτογράφηση εκτάσεων πλημμύρας: Μια ολοκληρωμένη μέθοδος που χρησιμοποιεί βαθιά μάθηση και ανάπτυξη περιοχής με χρήση οπτικών...

[[Category: Χαρτογραφία]]
=='''Χαρτογράφηση εκτάσεων πλημμύρας: Μια ολοκληρωμένη μέθοδος που χρησιμοποιεί βαθιά μάθηση και ανάπτυξη περιοχής με χρήση οπτικών δεδομένων UAV'''==

'''Πρωτότυπος τίτλος:''' Flood Extent Mapping: An Integrated Method Using Deep Learning and Region Growing Using UAV Optical Data

'''Συγγραφείς:'''  Leila Hashemi-Beni; Asmamaw A. Gebrehiwot


'''Σύνδεσμος πρωτότυπου κειμένου:''' [10.1109/JSTARS.2021.3051873] 



'''Εισαγωγή'''

Οι στόχοι του άρθρου είναι : η διερεύνηση της επίδρασης της αύξησης δεδομένων για τη βελτίωση της ακρίβειας της εξαγωγής έκτασης πλημμύρας όταν είναι διαθέσιμο ένα μικρό σύνολο δεδομένων για μεθόδους deep learning και η ανάπτυξη μιας νέας μεθόδου εξαγωγής και χαρτογράφησης της έκτασης των πλημμυρών σε ορατές περιοχές σε εικόνες καθώς και κάτω από τη βλάστηση με μεθόδους deep learning και RG. Επιλέχθηκαν τρεις περιοχές που είναι επιρρεπείς στις πλημμύρες στη Βόρεια Καρολίνα (ΗΠΑ) για αυτήν την έρευνα : Princeville, Lumberton και Fair Bluff. Τα σύνολα δεδομένων που χρησιμοποιήθηκαν για την έρευνα περιλαμβάνουν εικόνες UAV, εναέριες εικόνες υψηλής ανάλυσης και δεδομένα Lidar. Τα δεδομένα Lidar και UAV αποκτήθηκαν από το North Carolina Emergency Management (NCEM), ενώ οι αεροφωτογραφίες συλλέχθηκαν από το NOAA.


'''Μεθοδολογία'''

Τρία στάδια πραγματοποιήθηκαν στην μεθοδολογία: Το Στάδιο 1 εξήχθησαν οι εκτάσεις πλημμύρας χρησιμοποιώντας μια προσέγγιση FCN-8s από εικόνες υψηλής ανάλυσης. Εφαρμόζεται μια μέθοδος αύξησης δεδομένων για την αύξηση του συνόλου δεδομένων εκπαίδευσης και τη βελτίωση των αποτελεσμάτων ταξινόμησης. Στο δεύτερο στάδιο οριοθετείται η έκταση της πλημμύρας εφαρμόζοντας τη μέθοδο RG χρησιμοποιώντας δεδομένα DEM/τοπογραφίας και πληροφορίες για τη στάθμη του νερού σε μία ή περισσότερες τοποθεσίες της περιοχής. Στο στάδιο 3, χρησιμοποιώντας τον χάρτη πλημμύρας, συμπεραίνεται ότι η έκταση πλημμύρας που βασίζεται σε FCN τροποποιείται και βελτιώνεται για περιοχές με βλάστηση όπου οι πλημμυρισμένες περιοχές κάτω από θόλους δεν είναι ορατές στις εικόνες.
Τα FCN-8 έδειξαν καλύτερη απόδοση στην εξαγωγή πλημμυρισμένων περιοχών από εικόνες UAV υψηλής ανάλυσης σε σύγκριση με άλλες παραλλαγές FCN, όπως τα FCN-16 και FCN-32.

'''Αποτελέσματα'''

