《Land》：ChangeFormer-Based Detection of Landslide-Damaged Areas Using Sentinel-2 Imagery in South Korea
编辑推荐：
暴雨引发的滑坡日益频繁和严重，亟需快速、准确地检测受损区域，以支持灾后响应和恢复规划。本研究开发了一种基于ChangeFormer的滑坡损毁检测模型，利用由事件前和事件后的Sentinel-2数据生成的单通道差分归一化植被指数(dNDVI)影像进行检测。采用滑
暴雨引发的滑坡日益频繁和严重，亟需快速、准确地检测受损区域，以支持灾后响应和恢复规划。本研究开发了一种基于ChangeFormer的滑坡损毁检测模型，利用由事件前和事件后的Sentinel-2数据生成的单通道差分归一化植被指数(dNDVI)影像进行检测。采用滑坡参考数据构建基于影像块的训练数据集，并在韩国庆尚南道山清郡和陜川郡评估了模型的泛化能力，这两个地区在2025年强降雨后报告了滑坡灾害。由于这两个地区可用的参考数据不同，因此采用了针对特定区域的验证策略。在山清郡，使用多边形和点参考数据进行定量验证，所有12个参考确定的受损地点均被模型预测区域相交，对应地点级检出率为100%。基于点的评估显示，随着位置容差的增加，基于距离的检出率逐步上升，在80–100米容差范围内达到87.9%。这一结果被解释为参考点与预测受损区域之间的位置一致性，而非整体精度。在陜川郡，由于缺乏官方的多边形和点参考数据，使用无人机影像进行的定性外部验证表明，预测区域总体上与影像中解释为滑坡损毁的位置一致。这些结果表明，所提出的框架可有效用于滑坡受损区域的灾后空间评估。
## 基于ChangeFormer与dNDVI的滑坡受损区域检测研究解读
### 1. 研究背景与问题
气候变化引起的降雨格局变化和局部极端降雨事件增多，与全球范围内滑坡灾害发生频率和破坏规模的上升密切相关。韩国山地占国土面积约60%以上，滑坡多发生于夏季暴雨和台风期间，近年来的损失规模也在增加。灾害发生后，快速准确地识别滑坡受损区域的位置和范围，可为修复地点指定、恢复优先级排序、二次灾害预防和修复费用估算等决策提供基础信息，因此利用卫星影像和遥感数据检测滑坡受损区域的技术需求持续增长。
早期的滑坡损毁检测主要基于归一化差值植被指数(NDVI)及其差值(dNDVI)等光谱指数，虽然计算效率高且适用于大范围，但对裸土、阴影、季节性植被变化等因素敏感，容易将非滑坡区域误判为受损区。随后引入的随机森林、支持向量机等传统机器学习方法，对输入特征组合和训练数据质量敏感，且因训练数据存在时空偏差导致跨区域、跨时相的泛化能力有限，像素级分类结果还会产生空间破碎化问题。基于卷积神经网络(CNN)的图像分割技术，特别是U-Net模型，能有效学习局部特征，但在识别滑坡在坡面上连续分布这类大范围结构模式方面仍存在局限。此外，已有的基于Sentinel-2的研究往往依赖于单一的标准验证数据集，忽略了实际应用场景中参考数据结构在不同区域间存在显著差异、没有一种验证标准能全面反映模型适用性的问题。因此，将dNDVI作为输入特征，与基于自注意力机制、能捕捉长距离空间依赖的ChangeFormer模型相结合，并通过适应不同参考数据条件的验证策略以评估其实践应用能力，有望解决上述不足，支持强降雨后滑坡受损区域的快速检测。
### 2. 研究技术与方法
研究人员以韩国山林技术协会(KAFET)提供的2016—2021年间8969个滑坡边界多边形为基础，经人工目视解译与质量筛选，保留了边界清晰、与卫星检测结果空间可比性好的1085个多边形。训练数据基于哨兵2号(Sentinel-2)Level-2A影像，利用Copernicus开放获取中心的API选择事件前一个月和事件后一个月内云量低于10%的图像对，计算NDVI后相减得到差分归一化植被指数(dNDVI)作为检测模型的唯一输入变量。模型采用ChangeFormer家族的编码器-解码器结构，输入为128×128像素(约1.28 km×1.28 km)的空间对应前后影像对，并配合类别均衡、数据增强和早停策略，在PyTorch 2.8环境中完成训练。验证区域选在韩国庆尚南道的山清郡和陜川郡，验证时分别使用官方多边形与点数据以及无人机影像，采用针对数据条件的区域定制验证方法，以更全面地反映模型性能。
