基于自适应空间特征融合的遥感影像滑坡制图方法

《Physics and Chemistry of the Earth, Parts A/B/C》：Adaptive spatial feature fusion for landslide mapping in remote sensing imagery

　　•提出了基于ASFF增强的YOLO11，用于更精准的滑坡测绘。•所提出的融合策略提升了相较于基础架构的分割性能。•自适应多尺度融合有助于在复杂地形中更可靠地绘制掩膜。•该框架能够在不同的卫星与无人机观测条件下保持稳定的监督学习性能。

引言
滑坡是一种常见的地质灾害，会改变斜坡稳定性，导致严重的人员伤亡和财产损失，尤其在山区更为突出。据报道，每年都有数千人受到滑坡相关灾害的影响，这些灾害还会对交通基础设施、居民点以及能源系统造成严重破坏（Petley, 2012；Guzzetti等人，2012）。由于滑坡多发生在难以进入、地形复杂且面积广阔的区域，因此开展实地调查在时间和后勤保障方面都面临很大挑战。因此，快速准确地绘制滑坡分布图被视为灾害风险管理、损失减轻措施以及灾害清单编制中的重要环节（Reichenbach等人，2018）。

由于能够覆盖较大区域且可重复获取数据，遥感数据已成为滑坡测绘的主要数据来源（Mondini，2017）。然而，光学卫星图像中的滑坡容易与具有相似光谱特性的地表混淆，比如裸露土壤、农业用地或道路建设区域，同时滑坡在不同尺度上还表现出地形阴影、植被覆盖以及形态差异，这些都给自动检测和边界划分带来了极大困难（Ghorbanzadeh等人，2019）。虽然传统的手动解读方法能够实现高精度，但由于依赖专家知识及主观判断，无法在大范围内应用。在此背景下，开发可扩展、自动化且客观的滑坡测绘方法已成为当前研究领域的重点之一。

传统的机器学习方法已被广泛应用于遥感领域的滑坡研究，支持向量机和随机森林等算法常被用于分类任务（Hu等人，2019；Comert，2021；Das和Wegmann，2022）。尽管这些方法在小型或特定地点的应用中表现良好，但其效果在很大程度上取决于人工设计的光谱、纹理和地形特征，这限制了它们捕捉滑坡现象中复杂的空间模式和形态变化的能力（Ghorbanzadeh等人，2019）。深度学习的出现彻底改变了这一状况，它使得可以直接从原始图像中实现端到端的层次化特征学习。尤其是卷积神经网络，越来越被用于滑坡检测和像素级分割，在不同地形条件下的泛化能力均优于传统方法（Jiang等人，2022；Meena等人，2021）。在编码器-解码器架构中，U-Net及其变体已成为从遥感图像中提取多尺度空间信息的重要工具（Ronneberger等人，2015）。与这些架构进展同步的是，一些公开可用的基准数据集的出现为不同方法的系统比较提供了标准化的评估平台。毕节滑坡数据集（Ji等人，2020）就是此类基准数据集之一，已被众多研究用于评估在形态复杂的山区环境中的分割性能。最近，慈溪降雨引发的滑坡数据集（RLZX）进一步丰富了这一评估体系，它不仅提供了详细的滑坡清单，还包含了由卫星和无人机数据组成的滑坡检测数据集，从而为降雨引发滑坡的测绘提供了更加多样化和以事件为导向的评估环境（Fu等人，2025）。

