大地测量与地球动力学

影像	时段	影像数量	空间分辨率
谷歌地球影像	—	1幅	2 m
Sentinel-1A	2019-01—2021-12	45幅	5 m×20 m
DEM	2000年	1幅	30 m

影像	时段	影像数量	空间分辨率
谷歌地球影像	—	1幅	2 m
Sentinel-1A	2019-01—2021-12	45幅	5 m×20 m
DEM	2000年	1幅	30 m

模型	准确率/%	精确率/%	召回率/%	F1分数/%	平均交并比/%	参数量	浮点运算数
基准模型	98.65	93.73	93.54	93.63	88.03	39.04×10⁶	1.614 0×10¹¹
引入BEDA模块	98.81	94.32	94.49	94.41	89.41	39.71×10⁶	1.638 3×10¹¹
引入DCP模块	98.75	93.67	94.64	94.15	88.95	41.27×10⁶	1.699 8×10¹¹
U-Net	98.10	90.82	91.28	91.05	83.58	31.04×10⁶	2.190 5×10¹¹
FCN	97.65	86.95	91.61	89.22	80.54	134.27×10⁶	1.112 1×10¹¹
SegNet	97.52	90.00	86.18	88.05	78.65	29.44×10⁶	1.607 1×10¹¹
PSPNet	98.18	92.54	90.12	91.31	84.02	46.58×10⁶	1.264 7×10¹¹
本文方法	98.89	94.48	95.13	94.80	90.12	41.88×10⁶	1.724 1×10¹¹

模型	准确率/%	精确率/%	召回率/%	F1分数/%	平均交并比/%	参数量	浮点运算数
基准模型	98.65	93.73	93.54	93.63	88.03	39.04×10⁶	1.614 0×10¹¹
引入BEDA模块	98.81	94.32	94.49	94.41	89.41	39.71×10⁶	1.638 3×10¹¹
引入DCP模块	98.75	93.67	94.64	94.15	88.95	41.27×10⁶	1.699 8×10¹¹
U-Net	98.10	90.82	91.28	91.05	83.58	31.04×10⁶	2.190 5×10¹¹
FCN	97.65	86.95	91.61	89.22	80.54	134.27×10⁶	1.112 1×10¹¹
SegNet	97.52	90.00	86.18	88.05	78.65	29.44×10⁶	1.607 1×10¹¹
PSPNet	98.18	92.54	90.12	91.31	84.02	46.58×10⁶	1.264 7×10¹¹
本文方法	98.89	94.48	95.13	94.80	90.12	41.88×10⁶	1.724 1×10¹¹

模型	准确率/%	精确率/%	召回率/%	F1分数/%	平均交并比/%
基准模型	94.80	82.41	85.57	83.96	83.17
U-Net	92.31	78.35	71.31	74.67	75.45
FCN	92.45	76.59	75.62	76.10	76.42
SegNet	90.98	72.38	70.02	71.18	72.56
PSPNet	93.41	80.01	78.07	79.03	78.90
本文方法	95.11	80.24	91.87	85.67	84.60

模型	准确率/%	精确率/%	召回率/%	F1分数/%	平均交并比/%
基准模型	94.80	82.41	85.57	83.96	83.17
U-Net	92.31	78.35	71.31	74.67	75.45
FCN	92.45	76.59	75.62	76.10	76.42
SegNet	90.98	72.38	70.02	71.18	72.56
PSPNet	93.41	80.01	78.07	79.03	78.90
本文方法	95.11	80.24	91.87	85.67	84.60

一种基于改进DeepLabV3模型的热融滑塌识别方法

马雪珂 ¹^,²^,³ , 魏冠军 ¹^,²^,³^,* , 李婕 ⁴ , 杜志刚 ⁵

大地测量与地球动力学 | 特色栏目: 地震大地测量学 2026,46(9): 1134-1146

收起

大地测量与地球动力学 |特色栏目: 地震大地测量学 2026 , 46 (9) : 1134 -1146

一种基于改进DeepLabV3模型的热融滑塌识别方法

全屏

马雪珂¹^,²^,³, 魏冠军¹^,²^,³^,*, 李婕⁴, 杜志刚⁵

作者信息

1 兰州交通大学测绘与地理信息学院, 兰州, 730070

2 地理国情监测技术应用国家地方联合工程研究中心, 兰州, 730070

3 甘肃省地理国情监测工程实验室, 兰州, 730070

4 中国铁路兰州局集团有限公司职工培训中心, 兰州, 730050

5 中铁隧道局集团有限公司, 广州, 511458

通讯作者:

