利用多特征深度学习模型的同震滑坡智能化提取

作     者：皇甫文超 邱海军 崔鹏 杨冬冬 刘雅 唐柄哲 刘子敬 Mohib ULLAH 

作者机构：西北大学城市与环境学院西安710127 中国科学院山地灾害与环境研究所成都610041 陕西省地表系统与环境承载力重点实验室西安710127 西北大学地表系统与灾害研究院西安710127 

出 版 物：《中国科学：地球科学》 (Scientia Sinica(Terrae))

年 卷 期：2024年第54卷第7期

页      面：2347-2362页

核心收录：

学科分类：081803[工学-地质工程] 070801[理学-固体地球物理学] 07[理学] 08[工学] 0818[工学-地质资源与地质工程] 0708[理学-地球物理学] 

基　　金：国家自然科学基金项目(42271078) 陕西省重点研发计划项目(2024SF-YBXM-669) 第二次青藏高原综合科学考察研究计划项目(2019QZKK0902)资助 

主　　题：同震滑坡 智能化提取 深度学习 滑坡增益指数 PlanetScope影像 

摘      要：同震滑坡的智能化提取是地震后应急救援和风险评估的重要手段.然而,具有相似光谱特征的道路和裸地等地面物体总是干扰同震滑坡的精准遥感提取,从而使得现有方法难以快速和准确地收集同震滑坡信息并评估其影响.为提高同震滑坡提取的准确度,本研究提出了一种基于多种滑坡识别特征数据集的深度学习模型(ENVINet5_MF)用以自动提取同震滑坡. ENVINet5_MF在构建的过程中结合了滑坡增益指数(LGI),该指数能够扩大同震滑坡与裸地和道路之间的特征差异,有利于消除来自裸地和道路对同震滑坡提取的干扰.利用多时相Planet Scope图像,以日本北海道同震滑坡和中国米林同震滑坡为研究对象,分别在这两个区域进行了同震滑坡智能化提取实验.提取结果和方法性能评估表明ENVINet5_MF取得了比对比方法更加优异的性能,即ENVINet5_MF检测到的同震滑坡与地面参考数据最吻合,并且ENVINet5_MF的精度高于对比方法以及耗时最短.本研究提出的ENVINet5_MF大大提高了同震滑坡提取的准确性,为同震滑坡提取提供了一种高效的方法,可满足同震滑坡灾害的快速响应.