基于高分辨率遥感和深度学习技术，对山区降雨引发的浅层滑坡进行智能识别与易发性分析

《Frontiers in Earth Science》：Intelligent identification and susceptibility analysis of rainfall-induced shallow landslides in mountainous areas based on high-resolution remote sensing and deep learning

浅层滑坡识别与易发性评估研究基于高分辨率遥感影像和深度学习模型，提出Mask R-CNN自动识别方法及I-SVM耦合模型，在北京房山区普洼镇实证中检测到1237处滑坡，精度88.04%，AUC达97%，揭示坡度>40°、海拔540-1080m、近河岸及断裂带为高发区，为灾害防治提供数据支撑。

　　近年来，极端降雨事件的频率显著增加，导致浅层滑坡灾害的发生率也随之上升。这种地质灾害不仅本身具有严重的破坏性，还可能引发泥石流等次生灾害，对下游山区居民的生命财产安全构成威胁。因此，研究浅层滑坡的识别方法和空间分布特征对于减轻和预防由降雨引发的地质灾害具有重要意义。本研究利用高分辨率遥感影像，结合深度学习技术，开发了一种快速识别浅层滑坡的方法。研究区域选定在北京市房山区蒲洼乡，通过高分辨率光学卫星数据（如北京三号卫星BJ-3）构建了浅层滑坡数据集，并采用Mask R-CNN模型进行自动识别，最终生成滑坡图谱。识别结果经过人工筛选后，结合空间统计分析和信息值方法耦合支持向量机（I-SVM）模型，评估浅层滑坡的易发性。研究发现，滑坡主要分布在海拔540至1080米之间的凹形陡坡区域，且在东村、安子沟村和东泥洼村等区域发生概率较高。通过AUC值（0.97）评估滑坡易发性模型的精度，表明该模型具有较高的识别能力。研究为北京山区的浅层滑坡快速识别和灾害防治提供了宝贵的参考和建议。

### 研究背景与意义

浅层滑坡是中国最常见的自然灾害之一，通常由极端强降雨、地震等因素引发。2023年7月29日，北京受超强台风“杜苏里”残余环流和副热带高压、台风“康森”水汽输送以及地形影响，西部山区出现极端强降雨，最大降雨强度达到126.6毫米/小时，累计降雨量高达1,025毫米。由于降雨强度过大，北京西部地区发生了大规模的浅层滑坡，对当地居民的生命财产安全构成巨大威胁。在应急救援中，遥感数据的快速解释对于确定灾害影响范围和评估受灾区域的安全性至关重要。然而，传统的手工视觉解释方法在灾害识别效率方面存在明显局限，尤其是在时间敏感的应急场景中，难以实现快速响应。

为了克服这些局限，近年来，越来越多的研究者将深度学习方法与遥感影像结合，开发了用于自动识别滑坡的模型，如U-Net、PSPNet等。这些模型能够实现像素级的分类和分割，但在识别离散分布的小规模滑坡时，定位精度仍有待提高。相比之下，Mask R-CNN模型因其具备区域建议网络（RPN）、区域兴趣（ROI）和掩码分支，能够在一次前向传播中同时输出边界框和像素级掩码，满足滑坡识别的定位和分割双重需求。此外，其集成的特征金字塔网络（FPN）通过自上而下的特征融合，能够保留小尺度目标的细节信息，如滑坡陡坡的微地形和植被干扰痕迹，从而有效区分滑坡与干扰地物（如裸地和建筑区域）。因此，Mask R-CNN在高分辨率遥感影像中具有显著优势。

### 研究方法

本研究采用了一套系统的方法流程，包括数据采集与预处理、样本标注与数据集构建、Mask R-CNN模型训练与优化、自动滑坡识别、滑坡特征分析、诱发因素分析和滑坡易发性评估等。其中，数据预处理包括图像增强、归一化和数据增强，旨在提高图像质量并增强模型的泛化能力。样本标注通过专业工具对滑坡边界进行人工标记，确保训练、验证和测试数据集的精度。在模型训练过程中，采用了PyTorch 1.14框架和MMdetection工具包，使用SGD优化器进行参数调整，并结合阶梯式学习率调整算法以提升模型的学习能力。

### 模型训练与识别结果

在本研究中，模型训练过程中，输入图像的分辨率设置为1,024 × 1,024像素，训练总轮次为1,000次。通过实验，模型的识别精度达到了88.04%，召回率69.40%，F1分数77.79%，mIoU为64.37%。整个研究区域的处理时间为303秒，平均处理速度为3.53秒/平方公里，表明该模型在处理效率方面具有显著优势。通过与U-Net、PSPNet等其他模型的比较，Mask R-CNN在识别精度和小规模滑坡识别方面表现最佳，其mIoU比其他模型分别高出2.17%、7.07%和10.06%。这表明，该模型在滑坡边界定位和细节捕捉方面具有更强的能力。

