1. 研究背景与问题
滑坡是高山地区常见的自然灾害，其诱因包括强降雨、地震、火山活动以及人类扰动。传统基于实地调查的滑坡制图成本高、周期长，因此遥感技术成为主要手段。然而，高分辨率遥感数据往往收费、覆盖有限、重访周期长，不利于区域尺度、持续性的滑坡制图。现有基于深度学习的滑坡检测大多依赖收费的高分辨率影像，缺乏对免费中分辨率数据（如 Sentinel-2）的适配模型。
基于此，该论文提出一种针对中分辨率遥感影像的滑坡像素级检测方法，结合 Sentinel-2 多光谱影像与 NASADEM 的地形信息，利用改进的 U-Net 架构，以实现大范围、低成本的滑坡制图。
2. 数据与研究区
研究选择了两个典型区域：
- 中国四川汶川–都江堰区域（Wen-Du）：山地地形复杂、云雨多，光学影像质量受限。
- 日本北海道胆振地区（Iburi）：2018 年地震诱发大规模滑坡，地形以低山丘陵为主。
数据包括：
- Sentinel-2 多光谱影像 13 个波段
- NASADEM 派生的坡度、坡向、高程
经重投影为 10 m 分辨率，并切片为 128×128 的训练图块。
两个区域的滑坡掩膜分别由面向对象方法与已有公开数据库获取。训练样本存在明显类别不平衡。
3. 方法
整个流程由数据预处理、模型构建与性能评价三部分组成。
3.1 数据预处理
将 Sentinel-2 与 NASADEM 统一投影并重采样到 10 m。随后按通道均值进行归一化处理。通过滑动窗口生成训练图块并构建相同尺寸的掩膜标签。
3.2 模型结构：双编码器 U-Net
论文基于 U-Net 进行结构改造，主要包括：
- 双编码器设计（dual-encoder）
- 主编码器负责处理光学影像。
- 辅助编码器处理 DEM（坡度、坡向、高程）。
- 两路特征在每层进行拼接融合，以增强光谱与地形的联合表达能力。
- 注意力跳跃连接（attention gate）
在解码阶段的跳跃连接中引入自注意力模块，用于抑制无关背景细节，提高对滑坡形态的聚焦能力。 - 损失函数
采用加权交叉熵与 Dice Loss 的组合，以缓解类别不平衡问题。
3.3 性能评价指标
模型在两研究区分别计算 Precision、Recall 与 F1。并与 SegNet、U-Net、Attention U-Net 基线模型对比。
4. 实验结果
4.1 Wen-Du 区域（中国）
- F1：69.18%（最高）
- Precision：68.05%
- Recall：70.36%
相比之下：
- U-Net F1：65.60%
- Attention U-Net F1：67.04%
- SegNet 表现最差
在滑坡面积占比极低的区域，双编码器和注意力机制有效提升了对小目标的识别能力。
4.2 Iburi 区域（日本）
- F1：79.24%（最高）
- Precision：78.39%
- Recall：80.11%
对比：
- SegNet：73.57%
- U-Net：76.58%
- Attention U-Net：77.29%
研究指出，该结果接近使用 3 m Planet 高分辨率影像的前人工作，说明中分辨率影像经适配模型后在滑坡检测上具有可行性。
5. 讨论
5.1 方法优势
- 不依赖高分辨率影像，适用于大范围、低成本滑坡快速制图。
- 双编码器有效整合光学与地形特征，提高判别能力。
- 注意力模块提升了解码阶段对边缘和滑坡体的关注度。
- 在两个地理环境差异较大的区域均取得了优于常用模型的表现。
5.2 局限性
- 训练样本数量有限，无法充分利用深度学习模型的潜力。
- 滑坡像素占比偏低，使训练过程受类别不平衡影响。
- 未进行波段重要性分析，各 Sentinel-2 波段对模型贡献不明。
- 仅在两个区域验证，泛化能力仍需更多研究。
6. 结论
论文提出的双编码器 U-Net 采用 Sentinel-2 多光谱影像与 DEM，实现了免费中分辨率数据条件下的像素级滑坡检测。模型在不同区域的 F1 分别达到 69.18% 和 79.24%，均优于传统 U-Net 及其变体。方法具备在大范围滑坡制图中的潜在应用价值，但仍需扩大样本规模并开展更全面的泛化验证。