Tysiąc P., Ossowski R., Janowski Ł., Moskalewicz D., 2025, Utilizing UAV and orthophoto data with bathymetric LiDAR in google earth engine for coastal cliff degradation assessment, Scientific Reports, 15, 704, https://doi.org/10.1038/s41598-024-84404-1m

ABSTRACT 抽象的 چکیده Abstracto Resumo Abstrait अमूर्त خلاصة EN (English)This study introduces a novel methodology for estimating and analysing coastal cliff degradation using machine learning and remote sensing data. Degradation is defined here as both natural abrasive processes and damage to coastal protection structures caused by extreme weather and storm events.Orthophotos and LiDAR-derived products in the green and near-infrared wavelength ranges were used to identify coastal zones affected by storms that triggered mass-movement processes. Change-detection analysis enabled spatial quantification of eroded areas and provided training data for subsequent classification.A Random Forest classifier implemented within the Google Earth Engine environment was applied to evaluate feature importance and detect degraded cliff zones. The algorithm was tested using datasets with varying spatial resolutions (10, 20, 50, and 100 cm), and its robustness was validated using an independent UAV dataset acquired two years later.Across all datasets, the classifier achieved an overall accuracy of approximately 90%, demonstrating strong generalization capability. Feature-importance analysis revealed that DEM products in green and near-infrared wavelengths contributed comparably to degradation detection, while reflectance maps and orthophotos highlighted the importance of red and near-infrared bands.The results indicate that coastal cliff degradation driven by natural hazards can be effectively monitored using heterogeneous remote sensing data within a single machine-learning framework. This approach offers a scalable and transferable tool for long-term coastal monitoring and hazard assessment. CHN (简体中文)本研究提出了一种基于机器学习与遥感数据的创新方法，用于估算和分析海岸悬崖退化过程。退化既包括自然磨蚀作用，也涵盖由极端天气和风暴事件导致的海岸防护结构损坏。研究利用绿光和近红外波段的正射影像与LiDAR衍生数据，识别因风暴触发物质移动过程而受影响的海岸区域。变化检测分析用于定量估算侵蚀面积，并为分类模型提供训练数据。在Google Earth Engine环境中应用随机森林分类器，对特征重要性进行评估并识别退化区域。算法在不同空间分辨率（10、20、50和100厘米）的数据集上进行测试，并使用两年后获取的无人机数据进行验证。分类结果在所有数据集上的总体精度约为90%，显示出较强的泛化能力。特征重要性分析表明，绿光和近红外波段的DEM产品对退化识别同等重要，而反射率图像和正射影像中红光与近红外波段尤为关键。研究表明，在统一的机器学习框架下，利用多源传感器数据监测自然灾害引起的海岸退化是可行的，为长期海岸监测和风险评估提供了可靠工具。 IR (فارسی)این مطالعه یک روش نوین برای برآورد و تحلیل تخریب صخره‌های ساحلی با استفاده از یادگیری ماشین و داده‌های سنجش‌ازدور معرفی می‌کند. تخریب در اینجا هم شامل فرآیندهای سایشی طبیعی و هم آسیب به سازه‌های حفاظتی ساحلی ناشی از رویدادهای حدی طبیعی است.برای شناسایی نواحی ساحلی تحت تأثیر طوفان‌ها و فرآیندهای حرکت توده‌ای، از ارتوفوتوها و داده‌های LiDAR در باندهای سبز و فروسرخ نزدیک استفاده شد. تحلیل تشخیص تغییرات امکان برآورد کمی نواحی فرسایش‌یافته را فراهم کرد.سپس یک طبقه‌بند Random Forest در محیط Google Earth Engine برای ارزیابی اهمیت ویژگی‌ها و شناسایی مناطق تخریب‌شده به کار گرفته شد. عملکرد الگوریتم با داده‌هایی در تفکیک‌پذیری‌های مختلف (۱۰، ۲۰، ۵۰ و ۱۰۰ سانتی‌متر) و با یک مجموعه داده پهپادی مستقل پس از دو سال ارزیابی شد.دقت کلی طبقه‌بندی در تمامی مجموعه داده‌ها حدود ۹۰٪ بود که نشان‌دهنده پایداری و قابلیت تعمیم بالای مدل است. تحلیل اهمیت ویژگی‌ها نشان داد که محصولات DEM در باندهای سبز و فروسرخ نزدیک اهمیت مشابهی دارند، در حالی که نقشه‌های بازتابندگی نقش کلیدی باندهای قرمز و فروسرخ نزدیک را برجسته کردند.نتایج نشان می‌دهد که پایش تخریب ساحلی ناشی از مخاطرات طبیعی با استفاده از داده‌های چندحسگری در یک چارچوب واحد یادگیری ماشین امکان‌پذیر است و می‌تواند به‌عنوان ابزاری مقیاس‌پذیر برای مدیریت سواحل به کار رود. ES (Español) Este estudio presenta una metodología innovadora para estimar y analizar la degradación de acantilados costeros mediante aprendizaje automático y datos de teledetección. La degradación incluye tanto procesos abrasivos naturales como daños a estructuras de protección costera provocados por eventos extremos.Se utilizaron ortofotos y productos LiDAR en longitudes de onda verde y del infrarrojo cercano para identificar zonas afectadas por tormentas que desencadenaron procesos de movimientos en masa. El análisis de detección de cambios permitió cuantificar las áreas erosionadas.Posteriormente, se aplicó un clasificador Random Forest en el entorno de Google Earth Engine para evaluar la importancia de las variables y detectar zonas degradadas. El algoritmo se probó con conjuntos de datos de distintas resoluciones espaciales (10, 20, 50 y 100 cm) y se validó con un conjunto UAV adquirido dos años después.La precisión global alcanzó aproximadamente el 90% en todos los conjuntos de datos. El análisis de importancia