لوله زهکشی که باعث خاموشی آتش فشان شد

بیش از نیمی از زمین های زراعی در غرب میانه ایالات متحده به لوله های زهکشی زیرسطحی برای کاهش آب اضافی در مناطق پربار اما مرطوب مجهز شده اند.

استفاده از لوله زهکشی نه تنها سطح ایستابی زیرسطحی را برای جلوگیری از غرقاب و سیل کاهش می دهد، بلکه با ایجاد مسیرهای جریان ترجیحی مصنوعی تلفات مواد مغذی را افزایش می دهد.

بنابراین، مکان دقیق لوله های زهکشی زیرسطحی برای مدیریت و نظارت بر کیفیت آب و آلودگی منبع غیر نقطه ای ضروری است.

با این حال، چنین داده هایی به دلیل مالکیت خصوصی به طور گسترده در دسترس نیستند.

مطالعات قبلی از روش‌های معمولی فیلتر کردن تصویر، تصاویر حرارتی و رادار نفوذ به زمین برای شناسایی لوله‌های زهکشی زیرسطحی استفاده می‌کردند.

به دلیل ویژگی‌های سطحی، مانند شیارها و فرورفتگی‌ها، و در دسترس بودن داده‌های محدود آنها، این آزمایش‌ها یک رویکرد قوی برای شناسایی لوله‌های زهکشی زیرسطحی در یک منطقه بزرگ ارائه نکردند.

برای غلبه بر این محدودیت‌ها، در این مطالعه، ما یک رویکرد تشخیص لوله‌های زهکشی زیرسطحی را بر اساس یادگیری عمیق با تصاویر نوری پیشنهاد می‌کنیم.

رویکرد یادگیری عمیق ما از یک معماری شبکه کاملاً پیچشی (FCN) استفاده می‌کند که یک وصله تصویر نوری را به عنوان ورودی می‌گیرد و یک خروجی از نقشه تشخیص لوله زهکشی به صورت پیکسلی ارائه می‌دهد.

FCN با استفاده از مجموعه داده‌های تصویر نوری به‌دست‌آمده از یک نرم‌افزار رایگان Google Earth که داده‌های فراوان زمانی و مکانی را ارائه می‌دهد، آموزش داده و تأیید شد.

سپس FCN آموزش‌دیده برای تشخیص عملکرد لوله زهکشی در مقیاس بزرگ اعمال شد.

مقایسه عملکرد بین رویکرد یادگیری عمیق پیشنهادی و تکنیک‌های پردازش تصویر مرسوم (روش‌های تشخیص لبه Sobel و Canny) نیز انجام شد.

نتایج نشان می‌دهد که رویکرد یادگیری عمیق پیشنهادی، عملکرد دقیق و قوی تشخیص خط تخلیه را با میانگین ضریب Dice 0.58 برای مجموعه‌های اعتبارسنجی نشان می‌دهد، که عملکردی برتر نسبت به تکنیک‌های پردازش تصویر معمولی ارائه می‌دهد.