魏冠军，博士，教授，主要研究方向为误差理论与测量数据处理，E-mail: wchampion@mail.lzjtu.cn

作者简介:

马雪珂，硕士生，主要研究方向为地质灾害识别，E-mail: 1312661857@qq.com

A Method for Identifying Retrogressive Thaw Slumps Based on an Improved DeepLabV3 Model

Xueke MA¹^,²^,³, Guanjun WEI¹^,²^,³^,*, Jie LI⁴, Zhigang DU⁵

Affiliations

1 Faculty of Geomatics, Lanzhou Jiaotong University, Lanzhou 730070, China

2 National Local Joint Engineering Research Center of Technologies and Applications for National Geographic State Monitoring, Lanzhou 730070, China

3 Gansu Provincial Engineering Laboratory of Geographical Monitoring, Lanzhou 730070, China

4 Employee Training Center of China Railway Lanzhou Bureau Group Co Ltd, Lanzhou 730050, China

5 China Railway Tunnel Bureau Group Co Ltd, Guangzhou 511458, China

出版时间: 2026-09-15 doi: 10.14075/j.jgg.2025.12.440

文章导航

摘要

收起

提出一种用于冻土区热融滑塌识别的改进DeepLabV3模型，将Sobel算子与边界增强双重注意力（BEDA）模块结合以精确提取热融滑塌的边界；采用可变形上下文金字塔（DCP）模块，以适应不同尺度与形态的热融滑塌区域；通过加权残差连接，保留原始语义信息的同时强化细节表达。结合SBAS-InSAR技术获取的地表形变、山体阴影数据及谷歌地球影像进行解译，构建热融滑塌数据集，结果表明, 模型整体分割结果更接近真实标签，改进模型的召回率和平均交并比较基准模型提升1.59%和2.09%。

关键词

热融滑塌识别 / 深度学习 / DeepLabV3 / SBAS-InSAR / 多年冻土区

Abstract

收起

This study proposes an improved DeepLabV3 model for the identification of retrogressive thaw slumps in frozen ground regions. The method integrates the Sobel operator with a boundary-enhanced dual attention (BEDA) module to accurately extract retrogressive thaw slump boundaries; a deformable context pyramid (DCP) module is employed to adapt to retrogressive thaw slumps of varying scales and morphological characteristics. Weighted residual connections are introduced to preserve the original semantic information and enhance detail representation. The dataset of retrogressive thaw slumps was constructed through visual interpretation using SBAS-InSAR surface deformation results, mountain shadow information, and Google Earth imagery. Experimental results show that the overall outputs of the model are closer to the ground truth labels, and the Recall and MIoU of the improved model are increased by 1.59% and 2.09%, respectively, compared with the baseline model.

Key words

retrogressive thaw slumps detection / deep learning / DeepLabV3 / SBAS-InSAR / permafrost region

引用本文

马雪珂, 魏冠军, 李婕, 杜志刚. 一种基于改进DeepLabV3模型的热融滑塌识别方法. 大地测量与地球动力学, 2026 , 46 (9) : 1134 -1146 . DOI: 10.14075/j.jgg.2025.12.440

Xueke MA, Guanjun WEI, Jie LI, Zhigang DU. A Method for Identifying Retrogressive Thaw Slumps Based on an Improved DeepLabV3 Model[J]. Journal of Geodesy and Geodynamics, 2026 , 46 (9) : 1134 -1146 . DOI: 10.14075/j.jgg.2025.12.440

正文

收起

热融滑塌作为一种典型的热喀斯特灾害，通常发育在厚层地下冰分布的斜坡区域。当人为活动或自然因素导致地下冰暴露时，上覆融土在自身重力作用下失去支撑而发生塌落^[1]。滑塌发生后，后壁地下冰融化产生的沉积物及大量泥流物质沿坡面下滑，导致上方新的地下冰暴露，地下冰再次融化并发生塌落，从而呈周期性后退式发展^[2]。近年来，热融滑塌发生的频率和影响范围不断扩大，已成为反映多年冻土退化的重要指标^[3]。热融滑塌灾害的发生不仅威胁基础工程设施安全^[4]，还破坏地表植被和生物群落，改变区域生态环境^[5]，进而对碳循环^[6]及气候变化^[7]产生影响。因此，热融滑塌的精准识别和监测，对冻土区的工程建设与生态环境保护具有重要意义。

