Automated landslide detection using Deep Learning

Abstract

Jordskred rammer ofte norske lokalsamfunn. Hendelser som treffer veier og annen infrastruktur rapporteres systematisk basert på bakkeobservasjoner; den resulterende databasen viser imidlertid romlig skjevhet mot slik infrastruktur, og er ufullstendig på andre områder. Nyere studier viser at dyplæring (Deep Learning, DL) kan brukes til å oppdage og kartlegge skred i satellittbilder. Denne studien undersøker om det er potensial for å forbedre skreddatabasen i Norge ved hjelp av disse metodene. Det er første forsøk på en automatisert DL-prosess som bruker norske skreddata.

En DL-modell tilgjengelig i ArcGIS Pro ble testet ved å variere treningsdatasettets skala (nasjonalt og lokalt) og ulike kombinasjoner av inndatabånd som brukes til å trene klassifisereren. Skredinventar (n=120) fra sommerstormen i Jølster 30. juli, 2019 ble brukt til å verifisere prediksjonsresultatene.

Forberedelse av treningsdatasettet innebar (i) valg av hendelser, (ii) innhenting av satellittbilder, og (iii) verifisering av hendelsene. Førs ble den nasjonale skredpolygonen database og andre inventar filtrert for hendelser etter 2017 og areal over 1000 m^2. Ved å ekskludere skred fra verifikasjonssettet var 21 hendelser tilgjengelige. Sentinel-1 og Sentinel-2 satellittbilder av disse skredhendelsene ble innhentet for hver lokasjon ved hjelp av Google Earth Engine (GEE). Alle skred ble avgrenset under verifiseringsprosessen, som resulterte i et endelig sett med 52 merkede skredpolygoner til bruk for trening av nasjonale DL-modeller. DL-modellen ble deretter trenet ved hjelp av syv forskjellige kombinasjoner av inngangsdata, inkludert bånd fra optisk- og syntetisk apertur-radarsatellitter, samt digitale høydemodeller.

Det ble funnet at den inndataen som var best egnet for å oppdage skred var et forskjellsbilde av normalisert differanse-vegetasjonsindeks (dNDVI). Med dNDVI-inndataene ble det oppnådd en presisjon på 0,30, recall på 0,36, F1 på 0,33 og en Matthews korrelasjonskoeffisient (MCC) på 0,33.

Ingen avgjørende forbedring ble observert ved bruk av et lokalt treningsdatasett sammenlignet med et nasjonalt treningsdatasett. Recall-verdien var litt høyere med modellene trent på lokale datasett, mens presisjonsskårene var lavere enn de nasjonale modellene. Presisjons-, F1-, MCC- og recall-verdier er betydelig lavere enn samme verdier i andre studier. Dette skyldes sannsynligvis ikke-representative treningsutvalg, lav sample-størrelse og uegnede DL-parametere.

Disse resultatene indikerer at det er et lovende potensial for å forbedre skreddata ved å bruke disse metodene, men resultatene var begrenset av mangelen på tilgjengelig treningsdata og ikke å ha optimale DL-parametere. Ytterligere studier kan dra nytte av mer treningsdata og mindre støy i treningdataen.

Landslides events frequently affect Norwegian communities. Events that impact roads and other infrastructure are systematically reported based on ground observations; however the resulting database shows spatial bias towards such infrastructure, and is incomplete in other areas. Recent studies show that Deep Learning (DL) can be used to detect and map landslides in satellite images. This study investigates whether there is potential to improve the landslide database in Norway using these methods. It is the first attempt of an automated DL process using Norwegian landslide data.

A DL model available in ArcGIS Pro was tested by varying the training data set scale (national and local) and the combination input bands used for training the classifier. The Jølster landslide inventory (n=120) from the July 30, 2019 summer rainstorm was used for verification of the prediction results.

Preparation of the training data set involved (i) selecting events, (ii) acquiring satellite images, and (iii) verification of the events. Firstly, the national landslide polygon database and other inventories were filtered for post-2017 events greater than 1000 m^2. Excluding landslides from the verification set, 21 events were available. Sentinel-1 and Sentinel-2 satellite images of these landslide events were acquired for each event location using Google Earth Engine (GEE). All landslides were delineated during the verification process, resulting in a final set of 52 labelled landslide polygons to use for the training of national DL models. The DL model was then trained using seven different combinations of input data, including bands from optical and synthetic aperture radar satellites, as well as digital elevation models.

It was found that the input data that was best suited for detecting landslides was an image featuring difference Normalised Difference Vegetation Index (dNDVI). With dNDVI input data it was achieved a precision of 0.30, recall of 0.36, F1 of 0.33 and a Matthews Correlation Coefficient (MCC) of 0.33.

No significant improvement was observed when using a local training sample set compared to a national sample set. Recall values were slightly higher with the models trained on local data set, while precision scores were lower than that of the national model. Precision, F1, MCC and recall values are considerably lower than that of other studies in literature. This is likely due to unrepresentative training samples, low sample size, and unsuitable DL parameters.

These results indicate that there is promising potential to improve landslide data using these methods, however the results were limited by the lack of available training data and not having optimal DL parameters. Further studies could benefit from a bigger sample size and less noise in training samples.