LMHLD (Large-scale Multi-source High-resolution Landslide Dataset)

LMHLD是一个大规模多源高分辨率滑坡数据集，由中国地质大学（武汉）未来技术学院构建。该数据集收集了全球七个研究区域的遥感图像，包括中国汶川、巴西里约热内卢、尼泊尔戈尔卡、中国九寨沟、中国台湾、日本北海道和意大利艾米利亚-罗马涅，涵盖了不同触发条件下的多种类型滑坡。数据集包含25365个不同大小的斑块，以适应不同尺度的滑坡检测需求，为基于深度学习的滑坡检测提供了丰富的训练样本。

LMHLD is a large-scale multi-source high-resolution landslide dataset constructed by the School of Future Technology, China University of Geosciences (Wuhan). This dataset collects remote sensing images from seven global research regions, including Wenchuan (China), Rio de Janeiro (Brazil), Gorkha (Nepal), Jiuzhaigou (China), Taiwan (China), Hokkaido (Japan) and Emilia-Romagna (Italy), covering multiple types of landslides under different triggering conditions. It contains 25,365 patches of varying sizes to meet the demands of landslide detection at different scales, providing abundant training samples for deep learning-based landslide detection.

AI搜集汇总

数据集介绍

构建方式

LMHLD数据集的构建方式，是通过收集来自五个不同卫星传感器的远程 sensing 图像，覆盖了七个全球代表性研究区域。这些区域包括中国汶川（2008年）、巴西里约热内卢（2011年）、尼泊尔戈尔卡（2015年）、中国九寨沟（2015年）、中国台湾（2018年）、日本北海道（2018年）和意大利艾米利亚-罗马涅（2023年）。数据集共包含25,365个图像块，具有不同的尺寸，以适应不同的滑坡规模。此外，还设计了训练模块LMHLDpart，以适应不同规模的滑坡检测任务，并减轻多任务学习中灾难性遗忘的问题。

使用方法

LMHLD数据集的使用方法如下：1. 从数据集网站下载所需的图像块和标签数据；2. 根据具体的滑坡检测任务，选择合适的图像块尺寸；3. 使用LMHLDpart模块进行训练，以适应不同规模的滑坡检测任务；4. 使用训练好的模型进行滑坡检测，并评估模型的性能。

背景与挑战

背景概述

滑坡是全球范围内最常见的自然灾害之一，对人类社会构成重大威胁。深度学习（DL）已被证明是快速生成大规模灾害区域滑坡清单的有效方法。然而，DL模型依赖于高质量的标记滑坡数据来提取强大的特征。此外，基于DL的滑坡检测急需一个基准数据集来评估最新模型的一般化能力。为了解决上述问题，我们构建了一个基于DL的滑坡检测大型多源高分辨率滑坡数据集（LMHLD）。LMHLD收集了来自五个不同卫星传感器的遥感图像，涵盖了全球七个研究区域：中国汶川（2008年）、巴西里约热内卢（2011年）、尼泊尔戈尔卡（2015年）、中国九寨沟（2015年）、中国台湾（2018年）、日本北海道（2018年）和意大利艾米利亚-罗马涅（2023年）。该数据集包括总共25,365个块，具有不同的块大小以适应不同的滑坡规模。此外，还设计了一个训练模块LMHLDpart，以适应不同规模的滑坡检测任务，并减轻多任务学习中的灾难性遗忘问题。此外，由LMHLD训练的模型在其他数据集上的应用突出了LMHLD的鲁棒性。使用来自U-Net家族的七个DL模型设计的五个数据集质量评估实验表明，LMHLD有可能成为滑坡检测的基准数据集。LMHLD是公开获取的，可以通过链接https://doi.org/10.5281/zenodo.11424988访问。该数据集为DL模型提供了坚实的基础，加速了DL在滑坡检测中的发展，并成为滑坡预防和缓解努力的有价值资源。

当前挑战

LMHLD数据集面临的挑战包括：（1）缺乏高质量的标记滑坡数据，限制了DL模型在滑坡检测中的特征提取能力；（2）需要构建一个基准数据集来评估最新模型的一般化能力；（3）需要解决滑坡检测中多源高分辨率遥感图像的整合问题；（4）需要确定最佳的块大小选择方法，以适应不同规模的滑坡和图像的空间分辨率；（5）需要解决多任务学习中的灾难性遗忘问题，确保模型能够学习新的知识而不丢失先前获得的知识；（6）需要确保基准数据集的可靠性和适用性，以便在现实世界场景中应用。

常用场景

经典使用场景

LMHLD数据集作为大规模多源高分辨率滑坡数据集，为深度学习模型提供了丰富的训练样本，使其能够捕捉不同类型滑坡的地表特征和变化，从而促进对各地滑坡特征的全面分析。该数据集适用于全球范围内的滑坡检测任务，通过提供不同尺度的滑坡图像，支持模型在不同地理环境和气候条件下的特征提取和检测。

解决学术问题

LMHLD数据集解决了现有滑坡数据集在卫星传感器空间分辨率、图像分辨率、训练样本多样性和标注质量等方面的不足。通过收集来自五个不同卫星传感器的图像，LMHLD提供了多源、高分辨率的滑坡数据，有效提升了模型在未知区域和不同滑坡类型上的检测能力和泛化能力。此外，该数据集通过手动标注和检验，确保了标注的准确性和可靠性，为深度学习模型训练提供了高质量的数据基础。

实际应用

LMHLD数据集在实际应用中，可帮助研究人员快速生成详细的滑坡清单，以减轻滑坡带来的各种危害。通过深度学习模型在LMHLD上训练，可以实现对滑坡事件的快速监测和记录，进而分析滑坡的原因和影响，评估潜在风险，并制定有效的应对措施。此外，LMHLD数据集的公开访问性，使其成为滑坡预防和减缓工作的宝贵资源，有助于保护人民的生命财产安全。

数据集最近研究

最新研究方向

LMHLD数据集通过集成多源高分辨率遥感影像，为基于深度学习的滑坡检测提供了强大的数据支持。该数据集的构建不仅解决了现有数据集在分辨率、传感器类型和地理范围上的局限性，而且还通过采用不同的图像块大小来适应不同规模的滑坡检测任务，提高了模型的性能和适应性。此外，LMHLDpart模块的引入，使得模型能够在多个子数据集上进行连续训练，有效地缓解了灾难性遗忘问题，增强了模型的泛化能力。LMHLD数据集的发布和实验验证，为其成为滑坡检测领域的新基准数据集奠定了基础，并为未来的滑坡预防和减灾工作提供了宝贵的资源。

相关研究论文

• LMHLD: A Large-scale Multi-source High-resolution Landslide Dataset for Landslide Detection based on Deep Learning

  中国地质大学（武汉）未来技术学院 · 2025年