3 d泛滥映射:比较深学习图像分类和地貌洪涝指数的方法

1介绍

洪水是最常见的一种,经常发生自然灾害影响的生命,财产,和世界各地的环境(艾克尔斯et al ., 2019)。气候变化起到了至关重要的作用在当前增加洪水发生在最近几年。洪水的影响,如生命的损失,属性,基础设施,和农业收成,成本在数百万到数十亿美元每单一事件在美国(黄et al ., 2018)。例如,哈维在2017年飓风造成大规模的洪水在休斯顿,德克萨斯州和与之关联的损失估计超过1250亿美元。快速检测和映射的洪水是必不可少的紧急响应、损失评估,优先救灾工作,评估未来洪水风险。

遥感光学合成孔径雷达(SAR)的方法已被广泛用于洪水地图应用几十年(沈et al ., 2019;Anusha Bharathi, 2020)。光学传感器可以看到世界人类的眼睛和获得高分辨率的数据,但它不能有效地工作,当网站变得多云和暗(Psomiadis et al ., 2020)。尽管SAR是一种有效的传感器来检测洪水地区即使在云层不管时间(白天/晚上),它仍然是具有挑战性的创建精确的洪水地图使用这个数据由于其空间分辨率和散斑噪声(拉赫曼Thakur, 2018)。最近,无人机(uav)被认为是可靠的洪水遥感获取地理空间数据来源收集地图应用程序,因为他们的能力与灵活性高分辨率图像数据采集的频率和时间(安妮et al ., 2020;Coveney et al ., 2017)。相反,他们短暂的飞行耐力和小规模的覆盖率仍然疲软的大规模实现遥感领域。

一些研究人员已经研究并提出了洪水程度不同的遥感方法映射(高et al ., 1996;长et al ., 2014;冯et al ., 2015;南帝et al ., 2017;Gebrehiwot Hashemi-Beni, 2020 a;Gebrehiwot Hashemi-Beni 2020 b;Gebrehiwot et al ., 2021;Hashemi-Beni Gebrehiwot, 2021)。在这些方法中,深入学习算法如洪水的cnn已经显示出不错的表现程度上映射。CNN可以自动提取功能,直接学习从输入图像,并成功地处理大型训练数据集(Krizhevsky et al ., 2012)。最近的研究利用cnn提取二维(2 d)洪水区段自动,取得了有前景的结果(Gebrehiwot et al ., 2019;彭et al ., 2019;袍et al ., 2019)。例如,Gebrehiwot et al。(2019)修改pre-trained完全卷积神经网络(FCNs)模型生成一个泛滥程度使用无人机的光学图像,取得了超过95%的准确率提取洪水程度相比,87%的准确率的支持向量机(SVM)方法。同样的,彭et al。(2019)CNN生成大量区段映射使用pre-Hurricane洪水和飓风后哈维图像,取得了0.9002和0.9302召回的精度。

除了洪水程度,监测洪水水平至关重要,因为它们决定洪水的大小。许多研究应用结构与运动(SfM)洪水应用程序(Meesuk et al ., 2012;Meesuk et al ., 2015;Hashemi-Beni et al ., 2018)。SfM技术是用来重建物体的三维结构的一系列二维序列图像。与传统摄影测量方法,SfM方法解决了多幅相机看问题,从高分辨率图像和产生高密度点云(Hashemi-Beni et al ., 2018)。

