Eine auf Deep Learning basierende Methode zur halbautomatischen Identifizierung von Siedlungsgebieten innerhalb von Risikozonen unter Verwendung von Luftbildern und Multiquellen-GIS-Daten: Eine Anwendung für das Rutschungsrisiko

Naturkatastrophen haben erhebliche Auswirkungen auf städtische Gebiete, was zu Verlusten an Menschenleben und urbanen Diensten führt. Durch die Nutzung von Satelliten- und Luftbildern kann die schnelle und automatische Bewertung von gefährdeten Gebäuden das gesamte Katastrophenmanagementsystem städtischer Gebiete verbessern. Dazu ist die Definition und Implementierung von Modellen mit starker Generalisierung sehr wichtig. Ausgehend von diesen Annahmen schlagen die Autoren einen Deep-Learning-Ansatz auf Basis des U-Net-Modells vor, um Gebäude zu kartieren, die in kartierten Rutschungsrisikogebieten liegen. Das U-Net-Modell wird mit dem Satellitenbilddatensatz von Dubai trainiert und validiert. Die Übertragbarkeit der Modellergebnisse wird in drei verschiedenen städtischen Gebieten der Region Kalabrien, Süditalien, mit natürlichen Farb-Ortho-Bildern und Multiquellen-GIS-Daten getestet. Die Ergebnisse zeigen, dass die vorgeschlagene Methodik Gebäude erkennen und vorhersagen kann, die in Rutschungsrisikozonen fallen, mit einer bemerkenswerten Übertragungsfähigkeit. Während der Präventionsphase der Notfallplanung kann dieses Werkzeug Entscheidungsträger und Planer bei der schnellen Identifizierung von Gebäuden, die sich in Risikobereichen befinden, und während der Nachereignisphase unterstützen, indem es die Bedingungen des urbanen Systems nach einem Risikoereignis bewertet.