传统的热融滑塌识别主要依赖实地考察^[8]，该方法虽精度较高，但效率低、成本高、受环境影响较大且难以在大范围区域开展。当前基于遥感影像的热融滑塌识别方法主要分为目视解译法、基于像元法、面向对象法和深度学习法。在目视解译方面，Luo等^[9]利用2008—2017年北麓河区域的遥感影像人工解译了438个热融滑塌；Jiao等^[10]将基于InSAR的地表形变结果与遥感影像的目视解译相结合，在马蒂山地区提取到375个热融滑塌，比仅通过遥感影像识别的数量多26%。然而，目视解译依赖解译者的经验与专业知识，耗时长，难以满足大范围快速提取的需求。传统的基于像元的热融滑塌提取法在一定程度上克服了目视解译效率低的问题，但由于其依赖单个像元的光谱特征，难以表达地貌结构与空间连续性，提取的结果常出现边界模糊与斑块破碎的问题。与像元法相比，面向对象法是利用对象的光谱、纹理和形状等特征进行分类，能更好地保持地物的完整性。梁林林等^[11]利用无人机影像在俄博岭地区开展热融滑塌边界提取研究，并对5种面向对象监督分类法的性能进行对比，结果表明, 支持向量机法在精度上表现最优。但面向对象法主要适用于小范围区域，对地处偏远、大范围的热融滑塌提取仍存在局限性。

深度学习法通过样本训练自动提取目标特征，避开了人工构建特征的主观性。语义分割作为深度学习的一个重要任务类型，为热融滑塌的大范围快速识别提供了新的技术途径^[12]。目前典型的语义分割模型包括DeepLab系列^[13-15]、U-Net^[16]与PSPNet^[17]等。Huang等^[18]基于DeepLab算法，从无人机影像中成功绘制了俄博岭区域的热侵蚀沟，证明了深度学习方法在热喀斯特地貌提取任务中具有可行性。之后，其首次将DeepLabV3+模型应用于高分辨率Planet CubeSat影像，自动识别了北麓河地区的220个热融滑塌，填补了深度学习在青藏高原北麓河地区大尺度、复杂地貌背景下热融滑塌识别研究的空白^[19]。为量化热融滑塌的动态演变，Huang等^[20]提出一种集深度学习、变化检测和中轴变换于一体的方法，实现了对北麓河地区2017—2019年热融滑塌扩张面积和后退距离的自动量化。Xia等^[21]提出一种基于深度学习和人工干预的半自动识别方法，通过DeepLabV3+模型实现对高分影像的像素级分类，并结合地形地貌特征和历史影像进行人工核查。尽管该方法能够实现大范围热融滑塌识别，但耗时较长，仍存在漏检与误检的问题。Zhang等^[22]结合多源敏感因子构建潜在滑塌区，并基于双向级联网络(BDCN)的边缘检测方法对高分一号影像进行热融滑塌识别，同时对比分析了ResNet101、ResNet152和VGG16三种主干网络的性能，成功实现了北麓河地区热融滑塌的自动提取，但其识别精度仍需进一步提高。

热融滑塌在地形、地表特征和尺度上具有多样性，其影像特征易与周围环境混淆，增加了自动识别的难度。尽管现有的深度学习法在热融滑塌自动识别中表现出了一定优势，但仍存在边缘细节丢失、边界模糊及识别错误等问题。针对这些问题，本文提出一种改进的DeepLabV3模型，该模型以DeepLabV3网络为基础，引入边缘先验信息，结合边界增强双重注意力(BEDA)模块与可变形上下文金字塔(DCP)模块，通过加权残差连接融合原始特征与增强特征，增强模型的边界感知能力与多尺度上下文特征建模能力，进而提高模型对热融滑塌的识别精度。

