基于条件域对抗网络与空间邻域信息的跨区域滑坡易发性评估：以福建省县域为例

《Remote Sensing》：Automated Inversion of Manning’s Roughness and Flood Simulation in a One-Dimensional Hydrodynamic Model Constrained by SAR-Derived Inundation Extent: A Case Study of the Le’an River in Wuyuan

　　

专业术语翻译 准确的滑坡易发性评估（LSA）对于区域防灾减灾规划至关重要。尽管机器学习和深度学习模型已被广泛应用于滑坡易发性评估，但其跨区域迁移能力往往因源域与目标域数据集之间的分布差异而受损。为应对这一挑战，研究人员将条件域对抗网络（CDAN）框架应用于跨区域滑坡易发性评估，以缓解域偏移并提升跨区域鲁棒性。研究开展了两个跨区域迁移实验，将CDAN与传统机器学习方法、直接迁移深度学习模型以及代表性域适应方法进行了比较。结果表明，在两个目标域中，CDAN在所有基准模型中取得了最高的平均准确率（Accuracy）和F1分数（F1 score），准确率分别为0.77和0.80，F1分数分别为0.78和0.80。相应的受试者工作特征曲线下面积（AUC）分别为0.837和0.836。与单像元表示相比，基于邻域的空间信息也提升了传统机器学习模型的直接迁移性能。这些结果表明，基于CDAN的框架能够减少对目标域标记样本的依赖，并支持域偏移条件下县级跨区域滑坡易发性评估。

论文解读

一、研究背景与问题

滑坡作为一种最具破坏性的地质灾害之一，对人类生命和基础设施构成严重威胁，造成重大人员伤亡和巨大的社会经济损失。近年来，滑坡灾害发生日益频繁。滑坡易发性评估（Landslide Susceptibility Assessment, LSA）通过整合地质、地形、水文等多类条件因子，评估滑坡在空间上发生的相对可能性，其结果能够刻画易发性的空间分布并划分不同易发等级区域，为灾害识别、防灾减灾和土地利用规划提供重要信息。

随着遥感（Remote Sensing, RS）技术和地理信息系统（Geographic Information System, GIS）的进步，数据驱动的LSA方法已在局部和区域尺度上被广泛采用。机器学习与深度学习方法在捕捉滑坡发生与条件因子之间复杂的非线性关系方面展现出优于传统统计模型的优势，随机森林（Random Forest, RF）、支持向量机（Support Vector Machine, SVM）、极端梯度提升（eXtreme Gradient Boosting, XGBoost）和深度神经网络等方法已被大量应用于滑坡易发性评估并取得良好效果。然而，大多数研究依赖基于点的滑坡编目数据，在相应位置提取环境因子进行模型训练。

尽管方法不断进步，LSA模型在不同区域间的可迁移性仍面临重大挑战。已有跨区域滑坡易发性评估研究表明，在一个区域训练的模型迁移到地质、地形、气候和土地利用条件不同的区域时，性能往往出现明显退化。一个重要原因在于，大多数数据驱动的LSA模型严重依赖充足且高质量的滑坡编目数据用于训练和验证，而编制此类编目耗时费力，通常需要大量野外调查、专家地质解译和细致的人工标注。因此，部分区域特别是偏远或地貌复杂地区，缺乏可靠的滑坡编目数据。这些限制表明，可迁移的LSA框架有望通过利用标记丰富区域的知识来改善标记匮乏区域的滑坡易发性评估。

迁移学习为提升LSA模型可迁移性提供了有前景的策略，但跨区域滑坡易发性评估受域偏移问题的困扰，即条件因子的统计分布在区域间存在显著差异。域适应（Domain Adaptation, DA）作为迁移学习的专门分支，旨在通过对齐源域与目标域之间的特征分布来缓解这一问题。已有研究探索了DA在滑坡易发性评估中的应用，主要集中于特征变换和分布适应策略，但对抗性域适应方法在该领域的应用仍相对有限。条件域对抗网络（Conditional Domain Adversarial Network, CDAN）通过同时利用特征表示和分类器预测进行域对齐，在计算机视觉和遥感领域取得了良好效果，但其在跨区域滑坡易发性评估中的适用性尚未得到充分研究。此外，基于邻域的空间表示虽已在单区域内改善滑坡易发性制图，但其在跨区域迁移场景中的贡献仍不明确。

二、研究内容与意义

针对上述挑战，本研究开发了基于CDAN的县级跨区域滑坡易发性评估框架。该框架将基于邻域的空间表示与条件对抗域适应相结合，以改善域偏移条件下的可迁移特征学习。研究选取福建省安溪县、德化县和周宁县三个县域作为研究区，构建源域与目标域进行模型训练和评估。安溪县因历史滑坡样本较多（656个）被选为源域，德化县（目标A，413个滑坡样本）和周宁县（目标B，115个滑坡样本）被指定为目标域。研究设计了两个跨区域迁移场景来检验模型在域偏移下的可迁移性，并与传统机器学习模型、非适应深度学习模型和代表性域适应方法进行了比较。