### 3. 研究结果与分析
#### 3.1 数据处理结果
研究人员构建了结合KAFET滑坡参考数据和Sentinel-2影像的数据集，发现受损区域与未受损区域间的dNDVI值存在明显差异。未受损区域dNDVI值通常围绕零分布，而受损区域在零以下的频率相对更高，表明滑坡引起的植被扰动确实体现为NDVI变化幅度上的差异，证实基于变化检测的方法比单时相植被状态评估更适合滑坡损毁识别。
#### 3.2 滑坡损毁检测模型开发结果
ChangeFormer模型训练了50个迭代，损失值从首个迭代的0.5886迅速降至第二至第三个迭代的0.4953和0.4756，其后直至训练结束都维持在约0.48。损失值的初期快速下降然后稳定表明dNDVI变化模式在训练过程中被持续且稳定地捕捉，没有出现突变。
#### 3.3 模型精度
##### 3.3.1 山清郡精度评价
山清郡使用NIFoS多边形数据和KFS点数据进行定量验证。模型共预测出19个受损区域，其中12个与参考多边形重叠，参考数据中的12个滑坡地点全部被检出，地点级生产者精度达到100.0% (12/12)，用户精度为63.2% (12/19)，F1评分为77.4%，误报率为36.8%，漏报率为0.0%。对于33个参考点，距离最近预测受损区小于10米、30米、40米、60米和80米的累计检出率分别为51.5%、69.7%、75.8%、84.8%和87.9%，平均距离为38.8米，中位距离为9.5米，四分位距为39.2米，显示预测受损区域在空间上围绕真实滑坡发生位置分布。
##### 3.3.2 陜川郡精度评价
陜川郡缺少官方多边形和点参考数据，因此采用无人机影像开展定性外部验证。模型检测结果在San 147、San 108、San 33和San 563-6四个点位，总体上与影像中植被变化明显的区域以及滑坡发展的方向和位置相吻合，但在局部规模较小或地形复杂的区域，检测范围比可见损毁特征偏小，有时检测边界延伸至邻近森林区域。
### 4. 讨论
dNDVI输入下损失值初期快速下降后保持稳定，说明为补偿受损像素稀疏性而设计的补丁采样策略和正样本复制方法对训练稳定性有积极贡献。山清郡的验证结果说明dNDVI能有效表征参考清单中的滑坡发生位置，但额外检测区域可能反映裸土、砍伐等光谱特征相似的地表，也可能包含参考清单未记录的损毁区域。
基于点的距离评估提供了多边形重叠评估无法获得的区位容差信息。陜川郡无人机影像验证表明，检测结果在多数情况下与损毁位置和边坡失稳方向具有较好的一致性，但在小规模或复杂地形灾害中，低dNDVI值和地形后处理条件会降低检测的敏感性。这些观测与前期研究的模型局限性是一致的。研究框架的价值不在于与其他方法直接进行性能排名，而是通过引入适用于不同参考数据条件的验证方式，为跨区域比较检测结果奠定了基础。
### 5. 结论
本研究将滑坡损毁定位为一个变化检测问题，利用前后时相Sentinel-2影像生成的dNDVI影像作为输入，采用基于ChangeFormer编码器-解码器架构的变换器模型进行空间建模。以全国范围的滑坡参考数据构建训练数据集，并使用2025年新报告的独立灾害案例进行验证，结果表明，该框架在山清郡取得了100%的地点级生产者精度和87.9%的点位距离检出率，在陜川郡的无人机影像验证中也显示检测结果与实际损毁分布有较好的一致性。该方法的贡献在于利用双时相Sentinel-2信息在变换器模型中开展变化表达，并通过区域定制策略评价了不同参考数据条件下的适用性。未来研究可引入对裸土敏感的补充光谱指数或合成孔径雷达(SAR)变化信息，优化小规模滑坡的样本选取与正样本定义标准，发展自适应地形变化的后处理规则，并系统构建多参考评估框架。