Τα αποτελέσματα της ταξινόμησης των FCN-8 με και χωρίς την εφαρμογή αυξήσεων δεδομένων φαίνονται στην Εικ. 1.  [[Εικόνα: Hashe4-3051873-large.gif|200px|thumb|right|Εικόνα 1:   Αποτελέσματα ταξινόμησης FCN-8s χρησιμοποιώντας εικόνες UAV. (α) Δοκιμή
εικόνων. (β) Επισημασμένες εικόνες (αλήθεια βάσης). (γ) Αποτελέσματα FCN-8 χωρίς αύξηση δεδομένων. (δ) Αποτελέσματα FCN-8 με εφαρμογή αύξησης δεδομένων.]] Φαίνεται από τις δοκιμαστικές εικόνες UAV στην περιοχή μελέτης Lumberton κατά τη διάρκεια του τυφώνα Florence που δεν χρησιμοποιήθηκαν για την εκπαίδευση του μοντέλου FCN-8s. Το μοντέλο εκπαιδεύτηκε χρησιμοποιώντας εικόνες UAV από το Princeville και το Lumberton κατά τη διάρκεια του τυφώνα Ma|hew και του τυφώνα Florence, αντίστοιχα. Κάθε δοκιμαστική εικόνα έχει μέγεθος 4000 × 4000 pixel. [[Εικόνα:Hashe5-3051873-large.gif|200px|thumb|left|Εικόνα 2: Η ταξινόμηση του FCN-8s προκύπτει χρησιμοποιώντας τις εναέριες εικόνες υψηλής ανάλυσης. (a) Δοκιμή εικόνων. (b) Επισημασμένες εικόνες . (c) Αποτελέσματα FCN-8 χωρίς αύξηση δεδομένων. (d) Αποτελέσματα FCN-8 με εφαρμογή αύξησης δεδομένων.)]] Δοκιμάστηκε επίσης το FCN που εκπαιδεύτηκε με εικόνες UAV χωρίς την αύξηση δεδομένων στις εικόνες υψηλής ανάλυσης που τραβήχτηκαν από ένα αεροσκάφος από το Lumberton (κατά τη διάρκεια του τυφώνα Matthew το 2016 και του τυφώνα Florence το 2018) και του Houston (τυφώνας Harvey). Η εικόνα 2 δείχνει τα αποτελέσματα της ταξινόμησης.Απεικονίζεται, λοιπόν, ο χάρτης πλημμύρας NOAA για αυτήν την περιοχή κατά τη διάρκεια του συμβάντος πλημμύρας του τυφώνα Ma|hew καθώς και ο χάρτης πλημμύρας που δημιουργήθηκε χρησιμοποιώντας την ταξινόμηση FCN χρησιμοποιώντας τις οπτικές εικόνες UAV. Για αυτό, η ταξινόμηση πολλαπλών τάξεων (κατηγορίες νερού, κτιρίων, δρόμων και άλλων) μετατράπηκε σε μια δυαδική ταξινόμηση, σε κατηγορίες πλημμυρών και μη. Ο χάρτης έκτασης πλημμύρας στο δημιουργήθηκε χρησιμοποιώντας την προσέγγιση βασισμένη σε RG από το DEM και το επίπεδο πλημμύρας που καταγράφηκε στο σταθμό μέτρησης (43,7 πόδια) στην περιοχή τη στιγμή που καταγράφηκαν τα δεδομένα UAV. Ο χάρτης δημιουργήθηκε τροποποιώντας τα αποτελέσματα της έκτασης της πλημμύρας της ταξινόμησης FCN για κάτω από θόλους βλάστησης χρησιμοποιώντας τη μέθοδο RG. Συγκρίνοντας τα αποτελέσματα της ολοκληρωμένης μεθόδου με τον χάρτη πλημμύρας NOAA , φαίνεται ότι η ολοκληρωμένη προσέγγιση έχει βελτιώσει σημαντικά τα αποτελέσματα FCN για τη χαρτογράφηση τόσο των ορατών όσο και των πλημμυρών βλάστησης.


'''Συμπεράσματα'''

Σε αυτό το άρθρο, προτάθηκε μια ολοκληρωμένη μέθοδος για τη χαρτογράφηση της έκτασης μίας πλημμύρας χρησιμοποιώντας FCN deep learning και RG. Το μοντέλο που βασίζεται στη deep learning (FCN-8s) χρησιμοποιήθηκε για την εξαγωγή της έκτασης της επιφανειακής πλημμύρας από εικόνες UAV υψηλής ανάλυσης. Τα αποτελέσματα δείχνουν ότι η εφαρμογή της αύξησης δεδομένων στο FCN κατά τη διάρκεια της εκπαίδευσης μπορεί να ξεπεράσει αυτές τις μεθόδους όταν είναι διαθέσιμο ένα μικρό σύνολο δεδομένων. Αν και τα FCN παρέχουν πολλά υποσχόμενα αποτελέσματα για τη χαρτογράφηση πλημμύρας στις περιοχές με ορατή επιφάνεια νερού από εικόνες, δεν καταφέρνουν να εξαγάγουν την έκταση της πλημμύρας στις περιοχές που καλύπτονται με πυκνούς θόλους. Για να επιλύσουμε αυτό το πρόβλημα, εφαρμόσαμε μια προσέγγιση RG για την ανίχνευση των πλημμυρών κάτω από τον θόλο βλάστησης χρησιμοποιώντας πληροφορίες DEM και στάθμης νερού. Τα πειραματικά αποτελέσματα δείχνουν ότι η ολοκληρωμένη προσέγγιση μπορεί να ανιχνεύσει αποτελεσματικά τις πλημμύρες τόσο στις ορατές όσο και στις κρυφές περιοχές, κάτι που είναι απαραίτητο για την υποστήριξη αποτελεσματικών δραστηριοτήτων αντιμετώπισης καταστάσεων έκτακτης ανάγκης και ανάκαμψης.