除了洪水程度映射方法,许多研究人员估计用洪水淹没深度模型和特征分析(桑德斯et al ., 2007;翼et al ., 2017)。例如,桑德斯et al。(2007)调查的影响空间分辨率的数字高程模型(DEM)洪水深度估计的准确性使用一个洪水模型。翼et al。(2017)开发了一种水位hydrodynamic-based模型估计。然而,仿真分析并不总是提供准确的结果由于其依赖大量的模型参数和水文的假设。这种情况下尤其明显,有限的水文数据是可用的。还有几个工作提出洪水淹没深度测量基于2 d地图有一个关联的民主党(水程度Matgen et al ., 2007;舒曼et al ., 2007;Gebrehiwot et al ., 2021)。Matgen et al。(2007)用洪水程度和激光雷达数据来估算洪水深度。洪水边缘分割的程度与DEM计算水多边形的边界线海拔基于他们的方法。类似的研究是由舒曼et al。(2007)洪水淹没深度检索,结合回归模型和锡的一代。Manfreda et al。(2019)开发了一种DEM-based洪水深度预测方法基于地貌descriptor-GFI。GFI是首次提出的Samela et al。(2017)产生洪水范围地图分析法逐渐失宠环境和全球大规模的分析基于可用的信息。这种方法测试在一个案例研究在意大利南部和显示令人满意的性能。这种方法特别适合有数据稀缺的地方。然而,方法是有效的只有一个大型研究区域,在整个流域的流量累积值或需要次盆地GFI计算和洪水深度分析。在所有的DEM-based方法,水深的准确性很大程度上取决于洪水区段映射和DEM精度的质量。自深学习算法如cnn洪水已经被证明是一种有效的技术程度上映射,整合程度上优于深层水地图和民主党预计将提供高精度洪水深度(Gebrehiwot et al ., 2021)。基于这种背景下,本研究旨在比较和评估性能的两个主要的最先进的3 d泛滥映射的方法:基于深度学习图像分析和地貌洪水指数(-)。方法类似,泛滥的映射实现了在同一研究区域和相同的地形信息申请空间分析。

2方法

2.1洪水深度估计使用完全卷积神经网络图像分割和数字高程模型

研究使用FCN方法研究Gebrehiwot和Hashemi-Beni (2021)。因此,我们简要解释这里的方法,为更详细的方法及其实现,请先阅读参考。方法估算洪水3 d地图(洪水范围和水深)包含三个主要步骤:1)洪水地图生成,2)3 d水面一代,和3)3 d洪水映射(图1)。每个阶段的研究在以下部分说明。

2.1.1地图生成二维洪水程度

在这个阶段,洪水区段映射创建使用深上优于模型称为FCN-8s。FCN-8s提出的长et al。(2015)为语义分割的应用程序。这是修改后的版本的VGG-16 CNN模型开发的Simonyan et al。(2014)。网络调整,卷积的一层取代完全连接层的VGG-16网络。这使网络实现进行像素级分类而不是每张图象类预测,随着VGG-16最初使用。该研究使用FCN-8s洪水划定边界,因为它申请洪水程度映射在文学和展示了有前景的结果(Gebrehiwot et al ., 2019)。

洪水数据集包括150光学无人机具有4000×40000像素的图像被用来调整和培训FCN-8s。我们手工注释无人机数据集到洪水、植被和其他类来创建培训和验证数据。在培训期间,15倍交叉验证策略是用来避免过度拟合数据和提高模型的性能。为此,我们分区数据随机成15倍(150张照片)。在每次运行,联盟14折叠放在一起训练FCN模型,剩下的拷贝被用作测试或验证设置测量分类错误。我们重复上述步骤15次,每次使用不同的褶皱作为测试集。最后,从所有折叠错误平均来估计分类错误。模型是使用随机梯度下降训练10时代(SGD)算法的学习速率0.001和2的最大批量大小。FCN-8s运用训练数据增强技术,如随机裁剪,翻译,和随机旋转,人为地产生新的训练数据从现有训练数据(Gebrehiwot et al ., 2021)。这些操作被应用到图像在输入空间。研究还使用中值频率平衡方法来解决类不平衡问题。一旦FCN-8s网络训练,生成大量光栅程度对于我们的测试区域,并转换为洪水多边形进行进一步的空间数据分析、集成和可视化。多边形的空间覆盖永久水域Princeville洪水之上扩展的结果,洪水被提取。

2.1.2创造3 d水面

这个阶段将使用水力压扁的概念,假设水的表面是平的在每个淹没区域。当地的3 d洪水表面是由洪水多边形相交(计划)在民主党利用地理空间分析。这个过程将海拔赋给每个多边形顶点。统计和空间分析将在每个多边形检测和消除噪音。

2.1.3 3 d洪水映射

每个单元的洪水深度估计每个多边形的光栅或减计算洪水表面/海拔地形高程在每个网格单元内的水淹面积。3 d之间的高差水面(H)和对应的像素点民主党(H)给出了洪水深度(身份证):