1 研究区概况与数据来源

收起

1.1 研究区概况

研究区位于青藏高原东北缘的祁连山脉东北部，地理位置见图 1，海拔范围为2 510~4 912 m，总面积约5 700 km²，兰新高速铁路自东南向西北贯穿研究区。研究区气候寒冷干燥，全年气温偏低，年降水量较少且具有明显的季节性变化，植被覆盖以高寒草甸和高寒沼泽草甸为主。区域内广泛分布多年冻土与季节性冻土，随着多年冻土退化加剧，热融滑塌灾害频发。

1.2 实验数据

本文使用的遥感影像数据包括Sentinel-1A数据和谷歌地球影像。其中，Sentinel-1A数据来自阿拉斯加合成孔径雷达设施(Alaskan SAR facility，ASF)官网，数据轨道为升轨，数据类型为单视复数，空间分辨率为5 m×20 m，时段为2019-01—2021-12。谷歌地球影像的空间分辨率为2 m，影像由不同传感器获取的数据拼接融合而成，因而不存在统一的成像日期。考虑到谷歌地球影像质量已基本满足研究需求，本文未对其进行额外的预处理操作^[15]。DEM数据为SRTM网站获取的30 m分辨率数据，用于估计和去除地形相位。精密轨道数据从欧空局获取，以消除轨道误差。数据信息见表 1。

1.3 深度学习数据集

本文利用SBAS-InSAR方法获取研究区2019-01—2021-12地表形变结果，设置时间基线为36 d、空间基线为300 m，用于筛选有效干涉对。为提高干涉图的信噪比，距离向和方位向的多视比设置为10 ∶ 2。采用Goldstein滤波去除噪声并增强相干性，利用最小费用流方法进行相位解缠，以恢复连续真实的相位信息；通过奇异值分解方法分离形变信号与残余噪声，进一步反演年均形变速率及时间序列形变。由于热融滑塌发育具有明显的季节性，整个过程可能持续数年才逐渐稳定^[23]，且发育过程中通常伴随地表形变^[24]。参考Jiao等^[10]在青藏高原北麓河地区提出的热融滑塌隐患点形变阈值，结合研究区与其冻土环境背景的相似性，本文将年均形变速率大于1 cm/a或小于-1 cm/a的区域作为可能发生热融滑塌的判定依据。通过形变信息，可在大范围内快速圈定疑似热融滑塌区，为基于遥感影像的目视解译提供参考范围，从而提高解译效率。

如图 2所示，将地表形变结果、谷歌地球影像与山体阴影数据叠加分析。山体阴影数据通过模拟太阳照射下的阴影效果，突出地形的坡面起伏特征，辅助判定疑似热融滑塌区；根据热融滑塌在遥感影像上的形态、色调和纹理等特征进行目视解译^[25]。研究区内的热融滑塌在形态上多呈马蹄形、舌形和长条形，滑塌区活动层滑脱后边界轮廓明显。滑塌后暴露的泥炭层与周边地表覆盖及土体含水率存在差异，在遥感影像上与周边区域表现出明显的色调差异。单个热融滑塌面主要分为溯源侵蚀区、泥流区和前缘堆积区，前缘堆积区坡脚陡峻，由滑塌体堆积形成，地表呈现褶皱状纹理^[23]。尽管多源数据叠加分析提高了解译效率，但人工解译受影像分辨率、解译经验及边界判定标准等因素影响，存在一定的主观性与不确定性。为降低主观偏差，提高结果的一致性，解译由2名研究人员独立完成并交叉核查，最终在该区域解译出251处热融滑塌。为验证解译结果的可靠性与一致性，本文采用将热融滑塌解译结果与公开数据集^[26]点位进行空间比对的方法，结果见图 3，图中黄色框表示本文额外识别出的热融滑塌点位，绿色框表示在解译过程中未能识别的区域。可以看出，本文解译结果与公开数据集点位一致的占比为92.43%，表明本文解译质量较高且具有良好的一致性。

区域内热融滑塌的几何与空间统计分析结果见图 4，其中84%的热融滑塌面积小于9 400 m²，平均面积为6 800 m²；大多数热融滑塌的周长介于15~1 000 m之间，平均周长为460 m。热融滑塌的空间分布与高程、地形位置指数(TPI)、坡度、坡向等地形因子相关。

