《Remote Sensing》：Enhancing Cross-Regional Landslide Susceptibility Assessment via a Conditional Domain Adversarial Network
编辑推荐：
准确的滑坡易发性评估（LSA）对于区域灾害防治与减灾规划至关重要。尽管机器学习和深度学习模型已广泛用于LSA，但其跨区域迁移能力常因源数据集与目标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
准确的滑坡易发性评估（LSA）对于区域灾害防治与减灾规划至关重要。尽管机器学习和深度学习模型已广泛用于LSA，但其跨区域迁移能力常因源数据集与目标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稳健性。研究开展了两个跨区域迁移实验，将CDAN与常规机器学习、直接迁移深度学习及代表性域自适应方法进行比较。结果表明，在两个目标域中，CDAN均取得了基准模型中最高的平均准确率（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）值分别为0.837和0.836。与单像素表示相比，基于邻域的空间信息也提升了常规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注样本的依赖，并支持域偏移条件下县级跨区域滑坡易发性评估。
一、研究背景与问题
滑坡作为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社会经济损失。滑坡易发性评估（LSA）通过整合地质、地形和水文等多类孕灾因子，评估滑坡在空间上发生的相对可能性，为灾害识别、防灾减灾和土地利用规划提供重要依据。
随着遥感（RS）和地理信息系统（GIS）技术的进步，数据驱动的LSA方法已在区域尺度得到广泛应用。机器学习与深度学习模型在捕捉滑坡发生与孕灾因子之间复杂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（RF）、支持向量机（SVM）、极端梯度提升（XGBoost）和深度神经网络等方法均取得了较好效果。
然而，LSA模型跨区域迁移能力仍面临重大挑战。模型在一个区域训练后迁移至地质、地形、气候和土地利用条件不同的区域时，性能往往显著下降。其根本原因在于大多数数据驱动LSA模型高度依赖充足且高质量的滑坡编目数据进行训练和验证，而编制此类编目耗时费力，需要大量野外调查、专家地质解译和精细人工标注，导致部分区域尤其是偏远或地貌复杂地区缺乏可靠的滑坡编目数据。此外，跨区域评估还面临域偏移问题，即不同区域间孕灾因子的统计分布存在显著差异。
迁移学习为提升LSA模型迁移能力提供了可行策略，域自适应（DA）作为迁移学习的专门分支，通过对齐源域与目标域之间的特征分布来缓解域偏移问题。已有研究探索了基于特征变换和分布自适应策略的DA方法在LSA中的应用，但对抗性域自适应方法在跨区域滑坡易发性评估中的适用性尚未得到充分关注。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，但其对跨区域迁移场景的贡献仍不明确。
二、研究内容与结论
针对上述挑战，本研究开发了基于条件域对抗网络（CDAN）的县级跨区域滑坡易发性评估框架，将基于邻域的空间表示与条件对抗域自适应相结合，以改善域偏移条件下的可迁移特征学习。研究选取中国福建省安溪县、德化县和周宁县三个县作为研究区，构建源域和目标域进行模型训练与评估。安溪县因历史滑坡样本相对丰富（656个）被选为源域，德化县（目标A，413个滑坡）和周宁县（目标B，115个滑坡）被指定为目标域。研究设计了两个跨区域迁移场景，并与常规机器学习模型、非自适应深度学习模型及代表性域自适应方法进行比较。
研究结果表明，CDAN在两个目标域中均取得基准模型中最高的平均准确率和F1分数，目标A准确率为0.77±0.01、F1分数为0.78±0.01，目标B准确率为0.80±0.01、F1分数为0.80±0.01，AUC值分别为0.837和0.836。基于邻域的空间信息也普遍提升了常规机器学习模型的直接迁移性能。与DANN和TCA-RF等其他域自适应方法相比，CDAN在两个目标域均取得更高的平均准确率和F1分数。消融实验进一步验证了SE注意力模块、类正则化损失和熵损失对CDAN性能的贡献。
