本研究中使用的滑坡数据主要采集自Sentinel-1图像提供地表变形信息，以及Sentinel-2图像提供地表特征细节。同时，利用DEM和Google Earth区域地质图及其衍生因子提供地质构造信息。其中，Sentinel-1和Sentinel-2均源于欧洲空间局提供。Sentinel-1A具有全天候观测能力，广泛应用于地面监测。为了保证基础数据源质量和获取研究区地表变形信息的准确性，选取了2021年1月9日至2023年5月29日的103幅Sentinel-1A影像。此外，本研究中InSAR成像方式为干涉宽带成像，分辨率为5 m×20 m，中心入射角为39.17°，VV单偏振模式。从数据中共生成了310个原始影像图，研究区域的形变率范围为-136.52~44.14 mm/a。Sentinel-2的图像包括4个场景，成像日期为2022年6月23日和2022年6月29日。在辐射定标和大气校正等预处理步骤之后，选择分辨率为10 m的波段2、3、4和8进行波段融合、裁剪和嵌入，以提高可解释性。此外，本研究中使用的DEM来自阿拉斯加卫星设施，空间分辨率为12.5 m。

对于标签制作过程，首先根据历史滑坡数据，通过可视化解译，在Google Earth上对研究区滑坡进行矢量化标注。然后，将标记好的滑坡矢量数据导入ArcMap 10.5中，将其转换为栅格数据，导出为二值图像，获得真值（ground truth），并作为深度学习模型训练的标签。其中前景（白色）代表滑坡区，背景（黑色）代表非滑坡区。

图1 所提遥感影像滑坡体识别方法结构图Fig.1 Structure diagram of landslide detection method based on remote sensing image

完成数据集制作以及样本标注后，为了规范数据格式，对Sentinel-2A图像进行与地面真值相同的切割和数据增强。为了保证像素位置匹配，所有因子的空间分辨率重采样到12.5 m。为了规范数据在不同维度上的分布，加快模型的收敛速度，采用Z-score方法对输入数据的各个通道进行归一化。考虑到滑坡样本比例较小，采用数据增强策略生成更多的训练样本。增强方法是将切割后的图像进行镜像、逆时针旋转等。接着，利用200× 200像素的滑动窗口大小扫描并生成不重叠的样本块，重叠大小为50像素。最终，将滑坡和非滑坡样本按8∶1∶1的比例划分为训练集、验证集和测试集。其中，训练数据集用于学习滑坡特征；验证集用于调节参数；测试集为检测模型从未学习过的“未知”样本，用以评估模型的扩展能力及鲁棒性。

考虑到滑坡地质灾害的发生与滑坡成因因子的密切关系，本研究选择形变速率、DEM衍生的坡度、坡向、曲率、地质岩性等因素作为滑坡成因因子。所有滑坡成因因子均基于ENVI5.3、SARscape平台和ArcGIS10.7进行处理。

滑坡的形成是多种因素相互作用的复杂结果。探讨内外部因子与滑坡发生的关系，旨在提高输入模型的数据质量进而提高预测模型的准确性。因此，选取光学影像和地质因素作为滑坡成因因子，与变形速率一起进行回归。然而，当滑坡成因因子表现出较高的相关性，即不同因子之间存在较强的线性或非线性关系时，不仅会给模型带来过多的数据负担，还会干扰特征学习过程中不同特征的权重分配。因此，本研究对滑坡成因因子进行了相关性分析、共线性检验和重要性评价。

一般情况下，Pearson相关系数是量化两个变量之间线性相关性的度量。该系数通过评估两组数据的协方差和标准差计算：

式（1）中：n为样本总数；C_ov (X， Y)为变量X与变量Y之间的协方差；σ_X和σ_Y为所有样本的标准差； 和 为变量X与变量Y的平均值。

共线性检验是指检验自变量之间的线性相关性。共线性检验可通过容忍度（trlerance）和方差膨胀系数（variance inflation factor， VIF）计算。容忍度是每个自变量作为因变量对其他自变量进行回归建模时得到的残差比例，大小用1减得到的决定系数来表示。VIF是容忍度的倒数，值越大则共线性问题越明显。VIF计算公式如下：

式（2）中：f_vif为方差膨胀系数；R²_i为第i个变量的线性回归模型中对应的决策系数。需注意，f_vif值越接近1，数据之间的相关性越弱；反之，f_vif值越高，数据之间的相关性越明显。