已有研究表明，多年冻土下界约在3 400 m以上^[27]，主要分布在高含水量的泥炭地。多年冻土决定了热融滑塌的空间分布，82%的热融滑塌集中分布在海拔3 400~3 800 m的范围内。TPI反映局部位置的微地形，超过一半的热融滑塌位于TPI < 0的低洼区域，低洼地形汇水条件良好，有利于地下水汇聚和地下冰发育。70%的热融滑塌发生在坡度为5°~20°的山坡上，因为坡度过大的区域虽重力势较大，但风化层薄、含冰量低，坡度较小的区域下滑动力不足，均不利于热融滑塌的形成。该区域热融滑塌的发育呈现明显的阴阳坡效应，热融滑塌主要分布在北向、东北向、西北向的阴坡上，因为阴坡通常接收较少的太阳辐射，地下冰含量丰富；而南向阳坡热融滑塌分布较少，是因为地表温度较高且活动层较厚，不利于热融滑塌的发育。

对标注好的遥感影像进行512像素×512像素、步长256像素的滑动窗口切片，栅格化切片内的矢量边界，以生成样本标签。其中，非热融滑塌区域标记为背景类(值为0)，热融滑塌区域标记为前景类(值为1)。对生成的样本数据进行人工检查，若影像存在云覆盖度高、积雪覆盖多及目标物体占比低等问题时，对其进行修正或剔除。最后，将处理后的样本数据按照训练集∶验证集∶测试集=8 ∶ 1 ∶ 1的比例随机划分。

2 研究方法

收起

本文提出一种用于冻土热融滑塌识别的改进DeepLabV3模型。首先，采用SBAS-InSAR技术获取研究区的地表形变信息，结合山体阴影数据和谷歌地球影像的目视解译结果，构建适用于模型训练的热融滑塌数据集。其次，改进模型以DeepLabV3网络结构为基础，引入Sobel算子、BEDA模块、DCP模块及加权残差连接。最后，对模型的识别结果进行定量与定性分析，并在独立区域进行泛化性验证，以评估其性能。本文研究技术路线见图 5。

2.1 改进的DeepLabV3网络

DeepLabV3网络由Google Brain团队于2017年提出，旨在解决语义分割任务^[28]。首先，通过ResNet主干网络进行特征提取；然后，利用空洞空间金字塔池化(ASPP)模块来融合多尺度特征；最后，通过1×1卷积和上采样操作恢复分辨率，生成最终的输出特征图，其网络结构见图 6。

本文在DeepLabV3网络的基础上进行改进。为帮助模型学习热融滑塌的边缘信息，首先引入基于一阶微分的Sobel算子，该算子具备结构简单、参数较少、计算稳定等优势，相比其他边缘检测方法更适用于遥感影像处理。利用Sobel算子进行边缘检测，将输入的图像转为灰度图后，计算其水平方向和垂直方向的梯度变化，将合成的边缘图作为先验信息；随后，为缓解下采样导致的边界模糊和细节丢失的问题，设计BEDA模块将边缘先验信息与语义特征融合，以实现对热融滑塌边界的精确提取；最后，针对热融滑塌在形态和尺度上存在较大差异的问题，设计DCP模块，该模块通过可变形卷积自适应调整感受野，克服了ASPP模块固定采样的局限，从而提升了模型对不同形态和尺度的热融滑塌的适应能力，加权残差连接在增强特征表达能力的同时保留了原始语义信息。本文改进的DeepLabV3的网络结构见图 7。

2.2 BEDA模块

在DeepLabV3网络结构中，由于多次下采样导致特征图的空间分辨率降低，使热融滑塌边界模糊和细节丢失，尤其是在处理小目标或边界复杂的区域时，容易产生分割误差。边界信息对精确分割至关重要，因此设计的BEDA模块显式地将边缘信息融入特征学习过程中，同时在模块末端生成边界响应图，以弥补DeepLabV3在边界细节提取方面的不足。BEDA模块内部通过通道注意力和空间注意力机制来强化关键通道与空间位置，从而克服原始网络结构在通道和空间位置上进行无差别处理的局限^[29]，其结构见图 8。

1) 边缘辅助特征融合。将来自ASPP的输出特征F和通过Sobel算子提取的边缘图E在通道维度上进行拼接，得到拼接特征F_cat。然后，通过3×3卷积操作对F_cat进行特征融合，生成边缘感知增强的特征F_fused：

(1)

$F_{\mathrm{cat}}=\operatorname{Concat}(F, E) $

(2)