当前研究中的一个关键问题在于精度与效率之间的持续权衡。在一些研究中，为了获取更广泛的背景信息，人们倾向于使用高容量架构；而在需要快速筛选的场景中，则更注重部署方面的限制。在灾害响应场景中，这种差异尤为明显，因为快速推理的需求往往与计算成本高昂的分割模型要求相互冲突（Redmon和Farhadi，2018）。近期的一些研究很好地体现了这一矛盾关系。在注重精度的研究方面，Chandra等人（2023）证明，加强编码器-解码器的分割功能能在毕节滑坡数据集上获得更可靠的检测结果，这进一步凸显了丰富特征表示的重要性。同样，Liu等人（2019）提出了DBSANet，这是一种整合了CNN和Transformer组件的双分支架构，旨在利用局部和全局特征的互补性。Fan等人（2025）则进一步将Transformer建模与基于超像素拓扑结构的图卷积相结合，试图在性能与计算成本之间找到平衡点。除了传统的基于基准数据集的分割研究之外，近期关于RLZX的数据集研究则将焦点转向了在数据有限且环境多样的情况下模型的泛化能力。特别是Fu等人（2026b）在转移学习框架下引入了一种CNN-Transformer混合网络，通过在RLZX数据集上的测试表明，即便目标领域的标注数据较少，也能取得优异的性能。此外，基础模型适配也呈现出良好的发展前景；Yang等人（2025）将Segment Anything框架用于滑坡识别，但他们指出，植被覆盖和人类活动等持续存在的挑战仍可能影响模型在真实场景中的泛化能力。沿着这一方向，Fu等人（2026a）提出了一种基于SAM的框架，并通过强化转移学习，其在RLZX-SAT和RLZX-UAV数据集上展现了出色的少样本处理能力，这进一步强调了在实际应用中可迁移的滑坡测绘模型的重要性。

与之相对，另一类研究则致力于实现实时或接近实时的推理，以满足灾后应急响应的需求。由于具有较高的计算效率和操作简便性，基于YOLO的架构在这一领域表现突出（Redmon和Farhadi，2018）。近期的研究表明，通过对这类检测级模型进行针对性的结构改进，就能够实现与测绘级模型相当的精度。例如，He等人（2025）针对毕节滑坡数据集开发了一种基于YOLO11-seg的框架，通过优化特征提取来提升边界检测能力。类似地，Meng等人（2025）证明，将转移学习与专门的特征融合机制相结合，能够显著提升基于YOLO的模型在地震引发滑坡检测中的性能，这支持了这样一种观点：精心设计的融合模块和注意力机制可以有效弥补推理效率与分割精度之间的差距。这一趋势在最新的改进模型中也有体现。LSI-YOLOv8模型通过重新设计颈部结构并采用DWRSeg算法，同时运用EIoU损失函数，提升了在遥感图像上的定位精度和推理速度，从而实现了更快速的灾后识别（Chen等人，2024）。GLDM模型则以YOLOX为核心架构，并结合了自适应空间特征融合技术，证明了自适应多尺度特征融合能够显著提升不同大小和形态的滑坡检测性能（Liu等人，2025）。同样，Song等人（2025）采用了基于EfficientNetV2架构的轻量级YOLOv10-n框架，并结合CBAM注意力机制，从而在保证模型紧凑性的同时获得了较高的F1值。最新一代的YOLOv11-SAFM架构则将SAFM注意力机制与MPDIoU损失函数以及多尺度训练相结合，从而更好地保留复杂山地场景中的细小边缘特征，同时抑制背景干扰（C. Zhang等人，2026）。

鉴于上述进展以及目前在平衡计算效率与分割质量方面仍存在的不足，本研究致力于开发一种改进版的YOLO11架构，即YOLO11-ASFF。该架构加入了ASFF模块，可用于在基准测试环境以及更多样化的事件驱动场景中进行滑坡分割。为了确定最适合进行改进的基础模型，我们首先对当前的各类YOLO版本进行了全面对比测试，包括YOLO8、YOLO12以及最新版本的YOLO26。虽然像YOLO26这样的更深层架构具备较高的理论处理能力，但我们的初步测试表明，YOLO11在空间敏感度与特征表示效率之间取得了最为理想的平衡，因此它是进一步优化架构的最佳选择。本研究的主要目标是构建一个既能够保留YOLO系列模型在部署方面的优势，又能提升复杂地形中边界识别精度的稳健框架。由于滑坡的规模存在很大差异，且其边界常常会被植被、阴影以及复杂的背景图案所遮挡，因此特别选择了ASFF模块，使网络能够在每个空间位置自适应地调整不同尺度特征图的权重。这种方法解决了传统特征融合策略的局限性，因为后者往往采用固定或统一的聚合方式，无法充分整合细尺度和粗尺度的特征信息。与标准YOLO架构中使用的固定式FPN/PAN风格融合不同，所提出的YOLO11-ASFF架构实现了空间自适应的、基于位置的尺度选择，使得每个图像位置都能从最具信息量的金字塔层级获取数据，从而用于滑坡边界的划定。通过这些自适应权重，模型既可以突出显示细小的边界细节，又能为较大的滑坡区域保留清晰的语义上下文。为了评估分割质量，我们在毕节滑坡数据集以及RLZX数据集上对所提出的框架进行了测试，其中RLZX数据集还通过另一个独立的、包含来自近期强降雨事件的卫星和无人机影像的数据集，提供了另一种监督式的评估方式。实验结果表明，与基准模型相比，所提出的YOLO11-ASFF配置在分割效果上有所提升，这一结论可通过操作点掩膜指标以及基于阈值的平均精度指标得到验证。

