基于深度学习语义分割的精准滑坡检测与易发性评估：Sentinel-2影像与优化卷积神经网络模型的应用

本研究针对滑坡灾害精准检测与易感性评估的难题，开发了融合RDFNet语义分割与CNN-HHO优化模型的深度学习框架。利用Sentinel-2影像成功提取台湾莫拉克台风触发的滑坡数据，通过频率比(FR)分析确定坡长和土地利用为关键致灾因子，最终生成的易发性图AUROC达0.85，为灾害防控提供了可靠技术支撑。

　　

滑坡作为一种破坏性极强的自然灾害，对人类社会和经济发展构成严重威胁。台湾地区因其特殊的地质构造和频繁的极端天气事件，成为滑坡灾害的高发区。2009年莫拉克台风带来的极端降雨在台湾台东县西部引发了超过2.2万处滑坡，造成重大人员伤亡和经济损失。传统的滑坡检测方法存在效率低下、精度有限等局限性，而现有的易发性评估模型往往缺乏对多源数据融合和模型优化的深入探索。

在这项发表于《Ecological Informatics》的研究中，研究人员开发了一个集成深度学习语义分割和优化卷积神经网络的创新框架，旨在实现历史滑坡位置的精准检测和滑坡易发性区域的精确制图。研究团队采用Sentinel-2卫星影像数据，应用四种先进的语义分割算法——全卷积网络(FCNet)、图像级联网络(ICNet)、RGB-D融合网络(RDFNet)和分割神经网络(SegNet)进行滑坡区域识别，并通过频率比(FR)方法分析九个地质环境因子与滑坡发生的相关性。基于最优分割结果，研究进一步采用标准卷积神经网络(CNN)及其与鲸鱼优化算法(WOA)和哈里斯鹰优化算法(HHO)结合的优化模型进行易发性制图。

研究采用的主要技术方法包括：基于Google Earth Engine平台的Sentinel-2影像获取与处理、深度学习语义分割算法（FCNet、ICNet、RDFNet、SegNet）的实现、频率比(FR)统计分析、卷积神经网络(CNN)建模、元启发式优化算法（WOA、HHO）的应用，以及通过接收者操作特征曲线下面积(AUROC)、均方误差(MSE)、均方根误差(RMSE)和标准差(StD)等多指标验证模型性能。研究区域为台湾台东县西部3515 km²区域，使用2009年莫拉克台风触发的滑坡事件数据作为验证基础。

4.1. 滑坡位置与致灾因子的相关性分析

通过频率比(FR)分析发现，海拔534-1373米等级(FR=1.84)、东南坡向(FR=1.77)、凹曲率(FR=1.20)等地形因子与滑坡发生呈正相关。特别值得注意的是，坡长0-0.18等级(FR=4.24)和土地利用中的建设用地(FR=5.55)与裸地(FR=5.41)显示出极强的相关性，表明人类工程活动对滑坡发生具有重要影响。距离河流110米以内的区域FR值大于2，证实了河流侵蚀对边坡稳定性的显著影响。

4.2. 分割图谱和混淆矩阵

四种语义分割算法的比较结果表明，RDFNet算法表现最优，其F1-score(0.67)、精确度(0.55)、召回率(0.84)和准确度(0.92)均高于其他算法。RDFNet的优势在于能够有效融合RGB光谱特征和深度(D)特征，充分利用多源数据信息。学习曲线分析显示所有算法在训练过程中验证损失均持续下降，表明模型架构合理且训练策略有效。

4.3. 滑坡易发性制图

基于RDFNet分割结果生成的滑坡清单数据，研究采用CNN、CNN-WOA和CNN-HHO三种模型生成易发性图谱。CNN-HHO模型在训练阶段表现出最低的误差值(MSE=0.009，RMSE=0.095)，测试阶段AUROC达到0.85，显著优于CNN(0.80)和CNN-WOA(0.83)。易发性区划显示，研究区39.41%的区域属于高和极高易发区，主要分布在陡坡、河流附近和人类活动频繁区域。

4.4. 模型性能

误差分析和ROC曲线验证均表明CNN-HHO模型具有最优的预测性能和泛化能力。该模型在测试阶段的MSE(0.017)、RMSE(0.132)和StD(0.129)均为最低值，表明其预测结果更加稳定可靠。

研究结论表明，集成RDFNet语义分割和CNN-HHO优化模型的框架能够有效解决滑坡检测和易发性评估中的关键技术难题。RDFNet算法通过多源数据融合显著提高了滑坡边界识别的精度，而HHO优化算法通过其卓越的探索-开发平衡能力，有效优化了CNN模型的超参数配置，提升了预测性能。频率比分析揭示了坡长和土地利用是研究区滑坡发生的最关键控制因子，为区域滑坡防治提供了明确的目标方向。

该研究的重要意义在于：首先开发了一个完整的从滑坡检测到易发性评估的技术框架，实现了业务流程的一体化；其次证明了元启发式优化算法在深度学习模型优化中的有效性，为类似研究提供了新思路；最后生成的高精度易发性图为台东县西部地区的灾害风险管理提供了科学依据，支持联合国可持续发展目标(SDGs)中关于可持续城市(SDG11)、气候行动(SDG13)和陆地生物(SDG15)的实现。研究成果对滑坡灾害频繁地区的防灾减灾工作具有重要的实践指导价值，也为深度学习在地质灾害领域的应用提供了成功案例。