《Remote Sensing》：Remote Sensing-Based Detection and Statistical Characterization of Large Landslides in the Transylvanian Basin
编辑推荐：
滑坡是对环境要素具有显著影响的地貌过程。由于特兰西瓦尼亚盆地（Transylvanian Basin）易发生滑坡，本研究利用遥感与空间分析技术对大型滑坡进行检测与统计特征刻画。为此，仅分析面积大于0.5 km2的滑坡。该方法有助于填补关于滑坡数量、空间范围、保
滑坡是对环境要素具有显著影响的地貌过程。由于特兰西瓦尼亚盆地（Transylvanian Basin）易发生滑坡，本研究利用遥感与空间分析技术对大型滑坡进行检测与统计特征刻画。为此，仅分析面积大于0.5 km2的滑坡。该方法有助于填补关于滑坡数量、空间范围、保存状态及地貌活动性方面的现有知识空白。研究额外采用一种基于DEM衍生的地貌计量预测因子训练的紧凑型分块卷积神经网络（CNN），作为数据驱动的筛查层以辅助滑坡识别。数字高程模型（DEM）、可见光RGB影像以及Sentinel-2多光谱影像被用于滑坡的检测与圈定；并基于这些影像计算归一化植被指数（NDVI）、归一化水分指数（NDMI）和裸土指数（BSI）等光谱指数。统计特征分析包括地貌计量参数和地质特征的分析。研究人员评估了大型滑坡的分布以及地貌变量与触发因素之间的相关性，并在特兰西瓦尼亚盆地识别出171个面积大于0.5 km2的滑坡，其中82个面积介于0.5至1 km2之间，87个介于1至10 km2之间，2个超过10 km2。这些结果不仅为特兰西瓦尼亚盆地大型滑坡管理的相关利益方提供了有价值的信息，也显著更新了关于此类地貌过程的现有认知。
**论文解读：基于遥感的特兰西瓦尼亚盆地大型滑坡检测与统计特征研究**
**1. 研究背景与问题**
滑坡是塑造地球表面最重要的地貌过程之一，在丘陵和山区尤为常见，对景观演变和物质再分布具有显著作用，同时也造成重大的经济损失和人员伤亡。罗马尼亚是全球受滑坡影响最严重的国家之一，全国估计有超过29,000处滑坡。特兰西瓦尼亚盆地（Transylvanian Basin）是罗马尼亚滑坡最发育的区域之一，已有研究基于遥感影像在该盆地检测到13,137处滑坡，覆盖面积达967 km2，约占盆地总面积的4%。然而，这些滑坡中绝大多数面积较小，平均面积仅约0.07 km2。相对而言，大型滑坡（面积超过0.5 km2）虽然在数量上占比极少，但其所占面积却相当可观——仅171处大型滑坡就占据了296 km2，相当于滑坡总面积的31%。尽管特兰西瓦尼亚盆地存在大型深部滑坡已被文献和实地观察所证实（当地术语称为“glimee”），但对其确切数量和空间范围仍缺乏系统认识。已有研究多采用点状要素在地图上表示这些滑坡，而非多边形，无法评估其实际面积。此外，关于这些大型滑坡的形态特征、保存状态、分布规律及其与地质和地貌条件的关系，仍存在显著的知识空白。因此，亟需开展一项基于现代遥感技术的大规模系统调查，以准确确定大型滑坡的数量、空间分布及其统计特征。
**2. 研究内容与结论**
该研究发表于《Remote Sensing》期刊，旨在利用集成遥感方法检测并统计表征特兰西瓦尼亚盆地的大型滑坡。研究采用数字高程模型（DEM）、可见光RGB影像和Sentinel-2多光谱影像，结合卷积神经网络（CNN）筛查、地貌计量参数分析和光谱指数计算，对面积大于0.5 km2的滑坡进行系统识别和特征分析。研究最终确定了171处大型滑坡，并对其形态特征、空间分布、地质背景和稳定性进行了详细评估。主要结论包括：这些大型滑坡形成于第四纪（更新世至全新世过渡期），沿滑动面目前处于稳定状态；其空间分布受地质年代、岩性和坡向等因素的严格控制；滑坡体具有显著的马鞍丘（hummock）和主崖等地貌特征，部分区域已被平整为农业用地。该研究显著更新了对特兰西瓦尼亚盆地大型滑坡的认识，为相关管理决策提供了科学依据。
