基于多源山地RGB影像的泥石流快速圈定轻量级语义分割模型评估

《Science of Remote Sensing》：Evaluating lightweight semantic segmentation models for rapid debris-flow delineation from multi-source mountain RGB imagery

　　

快速圈定泥石流影响区域对于复杂山区的灾后地质灾害解译和野外调查优先级排序至关重要。该任务具有挑战性，因为泥石流堆积体通常呈现狭长形态、破碎纹理、弱边界，并与裸坡、干涸河道、道路和地形阴影在视觉上相似。研究人员评估了五种轻量级语义分割模型——BiSeNetV1、BiSeNetV2、CGNet、STDC1和STDC2——用于中国藏东南异质山地红绿蓝（RGB）影像中的泥石流圈定。一个源受控数据集包含来自无人机（UAV）影像、近景照片和视频帧的10,000幅原始观测样本，其中包含一个互斥的困难场景类别；仅从训练子集中生成了40,000幅增强样本。模型比较采用测试集精度、类别级误差、源特定和难度特定指标、收敛稳定性、推理效率以及边界敏感性能。在五种被评估的轻量级模型中，STDC1在主要测试集上实现了95.17%的平均交并比（mIoU）、93.82%的泥石流交并比（IoU）和107.5帧每秒（FPS），并在另一种场地/事件组排他性划分下保持了91.81%的mIoU。STDC2在较高的计算成本下达到了相当的语义分割精度。在困难场景评估中，STDC1和STDC2在区域重叠和边界敏感得分上均位列被评估模型的前两名，而定性比较显示，在若干具有挑战性的场景中，二者的局部断裂更少、边界收缩更小。总体而言，研究结果为轻量级模型在初步泥石流编目更新、快速灾后筛查和野外验证优先级排序中的选择提供了面向应用的依据。

**论文解读：基于轻量级语义分割模型的泥石流快速圈定——以藏东南多源山地RGB影像为例**

泥石流是一种由松散沉积物与水混合而成的快速流动体，可在短时间内沿陡峭沟道运动并堆积大量 debris。在藏东南及邻近喜马拉雅地区，陡峭地形、活跃侵蚀、丰富的松散物质和级联斜坡过程使得泥石流事件的辨识和影响范围解译尤为复杂。传统遥感解译中，泥石流堆积体常呈狭长形态、纹理破碎、边界弱化，并与裸坡、干涸河道和道路等在视觉上高度相似，导致基于单一视角的影像难以兼顾区域形态与局部边界细节。因此，在快速灾后筛查和编目更新需求下，亟需一种能在异质多源影像中稳定圈定泥石流影响范围的轻量级语义分割方法。以往研究多聚焦于滑坡分割或通用土地覆盖制图，对利用无人机（UAV）影像、近景照片和视频帧进行泥石流圈定的系统评估仍较缺乏。为此，研究人员在《Science of Remote Sensing》上发表论文，系统评估了五种轻量级语义分割模型在藏东南多源山地RGB影像中的泥石流圈定适用性。

研究人员构建了源受控数据集，包含来自26个泥石流场地/事件组的10,000幅原始观测样本，其中UAV影像占45%、近景照片占25%、视频帧占20%、人工筛选的困难场景样本占10%。这些样本在分组层面按7:2:1划分为训练、验证和测试子集，仅对训练子集进行数据增强，生成40,000幅增强样本。五种轻量级模型——BiSeNetV1、BiSeNetV2、CGNet、STDC1和STDC2——在统一训练协议下进行训练和比较，评估维度涵盖区域重叠精度、类别级误差、源特定鲁棒性、收敛稳定性、计算效率及困难场景下的边界敏感性能。

主要技术方法包括：构建包含UAV影像、近景照片、视频帧和困难场景样本的源受控数据集（样本队列来自藏东南26个泥石流场地/事件组，共10,000幅原始观测并划分训练/验证/测试）；采用统一输入尺寸512×1024像素、随机水平翻转、旋转±15°、缩放0.75–1.25及光度调整等增强策略；在NVIDIA RTX 3090 GPU上使用PyTorch框架、随机梯度下降（SGD）优化器和交叉熵损失函数训练五种轻量级模型；评估指标涵盖平均交并比（mIoU）、像素精度（PA）、类别精度（mAcc）、精确率（Precision）、召回率（Recall）、F₁-score、边界F值（BF₃）、FLOPs、参数量和帧每秒（FPS）。

