【论文推荐】基于深度学习的滑坡遥感地学探索：框架、进展、挑战与机遇（十）

【论文推荐】基于深度学习的滑坡遥感地学探索：框架、进展、挑战与机遇（十）

---

---

欢迎铁子们点赞、关注、收藏！
祝大家逢考必过！逢投必中！上岸上岸上岸！upupup

大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文。详细信息可关注VX “学术会议小灵通”或参考学术信息专栏：https://blog.csdn.net/2401_89898861/article/details/146458109

---

论文地址：https://doi.org/10.3390/rs16081344

基于深度学习的滑坡遥感地学探索：框架、进展、挑战与机遇

4. 深度学习框架在滑坡研究中的应用

4.2 滑坡检测（基于目标的）

深度学习在遥感领域掀起了革命，特别是在滑坡检测等复杂任务中取得了显著进展。

• 本节将探讨基于目标的深度学习方法用于滑坡检测，例如检测框架。通常，检测框架包括两阶段、一阶段、无锚点（anchor-free）和基于变换器（transformer）的检测器。

文献综述显示，滑坡检测中大多数应用仍以传统的两阶段[33-35]和一阶段检测器[36-38]为主，而无锚点和基于变换器的检测器较为罕见。这可能是因为**无锚点检测器[69,70]和变换器[71]**较为新颖，尚未广泛应用。接下来，我们将探讨这些技术在滑坡检测中的最新发展和应用。

两阶段检测网络

通常涉及区域建议网络（RPN）用于生成候选框，然后在第二阶段对这些区域进行精细化和分类，尽管这可能导致更高的准确性，但推理速度较慢。代表性的网络包括RCNN、Fast RCNN和Faster R-CNN[33-35]。

• 将其应用于滑坡检测时，Guan等人（2023）[93]使用改进的Faster R-CNN检测中国青岛黄岛区的滑坡灾害，他们在Faster R-CNN中引入了多尺度特征增强模块，以增强网络对不同尺度滑坡的感知能力。实验结果表明，改进后的模型优于传统版本，AP为90.68%，F1分数为0.94，召回率为90.68%，精度为98.17%。该方法应用于黄岛区滑坡灾害的检测，且仅漏检了两个滑坡，表现出高检测准确性。
• 为了提高卫星影像中滑坡检测的准确性，Tanatipuknon等人（2021）[94]将基于Faster R-CNN的两种目标检测模型与分类决策树（DT）结合。具体来说，第一个Faster R-CNN在真彩色（RGB）图像上训练，另一个在灰度DEM数据上训练。两个模型的结果通过DT结合生成滑坡区域的边界框。与仅使用RGB或DEM数据的方式相比，该集成方法在多种评估指标中表现出更好的性能，证明了其在滑坡检测中的有效性。

滑坡尺度差异大，且滑坡浅层特征重要

• 张等人（2022）[95]通过将特征金字塔网络（FPN）与ResNet50结合，改进了原始的Faster R-CNN，以应对滑坡尺度和浅层特征的挑战。通过贵州省毕节市的公开滑坡清单进行验证，改进后的模型准确率显著提高（87.10%），相较于VGG16（70.20%）表现更佳，这表明该方法在未来研究中具有广阔前景。

**InSAR技术 在通过其独特的地面微变形测量优势检测活跃滑坡方面具有巨大潜力。**然而，InSAR在大范围滑坡检测中的操作应用仍受到人工解译和手动编辑InSAR派生速度图的高劳动和时间成本的限制。

• 针对这一难题，Cai等人（2023）[96]提出了一种结合InSAR和CNN的方法，具体使用改进的Faster
  R-CNN，并结合ResNet-34和FPN。该方法应用于中国贵州省，成功地从大量Sentinel-1和PALSAR-2图像中识别出1600多个活跃滑坡，表现出在多个测试区域中的高精度和召回率。这一方法在高效更新滑坡清单和辅助灾害防治方面具有显著潜力。