本文的其余部分结构如下：第二部分介绍了研究区域、毕节滑坡数据集的构建过程，以及所提出的ASFF增强型YOLO11框架的技术细节。第三部分阐述了实验设置、性能评估指标，以及定量和定性分析结果。第四部分对研究结果进行了详细讨论，重点分析了空间自适应机制，并与现有文献进行了对比分析。最后，第五部分总结了本研究的主要贡献，并指出了未来研究的可能方向。

研究区域与数据集
本研究聚焦于中国贵州省西北部的毕节地区，该区域面积约为26,853平方公里。如图1所示，研究区域位于青藏高原与东部丘陵之间的过渡斜坡地带，地形起伏较大，海拔范围在457米至2900米之间（Ji等人，2020）。该地区地质条件不稳定，坡度较陡，降水量较大（年平均降水量为849–1399毫米）。

实验设置与训练细节
所有实验均使用Python语言和Ultralytics框架完成（Ultralytics，2024），并在配备CUDA 12.8和PyTorch 2.9.1版本的NVIDIA RTX 5080显卡上进行运行。为确保在框架不断更新的情况下仍能保持结果的重复性，YOLO8、YOLO11和YOLO12这三个模型的训练流程被固定在了Ultralytics 8.3.0版本上。而YOLO26基线模型则使用了该框架的初始正式版本8.4.0。此外，

讨论
将ASFF集成到YOLO11-seg架构中，提升了滑坡实例分割的可靠性，尤其是在毕节数据集上的操作点掩膜指标以及基于阈值的平均精度指标方面表现更为出色。实验结果表明，所提出的YOLO11-ASFF模型在用于生成最终测绘结果的典型操作点上，能够提供更加稳定的掩膜预测结果。在毕节滑坡数据集上，YOLO11-ASFF模型的掩膜精确度、召回率和F1值均更高。

结论
本研究通过将ASFF集成到YOLO11-seg架构中，提出了一种改进型的基于YOLO的滑坡测绘框架。该框架主要在毕节滑坡数据集上进行了开发和测试，其中专家标注的滑坡边界被转换成了YOLO模型可识别的实例分割标签。除了在毕节数据集上的测试外，该模型还在RLZX数据集上进行了进一步测试，以此评估其在另一种监督式、多样化环境下的稳定性。

CRediT作者贡献说明
B. Onk：撰写——初稿撰写，软件工具使用，方法设计，数据整理。S. Kaplan Berkaya：撰写——初稿撰写，结果验证，方法设计，资金获取，研究构思。R. Comert：撰写——审稿与编辑，结果验证，研究指导，研究构思。

关于 manuscript准备过程中生成式AI及AI辅助技术的声明
在撰写本文的过程中，作者们使用了GEMINI工具来协助文章的初稿撰写、语言修改以及内容优化。在使用该工具之后，作者们对内容进行了必要的审查和修改，并对最终发表文章的内容负全责。

利益冲突声明
作者们声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢
本研究得到了土耳其科学技术研究委员会1002-A短期支持项目资助，项目编号为125Y472。Berkay ?nk于2022年在土耳其埃斯基谢希尔奥斯曼加齐大学获得计算机工程学士学位。2024年，他进入土耳其埃斯基谢希尔技术大学计算机工程系工作，目前担任研究助理，同时也在该校攻读硕士学位。他的当前研究兴趣包括深度学习和图像处理领域。

B. Onk | S. Kaplan Berkaya | R. Comert