$F_{\mathrm{fused}}=\operatorname{Conv}_{3 \times 3} F_{\mathrm{cat}}$

式中，F为ASPP的输出特征图；E为Sobel算子计算的边缘图；Concat(·)表示拼接；Conv_3×3表示3×3卷积操作；F_cat为拼接后的特征图；F_fused为融合后的特征图。

2) 通道注意力机制。通过全局平均池化提取每个通道的上下文信息，采用“降维-激活-升维”的两层全连接层结构学习通道间的相关性，生成不同通道的注意力权重。其中，降维比例设置为r=16，该参数参考经典SE(squeeze-excitation)模块中的常用设置，能够同时兼顾精度与计算复杂度。经Sigmoid激活函数处理后，利用权重对特征图进行逐通道加权，从而突出重要通道特征并抑制冗余信息。

(3)

$F^{\prime}=\sigma\left(\boldsymbol{W}_{2} \cdot \operatorname{ReLU}\left(\boldsymbol{W}_{1} \cdot \operatorname{GAP}\left(F_{\text {fused }}\right)\right)\right) \odot F_{\text {fused }}$

式中，σ(·)表示Sigmoid激活函数；GAP(·)表示全局平均池化；W₁、W₂分别表示两层全连接层的权重矩阵；ReLU表示激活函数；⊙表示通道注意力加权；F′表示经通道注意力增强的特征图。

3) 空间注意力机制。首先，在通道维度上对输入特征图分别进行平均操作与最大操作，并将2个结果在通道维度上进行拼接。随后，通过一个7×7卷积层提取空间注意力特征，经Sigmoid激活函数处理后将结果映射到[0, 1]区间，生成空间注意力权重图。最后，利用权重对输入特征图进行逐位置加权，以调整特征图中的空间信息。

(4)

$\begin{gather*}F^{\prime \prime}= \\\sigma\left(\operatorname{Conv}_{7 \times 7}\left(\operatorname{Concat}\left(\operatorname{Avg}\left(F^{\prime}\right) ; \operatorname{Max}\left(F^{\prime}\right)\right)\right)\right) \odot F^{\prime} \end{gather*}$

式中，Conv_7×7表示7×7卷积操作；Avg(·)表示平均操作；Max(·)表示最大操作；⊙表示空间注意力加权；F″表示经空间注意力增强的特征图。

4) 自适应残差连接与边缘预测图生成。经过通道注意力和空间注意力增强后的特征与模块原始输入特征进行自适应加权融合，有助于保留原始语义信息并促进梯度的有效传播。其中，自适应权重α通过在通道维度上对增强特征进行平均操作后，经Sigmoid函数映射得到。随后，通过1×1卷积操作生成边缘预测图，以增强模型对边界信息的感知能力。

(5)

$\alpha=\sigma\left(\frac{1}{C} \sum\limits_{c=1}^{C} F^{\prime \prime(c)}\right) $

(6)

$F_{\text {out }}=\alpha \odot F^{\prime \prime}+(1-\alpha) \odot F $

(7)

$E_{\text {pred }}=\operatorname{Conv}_{1 \times 1} F_{\text {out }} $

式中，F″表示经空间注意力增强的特征图；F″^(c)表示第c个通道的特征图；α表示自适应权重，取值范围在[0, 1]之间；C表示通道数；F_out表示增强特征图；F表示ASPP输出的特征图；E_pred表示边缘预测图；Conv_1×1表示1×1卷积操作。

2.3 DCP模块

DCP模块旨在替代DeepLabV3中的ASPP结构。相较于普通卷积，ASPP中的空洞卷积能更有效地提取多尺度上下文信息^[30]，但空洞率设置不当可能导致小范围的热融滑塌漏检，而过大的空洞率则会出现网格效应^[31]。此外，ASPP对输出的特征直接拼接，缺乏对不同尺度特征进行重要性区分，影响多尺度特征的有效融合，降低了热融滑塌的分割精度。

为此，本文设计的DCP模块在多尺度分支中采用可变形卷积结构，通过学习偏移量动态调整采样点的位置，使感受野能够根据热融滑塌的形态自适应调整，既能缓解网格效应，又可以增强对小目标和复杂边界的适应能力。DCP模块还引入了通道注意力机制，可以有效增强关键特征的表达能力。DCP结构见图 9。

