[论文解读] Monitoring the Impacts of a Tailings Dam Failure Using Satellite Images

Jaime Moraga, Gurbet Gurkan+1 more|arXiv (Cornell University)|Jan 1, 2019

Tailings Management and Properties参考文献 4被引用 3

一句话总结

本研究提出一种利用哨兵-2卫星影像和定制卷积神经网络（Jigsaw CNN）的深度学习方法，以测绘巴西2019年布鲁马迪纽尾矿坝溃坝事件后的土地利用与土地覆盖变化。该方法在灾前分类中达到99%的准确率，在灾后使用微调模型进行映射时达到98%的准确率，能够精确量化受影响区域的各类土地覆盖类型，包括177.4公顷森林和39.0公顷农业用地受到影响。

ABSTRACT

Monitoring dam failures using satellite images provides first responders with efficient management of early interventions. It is also equally important to monitor spatial and temporal changes in the inundation area to track the post-disaster recovery. On January 25th, 2019, the tailings dam of the Córrego do Feijão iron ore mine, located in Brumadinho, Brazil, collapsed. This disaster caused more than 230 fatalities and 30 missing people leading to damage on the order of multiple billions of dollars. This study uses Sentinel-2 satellite images to map the inundation area and assess and delineate the land use and land cover impacted by the dam failure. The images correspond to data captures from January 22nd (3 days before), and February 02 (7 days after the collapse). Satellite images of the region were classified for before and aftermath of the disaster implementing a machine learning algorithm. In order to have sufficient land cover types to validate the quality and accuracy of the algorithm, 7 classes were defined: mine, forest, build-up, river, agricultural, clear water, and grassland. The developed classification algorithm yielded a high accuracy (99%) for the image before the collapse. This paper determines land cover impact using two different models, 1) by using the trained network in the "after" image, and 2) by creating a second network, trained in a subset of points of the "after" image, and then comparing the land cover results of the two trained networks. In the first model, applying the trained network to the "after" image, the accuracy is still high (86%), but lower than using the second model (98%). This strategy can be applied at a low cost for monitoring and assessment by using openly available satellite information and, in case of dam collapse or with a larger budget, higher resolution and faster data can be obtained by fly-overs on the area of concern.

研究动机与目标

• 开发一种低成本、可扩展的遥感方法，用于尾矿坝溃坝后快速进行灾后影响评估。
• 评估迁移学习和微调在使用多光谱卫星数据分类土地利用与土地覆盖（LULC）变化方面的有效性。
• 利用开放获取的卫星影像，量化布鲁马迪纽尾矿坝溃坝事件影响的空间范围和土地覆盖类型。
• 展示利用深度学习实现高精度、高效率的LULC制图在灾害响应和环境监测中的可行性。
• 为采矿公司和应急响应人员提供一种框架，利用免费获取的数据和GPU加速处理技术，监测大坝溃坝事件和修复进展。

提出的方法

• 利用2019年1月22日（灾前）和2019年2月2日（灾后）拍摄的哨兵-2多光谱卫星影像进行时间序列分析。
• 应用一种专门训练的卷积神经网络Jigsaw CNN，其在7类土地覆盖上进行训练：矿区、森林、建筑区、河流、农业用地、清水和草地。
• 采用双模型方法：(1) 将预训练模型直接应用于灾后影像以实现快速评估；(2) 在灾后影像中部分标记像素上对模型进行微调，以提升精度。
• 通过数据增强和空间上下文利用，提升在12波段多光谱数据上的分类性能。
• 通过比较灾前和灾后LULC分类结果生成变化图，以识别受影响区域和土地覆盖类型转变。
• 引入NDVI、NDWI和NDMI等光谱指数作为额外输入层，以增强对植被、水体和泥浆的特征表示。

实验结果

研究问题

• RQ1 未经微调的预训练深度学习模型是否能在灾后卫星影像中实现高精度的土地利用与土地覆盖分类？
• RQ2 在灾后数据上对模型进行微调，与直接使用预训练模型进行推理相比，能在多大程度上提升分类准确率？
• RQ3 布鲁马迪纽尾矿坝溃坝事件影响的土地覆盖类型的空间范围和构成如何？
• RQ4 如何结合开放获取的多光谱卫星数据与深度学习，支持快速、低成本的灾后影响评估？
• RQ5 该方法在真实场景中用于采矿业和灾害响应的实时监测时，其实际局限性和可扩展性如何？

主要发现

• 预训练的Jigsaw CNN在灾前影像上实现了99%的分类准确率，表明其在基准土地覆盖制图中具有高度可靠性。
• 将预训练模型直接应用于灾后影像可获得86%的准确率，表明即使未经微调，其性能依然出色。
• 在部分灾后标记像素上对模型进行微调后，准确率提升至98%，显著优于直接推理方法。
• 大坝溃坝导致的淹没总面积估计为254.25公顷，其中受影响最大的是森林（177.4公顷），其次是农业用地（39.0公顷）。
• 变化图显示，另有1.4公顷河流、3.6公顷清水、9.8公顷建筑区和23.0公顷草地也受到波及。
• 该方法可实现成本低廉、可重复的灾害影响与修复进展监测，仅依赖开放获取数据和适度计算资源。