DInSAR and statistical modeling to assess landslides: The case study of Sierras Chicas (central Argentina)

Merlín, Almendra Brasca; Solarte, Andrés; Bellis, Laura M.; Carignano, Claudio; Cioccale, Marcela; Delgado, Manuel María Ruiz; Scavuzzo, Marcelo; Argañaraz, Juan Pablo

doi:10.1016/j.jsames.2021.103179

Cited by 4 publications

(3 citation statements)

References 38 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Como se ilustra en diversas investigaciones, entre ellas, Niraj et al [28], Acosta et al [1], Brasca Merlín et al [6], Deng et al [9], Singh et al [42], Yao et al [48], la interferometría diferencial SAR permite el acceso a una análisis eficiente de las deformaciones en la corteza, no obstante, se debe resaltar que dicha técnica presenta dificultades en coberturas boscosas, como las presentes en la zona de estudio, razón por la cual, el entrenamiento en el volcán -Nevado del Ruíz permitió obtener zonas de alta coherencia, que a su vez, habilitaría la exploración de más geoformas con condiciones similares.…”

Section: Conclusionesunclassified

“…De acuerdo a lo anterior, el suministro de información espacial permite el desarrollo de nuevos métodos estadísticos aplicados a problemas geográficos, entre ellos, las nacientes tecnologías que involucran la inteligencia artificial, permitiendo la construcción de predicción en escenarios volcánicos no analizados, con base en el entrenamiento de sitios debidamente estudiados [26]. Por consiguiente, el presente artículo pretende el estudio de las deformaciones de la corteza con base en interferogramas sin desenrollar [6] que permitan la identificación de zonas con movimiento en el volcán activo Nevado del Ruíz, utilizando variables troposféricas de múltiples resoluciones espaciales que permitan el entrenamiento de una red neuronal, cuyo fin, sea la predicción de puntos de fase en el intervalo [-π, π], para sitios con condiciones similares a las encontradas en la zona de estudio.…”

Section: Introductionunclassified

See 1 more Smart Citation

Predicción de la deformación en la corteza del Volcán – Nevado del Ruíz en el año 2020 mediante información troposférica TROPOMI, técnica DInsar y redes neuronales

Santana

2022

rev.digit.educ.ing

View full text Add to dashboard Cite

El Volcán Nevado del Ruíz situado entre los límites de los Departamentos del Caldas y Tolima en Colombia presentó un comportamiento inestable en el trascurso del año 2020, dicha actividad volcánica conllevó a efectos secundarios en la corteza, es por ello que la predicción de deformaciones se torna como menester de los geocientíficos. En el transcurso de la investigación presentada se dispuso el uso de variables troposféricas, tales como evapotranspiración, índice de aerosoles UV, monóxido de carbono, dióxido de nitrógeno, metano, temperatura superficial, entre otros; para entrenar un conjunto de redes neuronales que puedan predecir el comportamiento de la fase resultante de un interferograma sin desenrollar con la técnica DInSAR, cuyo objetivo principal sea identificar y caracterizar el comportamiento de la corteza con base en las condiciones del entorno. Para lo anterior, se realizó la recolección de variables, la conformación de un modelo lineal generalizado y el conjunto de redes neuronales. Posterior al entrenamiento de la red, se realizó la validación con los datos de testeo, otorgando un MSE de 0,17598 y, un r – cuadrado asociado de aproximadamente 0,88454. El modelo resultante permitió la obtención de un conjunto de datos con exactitud temática buena, reflejando el comportamiento del volcán en el año 2020 dado un conjunto de características del ambiente.

show abstract

Section: Conclusionesunclassified

Section: Introductionunclassified

Predicción de la deformación en la corteza del Volcán – Nevado del Ruíz en el año 2020 mediante información troposférica TROPOMI, técnica DInsar y redes neuronales

Santana

2022

rev.digit.educ.ing

View full text Add to dashboard Cite

show abstract

“…This method can effectively monitor at a local scale, but can sometimes be less effective or practical in large-scale areas. Therefore, remote sensing technology, with its macroscopical and rapid advantages, compensates for the shortcomings of the aforementioned method and has been extensively utilized in the survey and monitoring of geological hazards [1,11]. Interferometric synthetic aperture radar (InSAR), in particular, has been widely applied in monitoring Earth's surface deformation resulting from diverse geological processes [8,[12][13][14].…”

Section: Introductionmentioning

confidence: 99%

Active Deformation Areas of Potential Landslide Mapping with a Generalized Convolutional Neural Network

Wu,

Ge,

et al. 2024

Remote Sensing

View full text Add to dashboard Cite

Early discovery and monitoring of the active deformation areas of potential landslides are important for geohazard risk prevention. The objective of the study is to propose a one-step strategy for automatically mapping the active deformation areas of potential landslides from a Sentinel-1 SAR dataset. First, we built a generalized convolutional neural network (CNN) based on activity and topographic characteristics. Second, we conducted a comparative analysis of the performance of various multi-channel combiners for detecting the active deformation areas of the potential landslides. Third, we verified the transferability of the pretrained CNN model for an unknown region. We found that by incorporating topographic characteristics into a generalized convolutional neural network, we were able to enhance the accuracy of identifying the active deformation areas of potential landslides, rapidly mapping these areas. The methodology is robust and efficient, and it has the capability to automatically detect the active deformation areas of potential landslides, even in unknown or unfamiliar regions. This product can facilitate automated pipelines, updating and mapping active deformation areas for final users who are not InSAR experts. This implementation can be used for providing support to risk management activities.

show abstract

Characterization of pre- and post-failure deformation and evolution of the Shanyang landslide using multi-temporal remote sensing data

Zhan,

Sun,

et al. 2024

Landslides

View full text Add to dashboard Cite

DInSAR and statistical modeling to assess landslides: The case study of Sierras Chicas (central Argentina)

Cited by 4 publications

References 38 publications

Predicción de la deformación en la corteza del Volcán – Nevado del Ruíz en el año 2020 mediante información troposférica TROPOMI, técnica DInsar y redes neuronales

Predicción de la deformación en la corteza del Volcán – Nevado del Ruíz en el año 2020 mediante información troposférica TROPOMI, técnica DInsar y redes neuronales

Active Deformation Areas of Potential Landslide Mapping with a Generalized Convolutional Neural Network

Characterization of pre- and post-failure deformation and evolution of the Shanyang landslide using multi-temporal remote sensing data

Contact Info

Product

Resources

About