**3. 主要技术方法**
研究采用多源遥感数据与机器学习相结合的方法。首先，利用Copernicus 30 m分辨率DEM和5 m分辨率机载LiDAR DEM（来自罗马尼亚国家土地登记局NACLR/ANCPI，数据采集于2017-2023年）提取高程、坡度、坡向、山体阴影等地貌参数。其次，应用一种紧凑型分块卷积神经网络（CNN，受AlexNet启发），以5 m DEM衍生的坡度、粗糙度、地形崎岖指数（TRI）和地形位置指数（TPI）为输入特征进行训练，训练数据来自东南部测试区（面积1463.24 km2）36处已验证的滑坡，采用6折基于对象的空间交叉验证（准确率0.823，精确率0.720，召回率0.767，F1分数0.743，AUROC 0.881）。此外，计算Sentinel-2影像的归一化植被指数（NDVI）、归一化水分指数（NDMI）和裸土指数（BSI），以辅助滑坡体要素的判别。最终，结合专家地貌学解释，在GIS环境中手动绘制滑坡边界多边形。
**4. 研究结果**
**4.1 大型滑坡检测结果**
CNN筛查模型在0.44概率阈值下识别出5711.08 km2候选区域，但该输出仅作为筛选工具而非直接清单。结合DEM地形信息、RGB影像、光谱指数和专家解释，研究人员从300多处检测到的滑坡中最终确定了171处面积超过0.5 km2的大型滑坡。这些滑坡主要分布在盆地中部和南部。从171处中选择6处作为案例研究（位于?ae?、Saschiz、Corn??el、Romane?ti、Barliba?和Fana?ele Clujului附近）进行详细分析。
**4.2 大型滑坡的形态计量与地貌特征**
基于DEM提取的高程、坡度和坡向参数清晰展现了大型滑坡的主要地貌要素。主崖相对高度介于62 m（Barliba?）至155 m（Saschiz）之间。滑坡体内的马鞍丘（hummocks）呈圆锥形、金字塔形或梯形，相对高度在10-40 m之间。坡度分析显示，主崖和马鞍丘的坡度值通常超过17°，部分马鞍丘可达25°以上。坡向分析表明，主崖具有统一坡向，而滑坡体因马鞍丘的存在呈现各向异性的坡向分布。值得注意的是，96处（占56%）大型滑坡的滑坡体部分被平整为农田，但马鞍丘多因形态陡峭而被保留。
**4.3 大型滑坡要素的光谱特征**
对6处案例滑坡的Sentinel-2影像分析显示：NDVI值范围-0.06至0.74，高于0.4的值主要分布在主崖和马鞍丘上，指示茂密自然植被；低于0.2的值对应平整耕地。NDMI值范围-0.30至0.48，负值指示无植被或水分胁迫区域，正值指示健康植被区。BSI值范围-0.37至0.20，正值对应裸露土壤或基岩，负值对应茂密植被。光谱指数的综合剖面有效刻画了滑坡体表面的空间异质性：马鞍丘区域呈现高光谱变异性，而平整农业区信号均匀。
**4.4 大型滑坡统计结果**
171处大型滑坡面积介于0.5至17.2 km2，中位数1.1 km2，均值1.7 km2，总面积296 km2（占盆地面积1.2%）。长度介于362-3362 m，宽度介于450-5682 m。77%的滑坡宽度大于长度（中位宽长比1.66），表明滑坡以横向扩展为主。坡向统计显示，南（22.2%）、西南（30.4%）、东南和西向坡面合计占约73%，北向和东向仅各占4.1%，但不同坡向间滑坡形态参数无显著差异（p>0.05）。地质年代分布上，萨尔马特期（Sarmatian）地层占73%，潘诺尼亚期（Pannonian）占22%，巴登期（Badenian）和布尔迪加尔期（Burdigalian）各占少数。岩性上，泥灰质粘土占57%，粘土占22%，泥灰岩占21%。萨尔马特期泥灰质粘土是最主要的组合（占53%）。卡方检验表明地质年代与岩性强相关（p<0.001）。距盆地边缘距离中位数32 km，不同岩性类别间差异显著（p<0.001），指示岩性在盆地内存在空间分带。
**5. 讨论与结论**
讨论部分指出，与基于事件型滑坡的CNN研究不同，本研究聚焦于古滑坡的保存地貌形态，DEM衍生的地形指标比光谱数据更适合此类地貌识别。马鞍丘的相对高度（10-45 m）证实了这些滑坡属于深部滑坡（体积>0.001 km3）。主崖和滑坡体保存良好，但部分滑坡体因农业活动被平整，这从侧面证实了滑坡体的稳定性。光谱分析揭示的马赛克模式反映了自然植被、平整农田和裸露基岩的交替分布，与滑坡体的地貌分区高度吻合。统计分析表明，大型滑坡主要受岩性（特别是富含蒙脱石、伊利石和贝得石的泥灰质粘土）和古气候条件（更新世-全新世过渡期不连续冻土融化）控制，西南和南向坡面因接收更多太阳辐射导致冻土更快消融，从而更易触发滑坡。结论部分总结了171处大型滑坡的识别结果，指出其分布集中于盆地中部和东南部，前者数量多但面积较小，后者面积大（含超过10 km2者）。滑坡的稳定性允许部分滑坡体被平整为农业用地，但马鞍丘因其独特形态多被保留。该研究不仅为当地滑坡管理提供了宝贵信息，也显著推进了对大型滑坡地貌过程的理解。
