一种基于多源遥感数据整合的KAN-UNet识别方法，用于黄土高原潜在的滑坡灾害预警

《Landslides》：A KAN-UNet identification method based on multi-source remote sensing data integration for potential landslide hazards in the Loess Plateau

针对复杂地形区域早期滑坡隐患识别中多源数据非线性交互建模不足的问题，本研究提出基于KAN-UNet的多源遥感数据融合方法。通过集成Sentinel-1A、Sentinel-2A和DEM数据，构建多维度特征库，采用B样条基函数和优化卷积层增强特征提取，结合多尺度门控融合与混合增强策略，显著提升模型对小目标的识别精度。实验表明，在兰州地区，IoU和F1-score分别提升4.62%和3.37%，漏检率降低至6.50%，优于传统U-Net模型。

　　

摘要

早期潜在的滑坡隐患具有高度隐蔽性，其特征信息稀少且细微。现有的深度学习方法在识别潜在滑坡隐患时，难以对多源数据之间的非线性相互作用进行建模，也无法有效整合多尺度特征。这导致在复杂区域识别小型潜在滑坡隐患时存在困难，从而导致较高的漏检率。为了解决这一问题，我们提出了一种基于KAN-UNet模型的自适应潜在滑坡隐患识别方法，该方法整合了多源遥感数据。首先，我们通过结合Sentinel-1A、Sentinel-2A和DEM数据构建了一个多源潜在滑坡隐患数据集，涵盖了来自光学波段、光谱指数、地形特征和变形数据的多维特征。接下来，我们开发了一个能够利用B样条基函数动态建模多尺度特征之间复杂非线性相互作用的潜在滑坡隐患识别模型。具体实现方式是将U-Net中的传统卷积层替换为OptimizedKANConv2D，并在更深层次的编码器中引入了TokenizedKANBlock以增强特征提取能力。最后，通过结合MultiScaleFusion多尺度门控融合机制以及弹性变形和CutMix混合增强策略，我们提高了模型在复杂区域识别小型潜在滑坡隐患时的准确性和鲁棒性。我们在兰州市对我们的方法进行了评估。实验结果表明，与仅使用光学波段相比，整合多源数据使IoU和F1分数分别提高了4.62%和3.37%。此外，我们的KAN-UNet模型在其他改进的U-Net模型中取得了最高的IoU、精确度和召回率以及F1分数，其中IoU从67.95%提升到了89.80%，漏检率从21.21%降低到了6.50%。本研究为复杂地貌区域的智能地质灾害监测提供了一种新的方法。