[1]陈 龙,葛 澄,戴颖超,等.基于深度学习的高分辨率遥感影像滑坡体识别方法研究[J].华南地震,2025,(02):66-74.[doi:10.13512/j.hndz.2025.02.09]
　CHEN Long,GE Cheng,DAI Yingchao,et al.Research on Landslide Detection in High-Resolution Remote Sensing Image Based on Deep Learning[J].,2025,(02):66-74.[doi:10.13512/j.hndz.2025.02.09]
点击复制

基于深度学习的高分辨率遥感影像滑坡体识别方法研究()

华南地震[ISSN:1006-6977/CN:61-1281/TN]

卷:
期数:
2025年02期
页码:
66-74
栏目:
地震与地质灾害
出版日期:
2025-06-30

文章信息/Info

Title:
Research on Landslide Detection in High-Resolution Remote Sensing Image Based on Deep Learning
文章编号:
1001-8662（2025）02-0066-09
作者:
陈 龙1; 葛 澄1; 戴颖超2; 3; 王宏宇4; 刘维维2
1.成都大数据产业技术研究院有限公司，成都 610095;2.四川天府新区创新装备研究院，成都 610299;3.重庆大学自动化学院，重庆 400044;4.北京理工大学，北京 100081
Author(s):
CHEN Long1; GE Cheng1; DAI Yingchao2; 3; WANG Hongyu4; LIU Weiwei2
1.Chengdu Big Data Industry Technology Research Institute Co.，Ltd.，Chengdu 610095，China;2.Innovative Equipment Research Institute of Beijing Institute of Technology in Sichuan Tianfu New Area ， Chengdu 610299， China;3.School of Automation ， Chongqing University ， Chongqing 400044， China;4.Beijing Institute of Tech?nology，Beijing 100081，China
关键词:
深度学习; 滑坡检测; 卷积神经网络; 特征提取; 损失函数
Keywords:
Deep learning; Landslide detection; Convolutional neural networks; Feature extraction; Loss func?tion
分类号:
TP393
DOI:
10.13512/j.hndz.2025.02.09
文献标志码:
A
摘要:
针对现有滑坡体检测精度低的现实问题，提出了一种基于深度学习的滑坡体检测框架。该框架包含数据采集与处理、特征选择、检测模型三个部分，可融合多源数据有效提高对滑坡体检测能力。提出了多模态的KlA?lexNet模型，可实现像素级分割预测，有效地融合空间特征。实验结果表明，所提KlAlexNet模型具备高精度的滑坡体检测能力。与U-Net、U-Net++、FC_DenseNet、YOLOv9-seg等方法相比具备优势。实验结果验证了所提方法的有效性和实用性，该方法具有广阔的应用前景。
Abstract:
In response to the current issue of low precision in landslide detection，a deep learning-based landslide detection framework was proposed. This framework includeed three parts：data collection and processing，feature selection，and detection model，which can effectively improve the detection capability of landslides by integrating multi-source data. A multimodal KlAlexNet model was proposed，which could achieve pixel-level segmentation pre?diction and effectively fuse spatial features. Experimental results indicate that the proposed KlAlexNet model has high precision in landslide detection. Compared with methods such as U-Net，U-Net++，FC_DenseNet，and YO?LOv9-seg， it demonstrates advantages. The experimental results validate the effectiveness and practicality of the proposed method，indicating its broad application prospects.

参考文献/References:

[1]高茂宁，魏冠军，雷传金，等.顾及时序InSAR的海东市辖区滑坡敏感性评价[J]. 地理空间信息，2024，22（05）：97-101.
[2]崔晨.智能微动勘探在滑坡体中的应用[J].水利技术监督， 2024（05）：254-256.
[3]陶妍，角媛梅，丁银平，等.降雨诱发型滑坡的降雨阈值及机理研究进展与展望[J].云南师范大学学报（自然科学版），2023，43（04）：71-78.
[4]丁丽，郭凯，张郝哲.基于不同评价单元的地质灾害易发性评价对比[J].云南师范大学学报（自然科学版），2023，43 （02）：62-68.
[5]李冉，杨军，宁玉富，等.基于深度学习的黄土滑坡自动识别[J].电视技术，2024，48（04）：37-39.
[6]唐烽顺，郝利娜，宋雨洋，等.目标检测算法在滑坡识别中的应用[J].兰州大学学报（自然科学版），2024，60（02）：229-234.
[7]高星月，王世杰，高鹏程. D-InSAR与随机森林模型耦合的活动性滑坡识别方法探究[J].中国地质灾害与防治学报，2022，33（05）：102-108.
[8] Yann L C，Bengio Y，Hinton G. Deep learning[J]. Nature， 2015，521（7553）：436-444.
[9]刘佳，伍宇明，高星，等.基于GEE和U-net模型的同震滑坡识别方法[J].地球信息科学学报，2022，24（07）：1275-1285.
[11]乐子扬.深度学习在地震滑坡自动识别中的应用[D].三河：防灾科技学院，2023.
[12]燕飒.基于多源遥感数据的滑坡隐患综合识别与易发性评价[D].南昌：东华理工大学，2023.
[13]於心竹.基于SBAS-InSAR技术的温泉县滑坡形变监测与预测研究[D].南昌：东华理工大学，2023.