可以更新水深测量基于测量基准,如果必要的。

2.2使用地貌洪水淹没深度估计指数

2.2.1泛滥程度评估

本研究采用了基于GFI (hydrogeomorphic方法Manfreda et al ., 2019为我们的研究区域)产生洪水深度。因此,我们简要地解释了方法,为更详细的方法及其实现,请先阅读参考。

GFI是盆地的形态提出的描述符来表示洪水磁化率在一个特定的区域。这种方法提供可靠的泛滥程度数据变得稀缺地区的地图和大规模应用程序(Samela et al ., 2017;Manfreda et al ., 2019)。根据Samela et al。(2017),-在每一个研究点(例如,绿点图2)计算对数比率河的深度(人力资源)和高差(H)(见情商。)。

人力资源在哪里河水深度,参数H代表细胞的高度之间的差异在考试和海拔above-identified路径的最后一点。河(人力资源)的深度估计上坡贡献区域的函数使用一个液压比例关系

基于“增大化现实”技术的贡献区,是一个比例因子,n是一个无量纲的指数。基于情商。,地点在洪水易发地区GFI值≥0。

Manfreda et al。(2019)GFI的方法用于估计洪水水平。GFI是计算假设使用阈值的系数校准与线性二元分类。系数估计情商。。

2.2.2洪水深度估计

最后,水深(W.D.)洪水泛滥地区划定估计使用人力资源和H如下(图2):

2.3比较和评价

2.3.1洪水程度

这项研究使用了一个混淆矩阵分析的准确性FCN-based图像分类和界定洪水程度。混淆矩阵提供了详细信息分类器是如何执行的。信息包括:1)真阳性,即。,the classification results correctly indicate the positive class as positive; 2) true negative (T.N.), i.e., when the algorithm correctly predicts the negative class as negative (T.P.); 3) false positive (F.P.), i.e. when the classifier incorrectly predicts the negative class as positive; and 4) false negative (F.N.) refers to the number of predictions where the algorithm incorrectly predicts the positive class as negative. In addition to the classification accuracy, the kappa coefficient was used to summarize the information obtained from the confusion matrix. The Kappa coefficient is a metric used to compare an observed accuracy with an expected accuracy or random chance. On the other hand, the performance of the GFI-based flood extent mapping approach is evaluated using the receiver operating characteristic curve (ROC). This curve plots two parameters: True Positive Rate and False Positive Rate at different classification thresholds.

2.3.2洪水深度

该研究使用RMSE评估技术来量化这两种方法的性能估计洪水深度。RMSE是根号平均平方距离真正的,估计分数和使用作为预测的误差度量定量数据。在洪水水位计测量被用作地面实况数据验证和评估这些洪水深度估计的方法。

3研究区和数据

两个在北卡罗莱纳的低洼地区被选为研究:Princeville镇和近期的城市;因为高分辨率无人机数据集在两个洪水事件的研究。Princeville镇位于焦油河沿岸Edgecombe县在北卡罗莱纳(图3)。Princeville多年来赢得了全国观众的瞩目,因为反复出现的暴雨洪水。几个洪水事件一再影响Princeville多年成立以来因其地势较低的位置。弗洛伊德(1999)飓风,飓风马修(2016),和飓风佛罗伦萨(2018)导致大规模的洪水Princeville并造成巨大的破坏和生命损失。

近期罗伯逊县的一座城市,北卡罗莱纳,美国和位于北卡罗莱纳沿海平原地区的木材河(图4)。木材河洪水问题的历史悠久。在1960年代,美国自然资源保护服务(nrc)开发了一个计划来减轻洪水问题,允许安全的土地开发商业、农业、和住宅用途。它包括构建一个木材河沿岸堤坝系统操作和维护计划维护渠道和堤坝系统。

用于研究的数据包括:

•无人机图像:无人机高分辨率图像被北卡罗来纳州的应急管理(NCEM)在2016年和2018年飓风佛罗伦萨飓风马修版本研究领域。每个图像的大小是4000×4000分辨率为2.6厘米。FCN方法采用无人机图像分割成洪水和non-flood类和创建洪水程度上映射的研究领域。

