中国资兴市极端降雨触发浅层滑坡的RLZX数据集构建与智能检测研究

本研究针对全球气候变化下极端降雨引发的群发性滑坡灾害，构建了包含19,403个滑坡多源数据的RLZX数据集（含RLZX-LIM和RLZX-LDD），通过3D时空场景解译与无人机验证，填补了降雨型滑坡检测数据集空白，为区域滑坡研究和智能检测提供高质量数据支撑。

　　

2024年7月，台风"格美"带来的极端降雨在中国湖南省资兴市引发了大规模群发性滑坡灾害。这场降雨量突破历史记录的灾害事件，不仅造成重大人员伤亡和基础设施损毁，更触发了超过1.9万处浅层滑坡。在全球气候变化导致极端气象事件频发的背景下，如何系统记录这类灾害并推动智能化防灾研究，成为地质灾害领域亟待解决的难题。

同济大学土木工程学院的研究团队在《Scientific Data》发表的研究，创新性地构建了"资兴降雨型滑坡数据集"（RLZX）。该数据集包含基于多时相卫星影像解译的滑坡编录图（RLZX-LIM）和面向深度学习的检测数据集（RLZX-LDD），通过3D时空场景分析、无人机验证和深度学习验证三重技术路线，实现了对19,403处滑坡的高精度记录。研究团队采用Gaofen系列卫星（2m分辨率）和Sentinel-2（10m分辨率）多时相影像构建3D解译场景，结合NDVI植被指数和12.5m DEM地形分析，通过专家协同标注建立初始滑坡数据库。随后通过道路沿线调查和4个高密度滑坡区的无人机测绘（0.3m分辨率）进行质量验证，最终采用256/1024像素切片策略生成可用于U²-Net、Deeplabv3+等模型训练的标准化数据集。

数据记录与技术验证

研究区域选择资兴市东部山区，排除西北部平坦城区。通过对比1981-2023年月均降雨数据，确认本次事件降雨量（最大673.9mm）远超历史水平。滑坡编录结果显示，滑坡平面面积从4m²至171,982m²不等，总面积达53.89km²，东北部山区滑坡面积密度最高达52.95%。无人机验证显示，RLZX-LIM在几何偏差率（约21%）和完整性（84.7-95.1%）方面表现良好。

深度学习性能验证

在模型测试中，U²-Net在无人机子集（UAV-LDD）达到最高mIoU（79.91%），混合数据集使模型在跨区域检测任务中F1-score提升至74.4%。相比单一来源数据集，RLZX-LDD展现出更优的迁移学习能力，为降雨型滑坡智能检测建立了新基准。

这项研究的意义在于：首次系统构建了降雨触发型滑坡的多源标准数据集，其创新性的"LIM→LDD"数据生成范式（如图1所示）为滑坡智能检测提供了可复用的技术框架；发布的0.3m分辨率无人机滑坡标签（如图8所示）为高精度验证设立新标准；特别是保留NIR波段和DEM数据的特色，使得该数据集能同时支持光学特征与地形因子的联合分析。研究成果不仅为资兴市灾后重建提供数据支撑，更通过开源共享（Figshare存储库编号27960762）推动全球滑坡研究从传统方法向数据驱动范式转型。未来，该团队计划将RLZX数据集与InSAR等新型遥感技术结合，进一步探索气候变化背景下滑坡灾害的早期预警方法。

（注：文中所有数据指标均来自原文，技术术语如NDVI-归一化植被指数、DEM-数字高程模型等均按原文格式保留；机构名称按国内惯例翻译；图片引用严格对应原文标签位置）