Extreme Starkregenereignisse können zahlreiche Erdrutsche und Einstürze auslösen, die eine große Anzahl an Todesopfern und Schäden verursachen. Die schnelle Erfassung der Merkmale und Ausdehnungen von Erdrutschen kann eine effektive Datenunterstützung für die Notfallbewältigung und die Risikoprävention von Katastrophen bieten. In dieser Studie werden optische Nach-Katastrophen-Bilder genutzt, die auf dem verbesserten Inception‑v3-Tiefenlernmodell basieren, um eine intelligente Erkennung durchzuführen. Durch die extraktion mehrschichtiger Merkmale wie Textur und Morphologie werden mittels Gelände-Schwellenwertkorrekturen die Ergebnisse der Interpretation angepasst und die Unsicherheiten bei der Interpretation aufgrund von Wolken, Nebel und trübem Wasser gelöst. Die Ergebnisse zeigen, dass bei einer Schwellenwertkorrektur des Gefälles unter 6° der F-Wert von 0.76 auf 0.896 steigt. Unter den Testbedingungen erzielt das korrigierte Modell eine Genauigkeit von 0.898, eine Rückrufrate von 0.883 und einen F-Wert von 0.890. Die Segmentierung von Bildern in ein 25 m × 25 m Raster (entspricht 125 × 125 Pixeln) dauert unter den experimentellen Bedingungen durchschnittlich 8 Minuten und ist damit 45-mal schneller als die traditionelle manuelle visuelle Interpretation (6 Personen × 15 Stunden/Bild), was den Anforderungen an die zeitliche Effizienz bei der Notfallreaktion gerecht wird. Dies kann eine schnelle, präzise und effektive wissenschaftliche Grundlage für die Katastrophenvorbeugung, -minderung und -hilfe bieten.

Geologische Katastrophen; Tiefenlernen; Schwellenwertkorrektur; Mehrfachklassifizierung; Bilderkennung