三、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）框架，该框架由特征提取器、条件域判别器和标签分类器组成，通过多线性映射将特征表示与分类器预测联合构建对抗学习输入，并利用梯度反转层（GRL）实现极小极大优化；其二，基于卷积神经网络（CNN）并增强挤压激励（SE）通道注意力模块的特征提取网络，包含四层堆叠卷积层、批归一化（BN）和ReLU激活，并引入自适应池化生成固定长度特征表示；其三，复合损失函数设计，包括分类损失、域对抗损失、类正则化损失和熵损失，通过最小化源域与目标域类特定特征质心距离增强类级特征一致性，通过最小化目标域样本预测熵提升预测可靠性；其四，基于邻域的空间样本构建方法，以9×9像素（约270米）邻域窗口提取孕灾因子，融入局部空间上下文信息。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个和115个滑坡点及等量非滑坡点用于验证，另从每个目标域随机选取10000个未标注样本用于域自适应训练。
四、研究结果
4.1 模型性能评估
在两个跨区域迁移场景中，CDAN均取得最高的平均准确率和F1分数。源域到目标A迁移中，CDAN准确率为0.77±0.01、F1分数为0.78±0.01，虽然RF-N和XGB-N取得更高的精确率（0.79±0.01），但其召回率较低（0.55±0.001和0.62±0.01）。XGB-N的AUC值（0.838±0.002）略高于CDAN（0.837±0.01）。源域到目标B迁移中，CDAN准确率为0.80±0.01、F1分数为0.80±0.01，AUC值最高（0.836±0.01）。单像素模型普遍逊于对应的邻域模型，表明局部空间上下文信息的融入可改善跨区域直接迁移性能。
4.2 滑坡易发性制图
在目标A中，CDAN预测的高和极高易发等级覆盖研究区25.27%的面积但包含70.46%的历史滑坡，极低易发等级占67.81%面积仅含18.64%的滑坡。在目标B中，高和极高易发等级占24.84%面积但包含75.66%的历史滑坡。空间分布上，目标A的高易发区主要分布于南部和山区谷地，目标B主要分布于西北部和东南部。叠加分析显示部分高易发区邻近耕地、建成区和山间谷地，这些区域多具有较陡坡度和显著地形起伏。
4.3 域自适应方法比较与消融分析
CDAN在两个目标域均取得高于DANN和TCA-RF的平均准确率和F1分数。TCA-RF在目标B中表现显著下降（准确率0.54±0.02、F1分数0.46±0.04），甚至低于部分无域自适应的直接迁移模型。消融实验表明，移除类正则化损失使目标A的F1分数从0.78±0.01降至0.74±0.04，目标B从0.80±0.01降至0.77±0.04，同时召回率标准差增大，表明该损失有助于维持稳定一致的预测性能。移除熵损失同样降低两个目标域的准确率和F1分数。移除SE注意力模块后召回率上升但精确率下降，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
源域特征评估显示，基于邻域的RF-N和XGB-N模型在源域验证中表现优于单像素模型和DNN，其中RF-N取得最高准确率（0.81）和F1分数（0.82），表明所选孕灾因子包含有效区分信息。域自适应分析方面，t-SNE可视化显示训练前源域与目标域样本分布明显分离，反映显著的域偏移；自适应后两域样本分布大幅重叠，域边界模糊。最大均值差异（MMD）从源域到目标A场景的0.055降至0.004，源域到目标B场景从0.279降至0.013，定量证实了分布差异的减小。SHAP可解释性分析显示，高程、NDVI和土地利用在两个迁移场景中均具有较高贡献，但相对重要性存在区域差异：目标A中高程最为重要，目标B中NDVI成为最重要因子。
六、结论
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，通过从标签丰富源域向标签匮乏目标域迁移知识，减少了对局部标注样本的依赖，为域偏移条件下的跨区域自适应提供了支持。主要结论如下：（1）CDAN在两个目标域中均取得基准模型中最高的平均准确率和F1分数，目标A准确率为0.77±0.01、F1分数为0.78±0.01，目标B准确率为0.80±0.01、F1分数为0.80±0.01，平均AUC值分别为0.837和0.836；（2）融入空间邻域信息普遍提升了常规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更高的准确率和F1分数；（3）与其他域自适应方法相比，CDAN在两个目标域中均取得高于DANN和TCA-RF的平均准确率和F1分数，消融实验支持了SE注意力模块、类正则化和熵最小化对CDAN性能的贡献。