为了快速检测滑坡灾害并进行及时的应急救援，

• Yang等人（2022）[97]提出了一种增强版的Faster R-CNN进行滑坡检测。该方法包括多个目标，如图像质量改善、通过组归一化消除批量大小、多尺度特征融合与特征金字塔网络，以及使用深度残差收缩网络作为骨干提取复杂空间特征。实验结果表明，与标准的Faster R-CNN和其他一阶段模型（如YOLOv4和SSD）相比，该方法在准确性和平均精度方面有显著提升，验证了其在滑坡检测中的有效性。

单阶段检测网络

与双阶段检测器不同，单阶段检测网络通过预定义锚框实现边界框与类别得分的端到端预测，具有速度快、结构简化的优势，更适用于实时检测场景。代表性网络包括YOLO系列[36-38]、SSD[68]和RetinaNet[98]等。

• 在滑坡检测领域，Fu等（2022）[99]提出一种基于堆叠相位梯度图监测慢速滑坡的新方法，旨在克服相位解缠误差与大气效应的干扰。该方法采用短时基干涉图相位梯度叠加算法生成累积相位梯度图，并构建Attention-YOLOv3网络实现自动检测。应用于中国西南约18万平方公里区域后，共识别出3366处慢速滑坡。通过与光学影像及历史滑坡数据对比验证，该方法展现出大范围精准检测能力，新发现10个高密度滑坡县域，突破了传统高风险区认知边界，为国家尺度滑坡监测提供了关键工具。
• 针对公开滑坡数据集稀缺问题，Wang等（2021）[100]基于开源卫星影像构建专业标注数据集，并在YOLOv5框架中创新融合自适应空间特征融合（ASFF）与卷积注意力模块（CBAM），提升多尺度特征融合性能，模型精度提升1.64%。
• 传统野外调查受限于成本与效率，难以支撑大范围监测需求。为此，一项创新研究[101]联合SBAS-InSAR技术与高分二号影像，在云南边境地区开展滑坡检测验证。结果显示，SBAS-InSAR与人工解译结果吻合度达68.75%，证实其可有效识别活动性滑坡隐患。

双阶段检测器精度高但速度慢，单阶段检测器速度占优却精度受限。

• 为此，YOLO-SA模型[102]针对移动端高分辨率遥感影像应急检测需求，采用组卷积与Ghost模块压缩参数量，并引入注意力机制提升精度。在云南巧家、鲁甸测试中，该模型在参数量、精度与速度指标上均优于主流模型，验证了近实时滑坡检测潜力。
• 针对卫星影像因轨道周期或天气影响难以即时获取的难题，Yang等（2022）[103]基于尼泊尔地震灾区无人机影像，采用迁移学习策略构建检测模型，其性能超越SSD模型，为数据稀缺场景提供高效解决方案。

无论单阶段或双阶段检测器，在滑坡检测中均存在性能折衷。

• Wu等（2022）[104]在大型滑坡遥感数据集上对比Faster R-CNN、YOLOv3与SSD算法，发现Faster
  R-CNN精度最优，而YOLOv3与SSD更适用于实时监测场景。
• Zhang等（2022）[105]利用谷歌地球影像构建数据集，测试发现SSD对单目标滑坡检测效果显著，融合CBAM与Ghost模块的改进YOLOv5则在多目标场景中实现检测性能与模型复杂度的平衡。
• 针对黄土滑坡与背景环境光谱相似性高的难题，Ju等（2022）[106]基于甘肃三地6111处滑坡样本库验证RetinaNet、YOLO v3与Mask R-CNN性能，结果表明滑坡规模与检测精度呈正相关，其中Mask R-CNN以55.31%的F1值表现最优，证实目标检测方法在黄土滑坡自动化识别中的可行性。

代表性滑坡检测案例总结见表5。

下节请参考：【论文推荐】基于深度学习的滑坡遥感地学探索：框架、进展、挑战与机遇（十一）

---

欢迎铁子们点赞、关注、收藏！
祝大家逢考必过！逢投必中！上岸上岸上岸！upupup

大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文。详细信息可关注VX “学术会议小灵通”或参考学术信息专栏：https://blog.csdn.net/2401_89898861/article/details/146458109