利用条件生成对抗网络（Conditional GAN）、多时相数字高程模型（Multi-temporal DEMs）和卫星影像对滑坡引发的地形变化进行体积估算

《International Journal of Applied Earth Observation and Geoinformation》：Volumetric estimation of landslide-induced terrain change using conditional GAN with multi-temporal DEMs and satellite imagery

滑坡体积估算方法研究：基于条件生成对抗网络的多源数据融合分析，整合多时相卫星影像、LiDAR-DEM和地形属性，构建cGAN模型模拟DEM差异并量化滑坡体积。研究表明模型对侵蚀区分类准确率0.46，沉积区0.30，存在系统性低估（中位误差-50% erosion，-100% deposition），但能捕捉三维空间分布特征，适用于数据稀缺地区的滑坡灾害评估与沉积管理

　　 landslide体积估计一直是地质灾害研究中的一个复杂问题，主要受限于高分辨率地形数据的获取难度。传统方法多依赖于经验公式，通过面积与体积之间的关系来估算体积，但由于地形变化的多样性和假设条件的简化，这些方法往往伴随着较大的不确定性。为了克服这些限制，本研究提出了一种基于深度学习的框架，该框架结合了多时相卫星图像、LiDAR生成的数字高程模型（DEM）、地形属性和条件生成对抗网络（cGAN），用于模拟差分数字高程模型（DoD）并估计滑坡引起的体积变化。这种方法在没有灾后DEM的情况下，能够实现更精确的体积评估，为数据稀缺地区提供了一种实用的解决方案。

本研究利用了台湾地区公开的航空LiDAR数据，这些数据的分辨率统一为20米，覆盖面积超过78,183平方公里。研究团队共筛选出2,881个包含两个DEM时相的图幅，其中348个图幅包含三个时相，时间间隔通常为5至8年。基于这些数据，提取了198个深部滑坡案例，总面积约为7.12平方公里，其中包括4.89平方公里的侵蚀区域和2.23平方公里的沉积区域。通过五折交叉验证，模型在整体分类精度上达到了0.66，其中侵蚀区域的F1值为0.46，沉积区域为0.30，背景区域为0.78。然而，体积估算结果普遍偏低，侵蚀体积的中位误差约为-50%，沉积体积的误差甚至接近-100%。这表明，尽管模型在分类任务上表现良好，但在体积预测上仍存在系统性低估问题，这可能是由于沉积区域的复杂性和模型对某些地形特征的识别能力有限。

本研究的创新之处在于将多源遥感数据与深度学习模型相结合，以提高滑坡体积估算的准确性。所采用的cGAN模型能够根据特定的输入特征生成合成的DoD图像，从而模拟地形变化。为了增强模型的物理现实性，引入了加权L1损失函数，其中侵蚀区域的权重为1.0，沉积区域为0.7，稳定区域为0.1。此外，还引入了对数体积误差项，以直接比较预测与实际体积。这些策略有助于模型在不同地形条件下保持较高的预测精度。

在模型训练过程中，研究团队采用了五折交叉验证策略，以评估不同输入特征组合对体积预测的影响。测试结果表明，输入特征的数量和类型对模型性能有显著影响。例如，使用37个波段的全特征集（包括地形和光谱指数）的总体精度达到了0.53，而仅使用7个波段的地形特征则总体精度仅为0.44。这表明，增加输入特征的数量能够有效提升模型的预测能力，尤其是在区分沉积区域时。然而，即便如此，模型在沉积区域的预测精度仍然较低，这可能与沉积区域的较小空间范围和异质性有关。

研究还对几个典型滑坡案例进行了分析，包括位于台湾的溪龙滑坡和位于花莲县的丁家滩滑坡。通过多时相卫星影像和DoD分析，研究人员发现，滑坡的实际体积与传统经验公式估算的结果存在显著差异。例如，在溪龙滑坡案例中，基于DoD的真实侵蚀体积为798,108立方米，而沉积体积为488,815立方米，但模型预测的总体体积仅为真实体积的56%。这种低估现象在沉积区域尤为明显，表明模型在识别沉积区域的体积变化时仍存在挑战。此外，研究还发现，许多实际滑坡事件并未被现有的滑坡数据库记录，这凸显了利用DoD进行滑坡识别的重要性，因为传统的滑坡地图往往无法准确反映真实的地形变化。

为了提高模型的鲁棒性，研究团队还对输入特征的组合进行了敏感性分析。结果表明，地形特征和光谱差异的结合能够显著提升模型的预测性能，特别是在区分侵蚀和沉积区域时。然而，当仅使用光谱差异或仅使用地形特征时，模型的预测能力有所下降。这说明，综合考虑多种数据源是实现准确体积预测的关键。此外，研究还指出，模型在处理高分辨率影像时，由于滑坡事件本身的规模较小，其图像块尺寸往往小于16×16像素，这限制了CNN模型的深度设计，使得模型在提取多尺度地形特征方面存在一定的局限性。

在实际应用中，本研究提出的框架能够有效处理数据稀缺地区的滑坡体积估算问题。由于高分辨率DEM和多时相影像的获取成本较高，且在某些地区难以实现，因此，依赖于深度学习模型的体积估算方法具有重要的现实意义。该方法不仅能够减少对灾后DEM的依赖，还能通过结合多种遥感数据，提高体积估算的精度。此外，该框架还能够用于滑坡类型的分类和灾害风险评估，为滑坡监测和预防提供支持。

然而，本研究也指出了当前方法的一些局限性。首先，多时相DEM数据的获取和处理仍然面临技术挑战，例如不同数据源之间的分辨率差异、扫描角度和定位误差等，这些都会影响DoD分析的准确性。其次，由于滑坡事件的复杂性，模型在某些区域的预测误差较大，尤其是在沉积区域，这可能与模型对地形变化的识别能力不足有关。此外，研究还发现，许多滑坡事件的面积较小，这使得基于面积的经验公式在体积估算上存在较大的偏差，进一步强调了深度学习方法在复杂地形变化识别中的优势。

为了进一步提高模型的性能，未来的研究可以考虑以下几个方向。首先，提高输入数据的空间分辨率，这有助于更精确地捕捉滑坡的细节特征，从而提升体积预测的准确性。其次，优化模型架构，使其能够更好地处理沉积区域的复杂变化，这可能需要引入更复杂的神经网络结构或改进损失函数的设计。此外，结合更多类型的遥感数据，如合成孔径雷达（SAR）影像，可以提高模型对地形变化的敏感性，尤其是在植被覆盖较密或存在水体干扰的区域。最后，进一步探索不同深度学习模型（如Transformer和混合架构）在滑坡体积估算中的应用，以提高模型的泛化能力和预测精度。

综上所述，本研究提出的基于cGAN的深度学习框架为滑坡体积估算提供了一种新的解决方案。该方法不仅能够减少对灾后DEM的依赖，还能够有效利用多源遥感数据，提高体积预测的准确性。尽管模型在某些区域仍存在低估问题，但其在分类任务上的表现表明，深度学习技术在滑坡分析中具有巨大的潜力。未来的研究应继续探索如何优化模型结构和输入特征，以进一步提高滑坡体积估算的精度，从而为灾害预防和管理提供更可靠的数据支持。