Landslide identification using deep learning-based change detection and the DeepESDL collaborative cloud platform

Landslides pose significant risks to human lives and infrastructure. With climate change, the scale of these phenomena is increasing, which creates a pressing need for effective prevention methods development, including detection and prediction techniques. This study focuses on utilizing deep learning within change detection workflows to tackle the challenge of landslide detection. Change detection is a remote sensing technique that aims at creating maps of changed pixels derived from bi-temporal pairs of images from the same area. The integration of deep learning methods creates a promising opportunity to enhance landslide detection accuracy and adaptability to predict landslides on a global scale. The primary challenges in such analyses are the training dataset creation and the computational and memory resource requirements. This study aims to mitigate these challenges while exploring the possibilities of deep learning in change detection workflows for landslide detection. Specifically, it involved creating a global dataset of pre- and post-landslide event Sentinel-2 images and evaluating three change detection methods, including differential thresholding, inference of the BIT-CD model, and training of the CDRL model. Additionally, to address the computational and memory resource challenge, the thesis was implemented on the DeepESDL platform provided by the European Space Agency. The assessment of this new research platform is performed in this work. The obtained results include a final landslide change detection dataset of 174 pairs of bi-temporal images and a comparative analysis of the implemented methods, showing that the differential thresholding analysis yielded the best results, although the CDRL training also showed promising outcomes. This work provides a foundation for further research in deep learning-based change detection for landslide detection.

Gli eventi franosi rappresentano dei rischi significativi per le vite umane e l'integrità delle infrastrutture urbane. Con il cambiamento climatico, la scala di questi fenomeni sta aumentando, il che crea un urgente bisogno di sviluppare metodi di prevenzione efficaci, comprese tecniche di identificazione e previsione di frane. Questo studio si concentra sull'utilizzo dei metodi deep learning nel contesto di identificazione dei cambiamenti (change detection) per affrontare la sfida di identificazione delle frane. Change detection è una tecnica di telerilevamento che ha lo scopo di creare mappe di pixel che rappresentano cambiamenti tra coppie bi-temporali di immagini satellitari della stessa area. L'integrazione dei metodi di deep learning crea un'opportunità promettente per migliorare l’affidabilità e l'adattabilità della identificazione delle frane per poter prevedere le frane su scala globale. In tali analisi le sfide principali sono la creazione del training dataset e i requisiti di risorse computazionali e di memoria. Per quanto riguarda il primo ostacolo, la tesi ha incluso la creazione di un dataset globale di immagini Sentinel-2 pre e post evento di frane. Su questo dataset è stata poi eseguita la valutazione di tre metodi di change detection, nello specifico il differential thresholding, l'inferenza del modello BIT-CD e l'addestramento del modello CDRL. Inoltre, per affrontare la sfida delle risorse computazionali e di memoria, la tesi è stata implementata sulla piattaforma DeepESDL fornita dall'Agenzia Spaziale Europea. Una valutazione di questa nuova piattaforma viene eseguita in questa tesi. I risultati ottenuti includono un dataset finale composto da 174 coppie di immagini bi-temporali di frane e un'analisi comparativa dei metodi implementati, mostrando che l'analisi del differential thresholding ha fornito i migliori risultati, anche se l'addestramento del CDRL ha mostrato risultati promettenti. Questo lavoro fornisce una base per ulteriori ricerche nell’ambito di change detection basato sul deep learning per l’identificazione delle frane.