考虑到不同因素对模型性能的贡献不同，本研究使用基尼指数对滑坡成因因子的重要性进行排序。基尼指数已广泛使用于机器学习中，尤其在构建随机森林中已被证实具有挖掘重要特征能力。如果一个特征在构建随机森林时经常被选择用于节点分区，并且分区后能够提高模型性能，那么这个特征很可能是一个重要的特征；相反，如果一个特征在随机森林的构造中很少被选择，或者在划分后对模型性能的影响很小，那么这个特征很可能是一个不重要的特征。基于上述机理，本研究利用基尼指数对特征的重要性进行排序。基尼指数计算如下：

式（3）中： K为特征的总数； p_k为第k个特征被选择的概率。

本研究提出了一种基于融合先验知识和AlexNet网络模型的遥感图像滑坡识别方法，称为知识-AlexNet（knowledge-AlexNet， KlAlexNet）。受 FC_DenseNet 启发，所提 KlAlexNet 将基础FC_DenseNet 中 DenseNet 特征提取模块换成AlexNet特征提取模块，并融合先验滑坡知识图以及深度特征进行遥感滑坡图像识别，从而提升滑坡检测精度。KlAlexNet检测模型结构如图2所示。该模型分为三部分：特征提取、特征分类、特征融合。

图2 KlAlexNet检测模型结构Fig.2 Structure of KlAlexNet detection model

1.3.1 特征提取

通过特征选择将重要滑坡因子带入特征提取网络，将提取的特征向量馈送到分类器，从而计算并输出待检测向量的基于滑坡先验知识的先验分类概率向量。本研究使用AlexNet模型通过卷积层和全连通层提取待检测遥感图像的特征。

AlexNet模型是卷积神经网络（Convolutional neural network，CNN）的一种变体，其克服了CNN梯度爆炸的局限性，具备优异的特征提取性能。AlexNet的架构类似于LeNet模型。然而，与LeNet模型相比，AlexNet有更多的滤波器。AlexNet由卷积、池化层和全连接层组成。卷积层用于获取抽象和潜在特征，池化层用于获取高级特征，减少了维数问题的困扰。此外，使用dropout层代替正则化技术控制过拟合问题。然而，dropout层增加了AlexNet模型的训练时间。AlexNet模型的基本架构如图3所示。

图3 AlexNet模型的基本架构Fig.3 The basic architecture of AlexNet model

卷积层是CNN的重要组成部分，可在输入图像上应用二维过滤器以提取与预测标签高度相关的高级特征。在本研究中，将混合电力数据转换成二维数据，并在输入特征向量上移动二维滤波器，从而创建不同的特征映射。此外，本研究使用随机梯度下降法获得了这些滤波器的最优值。卷积层学习过程描述为：

式（4）中： 为滤波器f _t后的输出特征映射； y _{c o n}为经卷积层学习后的特征映射； 为可学习的权重和偏置参数；σ为激活函数。

卷积层可从数据中提取底层特征。因此，输入数据的微小变化会创建不同的特征映射。然而随着卷积层数的加深，计算维度呈几何倍数剧增，将会严重降低深度学习模型的性能。池化层在不影响输入数据的原始分辨率的情况下减小了特征图的空间维度，可有效克服计算开销问题。常用的池化操作包括：平均池化、最大池化等。本研究采用最大池化策略降低数据的空间维度。最大池化策略只保留特征图特定区域中最大的值，而丢弃其余的值。最大池化层的数学表示如下：

y^m =max _i.j∈R ( y_{i， j} )（5）

式（5）中： y^m为最大池化操作后的结果； y_{i , j}为输入最大池化层的特征图；R为实数值；i和j分别为第i个卷积层和第j个神经元。

在卷积运算之后，将激活函数应用于提取的特征图。常用的激活函数包括 tanh、线性、sigmoid、 ReLU、 Leaky ReLU（LReLU）等。每个函数都有自己的优点和缺点，如sigmoid和tanh函数会产生爆炸和消失的梯度问题，这会干扰模型的学习性能。本研究使用ReLU作为每个卷积层之后的激活函数。该函数将负值转换为零，并将剩余值传递给即将到来的卷积层，而不做任何更改。ReLU函数可有效克服模型的梯度爆炸和消失问题，提高了学习性能。ReLU函数的数学方程如下：

f _ReLu =max ( 0， f )（6）

式（6）中： f_ReLu为ReLU函数的输出值； f为代入ReLU函数的输入值。

本研究引入dropout层以用不同的架构模拟单个神经网络。通过dropout层去激活隐藏层的一些神经元，以克服过拟合和泛化能力差的问题。dropout层的平均丢失率设置为0到1之间的随机值。本研究中丢失率设置为0.5时，即一半数量的神经元在训练过程中被去激活。

