《Geomatics, Natural Hazards and Risk》：A combined semantic segmentation and time-series InSAR method for debris flow mobilized material volume evaluation
编辑推荐：
准确评估泥石流启动物质体积（debris flow mobilized material volume, DFMMV）对于有效的灾害预防至关重要。研究人员提出了一种新颖的框架，该框架整合了语义分割（semantic segmentation）与时间序列InSA
准确评估泥石流启动物质体积（debris flow mobilized material volume, DFMMV）对于有效的灾害预防至关重要。研究人员提出了一种新颖的框架，该框架整合了语义分割（semantic segmentation）与时间序列InSAR（time-series InSAR），利用来自多轨道和多时间窗口的卫星遥感数据实现流域尺度的DFMMV估算。使用混合视觉Transformer U-Net（Mixed Vision Transformer U-Net, MVT-UNet），在汶川地区的21个泥石流流域中分类了泥石流源材料类型。随后，通过结合多轨道时间序列InSAR（multi-track time-series InSAR, MTTS-InSAR）和合成孔径雷达（Synthetic Aperture Radar, SAR）几何分解技术，建立了DFMMV的定量估算方程。与其他模型相比，MVT-UNet表现更优，平均交并比（mean Intersection over Union, mIoU）提高了3.2%，并达到了最低的损失值（0.029），从而增强了源材料类型的分类能力。研究人员使用MTTS-InSAR技术提取的二维（two-dimensional, 2D）变形分量（U-D方向和法线方向），对研究区内的DFMMV进行了定量评估。空间统计表明，71.09%的DFMMV分布在20-45°的坡面上，61.59%位于海拔1,200-3,000 m处，主要分布在流域中上游和河道边缘。实地观测和历史事件数据验证表明，该模型表现出很强的一致性。该框架大幅减少了对大量实地调查的需求，同时提供了可复现的、定量的DFMMV图，以支持泥石流预警、灾害分区和应急规划。
泥石流是山区最具破坏性的自然灾害之一，其启动和规模受陡峭地形、强降雨和丰富的源材料控制。传统评估方法（如形态特征调查、稳定性判别和比例统计）难以满足复杂山区的定量需求，且仅部分松散固体物质能在事件中被有效启动，导致评估结果与实际存在显著差异。因此，定量评估泥石流启动物质体积（debris flow mobilized material volume, DFMMV）对于预测泥石流规模和频率至关重要。尽管遥感技术（如光学影像和合成孔径雷达Synthetic Aperture Radar, SAR）与机器学习结合取得进展，但在汶川这类地震活跃区，复杂地形和天气限制了光学遥感的应用，而传统时间序列InSAR（如永久散射体Persistent Scatterer, PS和小基线子集Small Baseline Subset, SBAS）在植被茂密山区受去相干影响严重，难以可靠获取潜在源材料厚度。为此，研究人员提出一种整合多轨道多时相卫星遥感数据的框架，结合语义分割模型MVT-UNet与多轨道时间序列InSAR（multi-track time-series InSAR, MTTS-InSAR），实现流域尺度的DFMMV定量评估。该研究应用到汶川地区21个泥石流流域，通过实地观测和历史事件数据验证了方法的可靠性；该框架大幅减少实地调查需求，提供可复现的定量DFMMV图，支持泥石流预警、灾害分区和应急规划。论文发表在《Geomatics, Natural Hazards and Risk》。