三、主要关键技术方法

研究采用的主要技术方法包括：其一，条件域对抗网络（CDAN），该网络在域对抗神经网络（DANN）基础上引入预测标签信息，通过多线性映射构建特征-预测联合表示，并利用梯度反转层（GRL）实现对抗优化，同时引入类别正则化损失和熵损失以增强类别级特征一致性和预测可靠性；其二，基于卷积神经网络（CNN）的特征提取网络，融合压缩-激励（SE）通道注意力模块，包含四层卷积结构并采用批归一化、ReLU激活和Dropout；其三，基于邻域的空间特征表示，以9×9像元（约270米）的邻域窗口提取环境因子；其四，对比模型包括随机森林（RF）、极端梯度提升（XGBoost）、深度神经网络（DNN）、DANN和TCA-RF等。样本方面，源域采用656个历史滑坡点与等量非滑坡点构成平衡数据集，目标域分别采用413和115个滑坡点及等量非滑坡点进行验证，另从每个目标域随机选取10000个无标记样本用于域适应训练。

四、研究结果

4.1 模型性能评估。 通过两个跨区域迁移场景下六种模型的基准比较实验发现，CDAN在两个目标域中均取得最高的平均准确率和F1分数。在目标A中，CDAN的准确率为0.77±0.01，F1分数为0.78±0.01，AUC为0.837±0.01；在目标B中，准确率为0.80±0.01，F1分数为0.80±0.01，AUC为0.836±0.01。虽然RF-N和XGB-N在目标A中取得更高的精确率（0.79±0.01），但其召回率较低（分别为0.55±0.001和0.62±0.01）。此外，基于邻域特征的模型普遍优于对应的单像元模型，表明融入局部空间上下文有助于提升直接跨区域迁移性能。

4.2 滑坡易发性制图。 通过将预测概率按等间隔方案划分为五个易发性等级并叠加历史滑坡分布进行分析发现，两个目标域均呈现明显的空间异质性。在目标A中，CDAN预测的高和极高易发性区域占研究区面积的25.27%，但包含了70.46%的历史滑坡；在目标B中，高和极高易发性区域占24.84%的面积，包含75.66%的历史滑坡。相比之下，极低易发性区域面积占比大但滑坡占比低，表明CDAN生成的易发性图具有较好的区分能力。

4.3 与域适应方法比较及消融分析。 通过CDAN与DANN、TCA-RF三种域适应方法的比较实验发现，CDAN在两个目标域中均取得最高的平均准确率和F1分数。TCA-RF在目标B中表现明显较差（准确率0.54±0.02，F1分数0.46±0.04），甚至低于部分未进行域适应的直接迁移模型，表明基于TCA的分布对齐并非总能改善迁移性能。消融实验显示，去除类别正则化损失后，目标A和目标B的F1分数分别从0.78降至0.74、从0.80降至0.77，且召回率的标准差显著增大；去除熵损失同样降低两个目标域的准确率和F1分数；去除SE注意力模块后，召回率有所上升但精确率下降，表明SE模块有助于维持检测灵敏度与误报控制之间的平衡。

五、讨论与结论

讨论部分首先通过源域内部训练验证了所选条件因子的有效性，基于邻域的RF-N和XGB-N模型在源域验证集上取得最佳性能，RF-N的准确率和F1分数分别达到0.81和0.82，表明所选因子包含区分滑坡与非滑坡样本的有效信息。域适应分析方面，t-SNE可视化显示训练前源域与目标域样本呈现明显分离的分布，反映了跨区域滑坡易发性评估中显著的域偏移；域适应后两个域的样本分布出现大量重叠，域边界模糊。最大均值差异（Maximum Mean Discrepancy, MMD）的定量计算进一步证实了这一结论，源域到目标A的MMD值从0.055降至0.004，源域到目标B的MMD值从0.279降至0.013。模型可解释性方面，SHAP分析表明高程、NDVI和土地利用在两个迁移场景中均具有较高的贡献，但相对重要性存在区域差异：在目标A中高程最为重要，在目标B中NDVI最为重要，反映了不同区域滑坡条件因子相对贡献的空间变异性。研究优势在于通过条件对抗域适应机制实现了从标记丰富源域到标记匮乏目标域的有效知识迁移，减少了对目标域标记样本的依赖；局限方面，部分条件因子源自分辨率较粗的数据集，未纳入道路距离、曲率等地形湿度指数等潜在相关变量，且研究区域局限于福建省内环境背景相对相似的三个县域，邻域大小固定为9×9像元而未评估其他尺度的影响。

研究结论可翻译为：本研究将融合空间邻域信息的条件域对抗网络（CDAN）应用于跨区域滑坡易发性评估。通过将知识从标记丰富的源域迁移到标记匮乏的目标域，该方法减少了对局部标记样本的依赖，并为域偏移条件下的跨区域适应提供了支持。主要发现如下：（1）CDAN在两个目标域的基准模型中取得了最高的平均准确率和F1分数，目标A的准确率为0.77±0.01，目标B为0.80±0.01，对应的F1分数分别为0.78±0.01和0.80±0.01，平均AUC值分别为0.837和0.836，表明CDAN在两个迁移场景中均提供了有效的性能。（2）融入空间邻域信息普遍提升了传统机器学习模型的预测性能，基于邻域的RF和XGBoost在两个目标域中取得了更高的准确率和F1分数，表明在滑坡易发性评估中融入空间上下文具有潜在益处。（3）与其他域适应方法的比较表明，CDAN在两个目标域中均取得了高于DANN和TCA-RF的平均准确率和F1分数。此外，消融实验支持了SE注意力模块、类别正则化和熵最小化对CDAN性能的贡献。