كشف سيل در تصاوير اخذ شده توسط پهپاد با استفاده از معماري PSPNet و برآورد عدم قطعيت پيش‌بيني‌ها به كمك روش دورريز مونت كارلو

سيلاب‌ها از شايع‌ترين و خطرناك‌ترين مخاطرات طبيعي هستند كه در مقياس وسيع بر جامعه تاثير گذاشته و آسيب‌هاي مالي و جاني قابل توجهي را به آن وارد مي‌كنند. استفاده از جديدترين فناوري‌ها و نوآوري‌ها توسط مديران و نيروهاي امدادي سبب كاهش تاثير مخرب سيل‌ها و صرفه‌جويي در هزينه‌ها مي‌شود. پهپادهاي مجهز به سنجنده‌هاي دقيق در كنار الگوريتم‌هاي پيشرفته بينايي ماشين و يادگيري عميق مي‌توانند به عنوان يك سكوي بالقوه براي فعاليت‌هاي نظارت، نقشه‌برداري، شناسايي و پهنه‌بندي سيلاب به صورتي كارآمد مورد استفاده قرار گيرند. در اين مطالعه به منظور قطعه‌بندي معنايي تصاوير پهپادي با قدرت تفكيك مكاني بالا كه پس از سيل از منطقه شهري اخذ شده‌اند، از معماري Pyramid Scene Parsing Network (PSPNet) به عنوان يك شبكه نوين، به همراه ResNeSt به عنوان رمزگذار استفاده شده‌است و در نهايت شبكه‌هاي مختلف با يكديگر مقايسه شده‌اند. در اين راستا، به جهت تفسير بهتر و مطالعه قدرت، پايداري و عملكرد الگوريتم‌ها از روش Monte-Carlo Dropout (MCD) جهت برآورد عدم قطعيت مدل‌ها نيز استفاده شده‌است. نتايج مقايسه روش‌هاي مختلف نشان داد كه با افزايش تعداد پارامترهاي مدل و پيچيدگي شبكه، عملكرد شبكه در حين آموزش تحت معيار IoU تا 10% و در زمان آزمايش تا 3% بهبود پيدا كرده و قطعيت تصميم‌گيري آن افزايش پيدا مي‌كند. صحت (Accuracy) قطعه‌بندي معنايي تصاوير 97.93% و معيار F1-Score تقريبا 89% بوده‌است.