广域滑坡易发性多分支网络评估及动态变化分析

P237; 针对卷积神经网络(CNN)在滑坡易发性评估中因数据通道叠加导致过度关注特定因子的问题,本文提出了一种多分支数据融合的滑坡易发性评估模型,该模型通过多分支结构和自适应定权机制实现多源遥感数据的特征融合,进而借助深度CNN充分提取评价因子的语义信息以准确评估滑坡易发性.试验选取青藏高原东南部作为典型研究区,与随机森林、浅层CNN和ResNet101模型的对比分析表明,本文提出的多分支网络模型在广域滑坡易发性评估方面更具优势,其准确率、精确率、召回率、F1值、曲线下面积(AUC)和频率比精度均优于现有模型(分别达到0.88、0.89、0.92、0.90、0.92和0.97).在此基础上,...

Full description

Saved in:
Bibliographic Details
Published in测绘学报 Vol. 54; no. 1; pp. 104 - 122
Main Authors 吕继超, 张瑞, 何旭, 洪瑞凯, 沙马阿各, 刘国祥
Format Journal Article
LanguageChinese
Published 西南交通大学地球科学与工程学院,四川 成都 611756 2025
Subjects
多源遥感
landslide susceptibility assessments
动态变化
卷积神经网络
multi-source remote sensing
多分支数据融合
滑坡易发性评估
multi-branch data fusion
convolutional neural networks
dynamic changes
Online AccessGet full text

Cover

More Information
Summary:P237; 针对卷积神经网络(CNN)在滑坡易发性评估中因数据通道叠加导致过度关注特定因子的问题,本文提出了一种多分支数据融合的滑坡易发性评估模型,该模型通过多分支结构和自适应定权机制实现多源遥感数据的特征融合,进而借助深度CNN充分提取评价因子的语义信息以准确评估滑坡易发性.试验选取青藏高原东南部作为典型研究区,与随机森林、浅层CNN和ResNet101模型的对比分析表明,本文提出的多分支网络模型在广域滑坡易发性评估方面更具优势,其准确率、精确率、召回率、F1值、曲线下面积(AUC)和频率比精度均优于现有模型(分别达到0.88、0.89、0.92、0.90、0.92和0.97).在此基础上,结合连续5年的滑坡易发性评估结果,进一步探讨植被、降雨量等环境因子波动与滑坡易发性指数变化间的内在关联,并通过变异系数揭示滑坡易发性指数时空变化规律.研究结果表明,近5年岷江-大渡河流域、雅砻江流域以及雅鲁藏布江流域受归一化植被指数和局部降雨变化的影响,整体风险均呈现出先增大后减小的变化特征;而金沙江流域和怒江-澜沧江流域植被和降雨量波动较小,滑坡易发性等级总体保持在中高风险水平.本文所提出的模型与方法可为同类区域滑坡风险评估提供参考和借鉴.
ISSN:1001-1595
DOI:10.11947/j.AGCS.2025.20240014