通过全连接层将前一层的神经元与后一层的神经元连接起来，可从提供的特征映射中提取全局特征。全连接层的数学公式如下所示：

f₀ =σ (W_t X_t + b_t)（7）

式（7）中： X_t为输入特征向量； W_t和b_t分别为权重因子和偏倚因子；σ为ReLU函数；f₀为最终输出。

1.3.2 特征分类

随机给定m组先验知识，即滑坡特征向量S_i和非滑坡特征向量P_i。将滑坡特征向量S_i和非滑坡特征向量P_i与待检测的特征向量T的得分距离函数定义为：

式（8）、（9）中：d₁为待检测的特征向量T和滑坡特征向量S_i之间的得分距离； r _sim为相似性关系系数；d₂为待检测的特征向量T和非滑坡特征向量P_i之间的得分距离。

当获取d₁和d₂这两个值之后，可基于先验知识将距离较小的特征向量作为预测结果。换言之，如果d₁的值大于d₂的值，则意味着在相似关系r_sim下，待检测的特征向量T与滑坡向量S_i之间的得分距离大于待检测的特征向量T与非滑坡特征向量P_i之间的得分距。这意味着待检测的特征向量T与滑坡特征向量S_i更相似。当比较m组滑坡特征向量S_i和非滑坡特征向量P_i之后，可获得维度为m的特征向量。该特征向量中的元素都是0或1，0表示非滑坡结果，1表示滑坡结果。然后，本研究利用分类器统计该特征向量中0元素和1元素的分布，从而得到基于滑坡先验知识的先验分类概率二维向量。接着，将先验分类概率二维向量输入到积分器，并使用多元贝叶斯公式对特征向量进行组合，以获得分类结果。

本节基于数据集对KlAlexNet进行训练和模型评估。训练时环境设置如下：硬件CPU为英特尔®酷睿™i7-12700H处理器（24 M高速缓存，睿频至高可达4.70 GHz），内存为DDR4 32G，存储为4T希捷硬盘，GPU为GeForce RTX™3090 Ti显卡，操作系统为ubuntu 20.04；改进AlexNet网络主要基于python 3.8编写，主要模块包括pytorch 1.12.0、CUDA 11.3、torchvision 0.10.0。经过预实验测试，考虑到硬件限制和模型的计算效率，实验过程中的迭代次数（epoch）设置为3000次，初始学习率设置为10^-4，优化器选择自适应矩估计（Adaptive moment estimation，Adam）。Adam算法是对梯度下降Adagrad算法和Rmsprop算法的优化。同时，当参数更新时，Adam算法不受梯度尺度变换的影响，可以自动调整学习率，易于实现，计算效率高。本文研究图像像素的二值分类，因此选择二值交叉熵作为损失函数：

式（10）中： N为类别的个数； y为二进制标签；p( )y_i 为输出属于y标签的概率。

模型评估时，本研究选择了五个常用的评价指标定量分析模型的综合性能。这些指标包括精度（precision）、召回率（recall）、F₁分数（F1 score）、Kappa系数和平均交并比（mean intersection over union，MIoU）。其中，精度是指正确预测的阳性样本占预测阳性样本总数的比例。召回率是指正确预测的阳性样本占所有阳性样本的比例。通常，F₁分数为精度和召回率的调和平均值，可用于综合评价分类模型的性能。各指标的计算公式如下：

式（11）～（13）中：f_pre为精度指标；f_rec为召回率指标；f_F1为F₁分数指标；T_N为预测值和实际值均为负样本的数量；F_P为预测值为正样本，但实际为负样本的数量；F_N为预测为负样本，实际为正样本的数量；T_P预测和实际均为正样本的数量。

Kappa系数是一种评价一致性的方法，取值范围为[-1，1]。该系数值越高，模型的分类精度越高。Kappa系数与总体精度相互验证，并对结果进行客观评价，其公式计算如下：

MIoU指标旨在计算每个类别中像素的相交和并的比率，并将所有类别的结果平均。当真实值与预测值相同时，MIoU值为1，表示在理想情况下完全匹配。MIoU指标公式计算如下：

本节对6种常用的地质因子，包括：形变速率、高程、坡度、坡向、曲率、地质岩性进行特征选择实验，从而提高输入模型的数据质量。特征选择实验包括相关分析、共线性检验和重要性评价等过程。实验过程设置如下：首先，基于所提数据预处理和特征选择方案，即选取光学影像和地质因素作为滑坡成因因子，与变形速率一起进行回归，从而选取最佳输入特征。

首先，对不同地质因子进行相关分析实验。该实验以Pearson相关系数为指标。不同滑坡成因因子Pearson相关系数统计表如表1所示。一般情况下，Pearson相关系数中正值和负值表示数据之间的正相关和负相关，值越大表明相关度越强，值越小表明相关度越低。