**3.1 总体性能与源特定鲁棒性**

全测试集结果显示，STDC1获得了最高的mIoU（95.17%）、泥石流IoU（93.82%）和F₁-score（96.81%），STDC2紧随其后（mIoU为94.76%）。BiSeNetV1和BiSeNetV2保持了较高的前景-背景判别能力，但泥石流IoU和F₁-score相对较低。CGNet的最终mIoU最低（88.30%）。按影像来源细分，所有模型均在UAV影像上获得最高mIoU，在近景照片和视频帧上性能有所下降，在困难场景子集上表现最低。STDC1在困难场景中保持92.75%的mIoU，而CGNet降至83.90%。这表明STDC变体在不同影像来源间具有更小的性能波动和更均衡的精确率-召回率平衡。

**3.2 替代场地/事件组排他性验证**

研究人员通过重新分配26个互斥场地/事件组（保持15/7/4组和7,000/2,000/1,000观测数的比例）进行了替代划分验证。结果与主划分的排序一致：STDC1和STDC2再次处于最高精度区间（mIoU为91.81%和91.39%），BiSeNet变体次之，CGNet最低。替代划分下的绝对分数低于主划分，表明模型性能对留出组构成敏感，但总体排序保持稳定，验证了研究结论的内部稳健性。

**3.3 收敛稳定性与计算效率**

收敛行为分析显示，STDC1和STDC2在48,000次迭代时达到mIoU≥85%，在72,000次迭代时达到mIoU≥90%，并且最后四次验证检查点的标准差低于0.2个百分点，表现出快速且稳定的收敛过程。BiSeNetV1和BiSeNetV2达到90%阈值较晚（分别为144,000和168,000次迭代）。CGNet仅在216,000次迭代才达到85%，且未达到90%，同时具有最大的验证波动。效率方面，CGNet参数量最小（0.5M）、FLOPs最低（5.6G）、FPS最高（156.3），但其分割精度明显较低。STDC1在参数量为8.4M、FLOPs为16.7G的情况下实现了107.5 FPS，平衡了精度与速度。

**3.4 困难场景圈定与边界质量**

针对阴影干扰、纹理混淆、边界破碎和狭长目标四类困难场景，STDC1和STDC2在各子集中均获得最高的mIoU和BF₃值。在阴影干扰场景中，STDC1达到93.70%的mIoU和90.40%的BF₃；在狭长目标场景中，STDC1保持91.90%的mIoU和88.70%的BF₃。定性对比显示，STDC变体在道路邻近边界圈定、沟道状痕迹的连续性和边界收缩方面表现更好，而BiSeNet变体在局部区域出现边界收缩或位移，CGNet则在窄痕迹和纹理丰富背景上的误差更为集中。

讨论部分指出，模型性能差异与影像来源异质性、场地/事件组分配敏感性和局部边界难度密切相关。误报主要集中于裸坡、干涸河道、路面和地形阴影，漏检则优先发生在窄运输痕迹、破碎边缘和低对比度堆积边缘。STDC1与STDC2在精度上差异很小（mIoU仅相差0.41个百分点），但STDC1计算成本更低，因此在实际应用中具有更优的精度-效率权衡。研究同时指出，预测掩膜属于影像平面圈定结果，不能直接转换为地表面积、沟道宽度或体积等度量指标，需要正射校正和地理参考支撑。跨区域迁移性仍需通过独立场地验证。

研究结论为：在藏东南数据集所代表的区域条件下，五种轻量级模型中STDC1和STDC2取得了相当的高分割精度，其中STDC1计算成本更低，适用于初步影像泥石流筛查、灾后快速筛检和野外验证优先级排序。模型选择应综合考虑区域重叠精度、边界敏感性能、训练稳定性和推理效率。未来研究应在地理独立的泥石流事件上进行验证，并纳入完整UAV调查块、视频序列、重复随机种子实验、更强参考模型及对象级形态学指标，最终将可见痕迹圈定与地形、降雨、沟道结构、岩性和野外观测相结合，以支撑基于过程的灾害评估。