S2BAVG：一个用于验证烧毁区域数据的全球Sentinel-2网格

《International Journal of Applied Earth Observation and Geoinformation》：S2BAVG: A global Sentinel-2 grid for burned area product validation

滑坡灾害主动识别 研究提出轻量级 Context-aware Adaptive Fusion Network (CAFNet)，通过小波变换降采样模块(WDB)保留细节特征，多分支自适应融合模块(MSA)动态整合多尺度特征，结合卷积上采样模块(CUB)实现高精度边界恢复。实验表明，CAFNet在像素级IoU达83.3%，对象级准确率89.5%，参数量较ResUNet减少80%，计算量降低50%，显著优于DeepLabV3+、ResUNet等模型，并验证了复杂地形下的泛化能力。

　　在面对地质灾害时，及时识别活动滑坡是灾害预警和风险管理的关键环节。随着技术的进步，合成孔径雷达干涉测量（InSAR）技术因其能够捕捉大面积上微小位移变化而成为识别滑坡的重要工具。然而，现有的滑坡识别方法在识别精度与计算效率之间往往难以达到平衡。为了克服这一挑战，本文提出了一种轻量级的上下文感知自适应融合网络（CAFNet），旨在提升基于InSAR数据的滑坡识别效果。

### 滑坡识别的重要性

滑坡是一种常见的地质灾害，对全球范围内的人类生命和财产构成严重威胁。它们通常发生在山地和丘陵地带，地形可能陡峭或平缓，常由强降雨、地震活动、快速水侵蚀以及人类工程活动等触发。滑坡的特征包括土壤和岩石表面裂缝的形成与扩展，可能在滑坡发生前经历缓慢变形的阶段。随着时间推移，这些局部变形可能发展成大规模的活动区域，最终导致滑坡发生。因此，及时识别与潜在滑坡相关的活动变形区域，以及对高风险区域进行监测和预警，对于减轻滑坡灾害对人类生命和财产的影响至关重要。

### InSAR技术的特性

InSAR技术提供了一种全天候、广域的监测能力，能够以毫米级的精度测量地表变形。通过连续观测地表变形，InSAR可以检测到与活动滑坡相关的细微位移变化，并被广泛用于识别活动滑坡。然而，传统的人工视觉解释方法虽然直观可靠，但过程耗时、依赖专家经验，且在处理低对比度区域时存在困难。聚类分析方法虽然尝试通过捕捉空间聚集的变形异常自动绘制滑坡，但在复杂地形环境中仍存在适应性不足的问题。基于阈值的方法依赖于专家经验设定变形速率阈值，容易导致结果主观性过强，难以应对低对比度区域的识别挑战。机器学习方法虽然能够自动提取相关特征，但通常难以有效表示复杂的滑坡变形模式和非线性关系。

### 深度学习的应用

随着计算机视觉的快速发展，深度学习技术在雷达遥感领域的应用取得了显著进展。这些技术广泛应用于地表特征提取任务，包括滑坡识别、土地覆盖分类和建筑物提取等。相比传统方法，深度学习在特征提取和非线性建模方面表现出显著优势，尤其是在处理大规模和复杂地形数据时。受深度学习在雷达遥感中成功应用的启发，一些研究人员尝试将其与InSAR技术结合，以检测火山、地震、地面沉降和采矿引起的变形等地质灾害，取得了良好的效果。这些研究表明，深度学习技术在基于InSAR数据的自动地质灾害识别方面具有巨大潜力。

### 滑坡识别中的挑战

目前，基于语义分割的滑坡识别方法仍面临多个挑战。首先，是精度与效率之间的权衡：大多数模型倾向于优先考虑识别精度或计算效率，限制了其在大规模InSAR变形数据中的适用性。其次，是多级特征适应性不足：现有方法缺乏动态融合机制，以应对多样化的滑坡变形模式所对应的层次特征。第三，是细节保留不足：传统的下采样操作和粗略特征融合策略可能导致小规模滑坡特征的丢失和边界模糊，特别是在复杂变形场景中。

### CAFNet的设计与原理

为了解决上述挑战，本研究引入了轻量级的上下文感知自适应融合网络（CAFNet），用于基于变形速率自动识别活动滑坡。CAFNet采用编码器-解码器架构，结合多个卷积层和三个关键模块：波形下采样块（WDB）、多分支尺度感知聚合（MSA）模块和基于卷积的上采样块（CUB）。WDB采用基于小波的下采样策略，取代传统的池化操作，使得在下采样过程中既能保留低频结构特征，又能保持高频细节信息。这对于检测小规模滑坡尤为重要，因为它们往往表现出细微的变形特征。此外，多尺度滑坡需要在层次特征之间进行自适应的特征集成，MSA模块通过动态分配权重来实现这一点，提高多级特征对齐的准确性。最后，在解码阶段，CUB采用基于卷积的上采样操作，逐步恢复空间分辨率并进一步优化边界信息，从而提升活动滑坡识别的准确性。