相似文献/References:

[1]张燕明,张红才,陈惠芳,等.实时智能地震处理系统在2013年福建仙游ML5.0地震序列中的应用研究[J].华南地震,2023,(04):64.[doi:10.13512/j.hndz.2023.04.09]
　ZHANG Yanming,ZHANG Hongcai,CHEN Huifang,et al.Application of Real-time Intelligent Seismic Processor in Xianyou ML5.0 Earthquake Sequence in Fujian Province in 2013[J].,2023,(02):64.[doi:10.13512/j.hndz.2023.04.09]
[2]梁 明,刘 军,洪玉清,等.地震自动编目处理系统在2023年广东河源M4.3地震序列中的应用[J].华南地震,2023,(04):119.[doi:10.13512/j.hndz.2023.04.15]
　LIANG Ming,LIU Jun,Hong Yuqing,et al.Application of Seismic Automatic Cataloguing Processing System in Heyuan M4.3 Earthquake Sequence in Guangdong in 2023[J].,2023,(02):119.[doi:10.13512/j.hndz.2023.04.15]
[3]徐晓桐,陈吉锋,李东平,等.基于多头自注意力机制的CNN地震舆情分析模型研究[J].华南地震,2024,(04):21.[doi:10.13512/j.hndz.2024.04.03]
　XU Xiaotong,CHEN Jifeng,LI Dongping,et al.CNN Earthquake Public Opioion Analysis Model Based on Multi-Head Self-Attention Mechanism[J].,2024,(02):21.[doi:10.13512/j.hndz.2024.04.03]
[4]郑建常.基于AlexNet 卷积神经网络的地震预测初步研究[J].华南地震,2024,(增刊):21.[doi:10.13512/j.hndz.2024.S1.09]
　ZHENG Jianchang.A Preliminary Study of Earthquake Prediction Based on AlexNet[J].,2024,(02):21.[doi:10.13512/j.hndz.2024.S1.09]
[5]王淑辉,马 莉,王晓睿,等.深度学习大强煤矿台阵数据的研究[J].华南地震,2024,(增刊):136.[doi:10.13512/j.hndz.2024.S1.50]
　WANG Shuhui,MA li,WANG Xiaorui,et al.Research on Daqiang Coal Mine Array Data Based on Deep Learning[J].,2024,(02):136.[doi:10.13512/j.hndz.2024.S1.50]
[6]李金湘,廖家乐,宿文姬.基于SMOTETomek和机器学习的粤东山区边坡崩滑地质灾害危险性评价研究[J].华南地震,2025,(02):50.[doi:10.13512/j.hndz.2025.02.07]
　LI Jinxiang,LIAO Jiale,SU Wenji.Risk Assessment of Slope Collapse Hazards in Mountainous Areas of Eastern Guangdong Based on SMOTETomek and Machine Learning[J].,2025,(02):50.[doi:10.13512/j.hndz.2025.02.07]
[7]晏绮云,沈 平,王振南,等.基于深度学习的湖南地区地震事件检测与定位[J].华南地震,2026,46(03):51.[doi:10.13512/j.hndz.2026.03.08]
　YAN Qiyun,SHEN Ping,WANG Zhennan,et al.Earthquake Detection and Location in Hunan Region Based on Deep Learning[J].,2026,46(02):51.[doi:10.13512/j.hndz.2026.03.08]

备注/Memo

备注/Memo:
收稿日期：2024-07-26
基金项目：基于天空地一体化的滑坡监测评估与应急系统研发与应用（2023-CY02-00002-GX）
作者简介：陈龙（1988-），男，工程师，硕士，研究方向为大数据、人工智能。E-mail：Su_XH99@163.com
更新日期/Last Update: 2025-06-30