一种基于可见光-热红外数据融合的新自动方法，用于检测地质裂隙：以法国诺曼底地区的Vaches Noires荒地为例

《Landslides》：A new automatic approach based on visible-thermal infrared data fusion to detect geological fracturation: the case of the Vaches Noires badland, Normandy, France

滑坡易发区地质断裂检测技术研究。基于卷积神经网络构建航空影像分析模型，结合可见光与热红外影像的早期数据融合方法，在诺曼底Vaches Noires悬崖区验证，使检测准确率提升5%，F1值提高2%，显著降低假阳性率。

　　

摘要

在易发生滑坡的地区检测裂缝非常重要，因为这些裂缝往往是斜坡不稳定的早期迹象。本研究报道了在法国诺曼底的Vaches Noires悬崖上应用的自动裂缝检测技术。虽然人工智能和高性能处理器已经使得自动裂缝检测在道路工程等领域得到广泛应用，但其在地质研究中的应用仍然有限。为了解决这一差距，研究表明，利用航空影像训练卷积神经网络是一种有效且前景广阔的方法，可以提高裂缝区域的测绘精度。此外，通过早期数据融合方法将热红外影像中的温度数据与可见光影像结合使用，被证明是减少由复杂图像纹理和天气变化引起的检测误差的关键因素。将融合数据与未融合数据的结果进行比较后发现，这种结合方法使检测精度提高了5%，F1分数提高了2%，尤其是通过利用额外的热信息显著减少了误报。这些发现突显了机器学习技术的潜力以及双模成像在裂缝检测中的附加价值，同时也为早期预警系统的开发和完善灾害管理策略提供了更广泛的启示。