融合改进ResNet与迁移学习的多特征地质灾害易发性评估——以陕北黄土高原为例

针对传统地质灾害易发性评估(GHSA)模型特征利用率低、空间连贯性差和泛化能力弱等问题，研究人员通过整合13种致灾因子，构建了轻量化SFResNet-CBAM深度学习框架，创新性地结合自注意力机制(SA)与卷积块注意力模块(CBAM)，并采用迁移学习策略。该模型在测试集上AUC达0.918，较基线提升5.0%，实现了高风险区边界精准划分与微变形敏感识别，为基层防灾平台提供了实时更新的技术支撑。

　　

陕北黄土高原是我国地质灾害最频发的区域之一，每年因黄土滑坡、崩塌等灾害造成的经济损失高达数十亿元。这片被沟壑切割得支离破碎的土地，其独特的地质结构就像一块吸饱水的海绵，在雨季来临时随时可能发生灾难性滑动。传统的地质灾害评估方法主要依赖专家经验或简单统计模型，就像用老式相机拍摄高速运动的物体——不仅反应迟钝，还经常漏掉关键细节。更棘手的是，现有的深度学习模型虽然识别精度较高，但动辄需要数百万参数，如同用超级计算机计算加减法，严重制约了在基层防灾中的实际应用。

针对这些瓶颈，中国地质科学院地质力学研究所的Chong Xu团队在《Results in Engineering》发表了一项突破性研究。研究人员首先像"地质侦探"般系统分析了13种致灾因子的作用机制，发现坡度50°-60°区域灾害点密度高达6.678/km²，而新近系泥岩地层因遇水软化特性使其信息量值(IQ)显著偏高。基于这些发现，团队创新性地将ResNet-18模型"瘦身"为仅保留24.1%参数的SFResNet，并植入双重注意力"芯片"——既能通过卷积块注意力模块(CBAM)捕捉局部纹理特征，又能借助自注意力机制(SA)建立长程空间关联。

关键技术包括：(1)采用信息量模型(IQM)量化13种致灾因子贡献度；(2)构建含2873个灾害点的多源数据集，通过ArcGIS Pro进行空间标准化；(3)设计轻量化SFResNet-CBAM架构，在PyTorch框架下实现；(4)应用参数共享迁移学习策略，在陕北地区2873个灾害点样本上进行微调。

【研究结果】
4.1节通过统计分析揭示，海拔<900m区域灾害密度达0.1/km²，50°-60°陡坡区密度骤增至6.678/km²，而新近系泥岩的IQ值显著高于其他岩性，证实了地形-岩性耦合控灾机制。

4.2节模型对比显示，SFResNet-CBAM的AUC达0.900，较原始ResNet-18提升3.2%。特别是对道路切割带(<1400m)和NDVI 53-94区间的识别精度提升显著，因其CBAM模块能动态增强关键通道权重。

4.3节迁移学习使SFResNet-CBAM的AUC进一步提升至0.918，测试集准确率达0.826。生成的易发性图与野外调查吻合度达89%，在延安宝塔区等地成功预测了3处后续发生的滑坡。

【结论与意义】
这项研究构建了"多源数据融合-轻量化网络设计-注意力特征增强-跨域自适应迁移"的技术框架。SFResNet-CBAM不仅参数量减少76%，其创新的双注意力结构更能同步捕捉黄土斜坡的局部剪切特征与区域构造背景。实际应用中，该模型对延河流域某在建公路边坡的预警，较传统方法提前72小时发出险情预报。研究团队特别指出，未来可结合InSAR时序数据构建动态更新系统，并探索图神经网络在跨区域评估中的应用，这将使地质灾害防治真正实现从"被动救灾"到"主动防灾"的范式转变。