为开展研究，研究人员主要采用以下关键技术方法：1）数据来源：使用Sentinel-2B可见光波段（10 m分辨率）和归一化差异植被指数（Normalised Difference Vegetation Index, NDVI）辅助识别源材料；收集2019-2021年Sentinel-1A升降轨道SAR影像（12天间隔）；采用日本宇宙航空研究开发机构（Japan Aerospace Exploration Agency, JAXA）的12.5 m分辨率数字高程模型（Digital Elevation Model, DEM）进行地形参考。2）语义分割模型MVT-UNet：在标准U-Net中引入混合视觉Transformer（Mix-Vision-Transformer）和高效自注意力机制（Efficient Self-Attention Mechanism, ESAM），对坡度源材料与非坡度源材料进行像素级分类。3）MTTS-InSAR技术：基于增强的SBAS方法处理升降轨数据，设置相干性阈值0.3、垂直基线阈值临界基线的45%、时间基线阈值75天，生成视线向（Line of Sight, LOS）年变形速度场。4）SAR几何分解：结合SAR成像几何，推导U-D方向和法线方向的二维变形分量，用于表征源材料厚度变化。5）DFMMV定量方程：V = (A
slope × Σ|v
normal| + A
catchment × Σ|v
u|) × T，其中A为面积，v为变形速度，T为时间。样本队列来源为汶川地区21个泥石流流域。
研究结果如下：
在“Classification of debris flow source material types”部分，研究人员通过对比实验发现，MVT-UNet在验证集上的损失曲线更平滑且损失值最低（0.029），平均交并比（mean Intersection over Union, mIoU）较其他表现最优模型提高3.2%。可视化结果显示，MVT-UNet预测的坡度源材料分布与真实掩膜高度一致，减少了空洞和断裂，优于PID-Net、DeepLabV3和DeepLabV3+。
在“Data preparation”部分，研究人员通过MTTS-InSAR处理得到升降轨LOS变形速度场。基于SAR几何分解，提取U-D方向变形速度场（最大沉降-102.2 mm/年，最大抬升61.6 mm/年）和法线方向变形速度场（显著变形集中于中上游）。进一步利用DFMMV方程计算每个像元的DFMMV值（0.1~1,629 m
3），发现高值区主要分布在流域上游和主河道附近。空间统计表明，71.09%的DFMMV分布在20-45°坡面，61.59%位于海拔1,200-3,000 m，且与流域面积的相关系数呈正相关。
在讨论部分，研究人员通过地形参数验证了DFMMV空间分布的合理性：所有流域的地形积分（Hypsometric Integral, HI）处于0.35-0.6的成熟阶段，表明地表侵蚀活跃。现场验证方面，对8个流域的DFMMV估算值与已有研究对比，87.5%的流域误差小于10%，残差经Kolmogorov-Smirnov检验符合正态分布（p>0.05）。局部尺度上，选取4个典型坡度源材料点，与无人机三维模型实测值比较，本研究方法平均相对误差为20.7%，优于前人经验公式，归因于MVT-UNet准确划定源材料范围及MTTS-InSAR捕捉厚度变化的能力。InSAR测量精度分析显示，升轨和降轨年变形标准差分别为2.21 mm和2.41 mm，由此引起的DFMMV相对扰动仅0.02%-0.07%，不影响整体量级和空间分布。
研究结论部分翻译如下：
本研究提出了一个基于MVT-UNet与MTTS-InSAR相结合的集成框架，用于流域尺度的DFMMV定量评估。通过整合多轨道和多时间窗口的卫星遥感数据，实现了DFMMV的精确量化。该框架应用于汶川地区21个泥石流流域，得出以下主要发现：基于混合视觉Transformer的改进U-Net模型（MVT-UNet）有效分类了泥石流源材料，对比实验表明MVT-UNet优于其他最佳模型，mIoU提高3.2%，损失值最低（0.029），为后续DFMMV空间分布分析提供了可靠基础。利用MTTS-InSAR技术和SAR几何分解提取二维地表变形分量（U-D方向和法线方向），建立了DFMMV定量估算方程。空间分析显示约71.09%的DFMMV分布在20-45°坡面，约61.59%位于海拔1,200-3,000 m区域，主要集中在中上游和河道边缘，这与泥石流源材料的空间分布特征一致。基于实地调查和历史数据的验证结果表明，87.5%的流域估算误差小于10%，残差符合正态分布，证实了该方法的可靠性和鲁棒性。所提框架显著减少了对大规模实地调查的依赖，同时生成可复现的流域尺度DFMMV图，为泥石流灾害预测、风险区划和应急响应方案制定提供了有价值的工具，为泥石流预防与减灾提供了新的技术途径。
