融合地形知识与遥感影像的深度学习模型精准刻画冲积扇形态特征

本研究针对传统方法难以准确提取复杂冲积扇边界的问题，提出融合Sentinel-2影像与SRTM DEM地形特征的改进Mask R-CNN模型。在美国大盆地和莫哈韦沙漠的测试中，模型F1-score达91.53%，显著优于传统方法（均值漂移分割70.92%），揭示了流域面积、坡度等地形因子对冲积扇演化的影响，为复杂地貌自动化提取提供了新范式。

　　

冲积扇作为地表侵蚀-搬运-沉积过程的典型产物，其形态特征记录着构造活动、气候变化等关键地质信息。然而，传统提取方法面临三大困境：视觉解译（VIMs）依赖专家经验耗时费力；基于像素的方法（PBMs）易受地形噪声干扰；基于对象的图像分析（OBIA）需复杂参数调整且精度有限。尤其当冲积扇存在重叠或过渡边界时，现有方法难以捕捉其多尺度复杂形态。

针对这些挑战，中国的研究团队在《CATENA》发表创新成果，通过整合Sentinel-2多光谱影像（10 m分辨率）与SRTM DEM地形数据，构建了改进的Mask R-CNN深度学习框架。研究选取美国西部44万平方公里典型区域，设计反映冲积扇结构特征的切线曲率等地形因子，系统比较七种数据组合方案。结果显示：融合影像+DEM+切线曲率的模型（Case 7）表现最优，在掩膜分割任务中AP达41.94%，边界识别精度（AP50）达63.88%，较传统均值漂移分割方法F1-score提升20个百分点。

关键技术包括：1）基于Google Earth Engine平台筛选<10%云量的Sentinel-2地表反射率产品；2）设计反映冲积扇微地形特征的切线曲率等衍生参数；3）采用改进的Mask R-CNN框架，集成区域提议网络（RPN）和特征金字塔（FPN）实现多尺度检测；4）通过IoU阈值优化（0.5时AUC达63.88）平衡精度与召回率。

【研究结果】

1. 模型策略比较
   通过AUC值评估发现IoU=0.5时模型综合性能最佳（AUC 63.88），过高阈值会导致漏检率上升。Case 7方案在AP75（50.21%）和AR（46.69%）指标上均显著优于单一数据源方案。

2. 与传统方法对比
   相较于均值漂移分割（F1-score 70.92%）和径向剖面法（70.38%），深度学习模型将精度提升至91.53%，尤其在重叠扇体边界识别上展现显著优势。

3. 流域-冲积扇关联分析
   揭示流域面积、坡度（slope）、起伏度（relief）与降雨模式共同控制沉积物输运效率，大流域（>50 km²）形成的冲积扇具有更发育的放射状沟道系统。

4. 微地形特征启示
   切线曲率参数成功识别冲积扇不同发育区：扇顶部位值域为-0.2~0.2反映活跃侵蚀，扇缘>0.35区域指示沉积优势区，这种差异主要源于侵蚀强度与沉积频率的空间分异。

【结论与意义】
该研究创新性地将地形知识编码为可量化的切线曲率等参数，与多光谱影像协同输入深度学习框架，突破了单一数据源在复杂地貌识别中的局限性。方法论层面证实：1）地形因子设计需针对目标地貌的形态发生规律；2）Mask R-CNN的实例分割能力可有效处理相邻冲积扇的边界模糊问题。实践价值体现在：为地质灾害风险评估提供高精度地貌边界数据，提出的"地形因子适配+多源数据融合"技术路线可推广至其他复杂地貌（如洪积扇、冰水沉积扇）的自动提取。研究同时启示：未来应加强地形因子与沉积过程模型的耦合，以深化对地貌演化动力学的理解。