Key points are not available for this paper at this time.
Résumé. La cartographie rapide et précise des glissements de terrain suite à des événements déclencheurs extrêmes est cruciale pour la réponse d'urgence, la prévention des risques et la gestion des catastrophes. Les approches basées sur l'intelligence artificielle permettent une cartographie rapide des glissements de terrain, cependant, le manque d'un ensemble de données mondialement distribué, haute résolution et basé sur des événements pose un défi majeur pour le développement de modèles d'apprentissage automatique généralisés pour la détection des glissements de terrain. Cet article aborde ce problème en concevant un ensemble de données de glissements de terrain cosismiques diversifié, le Globally Distributed Coseismic Landslide Dataset (GDCLD), qui comprend des images de télédétection multi-sources (c'est-à-dire PlanetScope, Gaofen-6, Map World et drone) couvrant divers contextes géographiques et géologiques à travers le monde. Le GDCLD peut être consulté via ce lien : https://doi.org/10.5281/zenodo.11369484 (Fang et al., 2024). De plus, nous évaluons le potentiel du GDCLD en analysant la performance de cartographie des sept algorithmes de segmentation sémantique les plus populaires. Nous validons également les capacités de généralisation de l'ensemble de données en déployant les modèles sur trois types d'images de télédétection provenant de quatre régions indépendantes. En outre, nous évaluons également le modèle sur un ensemble de données de glissements de terrain induits par la pluie et obtenons de bons résultats, démontrant son applicabilité dans la segmentation des glissements de terrain sous d'autres facteurs déclencheurs. Les résultats indiquent la supériorité de l'ensemble de données proposé dans la détection des glissements de terrain, offrant une solution de cartographie robuste pour une évaluation rapide lors de futurs événements extrêmes qui déclenchent des glissements de terrain à travers le globe.
Fang et al. (Jeu,) ont étudié cette question.