MARC

 008250123s2024        us                              c    eng  d
■001000017163455
■00520250211152710
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384448082
■035    ▼a(MiAaPQ)AAI31488599
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621.3
■1001  ▼aHuang,  Jhih-Rou.
■24510▼aApplications  of  Artificial  Intelligence  (AI)  Techniques  on  Remote  Sensing  Data  for  Ground  Failure  Detection,  Mobility  Assessment,  and  Infrastructure  Monitoring
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a162  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-04,  Section:  B.
■500    ▼aAdvisor:  Zekkos,  Dimitrios.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2024.
■520    ▼aThis  dissertation  incorporates  artificial  intelligence  (AI)  techniques  on  remote-sensing  data  for  ground  failure  detection,  mobility  assessment,  and  infrastructure  monitoring.  First,  the  use  of  AI  for  landslide  detection  is  investigated.  Although  an  increasing  body  of  work  is  observed  on  this  topic,  a  systematic  investigation  of  the  factors  (input  and  algorithms)  that  affect  the  accuracy  of  the  machine-learning  co-seismic  landslide  detection  model  has  not  been  attempted.  This  study  leverages  the  state-of-the-art  detailed  3D  inventory  of  more  than  700  landslides  triggered  by  the  Mw  6.5  Lefkada  earthquake  on  November  17,  2015.  The  result  highlights  that  feature  selection  is  the  most  essential  factor  for  successful  landslide  detection,  but  the  number  of  features  needed  is  not  particularly  high.  The  geospatial  distribution  and  size  of  the  training  sample  are  also  important.  Input  data  resolution  and  machine  learning  algorithms  are  the  secondary  factors  that  influence  detection  accuracy.  Geospatial  distribution  affects  the  training  sample  size  needed  to  create  an  accurate  landslide  detection  model,  and  a  wider  geospatial  distribution  of  training  samples  generates  a  more  precise  landslide  detection  model.  The  work  is  expanded  to  consider  the  generality  of  the  above  results  for  two  additional  co-seismic  landslide  events,  namely  the  2016  Kaikoura  earthquake  and  the  2021  Nippes  earthquake,  with  the  goal  to  identify  the  commonalities  and  differences  in  the  success  of  the  machine  learning-based  landslide  detection  model.  It  is  found  that  although  feature  selection  is  the  most  vital  factor  in  the  landslide  detection  model,  both  topographic  and  spectral  features  are  useful,  with  spectral  features  being  most  significant  in  two  of  the  study  areas  due  to  their  geologic  and  climatic  setting.  The  input  data  resolution  and  training  sample  size  similarly  influence  the  model  performance  for  the  three  earthquake  events,  but  the  importance  of  segmentation  and  machine  learning  algorithms  varies  across  events.Next,  a  simple  mechanistic-model  that  is  based  on  the  Voellmy  friction  law  as  incorporated  in  Rapid  Mass  Movement  Simulation  Debris  Flow  (RAMMS-DF)  is  tested  against  statistically  significant  observations  of  landslide  runout  for  hundreds  of  mapped  rock  avalanches  triggered  by  the  Mw  6.5  Lefkada  earthquake  on  November  17,  2015.  It  is  found  that  the  dry-Coulomb  friction  (μ)  controls  the  simulation's  performance,  whereas  the  simulation  is  less  sensitive  to  viscous-turbulent  friction  (ξ),  especially  for  large  values  of  ξ.  The  simulation's  accuracy  positively  correlates  with  landslide  source  area,  height,  and  3D  travel  distance.  The  model  does  not  match  very  well  landslides  with  small  source  areas  (4,000  m2),  but  in  these  cases,  it  systematically  overestimates  landslide  runout,  i.e.,  it  is  inherently  conservative.  The  fourth  part  of  this  dissertation  leverages  lessons  learned  from  the  damage  observed  along  Highway  1  during  the  January  2021  atmospheric  river  event.  A  remote  sensing-based  methodology  is  developed  for  system-level  monitoring  and  assessment  following  natural  disasters.  It  is  shown  that  remote  sensing  indicators  of  vegetation  loss  can  detect  the  occurrence  of  debris  flows  and  ground  failure  and  indicate  the  severity  of  highway  damage.  Damage  severity  is  correlated  to  increasingly  broader  distribution  and  a  lower  minimum  value  of  the  vegetation  loss  curve.  The  last  part  of  this  dissertation  aims  to  develop  a  methodology  for  fully  autonomous  remote-sensing-based  monitoring  of  mines.  Specifically,  the  detection  of  mining  instability  using  high-resolution  satellite  imagery  for  eight  recent  failure  cases  is  considered:  the  2022  Jagersfontein  tailings  dam  failure,  the  2022  Pau  Branco  iron  ore  mine  landslide,  the  2020  Carmen  copper  mine  landslide,  the  2020  Singrauli  fly  ash  dam  breach,  the  2019  Corrego  De  Feijao  tailings  dam  failure,  the  2018  Cadia  gold  mine  tailings  dam  failure,  the  2014  Mount  Polley  mine  tailing  dam  failure,  and  the  2013  Bingham  Canyon  copper  mine  landslide.  The  results  show  that  remote  sensing  indexes  can  successfully  detect  mining  failure.  In  summary,  this  dissertation  demonstrates  that  new  approaches  that  leverage  Artificial  Intelligence  (AI)  and  remote-sensing  data  can  be  valuable  for  ground  instability  detection  following  natural  hazards  and  can  set  the  stage  for  fully-autonomous  infrastructure  monitoring  in  an  expedited  and  efficient  manner.
■590    ▼aSchool  code:  0028.
■650  4▼aComputer  engineering
■650  4▼aGeotechnology
■653    ▼aInfrastructure  monitoring
■653    ▼aLandslide  detection
■653    ▼aLandslide  mobility  assessment
■653    ▼aNatural  hazards
■653    ▼aRemote  sensing
■690    ▼a0543
■690    ▼a0800
■690    ▼a0464
■690    ▼a0428
■71020▼aUniversity  of  California,  Berkeley▼bCivil  and  Environmental  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-04B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163455▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서