•激光雷达数据:是在激光雷达数据被用来估计洪水深度研究地区的使用方法。激光雷达有两个脉冲每平方米(请/ m²)精度为0.0925 m RMSE收集在2014年由北卡罗来纳州应急管理。

•洪水地图:飓风马修的洪水风险图作为输入和GFI的校准方法。这张地图是由自然保护协会和亚利桑那州立大学中心使用一个随机森林算法使用合成孔径雷达数据(Schaffer-Smith et al ., 2019;Schaffer-Smith et al ., 2020)(图5)。

•美国地质调查局衡量阅读:美国地质调查局在洪水水位计测量被用作地面实况验证和评估水深度估计的方法。美国地质调查局规站收集时间序列数据描述流水平,河流、水库和湖泊水位,地表水质量,和降雨。他们是用于收集全年连续流水量数据。洪水在美国地质调查局地表水深度测量站,02083500在Tarboro焦油河,数控,收集评估。焦油河Tarboro,数控网站位于随着美国64号业务,直接Princeville焦油河对面的(图2 b)。这个网站非常适合测量流水平在洪水事件由于其接近研究面积是(Hashemi-Beni et al ., 2018)。

4的结果

在这项研究中,洪水范围地图是在MATLAB中实现和Python。地理空间数据的集成,在ArcGIS空间进行了分析。计算单元配置了32 GB内存,Intel Xeon (R) (R) es - 2620 v3 @ 2.40 GHz×2处理器内存,和一个NVIDIA方形住宅区M4000 GPU。

4.1深度学习和数字高程模型洪水深度估计

以下4.4.1泛滥程度上提取

本节提出了洪水程度映射结果使用方法1。图6显示了一个示例洪水程度结果生成使用微调FCN-8s模型。结果表明,图像钙化的方法可以有效地从输入图像中提取水淹面积。总体精度由混淆矩阵计算,通过FCN-8s kappa指数约98%和0.93,分别。

4.1.2洪水深度

图7显示生成洪水深度地图使用提出的方法为研究区域。图7 b说明了洪水地图为测试创建的图像(图7使用FCN-8s)。结果表明FCN-8s准确地提取洪水程度从测试无人机图像。洪水深度映射结果中所示图7 c。这些地图是由减去水面栅格数据和大洪水之前民主党情商。。最高的水深测量使用该方法1.9——深度值记录在焦油河区域,如图所示图7 c(红色区域)。网站与零水深或非淹没区域所示黑色。

4.2地貌洪水基于索引洪水深度估计的结果

GFI-based映射、LiDAR-based民主党和洪水风险图的一小部分感兴趣的盆地(自然保护协会和亚利桑那州立大学中心)作为输入用于映射和校准的目的(图5)。

GFI方法下面的输出结果,估计洪水深度至关重要。1)河的水位在每个细胞网络(人力资源)(图8);2)每个DEM高程差细胞(盆地位置)到最近的河(H) (图8 b);3)推导GFI (图8 c);和4)最优阈值(τ)。生成DEM在ArcGIS使用激光雷达数据。图9显示生成洪水深度地图使用GFI洪水深度学习地图的程度。

然后,水位值(人力资源)的每个单元格河网络被用来估计洪水深度(W.D.)在所有研究区域的水文与细胞估计使用水位值(人力资源)的每一个细胞的河流网络和位置之间的高差H下考试(H)情商。。

一个洪水深度比较这两种方法所示图10。洪水深度地图进行比较来确定水深测量的空间分布是相关的。位图细胞相比,洪水淹没深度和水深不同表面被创建。报告的统计数据计算出洪水不同地图也提出了图10 b——性能评估的方法通过比较身份证年代对水位表数据。提出的RMSE测量方法和GFI使用测量高程数据是0.26和0.39 m,分别。方法1(图片分类)提供更好的估计性能比-基于研究结果。

