多维特征融合与源数据自适应的深度学习模型LGCR-Net：面向精细尺度滑坡时空敏感性制图

针对滑坡敏感性制图(LSM)中多源数据异质性、静态模型时效性差等问题，研究人员提出融合InSAR技术的LGCR-Net深度学习模型。通过多维特征融合模块(MF)和门控傅里叶变换(Gate FFT)增强模块，模型在金沙江白鹤滩库区的应用中使精确度(Precision)提升0.0213，召回率(Recall)提高0.0334，显著提升了复杂地质环境下滑坡风险评估的时空动态预测能力。

　　

滑坡作为全球致死率高达17%的自然灾害，每年造成约600人死亡，对白鹤滩水电站等重大工程构成严峻威胁。传统滑坡敏感性制图(LSM)面临三大瓶颈：多源地形/地质数据存在分辨率差异（如30米影像与300米气象数据混杂）、静态模型无法捕捉短时地表形变、以及卷积神经网络(CNN)在全局特征提取上的局限性。这些缺陷导致现有方法难以适应金沙江库区复杂的"高山峡谷"地貌，亟需开发融合时空动态特征的新型评估体系。

黑龙江高校基础科研团队联合国家自然科学基金重大项目，在《Engineering Applications of Artificial Intelligence》发表研究，创新性构建LGCR-Net模型。该研究通过小基线集干涉雷达(SBAS-InSAR)获取毫米级地表形变数据，结合自主研发的LGC-Net深度学习框架：1)采用Swin Transformer与CNN并行架构同步提取全局/局部特征；2)设计门控傅里叶变换(Gate FFT)模块对30-300米异质分辨率数据进行频域增强；3)引入多维特征融合模块(MF)实现地形因子与InSAR形变数据的时空耦合。研究选取白鹤滩库区60米水位波动带的227处滑坡点进行验证。

【研究结果】

1. 触发因子分析：高程1000-2200米区域集中92%滑坡事件，坡度>14°区域占比70%，且地层岩性中板岩占比达41.2%，揭示地形-地质耦合效应。

2. LGC-Net模型优势：相较ResNet-50和ConvNeXt-Tiny，该模型精确度(Pre)提升0.028，平均绝对误差(MAE)降低0.036，F1-score提高2.18%，证明其处理异质数据的优越性。

3. 改进LSM(ILSM)验证：融合InSAR形变图(GDM)后，模型在中低敏感区的漏报率降低23%，同时保持高敏感区88.7%的预测准确率，实现"静态基础+动态修正"的评估范式。

【结论与意义】
该研究突破传统LSM的三重技术壁垒：1)通过Gate FFT模块将300米气象数据频域重建为30米等效分辨率，解决源数据适应性难题；2)MF模块使高程、坡度等16维因子与形变数据的特征融合效率提升34%；3)SBAS-InSAR技术引入使模型具备月尺度更新能力。实际应用中，LGCR-Net生成的改进LSM(ILSM)成功预警库区3处潜在滑坡，验证其在重大工程地质灾害防控中的实用价值。这项研究为复杂环境下的滑坡风险评估提供了"特征提取-数据适配-时空融合"的全链条解决方案，其技术路线可拓展至地震、泥石流等多灾种耦合风险评估领域。