SlideMapper：一种基于谷歌地球引擎的Web应用程序，利用Sentinel-2影像进行半自动滑坡制图

《Environmental Modelling & Software》：SlideMapper: a Google Earth Engine-based web application for semi-automatic landslide mapping using Sentinel-2 imagery

　　

•开发了SlideMapper，一款基于图形界面的无监督滑坡制图工具•利用Sentinel-2 NDVI时间序列进行灾后滑坡的快速检测•通过云端工作流程实现无需编程的滑坡制图•已在多种降雨诱发的滑坡事件中验证其有效性•在云端环境中，可在20分钟内实现可靠的区域尺度制图

**引言**

滑坡是全球许多地区公认的重要地貌灾害（Brunetti等人，2025；Niyokwiringirwa等人，2024；Alcántara-Ayala，2025）。当这些过程与暴露的元素和脆弱社区相互作用时，通常会引发灾害，每年造成数千人死亡，并对房屋、道路和关键基础设施造成严重破坏（Froude & Petley，2018）。随着气候变化，这些损失预计将上升，因为降水模式的变化和极端降水事件的增加提高了降雨诱发斜坡失稳的可能性（Semnani等人，2025）。在强暴风雨过后，决策者迫切需要有关滑坡位置和范围的信息，以便组织救援行动、进行快速损害评估以及识别潜在的连锁灾害。传统的滑坡制图方法（Santangelo等人，2023；Ma & Wang，2024）严重依赖野外调查和人工影像解译，通常耗时且在实际应对重大触发事件（如强降雨或地震）后的快速响应中不够实用。这一局限性凸显了对自动化滑坡制图工具的迫切需求，这些工具能够提供及时且准确的信息，以支持灾后评估和长期减灾工作。

过去几十年来，遥感技术迅速发展，成为观测地表动态和检测大规模变化的有力工具（Casagli等人，2023；Xu等人，2023）。特别是，Sentinel-2影像已成为快速环境监控的基石，因为它免费提供且具有高空间分辨率（蓝色、绿色、红色和近红外波段为10米）和高分辨率的时间分辨率（5天重访周期）的多光谱信息（Drusch等，2012），非常适合事件尺度分析。在植被覆盖的地形中，滑坡通常会移除植被覆盖并暴露裸土，从而导致植被指数（如归一化植被指数NDVI）出现急剧且可测量的下降（Lu等，2019；Deijns等，2020）。事件前健康植被与事件后裸地之间的显著光谱对比，使得NDVI变化检测在识别滑坡相关扰动方面尤为有效（Notti等，2023；Jelének，2021）。在应急响应环境中，减少对标注训练数据的依赖的方法尤其具有吸引力，因为事件发生时可靠的滑坡清单通常难以获得（Li等，2024；Notti等，2024；Bergamasco & Bovolo，2025）。这促使人们采用无监督方法来识别突变扰动模式，并以最小的人工输入生成初步滑坡图。

基于Sentinel-2影像的传统滑坡制图工作流程通常在本机计算机上实现。大量多时相数据需要下载、存储和预处理，包括辐射校正、云掩膜、镶嵌和共配准（Amani等，2020；Tamiminia等，2020）。这些过程计算密集，需要大量存储容量和技术专业知识，尤其是在考虑区域或长期分析时（Patel等，2015）。云计算平台提供了一种处理此类数据密集型任务的替代方案。其中，Google Earth Engine（GEE）已成为一种突出的解决方案，因为它在全球卫星数据目录、可扩展的服务器端处理和交互式可视化方面整合于同一环境中（Gorelick等，2017）。GEE中可直接访问Sentinel-2影像，使时序统计量、光谱指数和变化指标的按需计算无需本地数据管理。除编程接口外，GEE还提供图形用户界面，使用户能够通过基于地图的可视化工具配置分析、显示中间结果和导出产品（Crecco等，2025；Yu等，2023）。这种基于网络的环境显著降低了可能不熟悉传统桌面软件或高级编程的从业者的使用门槛。在这些能力的基础上，近期研究开发了丰富的滑坡制图和监测工具以支持风险管理策略（Laghari等，2025）。

全球研究人员开发了多种基于GEE的工具，以支持不同地理和灾害条件下的滑坡制图。这些工具可大致分为基于脚本的框架和无需编程的浏览器应用程序。基于脚本的框架，如集成Sentinel-1 SAR与深度神经网络以进行全天候同震滑坡检测的SAR-LRA工具（Nava等，2026），Yang等（2024）的多时相NDVI变化检测框架，以及采用连续变化检测和分类（CCDC）算法处理密集Landsat时间序列的全球滑坡查找器（Aufaristama等，2024），提供了灵活的分析方法，但需要编程技能，限制了非专业用户的使用便捷性。相比之下，无需编程的浏览器应用程序旨在使滑坡制图对没有编程专长的用户更加可及。例如，HazMapper（Scheip & Wegmann，2021）能够在无需编程或训练样本的情况下实现快速rdNDVI变化检测，但依赖于简单的双时相差分，对非滑坡植被扰动仍然敏感。ML-CASCADE（Sharma & Saharia，2025）同样提供了无需编程的界面，但需要用户提供最少的滑坡和非滑坡样本来训练机器学习模型，使其在实践中为半自动。

