[论文解读] A Probabilistic Approach for Predicting Landslides by Learning a Self-Aligned Deep Convolutional Model.

Ainaz Hajimoradlou, Gioachino Roberti+1 more|arXiv (Cornell University)|Nov 12, 2019

Landslides and related hazards参考文献 4被引用 1

一句话总结

本文提出局部对齐卷积神经网络（LACNN），一种深度学习模型，通过学习将滤波器与局部地形梯度对齐，利用多源地理空间特征预测滑坡易发性。通过引入上坡方向作为先验知识，LACNN在标准化地理参考数据集上相比基线模型，预测准确率提升2–7%，对数似然值提升2–15%。

ABSTRACT

Landslides, movement of soil and rock under the influence of gravity, are common phenomena that cause significant human and economic losses every year. Experts use heterogeneous features such as slope, elevation, land cover, lithology, rock age, and rock family to predict landslides. To work with such features, we adapted convolutional neural networks to consider relative spatial information for the prediction task. Traditional filters in these networks either have a fixed orientation or are rotationally invariant. Intuitively, the filters should orient uphill, but there is not enough data to learn the concept of uphill; instead, it can be provided as prior knowledge. We propose a model called Locally Aligned Convolutional Neural Network, LACNN, that follows the ground surface at multiple scales to predict possible landslide occurrence for a single point. To validate our method, we created a standardized dataset of georeferenced images consisting of the heterogeneous features as inputs, and compared our method to several baselines, including linear regression, a neural network, and a convolutional network, using log-likelihood error and Receiver Operating Characteristic curves on the test set. Our model achieves 2-7% improvement in terms of accuracy and 2-15% boost in terms of log likelihood compared to the other proposed baselines.

研究动机与目标

• 解决利用坡度、高程、土地覆盖和岩性等异质地理空间特征预测滑坡的挑战。
• 通过比传统卷积网络更有效地建模地形数据中的空间关系，提升滑坡预测性能。
• 将“上坡”方向作为先验知识引入，因为该概念无法仅从数据中学习得到。
• 开发一种深度学习模型，可在多尺度下自适应地匹配局部地面表面方向，实现逐点滑坡风险评估。
• 使用对数似然值和ROC曲线下面积（AUC-ROC）指标，将模型性能与标准基线模型进行对比验证。

提出的方法

• 提出局部对齐卷积神经网络（LACNN），一种CNN变体，其滤波器学习与局部地形梯度对齐，而非固定或旋转不变的滤波器。
• 利用上坡方向的先验知识引导滤波器方向，弥补数据不足导致无法直接学习该概念的缺陷。
• 将由异质特征（如坡度、高程、土地覆盖）组成的地理参考输入图像作为多通道空间数据进行处理。
• 应用多尺度特征提取，捕捉与滑坡起始相关的局部地形形态。
• 采用端到端训练方式，使用监督学习在每个空间点上预测滑坡概率。
• 在标准化测试集上使用对数似然误差和AUC-ROC评估性能。

实验结果

研究问题

• RQ1 与标准CNN相比，能够将滤波器与局部地形梯度对齐的深度学习模型是否能提升滑坡预测准确率？
• RQ2 在滑坡易发性制图中，引入上坡方向的先验知识如何影响模型性能？
• RQ3 在对数似然值和AUC-ROC指标上，LACNN相比线性回归和标准神经网络等传统方法的性能提升程度如何？
• RQ4 滤波器的多尺度局部对齐是否能增强滑坡易发区域的检测能力？
• RQ5 自对齐卷积模型是否能在多种不同的地理空间特征上实现有效泛化？

主要发现

• 与线性回归、标准神经网络和传统卷积网络等基线模型相比，LACNN在预测准确率上提升了2–7%。
• 模型在对数似然性能上实现了2–15%的提升，表明其概率预测更加校准。
• 将上坡方向作为先验知识显著增强了模型的泛化能力和空间推理能力。
• LACNN在对数似然值和AUC-ROC两项指标上均优于所有基线模型，展现出强大的鲁棒性和预测能力。
• 标准化地理参考数据集使得不同模型之间的性能可比性与结果可复现性得到可靠保障。
• 多尺度局部对齐使模型能够捕捉与滑坡起始相关的细微地形特征。