频率分布图表显示大部分的深度记录这两个方法之间的差异。洪水产生的最大和最小绝对深度差异GFI和深度上优于洪水地图是0.74和0.006 m,分别。最高的水深差异值记录在河的中心地区。平均差值是0.42米,标准偏差为0.16 m。泛滥程度映射和DEM质量的两个主要因素影响这两种方法的质量和性能。各种遥感应用,包括洪水映射,准确数字民主党是必不可少的。深度学习已经被证明是有效的分割任务,取得了可喜的成果在提取淹没的地区,减少高估或低估洪水深度的问题。总的来说,使用准确的洪水范围和民主党可以提高洪水深度估计的性能。此外,估计洪水深度值提供更多的信息,可以使用救援和损伤评估的任务。

像深上优于洪水深度映射方法,GFI-based洪水深度映射方法是高度受到民主党自算法的质量和准确性主要使用它作为输入。是在激光雷达数据被用来创建民主党在本研究中两种方法的实现。但是,与深度学习方法,GFI的方法是不适合小面积的估算洪水深度。因为它需要研究整个水文流域或次盆地计算流量累积值与现实一致的(Manfreda et al ., 2019)。为此,民主党、斜率,积累、流动和流动方向的需要创建整个盆地或次盆地作为输入的任何区域(小或大)洪水深度估计目的基于GFI映射方法。除非这个方法会导致一个错误的结果,只有在盆地或次盆地的一部分。

相比之下,分类方法可以有效地估计洪水深度对任何感兴趣的领域(小或大区域),因为这些方法使用洪水范围和民主党的大小等于感兴趣的领域或研究领域。这可以节省计算时间以及相关问题数据短缺。使用一个精确的洪水区段映射准确地估计水位是至关重要的。不准确的洪水程度提取可能导致高估或低估洪水深度。深入学习算法如CNN可以自动创建泛滥程度从输入图像基于培训。FCN-8s训练与飓风马修(2018)图像在近期研究中。网络测试与佛罗伦萨飓风形象获得Princeville,取得了超过98%的准确率。

集成的方法(方法1)似乎在提取提供更好的性能和洪水创造3 d地图与传统方法相比,如阈值和活动轮廓模型(例如,Matgen et al ., 2007)雷达信号只会逐渐提高瞬态浅水地带淹没和非淹没的地区,并获得准确和及时的洪水分割仍受到不确定性。然而,使用SAR数据在研究解决分割问题淹没植被地区的方法基于光学数据失败。关于水的深度估计,集成的方法似乎更直接的方法比传统的hydrodynamic-based模型(如翼et al ., 2017)由于他们依赖大量的模型参数和水文假设,特别是当一个有限的水文数据可用于映射。

5的结论

洪水是一种严重的自然灾害,对人类生命和财产构成重大威胁。生成一个洪水地图在极端洪水事件对受灾地区规划和有效管理是至关重要的。这项研究调查了深的性能上优于图像分析和GFI泛滥的方法映射在同一研究领域在同一洪水事件。第一种方法采用FCN-8s创建大量使用无人机影像地图,然后,覆盖和综合洪水区段映射与民主党估计洪水深度。,第二种方法仅适用于研究区的DEM计算流域形态特性和估计洪水水位信息来划定边界和测量洪水深度。方法的性能进行了评估使用美国地质调查局计数据作为地面实况数据。深的洪水深度RMSE计算上优于图像分析和- 0.26和0.39 m,分别。GFI的方法是相对简单的实现,它是不适合小面积的估算洪水深度。因为它需要研究整个水文流域或次盆地计算流量累积值与现实一致的。,深上优于洪水映射的图像分类方法可以应用在任何规模。 The results show that the high-resolution image classification offer better estimation for floodwater mapping, minimize the overestimation or underestimation of floods and efficiently create a 3D flood extent map to support emergency response and recovery activities during a flood event.

数据可用性声明

的数据支持本研究的发现可以从相应的作者。

作者的贡献

LH-B和AG):发达的方法、实现写的手稿。

资金

这种材料是基于工作由国家科学基金会(NSF)在批准号1800768:无人机遥感洪水管理和NOAA奖。NA21OAR4590358:快速洪水范围和深度测量使用光学无人机和特别行政区。

的利益冲突

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

引用