de variables mostró que los productos DEM en verde e infrarrojo cercano son igualmente relevantes, mientras que las imágenes de reflectancia destacan el papel de las bandas roja y del infrarrojo cercano.Los resultados demuestran que es viable monitorear la degradación costera causada por desastres naturales utilizando sensores diversos dentro de un único marco de aprendizaje automático. BRA (Português do Brasil) Este estudo apresenta uma metodologia inovadora para estimar e analisar a degradação de falésias costeiras utilizando aprendizado de máquina e dados de sensoriamento remoto. A degradação inclui processos abrasivos naturais e danos a estruturas de proteção costeira causados por eventos extremos.Foram utilizadas ortofotos e produtos LiDAR nas faixas espectrais verde e infravermelho próximo para identificar áreas impactadas por tempestades que desencadearam movimentos de massa. A análise de detecção de mudanças permitiu quantificar as áreas erodidas.Um classificador Random Forest foi aplicado no ambiente Google Earth Engine para avaliar a importância das variáveis e identificar zonas degradadas. O algoritmo foi testado com dados de diferentes resoluções espaciais (10, 20, 50 e 100 cm) e validado com um conjunto UAV obtido dois anos depois.A acurácia global foi de aproximadamente 90% em todos os conjuntos de dados. A análise de importância revelou que os produtos DEM em verde e infravermelho próximo são igualmente relevantes, enquanto mapas de reflectância destacam a importância das bandas vermelha e infravermelha próxima.Os resultados indicam que a degradação costeira induzida por eventos naturais pode ser monitorada de forma eficaz utilizando múltiplos sensores em um único framework de aprendizado de máquina. FRA (Français) Cette étude propose une méthodologie innovante pour estimer et analyser la dégradation des falaises côtières à l’aide de l’apprentissage automatique et de données de télédétection. La dégradation inclut à la fois les processus abrasifs naturels et les dommages aux ouvrages de protection côtière causés par des événements extrêmes.Des orthophotographies et des produits LiDAR dans les bandes verte et infrarouge proche ont été utilisés pour identifier les zones affectées par des tempêtes ayant déclenché des mouvements de masse. L’analyse de détection des changements a permis de quantifier les surfaces érodées.Un classificateur Random Forest a ensuite été appliqué dans l’environnement Google Earth Engine afin d’évaluer l’importance des variables et de détecter les zones dégradées. L’algorithme a été testé sur des données de différentes résolutions (10, 20, 50 et 100 cm) et validé à l’aide d’un jeu de données UAV acquis deux ans plus tard.La précision globale atteint environ 90 % pour l’ensemble des jeux de données. L’analyse de l’importance des variables montre que les produits DEM en vert et en infrarouge proche sont d’importance comparable, tandis que les cartes de réflectance soulignent le rôle des bandes rouge et infrarouge proche.Ces résultats démontrent la faisabilité du suivi de la dégradation côtière induite par des aléas naturels à l’aide de capteurs multiples intégrés dans un cadre unique d’apprentissage automatique. IND (हिन्दी)यह अध्ययन मशीन लर्निंग और रिमोट सेंसिंग डेटा का उपयोग करके तटीय चट्टानों के क्षरण का आकलन और विश्लेषण करने की एक नवीन पद्धति प्रस्तुत करता है। क्षरण में प्राकृतिक अपघर्षण प्रक्रियाएँ तथा चरम घटनाओं से उत्पन्न संरचनात्मक क्षति दोनों शामिल हैं।ग्रीन और निकट-अवरक्त तरंगदैर्घ्य में ऑर्थोफोटो और LiDAR डेटा का उपयोग उन क्षेत्रों की पहचान के लिए किया गया जहाँ तूफानों ने द्रव्यमान संचलन प्रक्रियाएँ प्रारंभ कीं। परिवर्तन पहचान विश्लेषण से क्षरित क्षेत्रों का आकलन संभव हुआ।Google Earth Engine में Random Forest वर्गीकरण का उपयोग कर विशेषताओं के महत्व का मूल्यांकन किया गया। एल्गोरिद्म को विभिन्न स्थानिक रिज़ॉल्यूशन (10, 20, 50 और 100 सेमी) वाले डेटा पर परखा गया और दो वर्ष बाद प्राप्त UAV डेटा से सत्यापित किया गया।सभी डेटा सेट में कुल सटीकता लगभग 90% रही। विशेषता विश्लेषण से पता चला कि ग्रीन और निकट-अवरक्त DEM उत्पाद समान रूप से महत्वपूर्ण हैं, जबकि परावर्तन डेटा में लाल और निकट-अवरक्त बैंड अधिक प्रभावी रहे।अध्ययन दर्शाता है कि एकल मशीन लर्निंग ढांचे में विभिन्न सेंसरों का उपयोग कर प्राकृतिक आपदाओं से उत्पन्न तटीय क्षरण की प्रभावी निगरानी संभव है। AR (العربية)تقدم هذه الدراسة منهجية مبتكرة لتقدير وتحليل تدهور المنحدرات الساحلية باستخدام التعلم الآلي وبيانات الاستشعار عن بُعد. ويشمل التدهور العمليات الطبيعية الكاشطة وكذلك الأضرار التي تلحق بمنشآت الحماية الساحلية نتيجة الأحداث المتطرفة.تم استخدام الصور الجوية المصححة ومنتجات LiDAR في نطاقي الأخضر وتحت الأحمر القريب لتحديد المناطق المتأثرة بالعواصف التي أدت إلى عمليات حرك