可以看出，形变速率与高程和坡度特征呈正相关，Pearson相关系数约为0.05以上。与坡向、曲率、地质岩性等地质因子相关度不大，Pearson相关系数约为0作用。实验结果表明随着区域高度和坡度的增加，地表变形速率也随之增大。分析原因，相对较高的海拔和陡峭的坡度的地区更容易产生滑坡事件，实验结果符合实际。因此，输入应选择高程和坡度特征作为重要输入特征，从而提升输入数据质量。

表1 不同滑坡成因因子Pearson相关系数统计表Table 1 Pearson correlation coefficients of different landslide formation factors

接下来对不同地质因子进行共线性检验。该实验选取VIF和容忍度为指标。共线性检验结果如图4所示。可以看出，不同地质因子之间存在弱正相关。每个地质因子的VIF和容忍度值均在1.0左右，说明不同地质因子之间相关性不强。实验结果验证了所选地质因子的稳健性。

最后，对不同地质因子进行重要性评价实验。该实验选取基尼指数为指标。不同地质因子的重要性排序分布如表3所示。可以看出，地表形变率的重要性值最高，高程排名第2，曲率第3。分析原因，高形变速率表明地质体加速或快速沉降，则发生滑坡的概率更高。此外，高曲率和高海拔陡坡的应力集中区域也容易发生滑坡，因此其重要性也很高。最后，地质岩性的重要性最低。分析原因，地质岩性种类多，分布复杂，与发生滑坡无直接关系。

图4 共线性检验结果Fig.4 Results of collinearity test

表2 不同地质因子的重要性排序分布Table 2 Distribution of importance ranking of different geological factors

综合以上分析，实验选取的形变速率、高程、坡度、坡向、曲率、地质岩性等指标具有一定的代表性，可对分析滑坡起到一定支撑作用。同时，形变速率、高程、曲率、坡向为相对重要特征，坡度、地质岩性为一般特征。

接下来，分析特征选择数量和检测精度的趋势。实验时按照重要性排序的结果，选择前1至前5名地质因子进行测试。不同特征选择数量下滑坡识别精度如表3所示。其中横轴表示特征选择的数量，纵轴为滑坡检测的精度。

表3 不同特征选择数量下滑坡识别精度Table 3 Landslide detection accuracy under different feature selection quantities

可以看出，随着特征选择数量的增加，检测的准确性呈先增加后下降的趋势，即特征选择数量超过4时，检测的精度反而有所降低。分析原因：当特征选择数量超过一定阈值，检测模型可能会将部分非高相关性的特征聚类，即将一些非重要特征聚类为重要特征，从而给训练过程带来干扰。因此本文最终确定了代表滑坡的4种特征因子：形变速率、高程、曲率、坡向。

为了验证所提KlAlexNet的性能，本节对比了主流检测方法的滑坡体识别性能。对比指标选择精度、召回率、F₁分数、Kappa系数、MIoU。对比的主流方法包括：U-Net、U-Net++、FC_DenseNet、YO⁃LOv9-seg等。不同方法对比结果如图5所示。可以看出，所提KlAlexNet各项指标均具有明显提升。与U-Net、U-Net++、FC_DenseNet、 YOLOv9-seg等主流方法相比，所提KlAlexNet精度指标分别提升34.4%、 25.6%、 16.7%、 10.2%；与U-Net、 U-Net++、 FC_DenseNet、 YOLOv9-seg等方法相比，所提KlAlexNet召回率指标分别提升60.2%、24.2%、6.4%、2.45%；与U-Net、U-Net++、FC_DenseNet、YOLOv9-seg等方法相比，所提KlAlexNet F1分数指标分别提升44.0%、 32.1%、 13.1%、 4.2%；与U-Net、U-Net++、FC_DenseNet、YOLOv9-seg等方法相比，所提KlAlexNet的Kappa系数指标分别提升43.3%、31.5%、13.2%、6.2%；与U-Net、U-Net++、 FC_DenseNet、 YOLOv9-seg等方法相比，所提 KlAlexNet 的 MIoU 指标分别提升 27.2%、24.3%、 26.4%、 12.6%。分析原因：所提 KlA⁃lexNet可融合滑坡先验知识特征和图像深度特征，从而多维度学习滑坡特征因子，通过充分利用多模态数据信息，具备高精度的滑坡检测。

图5 不同方法对比结果Fig.5 Comparison results of different methods

综合以上分析，所提KlAlexNet具有更优的检测性能，具备一定工程化推广价值。