《International Journal of Applied Earth Observation and Geoinformation》：A spatially and temporally transferrable bi-temporal conditional generative adversarial network for landslide extraction
编辑推荐：
为解决现有滑坡提取方法在跨时间、跨区域、跨传感器时泛化能力不足的难题，本文提出了一种基于条件生成对抗网络的时态滑坡提取框架BTLE-cGAN。该框架集成了多尺度光谱-空间卷积、非局部上下文增强和滑坡自适应卷积模块，并引入潜在滑坡提取策略以缓解类别不平衡。实验表明，BTLE-cGAN在多个时空和传感器场景下均优于现有11种先进方法，平均IoU提升最高达11%，为实现高精度、可扩展的滑坡监测提供了有效解决方案。
背景与问题
滑坡是全球范围内最普遍且最具破坏性的地质灾害之一，其突发性和连锁效应对山区居民生命财产安全构成严重威胁。例如，2018年西藏江达滑坡因持续强降雨导致金沙江堵塞形成堰塞湖，经济损失超过75亿元人民币；2017年四川新磨村滑坡则直接摧毁64座农房并造成83人伤亡。快速、准确地勾绘滑坡范围对于灾损评估、应急响应和长期风险减缓至关重要。然而，尽管高分辨率和多时相卫星影像日益丰富，滑坡提取仍面临诸多挑战：滑坡在整幅影像中仅占极小部分，导致极端的类别不平衡；地形破碎、光照变化以及与裸土、岩石等背景地物的光谱混淆常导致高误报率；影像对之间的时相不一致性（如植被变化、光照或传感器差异）进一步增加了变化检测的复杂性。这些因素使得滑坡边界模糊，尤其在低对比度或异质性区域。现有方法主要分为基于手工特征的传统方法和能够进行端到端特征学习的深度学习方法。传统方法如主成分分析（PCA）、支持向量机（SVM）和随机森林等，其效果受限于手工特征的设计和对滑坡模式的假设，在不同地形、植被条件和传感器类型间泛化能力有限。以卷积神经网络（CNN）为代表的深度学习方法通过捕捉层次化空间特征，性能有所提升，但标准CNN有限的感受野限制了其捕获全局上下文和产生准确边界的能力。Transformer架构的引入改善了长程依赖建模，但现有模型大多仍受限于对像素级分类和强监督的依赖，在严重类别不平衡、域偏移或光谱模糊时难以保持全局结构一致性。生成对抗网络（GAN）通过对抗学习范式强制预测结果与真实情况之间的高阶一致性，在风格迁移、域适应等任务中展现出潜力，但大多数现有应用仅将GAN作为辅助工具，且直接应用于滑坡影像常因类别不平衡和背景异质性导致训练不稳定和输出不精确。
研究方法概览
本研究提出了BTLE-cGAN，一种专为基于变化检测的滑坡识别设计的时态滑坡提取条件生成对抗网络。该框架包含两个核心组件：一是用于训练和推理的统一区域选择机制——潜在滑坡提取（PLE）策略，通过过滤同质背景、保留受扰动区域来改善样本代表性、缓解类别不平衡并减少计算量；二是BTLE-cGAN框架本身，它通过对抗性学习直接从选定的时态影像块生成二值滑坡掩膜。生成器集成了三个新模块：多尺度光谱-空间卷积（MSSConv）模块用于捕捉形态变化；非局部上下文增强（NLCE）模块用于建模长程依赖；滑坡自适应卷积（LAC）模块根据预测形状动态调整滤波器以优化边界。判别器则利用时态差异特征来强制语义一致性和拓扑对齐。模型在Mentougou地区2022-2023年的Sentinel-2影像上进行训练，并在2023-2024年Mentougou数据集（时相迁移）和2007-2008年Hengduan山脉Landsat数据集（空间-传感器迁移）上进行了广泛评估，以检验其泛化能力。
研究结果
1. 与先进模型的比较
在与11种最先进模型（包括FC-EF、FC-Siam-Conc、FC-Siam-Di、TinyCD、IFNet、SNUNet、CGNet、USSFC-Net、BIT、ChangeFormer、RaHFF-Net）的对比中，BTLE-cGAN在三种测试场景下均取得了最优性能。
- •
监督设置下的评估：在2022-2023年Mentougou测试集上，BTLE-cGAN取得了最高的IoU（80.22%）、F1分数（89.03%）和边界IoU（BIoU，76.16%），显著优于其他方法。视觉对比显示，BTLE-cGAN生成的滑坡掩膜更完整、边界更清晰，尤其是在复杂地形和破碎区域。
- •
时相适应性评估：在不重新训练的情况下，将模型应用于2023-2024年Mentougou数据。该数据集滑坡特征更细微、边界更模糊、破碎化程度更高。BTLE-cGAN依然保持了最佳性能，F1分数为56.92%，IoU为39.79%，BIoU为43.59%，表现出强大的时相泛化能力。
- •
空间泛化与多传感器适应性评估：在2007-2008年Hengduan山脉Landsat数据（空间和传感器均不同）上测试，BTLE-cGAN再次以F1分数33.59%、IoU 20.18%和BIoU 24.28%领先，证明了其跨地域和跨传感器的稳健性。
2. 消融实验
消融实验验证了BTLE-cGAN各核心组件的贡献。潜在滑坡提取（PLE）策略在2022-2023年Mentougou数据集上达到了99.81%的滑坡级召回率和99.87%的滑坡像素保留率，证明了其高效性。对生成器中MSSConv、NLCE、LAC模块以及判别器的逐一剔除实验表明，任何模块的缺失都会导致性能下降，而当所有组件共同工作时，模型取得了最佳结果（IoU 80.22%），证实了各模块设计的有效性和协同作用。
结论与意义
本研究提出的BTLE-cGAN框架，通过将滑坡提取直接集成到对抗性学习框架中，并创新性地引入了多尺度光谱-空间卷积、非局部上下文增强、滑坡自适应卷积模块以及潜在滑坡提取策略，成功解决了滑坡提取中的类不平衡、光谱混淆、边界模糊以及模型跨时间、跨区域、跨传感器泛化能力不足等关键挑战。广泛的实验评估表明，BTLE-cGAN在监督、时相迁移和空间-传感器迁移三种场景下，均持续稳定地超越了11种最先进的对比模型，在交并比（IoU）上实现了最高达11%的平均提升。该工作不仅为高精度、可扩展的滑坡监测提供了一个强有力的解决方案，也推动了时态变化检测在地质灾害制图领域的进展，并为未来在动态环境中的应用（如实时灾害响应、长期风险监测）奠定了方法学基础。相关研究成果已发表于《International Journal of Applied Earth Observation and Geoinformation》。