### 滑坡特征分析

滑坡的形成具有一定的规律性，主要受到地形、地质和气象等因素的影响。研究发现，滑坡主要集中在30至1,000平方米之间，约占滑坡总数的91.7%。滑坡面积的概率密度函数基本符合逆伽马分布，且在双对数坐标图中表现出明显的分段特征，拐点出现在约800平方米处，将滑坡分为小型和中大型两类。其中，小型滑坡占99.3%，而中大型滑坡仅占0.7%。这表明，研究区域以小型浅层滑坡为主，其分布具有明显的聚集性。滑坡主要集中在河流两侧和断层附近，密度最高可达57/平方公里，表明水文条件和地质结构对滑坡空间分布具有重要影响。

### 滑坡诱发因素分析

本研究采用信息值模型结合支持向量机（SVM）的方法，分析了滑坡的诱发因素。通过对13个潜在影响因素进行信息值计算，研究发现不同因素对滑坡发生的影响程度存在显著差异。地形因素中，坡度大于40度的区域滑坡发生概率较高，而海拔在1,300至1,500米及高于1,500米的区域滑坡风险更大。滑坡主要分布在凹形坡面，即平面曲率大于0的区域，而凸形坡面（平面曲率小于0）则可能促进滑坡发生。气象因素中，降雨量在200至450毫米的区域与滑坡发生具有最强相关性，而降雨量超过700毫米则可能导致其他类型的灾害，如泥石流。植被因素中，NDVI值在0至0.069之间的区域滑坡发生概率较高，而NDVI值超过0.373的区域则植被茂密，滑坡发生概率较低。地质因素中，距离断层0至1,500米的区域滑坡风险较高，而较坚硬的岩性则更易发生滑坡。人类活动因素中，距离道路0至750米的区域滑坡风险略高，但影响程度相对较小。

### 滑坡易发性评估

基于信息值模型与SVM的耦合，研究构建了一个浅层滑坡易发性评估模型。该模型将12个滑坡诱发因素按照信息值进行加权，作为SVM的输入。模型评估采用ROC曲线和AUC指标，结果表明该模型的AUC值为0.97，说明其具有较高的预测精度。通过分析，研究发现滑坡易发性主要集中在东村、安子沟村和东泥洼村等区域。这些区域在极端降雨条件下滑坡发生概率较高，需重点关注居民的疏散和安置。此外，研究建议在雨季前清理河道中的泥石流源地，以避免因降雨引发的泥石流等次生灾害对居民安全造成威胁。

### 研究结论与展望

本研究首次针对2023年7月北京的极端降雨事件，构建了一个区域特异性浅层滑坡数据集，并利用Mask R-CNN模型实现了高精度的自动识别。研究结果表明，该模型在识别效率和精度方面均优于传统方法，且适用于高分辨率遥感影像。同时，通过空间统计分析，首次揭示了蒲洼乡浅层滑坡的规模-概率密度分布符合逆伽马分布，且主要集中在中高海拔区域、陡坡和断层附近。这些发现有助于更深入地理解浅层滑坡的地形控制因素。

在滑坡易发性评估方面，研究通过I-SVM模型对研究区域进行了分析，得出在极端降雨条件下，东村、安子沟村和东泥洼村的滑坡发生概率较高。AUC值为0.97，表明该模型在滑坡易发性评估中具有较高的精度。基于滑坡高风险区域的空间分布特征，研究建议建立一个融合卫星遥感与地面监测的分级监测系统，部署自动雨量站和全球导航卫星系统（GNSS）等设备，实现实时数据传输至预警平台。此外，建议结合季度无人机巡检和干涉合成孔径雷达（InSAR）监测，以实现潜在灾害的早期识别。

尽管本研究取得了一定成果，但仍存在一些局限性。例如，模型的性能高度依赖于训练数据的质量和数量，而由于缺乏公开的高分辨率滑坡数据集，本研究的数据集主要基于北京“23·7”极端降雨事件，且受限于高分辨率数据的获取，尚未应用于其他地区。未来的研究方向应包括：整合多个地区的数据和不同降雨事件的信息，补充现场土壤力学参数和高分辨率人类活动数据，以建立覆盖中国山区的多场景、多维度浅层滑坡数据集。此外，还需在如云南-西藏高原和云南-贵州高原等地区对优化后的模型进行验证，并根据不同地区的特征进行参数调整。