### 研究区域与数据集构建

研究区域位于黄河上游，处于青藏高原与黄土高原的交汇地带，是北方中国的重要生态屏障。该地区地貌复杂，包括山地、丘陵和山间盆地。黄河及其支流的长期侵蚀作用导致了显著的高程差异，为滑坡提供了有利的地形条件。Longyangxia-Liujiaxia段是黄河上游滑坡最密集的区域。滑坡集中在Laji Mountain断裂带与西秦岭断裂带之间，特别是在Jianzhaxia-Qunke盆地，以及Guide和Xunhua县。因此，这些区域被选为数据集生产的研究区域。

研究团队收集了从2019年10月至2023年5月的C波段Sentinel-1数据，覆盖研究区域。通过人工识别和验证，从Area A中识别出732个活动滑坡，从Area B中检测出593个活动滑坡。图中所示的包含蓝色点的图像用于创建训练集，而包含粉色点的图像则用于构建测试集以评估模型性能。测试集包括总共571个独立的滑坡样本。从图中可以看出，大多数活动滑坡是小型或中型的，大多数占据的面积小于0.5平方千米，而最小的滑坡面积为1175平方米。此外，研究团队还选择了海原和乌东德水库区域作为迁移分析区域，以评估模型的泛化性能。

### 实验验证与分析

实验过程中，研究团队使用了Windows 11和CUDA 11.6作为软件环境，采用Python 3.9进行编程，并使用PyTorch 1.13.0实现深度学习框架。硬件环境包括一个Intel Core i7-13700 K CPU和一个NVIDIA GeForce RTX 4080 GPU。训练过程中，初始学习率设置为0.0005，并采用余弦退火策略进行调整。优化器选择Adam，批量大小为16，训练过程持续50个周期，最终保存表现最佳的周期结果。训练过程中使用的损失函数是交叉熵损失和dice损失的加权和。

### 模型性能分析

在活动滑坡识别中，CAFNt的表现优于现有的深度学习模型，如DeepLabV3+和ResUNet。在像素级评估中，CAFNet达到了90.8%的精度和83.3%的IoU。在对象级评估中，CAFNet实现了89.5%的正确检测率和7.3%的误报率。值得注意的是，CAFNet在参数数量和计算成本上分别减少了20倍和50%，同时保持了强大的泛化能力。这些结果表明，CAFNet在建立和定期更新活动滑坡清单方面具有巨大潜力，这对减少滑坡灾害造成的损失至关重要。

### 研究的局限性与未来方向

尽管CAFNet在基于InSAR变形速率的活动滑坡识别方面展现出显著潜力，但仍存在一些局限性。首先，识别出的活动滑坡反映了地表变形的空间范围，但可能不完全与光学图像中观察到的形态特征一致。尽管这种不一致存在，但对识别活动滑坡的影响有限。其次，受限于InSAR和地形数据的空间分辨率，本研究可能无法完全捕捉小尺度变形特征和复杂地形细节。此外，评估误报率主要依赖于光学图像的视觉解释，这可能导致对模型实际性能的低估。未来的研究可以结合高分辨率数据（如无人机LiDAR）和变形时序分析，以更精确地识别细微滑坡并优化现有的滑坡清单，提供更全面的基准。第三，使用变形速率作为唯一输入限制了模型区分自然滑坡与人为变形（如采矿或灌溉）的能力。一些误报发生在露天矿或农田附近，这些区域的变形可能与人类活动有关，而非坡体失稳。相反，一些误检（如图中的某些情况）涉及不规则或空间不连续的变形模式，这使得仅凭变形信息难以检测。引入辅助数据，如土地利用图或高分辨率光学图像，可以提供有价值的语义上下文。例如，农田或采矿区的变形可能更易归因于人为活动，而陡坡地区森林或未利用土地的变形则更可能与自然坡体失稳有关。

### 结论

本研究将深度学习与InSAR技术相结合，提出了轻量级的CAFNet框架，用于自动识别活动滑坡。该框架通过WDB有效缓解了小规模滑坡特征的丢失，MSA模块实现了多级特征的自适应融合，提高了特征对齐的准确性。在解码器中，CUB模块优化了边界表示，最终提升了活动滑坡识别的准确性。实验结果表明，CAFNet在参数数量和计算复杂度上均优于现有深度学习模型，其在像素级评估中取得了83.3%的IoU，特别是在小规模滑坡识别和复杂边界提取方面表现突出。此外，CAFNet在迁移分析中也取得了令人满意的结果。这些结果突显了CAFNet在建立和定期更新活动滑坡清单方面的潜力，这对于减轻滑坡灾害带来的损失至关重要。