CResU-Net : une méthode pour la cartographie des glissements de terrain utilisant l'apprentissage profond

Résumé Les glissements de terrain, qui peuvent survenir en raison de séismes et de fortes pluies, posent des défis importants dans de vastes zones. Pour gérer efficacement ces catastrophes, il est crucial de disposer de méthodes de détection automatique rapides et fiables pour cartographier les glissements de terrain. Ces dernières années, les méthodes d'apprentissage profond, en particulier les réseaux de neurones convolutionnels et les réseaux entièrement convolutionnels, ont été appliquées avec succès dans divers domaines, y compris la détection de glissements de terrain, avec une précision remarquable et une grande fiabilité. Cependant, la plupart de ces modèles ont obtenu de bonnes performances de détection sur la base d'images satellites haute résolution. Dans cette recherche, nous introduisons un U-Net à résidus modifié combiné avec le Module d'Attention de Bloc Convolutionnel, une méthode d'apprentissage profond, pour la cartographie automatique des glissements de terrain. La méthode proposée est entraînée et évaluée en utilisant des ensembles de données librement disponibles acquises à partir des capteurs Sentinel-2, de modèles numériques de terrain et de données de pente d'ALOS PALSAR avec une résolution spatiale de 10 m. Comparé au modèle ResU-Net original, l'architecture proposée a obtenu une précision plus élevée, avec une amélioration du score F1 de 9,1 % pour la classe de glissements de terrain. De plus, elle offre un coût computationnel inférieur, avec 1,38 giga opérations de multiplication-accumulation par seconde (GMACS) nécessaires pour exécuter le modèle contre 2,68 GMACS dans le modèle original. Le code source est disponible à l'adresse https://github.com/manhhv87/LandSlideMapping.git.