【2024|滑坡数据集论文解读1】CAS滑坡数据集：用于深度学习滑坡检测的大规模多传感器数据集

【2024|滑坡数据集论文解读1】CAS滑坡数据集：用于深度学习滑坡检测的大规模多传感器数据集

【2024|滑坡数据集论文解读1】CAS滑坡数据集：用于深度学习滑坡检测的大规模多传感器数据集

---

---

欢迎宝子们点赞、关注、收藏！欢迎宝子们批评指正！
祝所有的硕博生都能遇到好的导师！好的审稿人！好的同门！顺利毕业！

大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文。详细信息可关注VX “学术会议小灵通”或参考学术信息专栏：https://blog.csdn.net/gaoxiaoxiao1209/article/details/146181864

---

论文链接：https://www.nature.com/articles/s41597-023-02847-z

摘要

在本研究中，我们提出了CAS滑坡数据集，这是一种基于深度学习的大规模多传感器滑坡检测数据集，由中国科学院山地灾害与环境研究所人工智能团队开发。该数据集旨在解决滑坡识别中遇到的挑战。随着气候变化和地震导致的滑坡发生率增加，迫切需要一个精确且全面的数据集，以支持快速高效的滑坡识别。与现有数据集在规模、覆盖范围、传感器类型和分辨率方面的限制相比，CAS滑坡数据集包含了20,865幅图像，集成了来自九个区域的卫星和无人机数据。为了确保数据集的可靠性和适用性，我们建立了稳健的评估方法来评估数据集的质量。我们建议使用该滑坡数据集作为构建滑坡识别模型的基准，并推动深度学习技术的发展。研究人员可以利用该数据集获得增强的预测、监测和分析能力，从而推进滑坡自动检测的发展。

1、Background & Summary

滑坡作为全球范围内的重大自然灾害，给山区带来了极大的挑战。随着气候变化、人口增长和城市化进程的加剧，滑坡的发生频率和强度显著增加。为了有效减轻滑坡带来的风险，获取精确且全面的滑坡编目图，准确记录滑坡的发生情况及其特征，至关重要。随着深度学习技术的发展，利用卷积神经网络（CNN）辅助生成滑坡编目图已成为当前的趋势。然而，现有的用于深度学习的滑坡数据集存在诸多局限性，阻碍了滑坡识别研究的进一步推进。

首先，从数据集规模来看，大多数数据集相对较小，仅包含有限数量的样本，其中最大的公开深度学习滑坡数据集包含3799张图像，而最小的数据集仅有59张图像。这种数据稀缺性限制了构建鲁棒且具备广泛泛化能力模型的可能性。其次，数据质量可能存在问题，许多模型依赖的数据集并未公开或缺乏审核，这些数据集往往分辨率较低，无法捕捉滑坡的细粒度特征。此外，滑坡的采样严重不足，这对模型有效学习滑坡多样性构成了挑战。这种采样不足体现在多个方面：数据覆盖区域有限、采样设备受限、样本数量不足，尤其是在涵盖多样滑坡诱因（如降雨、地震和火山喷发）方面更为缺乏。这些关于样本规模、数据质量和多样性的限制共同阻碍了滑坡识别模型的发展与应用。此外，缺乏基准数据集也限制了滑坡识别模型的比较评估，使研究人员难以全面评估模型的优缺点及改进潜力。

为填补这一空白，我们提出了CAS滑坡数据集，该数据集包含来自九个不同区域的20,865幅RGB图像，集成了无人机（UAV）和卫星（SAT）影像，提供了多样的地形和环境条件，用于训练和评估滑坡识别模型。在数据集的创建过程中，我们采用了严格的质量评估方法，确保数据的完整性。通过实验验证，我们明确展示了该方法的有效性。此外，通过与现有的深度学习滑坡数据集进行对比分析，我们证明了CAS滑坡数据集在数量、质量和泛化能力方面的优势。研究结果表明，CAS滑坡数据集具备作为训练和基准滑坡模型的标准化参考数据集的潜力。换言之，其他研究人员可以将该数据集作为标准化数据集，用于训练和比较各种模型的性能。通过利用该数据集的多样性和全面性，研究人员可以开发出更加精确且强大的模型，精确识别滑坡，从而提升灾害管理和风险减缓策略。CAS滑坡数据集具有广泛的地理覆盖范围，公开可访问，能够推动科学界对滑坡机制的理解，并为减轻滑坡对人类的影响作出贡献。

在表1中，我们展示了从数据集各子数据集中提取的代表性样本及其对应标签。每一行对应一个样本，展示了来自相应子数据集的图像及其关联标签。

使用说明

CAS滑坡数据集提供了超高分辨率、多模态和多样化场景，涵盖了不同地形、气候和植被变化。然而，需注意其局限性。具体来说，尽管数据集包含多样的场景，但在深度学习任务中的数据量仍相对较少，且某些子数据集之间存在显著的区域差异。在训练和使用CAS滑坡数据集时，应考虑这些差异对结果的潜在影响。此外，在解释结果和评估数据集性能时，还需注意数据集的局限性，例如其空间分辨率范围为0.2-5米，以及其数据源自SAT和UAV平台。