1) 多尺度可变形卷积。DCP模块引入三路并行的可变形卷积(deformable convolution)，每一路均采用3×3的卷积并设置不同的空洞率(dilation rate∈{3, 6, 9})。三路卷积的输出在通道维度上进行拼接，从而得到融合后的多尺度上下文特征。

(8)

$F_{i}=\operatorname{DConv}_{r_{i}} F, r_{i} \in\{3,6,9\} $

(9)

$F_{\mathrm{dcp}}=\operatorname{Concat}\left(F_{1}, F_{2}, F_{3}\right)$

式中，F表示输入特征图；

DConv_{r_i}表示空洞率为r_i的可变形卷积操作；F_i表示不同空洞率下提取的特征图；F_dcp表示拼接后的多尺度特征图。

2) 通道注意力与残差连接。引入通道注意力机制对多尺度卷积输出特征进行加权，突出关键语义通道。随后，通过1×1卷积压缩通道维度，并与原始输入特征进行残差连接，以增强梯度传播的稳定性并缓解梯度消失的问题。

(10)

$F_{\mathrm{ca}}=\sigma\left(\boldsymbol{W}_{2} \cdot \operatorname{ReLU}\left(\boldsymbol{W}_{1} \cdot \operatorname{GAP}\left(F_{\mathrm{dcp}}\right)\right)\right) \odot F_{\mathrm{dcp}}$

(11)

$F_{\mathrm{dcp}}^{\text {out }}=\operatorname{Conv}_{1 \times 1} F_{\mathrm{ca}}+F$

式中，GAP表示全局平均池化；W₁、W₂表示全连接层的权重矩阵；σ(·)表示Sigmoid映射函数；F_ca表示通道加权后的特征图；F_dcp^out表示最终输出的特征图。

2.4 加权残差连接

将经过BEDA模块和DCP模块处理后的增强特征，与DeepLabV3中ASPP模块输出的原始特征进行加权残差融合。通过加权方式分配原始特征与增强特征的贡献，以确保在不丢失热融滑塌原始特征的同时有效融合新模块提供的增强特征。

(12)

$F_{\mathrm{fusion}}=0.7 \cdot F_{\mathrm{feat}}+0.3 \cdot F_{\mathrm{ASPP}} $

式中，F_fusion表示加权残差连接后的融合特征；F_feat表示模块处理后的增强特征；F_ASPP表示ASPP输出的原始特征。

3 实验与分析

收起

3.1 实验设置

本次实验采用Python编程语言，深度学习框架为PyTorch2.5.1，处理器为AMD EPYC 9754，显卡型号为NVIDIA GeForce RTX 4090D，显存为24 GB。为防止过拟合，并增加训练样本的多样性，训练阶段对所有影像进行在线数据增强，包括水平翻转、随机旋转及亮度/对比度扰动。输入网络的数据尺寸均为512像素×512像素，所有模型均采用AdamW优化器训练，初始学习率设置为0.000 1，Batch Size设置为8；损失函数使用CombinedLoss，由二值交叉熵(BCE)与Dice损失组成。训练过程中使用ReduceLROnPlateau学习率调度策略，当验证集损失在连续5个epoch内未下降时，学习率将自动衰减，衰减因子为0.5。此外，为避免训练过长且模型性能未进一步提升，引入早停机制，训练可在最大轮次150轮之前提前终止。

3.2 评价指标

为全面评估模型在二分类任务中的分类性能，本文采用基于混淆矩阵的多种评价指标。混淆矩阵是一种直观且常用的性能分析工具，用于统计模型预测结果与真实标签之间的匹配情况。其中，真正例(TP)表示被正确预测为热融滑塌的像素数量；假正例(FP)表示非热融滑塌像素被错误预测为热融滑塌的数量；假反例(FN)表示热融滑塌像素被错误预测为非热融滑塌的数量；真反例(TN)表示被正确预测为非热融滑塌的像素数量。

基于混淆矩阵的4项统计量，可计算准确率(Accuracy)、精确率(Precision)、召回率(Recall)及F1分数(F1-Score)等指标，其中准确率表示正确分类的像素占总像素的比例；精确率表示预测为热融滑塌的像素中实际为热融滑塌的比例；召回率表示实际为热融滑塌的像素中被正确识别为热融滑塌的比例；F1分数为精确率与召回率的调和平均数。具体计算公式如下：