总体而言，现有方案面临着共同的一系列运营约束：要么技术门槛高，要么依赖训练样本，要么抑制短期非滑坡变化引起的假阳性能力有限。在我们先前的研究中（Wang等，2026），我们通过将多年历史NDVI时间序列与无监督X-Means聚类相结合来解决了后一限制。在子兴事件的定量比较表明，该框架在F1分数上更高，且假阳性率显著低于双时相NDVI差分（HazMapper等工具的核心算法）和有监督随机森林分类器。然而，该方法仍然是基于脚本的，因此在时间紧迫的情况下对非专业用户来说难以应用。为了明确本工作的具体贡献，表1总结了代表性基于GEE方法和工具的主要特征。

直接建立在Wang等（2026）经验证的无监督框架之上，本研究开发了SlideMapper，一款免费的无需编程的基于GEE的网络应用程序，将多时相NDVI和X-Means工作流程实现为非专业用户可用。与现有工具相比，SlideMapper保留了纯变化检测方法零样本的优势，同时融入了在减少假阳性方面被证明有效的多时相物候背景信息。与同一算法的基于脚本的实现相比，SlideMapper通过图形界面大幅降低了应用该工作流程所需的编程和技术专业知识。尽管滑坡相关簇的最终选择仍需要有限的目视解译，使工作流程为半自动而非全自动，但一旦合适的事件后影像可用，该工具即可在20分钟内实现端到端的区域制图，并集成了地形统计信息以用于制图后解释。

**数据集片段**

本研究使用多个数据集以支持滑坡制图和验证。在GEE环境中，Sentinel-2多光谱影像用作生成事件前和事件后合成图以及构建历史NDVI时间序列特征的主要光学数据源。为减少云污染的影响，特别是在降雨诱发的滑坡事件中，使用Sentinel-2云概率产品进行像素级云和云阴影掩膜。此外，

**结果与讨论**

在本节中，我们通过展示其在三个真实降雨诱发滑坡事件中的应用和验证，来展示SlideMapper的实用性。如前所述，由于植被密度、土地覆盖复杂性、云污染和滑坡规模方面的差异，该工具在不同地理环境条件下的性能会有所不同。我们针对每个案例研究展示了详细的制图结果、精度评估和地形分析，

**结论**

本研究提出了SlideMapper，一款免费的无需编程的基于浏览器的GEE网络应用程序，将多时相Sentinel-2 NDVI分析和无监督X-Means聚类用于区域尺度滑坡制图。通过将事件前和事件后影像合成、历史NDVI时间序列构建、聚类和地形统计整合在分屏图形界面中，该工具使非专业用户无需本地数据处理即可生成潜在滑坡图，

**软件与数据可用性**

软件名称：SlideMapper
开发者：Xiao-Mi Wang（王晓米）、Yi-Fen Xu（徐逸分）、Lei-Lei Liu（刘雷雷）、Can Wang（王灿）
首次发布年份：2026
所需硬件：PC
所需软件：任何现代网页浏览器
编程语言：Google Earth Engine JavaScript
程序规模：网络应用程序（无需本地安装）

**CRediT作者贡献声明**

Yi-Fen Xu：撰写—审阅与编辑，撰写—初稿，可视化，验证，方法论，形式分析。Xiao-Mi Wang：撰写—审阅与编辑，撰写—初稿，验证，方法论，数据整理，概念化。Can Wang：撰写—审阅与编辑，验证，形式分析。Lei-Lei Liu：验证，监督，项目管理，方法论，资金获取。

**软件可用性**

该应用程序公开可用，地址为：https://ee-xuyifen77.projects.earthengine.app/view/slidemapper。代码公开可用，地址为：https://doi.org/10.5281/zenodo.20257760。

**数据可用性**

数据通过Google Earth Engine公开提供。

**利益冲突声明**

作者声明他们不存在已知的竞争性经济利益或个人关系，这些利益或关系可能被认为影响了本文报道的工作。

**利益冲突声明**

? 作者声明他们不存在已知的竞争性经济利益或个人关系，这些利益或关系可能被认为影响了本文报道的工作。

**致谢**

本文所述工作由湖南省教育厅优秀青年项目（项目编号：25B0097）和湖南省地质灾害调查与监测研究所科技计划（编号：HIGD2026003）资助。我们对该经济支持表示衷心感谢。

Xiao-Mi Wang（王晓米）| Yi-Fen Xu（徐逸分）| Lei-Lei Liu（刘雷雷）| Can Wang（王灿）