期刊: Geoscience Frontiers

作者: Wanqi Luo, a; Haijun Qiu, a,b; Yingdong Wei, a; Wenchao Huangfu, a; Dongdong Yang, a,b..

工作单位: a: 西北大学陕西省地表与环境承载力重点实验室

              b: 西北大学城市与环境学院地表系统与灾害研究所

群体性滑坡事件发生后，快速识别滑坡能为应急响应提供及时信息。然而在短时间内往往难以快速获取足够的滑坡识别数据。迁移学习能够借助源领域的滑坡识别知识，仅需少量标注数据即可适应目标领域。图神经网络通过构建以像素为节点、连接关系为边的图结构，显式建模全局或局部关联，从而提升分割一致性。本研究提出一种融合注意力机制、多尺度连接与图神经网络的深度学习模型，用以捕捉上下文信息并提取滑坡识别关键特征。该方法首先在大规模数据集上进行预训练，随后在中国2013年娘娘坝降雨型滑坡与日本2018年北海道同震滑坡两个案例中实施参数迁移与微调。我们验证了所提模型的可行性，并研究了目标领域数据规模对滑坡识别的影响程度。对照实验表明，本研究提出的方法在数据充沛条件下能取得最优F1分数。结果还揭示：采用迁移学习的深度学习模型在数据有限条件下的表现可逼近数据充沛条件。微调模型既继承源领域知识又更新目标领域参数，即使新增数据极少也能在新区域实现性能显著提升。该方法为改进滑坡识别评估，特别是在滑坡样本极难标注的区域，开辟了潜在路径。

图1 两个案例研究区域概览。(a) 案例区域地理位置；(b) 娘娘坝研究区；(c) 北海道研究区；(d,e) 源自Google Earth的娘娘坝局部区域；(f,g) 源自Google Earth的北海道局部区域。各子图中的红色多边形为滑坡边界。

图2 三个数据集中归一化像素值的密度曲线。(a) CAS数据集；(b) 娘娘坝研究区数据集；(c) 北海道研究区数据集。

图3 AMMG-UNet模型架构。(a) 本文提出的编码器结构；(b) 解码器结构；(c) 多尺度全局推理模块架构；(d) 图推理块架构。

图4 基于网络的深度迁移学习流程及本研究工作示意图。

图5 娘娘坝地区迁移学习后使用60%训练数据的滑坡识别模型可视化对比。(a) A、B、C区位置概览；(b) 不同模型在A、B、C区的识别结果。子图中白色框线标示出与本文提出模型存在差异的检测区域。FP、FN、TP分别表示假正例、假反例与真正例。

图6 不同条件下本文提出模型在娘娘坝地区的可视化对比。(a) A、B、C区位置概览；(b) 不同条件下提出模型在A、B、C区的识别结果。20%和60%表示训练数据占整个娘娘坝数据集的百分比。DL代表模型从头开始训练，TL代表微调模型。FP、FN、TP分别表示假正例、假反例与真正例。

图7 不同模型与真实值的泰勒对比图。右侧子图为左侧黑色框线区域的局部放大图。20%和60%表示训练数据占整个娘娘坝数据集的百分比。DL代表模型从头开始训练，TL代表微调模型。RMSD表示均方根差，REF指代作为对比基准的真实值参考点。

图8 北海道地区迁移学习后使用60%训练数据的滑坡识别模型可视化对比结果。(a) A、B、C区位置概览；(b) 不同模型在A、B、C区的识别结果。子图中白色框线标示出与本文提出模型存在差异的检测区域。FP、FN、TP分别表示假正例、假反例与真正例。

本文提出了一种融合注意力机制、多尺度连接与图卷积网络的深度学习模型。通过调整训练数据量，我们在娘娘坝与北海道研究区将所提模型与UNet、PSPNet、DeeplabV3和DeeplabV3+进行性能对比，以评估迁移学习策略对深度学习模型的增强效果。当采用60%目标数据集训练时，本研究模型在两个案例区均获得最高F1分数，展现出显著鲁棒性。消融实验表明，结合注意力卷积、多尺度卷积与MGR模块可有效提升模型性能。此外发现，使用20%目标数据的微调模型与直接使用60%目标数据训练的模型具有相当的滑坡检测能力，这证实迁移学习能在训练数据有限条件下（尤其在娘娘坝地区）显著提升滑坡识别精度。Grad-CAM可视化结果验证了微调模型对植被覆盖区滑坡的检测能力增强。综上，本研究表明：结合迁移学习方法的复杂深度学习模型可有效弥补跨场景样本不足的缺陷。该策略显著缩短了从数据准备到模型部署的时间周期，对极端事件引发的群体性滑坡应急响应具有重要实践价值。