编辑推荐：
为解决大规模干涉图中不同尺寸沉降漏斗（尤其小型）识别难、检测精度低等问题，研究人员开展基于深度学习的 SFD-YOLO 模型研究。结果显示模型 mAP50 达 92.00%，检测中国 3842 个漏斗，为灾害防治等提供数据支持。
地表沉降如同大地的 “隐形伤口”，在煤炭资源丰富的矿区尤为突出。地下开采活动或自然地质作用会引发地表沉降，形成漏斗状地形，不仅威胁建筑安全、破坏生态环境，还可能诱发地质灾害。中国作为煤炭生产大国，山西、内蒙古等主要产煤区长期面临沉降问题。然而，传统监测手段依赖有限点数据，难以实现大范围连续监测；基于 InSAR（合成孔径雷达干涉测量）技术的形变监测虽能覆盖全国，但从复杂干涉图中精准识别不同尺度的沉降漏斗仍困难重重，尤其是小型漏斗因特征模糊、易受噪声干扰，检测精度亟待提升。在此背景下，开展高效精准的全国性沉降漏斗检测技术研究迫在眉睫。
为攻克上述难题，国内研究团队在《International Journal of Applied Earth Observation and Geoinformation》发表研究，提出基于 YOLOv8 架构的深度学习模型 SFD-YOLO（Sinking Funnel Detection-YOLO），旨在实现大规模 SAR 干涉图中沉降漏斗的自动检测与定位。
研究主要采用以下关键技术方法：首先构建包含 3000 个真实干涉图和 1000 个模拟样本的数据集，样本覆盖山西阳泉、内蒙古鄂尔多斯等 5 个主要矿区，通过 D-InSAR 技术处理 Sentinel-1A 数据生成干涉图，并进行重叠裁剪与人工标注；模型设计上，引入 DWR-C2f 模块增强多尺度特征提取能力，改进 YOLOv8 的 C2f 结构，通过膨胀卷积捕捉不同尺度上下文信息；同时提出 Inner-WIoU 回归损失函数，缓解样本难易失衡问题，提升检测框定位精度；最后将训练好的模型应用于全国 34 个省级行政区的干涉图检测，结合 SRTM DEM 数据和煤矿点数据进行分析。
3.1 方法比较
实验对比了 SFD-YOLO 与 YOLOv5、YOLOv8 等 6 种目标检测方法，结果显示 SFD-YOLO 的 mAP50 达 92.00%，显著优于其他模型。在模型效率方面，其参数规模（10.932M）、计算量（11.994G FLOPs）和推理速度（94.6 FPS）均表现优异，实现了精度与效率的平衡。消融实验表明，DWR-C2f 模块和 Inner-WIoU 损失函数分别使 mAP50 提升 0.53% 和 0.61%，二者结合进一步提升至 92.00%，验证了模块设计的有效性。
3.2 模块增强效果
针对小型漏斗检测难题，研究发现 SFD-YOLO 在含大量小型漏斗的区域检测效果显著优于 YOLOv8，平均召回率、精度和 F1 分数分别达 0.87、0.92 和 0.90。特征图可视化显示，DWR 模块在 P4、P5 层增强了高层语义特征，结合特征金字塔结构，有效提升了对小目标细节的捕捉能力。统计显示，SFD-YOLO 检测到的小型漏斗比例（43.22%）高于 YOLOv8（38.03%），证实其对小目标的检测能力提升。
3.3 全国分布特征
全国检测结果显示，2023 年底至 2024 年初共识别出 3842 个沉降漏斗，主要集中在华北、西北及中部地区。山西（764 个）、内蒙古、陕西、安徽为漏斗数量前四省份，青藏高原和东部沿海地区分布极少。这一分布与煤矿开采活动高度吻合， kernel 密度分析表明沉降漏斗与煤矿点空间分布一致，验证了模型检测的可靠性。
4.1 干涉图参数影响
多视参数实验显示，随着多视比从 4:1 增至 16:4，检测精度从 86.7% 骤降至 20.8%。高多视比虽能降噪，但导致分辨率下降、漏斗特征模糊，尤其不利于小型漏斗检测，因此研究采用 4:1 的多视比优化干涉图质量。
4.2 模型泛化能力
在安徽农田、内蒙古草原荒漠过渡带、辽宁矿区等复杂地表环境中，SFD-YOLO 的检测精度均超 0.8，优于 SSD、Faster-RCNN 等模型，且在多源卫星数据（RadarSat-2、Lutan-1 等）测试中表现稳定，证实其跨环境和数据来源的泛化能力。
4.3 检测结果分析
西南地区虽煤矿点密集（3284 个），但检测到的漏斗仅 568 个，可能与小规模开采方式和 SAR 数据相干性低有关。此外，模型在地形复杂区存在误检，如将露天矿干扰纹识别为沉降漏斗，需结合相干性指标和地质数据进一步区分。
5 结论与展望
本研究提出的 SFD-YOLO 模型为全国性沉降漏斗检测提供了高效解决方案，其 92% 的检测精度和快速推理能力显著优于现有方法，且在多尺度目标检测和复杂环境适应性方面表现突出。全国检测结果揭示了沉降漏斗的空间分布规律，为矿区灾害防治、资源管理提供了关键数据支撑。然而，研究受限于干涉图质量和模型硬件，检测结果需结合光学影像验证。未来可通过融合多源数据（如 LiDAR、高光谱）、开发地形自适应模型及部署边缘计算设备，进一步提升监测的实时性与准确性，推动深度学习在地球科学和灾害管理中的广泛应用。
