基于改进轻量化DeepLabV3+模型的高分辨率无人机影像裸岩提取方法及其在地质灾害预警中的应用

本研究针对喀斯特地区裸岩光谱特征相似、边界模糊导致传统分类方法精度不足的问题，提出了一种融合MobileNetV2骨干网络与通道/空间注意力机制(CAM/SAM)的轻量化DeepLabV3+模型。实验表明，改进后模型在准确率(97.39%)、F1值(78.91%)和MIoU(82.11%)指标上均优于传统模型，且参数量仅6.98M、计算复杂度7.24G，为地质灾害监测提供了高效精准的技术方案。

　　

在风景如画的桂林喀斯特地貌区，裸露的岩石既是独特景观，也是潜在地质灾害的"定时炸弹"。这些岩石与周边植被光谱特征相似，边界模糊不清，传统分类方法难以准确识别过渡区域。更棘手的是，卫星影像分辨率不足，而人工实地调查又费时费力。面对频发的山体崩塌事件——如2015年叠彩山景区事故造成7死25伤——桂林理工大学的研究团队决定用"无人机+AI"破解这一难题。

研究人员采用DJI Phantom 4 RTK无人机进行五向航拍，构建5472×3648像素的高分辨率数据集。技术核心是改进的DeepLabV3+架构：以MobileNetV2为骨干网络降低参数量至5.81M；在ASPP模块和解码器中嵌入通道注意力(CAM)与空间注意力(SAM)机制，使模型能动态聚焦岩石特征。训练采用Adam优化器(初始学习率0.0005)和BCEWithLogitsLoss损失函数，在500个epoch内完成优化。

4.1 轻量化模型验证
比较VGG16、Xception等骨干网络发现，MobileNetV2版DeepLabV3+的MIoU达82.11%，较传统模型提升2.05%，计算复杂度仅6.61G。在正射影像应用中，裸岩提取率误差控制在5%以内，成功识别出桂林金山10.77%的裸露岩体。

4.2 注意力机制增效
引入CAM/SAM后，模型召回率从73.21%跃升至87.21%，边界识别明显改善。与参数量达104.97M的TransUNet相比，改进模型仅6.98M参数即实现87.73%的MIoU，在破碎岩体识别中表现优异。

5.3 实际应用价值
尽管二维裸岩率低于30%的荒漠化阈值，但现场调查发现多处已发生岩崩。研究构建的数据集(公开于figshare)为灾害预警提供了新工具，模型能准确捕捉如桂林金山裸露岩体与水库混凝土的纹理差异。未来将通过多尺度模块进一步优化对复杂岩体特征的提取能力。

这项发表于《Ecological Informatics》的研究，首次将轻量化注意力机制应用于喀斯特裸岩提取，其创新性在于平衡了精度与效率——在保持87.73%分割精度的同时，计算成本仅为同类模型的1/5。这不仅为地质灾害监测提供了自动化解决方案，更为生态脆弱区的风险评估树立了新标杆。当无人机搭载这套算法定期巡检，那些隐藏在青山秀水间的"岩石杀手"将无所遁形。