اميرمحمد اقاجاني

Automated Detection of Faults an‎d Fracture Lines from Satellite Images Using a U-Net-Based Network

شناسايي خودكار گسل‌ها و خطوط شكستگي زمين از تصاوير ماهواره‌اي، به دليل نقش حياتي اين ساختارها در اكتشاف منابع معدني، ارزيابي خطر زلزله و مهندسي عمران، از اهميت بالايي برخوردار است. روش‌هاي سنتي تفسير بصري، بسيار زمان‌بر و متأثر از سوگيري‌هاي انساني هستند. اين پژوهش به منظور غلبه بر اين چالش‌ها، به ارزيابي و مقايسه عملكرد مدل‌هاي مختلف مبتني بر معماري U-Net در قالب يك مسئله بخش‌بندي معنايي دودويي مي‌پردازد. در اين راستا، يك مجموعه داده از تصاوير ماهواره‌اي منطقه‌اي در جنوب شاهرود، همراه با ماسك‌هاي دستي گسل‌ها تهيه و با روش‌هاي داده‌افزايي غني‌سازي شد. معماري‌هاي مختلفي شامل U-Net كلاسيك با تراكم‌هاي متفاوت فيلتر (32 و 64) و يك نسخه سبك‌شده از MS-Unet پياده‌سازي و آموزش داده شدند. به منظور مقابله با مشكل حاد عدم تعادل كلاس‌ها، توابع ضرر پيشرفته‌اي نظير Focal Loss و Weighted Binary Cross-Entropy (WBCE) به كار گرفته شد و اثر پارامترهاي مختلف آنها (γ و α) به دقت بررسي گرديد. ارزيابي‌ها با معيارهاي Tversky Index (با تأكيد بر كاهش خطاي منفي)، Precision و Recall انجام شد. نتايج تجربي نشان داد كه مدل U-Net با 64 فيلتر اوليه و تابع ضرر Focal Loss (با پارامترهاي γ=2 و α=0.5) به بهترين عملكرد كلي دست يافت و موازنه مطلوبي بين دقت شناسايي و پوشش نواحي گسلي برقرار كرد. در مقابل، كاهش ظرفيت مدل به 32 فيلتر و همچنين ساده‌سازي بيش از حد معماري در MS-Unet منجر به افت محسوس در دقت بخش‌بندي شد. همچنين، اگرچه تابع WBCE به بالاترين نرخ Recall دست يافت، اما اين موفقيت به بهاي كاهش شديد Precision و ايجاد نويز زياد در خروجي بود. در مجموع، اين پژوهش مؤثر بودن رويكرد يادگيري عميق و به طور خاص معماري U-Net را در شناسايي خودكار گسل‌ها از تصاوير اپتيكال به اثبات رساند و نشان داد كه انتخاب بهينه ظرفيت مدل و تابع ضرر، عاملي تعيين‌كننده در موفقيت اين گونه سيستم‌ها است.

شناسايي خودكار گسل ها , بخش بندي معنايي , شبكه هاي عصبي Net-U , يادگيري عميق , تصاوير ماهواره‌اي , عدم تعادل كلاس , Focal Loss , Tversky Index , سنجش از دور