(13)

$\text { Accuracy }=\frac{\mathrm{TP}+\mathrm{TN}}{\mathrm{TP}+\mathrm{TN}+\mathrm{FP}+\mathrm{FN}}$

(14)

$\text { Precision }=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FP}} $

(15)

$\text { Recall }=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FN}} $

(16)

$\text { F1-Score }=2 \times \frac{\text { Precision } \text { × } \text { Recall }}{\text { Precision }+ \text { Recall }}$

平均交并比(MIoU)表示所有类别交并比(IoU)的平均值，用于统计模型预测结果与真实标签之间的重叠程度。计算公式如下：

(17)

$\mathrm{MIoU}=\frac{1}{K+1} \sum\limits_{i=0}^{K} \frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FN}+\mathrm{FP}} $

3.3 实验结果及分析

3.3.1 不同模型评价指标对比

为验证改进模型各模块的有效性，并评估其整体性能，在统一的数据集和实验条件下进行消融实验与不同模型的对比实验，结果见表 2。

在消融实验部分，为探究BEDA模块和DCP模块对改进DeepLabV3模型识别精度的影响，设计不同模块组合的对比实验。结果表明，与基准模型DeepLabV3相比，仅引入BEDA模块时，模型的准确率和精确率略有提升，召回率、F1分数和平均交并比分别提升0.95%、0.78%和1.38%。由于热融滑塌发生于活动层滑脱后，在遥感影像上形成明显的边界，但原始网络的多次下采样容易造成在边界高梯度区域的特征丢失。相较于基准模型，加入了BEDA模块的模型在边界细节优化方面有一定改进，识别出的区域更完善。仅引入DCP模块时，模型的准确率和F1分数略有提升，召回率和平均交并比分别提升1.1%和0.92%。结合研究区热融滑塌的影像解译结果及其几何与空间分布特征可知，区域内热融滑塌形态不规则、尺度差异明显，DCP模块通过可变形卷积在多个尺度上进行特征提取，自适应调整感受野，提高了模型对大小不一、形态多样的热融滑塌的关注度，从而提升了对不规则轮廓的适应能力。精确率出现一定下降，可能是多尺度可变形卷积在捕获更多特征的同时带来的误判所致。相比于仅引入单个模块，同时引入BEDA和DCP模块时，本文方法在召回率和平均交并比方面分别提升了1.59%和2.09%，在各项指标上均表现最佳，表明BEDA模块的边界增强与DCP模块的多尺度建模具有互补作用，两者结合能有效提高模型的整体性能。

在不同模型对比部分，为全面验证本文方法的有效性，选取典型语义分割模型U-Net、FCN、SegNet和PSPNet作为对比模型。这些模型分别代表了编码器-解码器结构(U-Net、SegNet)、全卷积结构(FCN)及多尺度上下文建模结构(PSPNet)，在遥感影像分割领域具有广泛的应用前景。本文方法基于卷积结构展开改进，因此选取同类典型模型进行对比，有助于客观验证所提边界感知与多尺度特征建模的有效性。各模型在测试集上的结果表明，FCN与SegNet的分割性能整体偏低，其中SegNet在多个评价指标上表现最差。SegNet采用编码器-解码器结构，通过最大池化索引上采样恢复空间信息，在边界恢复能力上优于FCN。由于未直接融合浅层高分辨率特征，且缺乏充分的多尺度特征与上下文信息整合能力，SegNet在处理多尺度、形态多样的热融滑塌目标时，仍难以兼顾整体与边界细节，导致漏检现象较为明显，召回率(86.18%)、F1分数(88.05%)和平均交并比(78.65%)在所有模型中均最低。相比之下，FCN取消了全连接层，通过卷积和转置卷积实现像素级分割，不依赖固定大小的输入，即可输出对应尺寸的预测，并通过跳跃连接实现多尺度特征融合，在目标区域整体覆盖上略有优势，其召回率、F1分数和平均交并比均优于SegNet。然而，跳跃连接的线性相加限制了FCN对不同尺度特征的整合及精细边界的建模能力，使其在小目标和边界恢复上仍存在不足，从而制约了综合性能的提升。U-Net和PSPNet的整体表现良好，除平均交并比外，其余指标均超过90%。U-Net在多层级编码器-解码器之间采用拼接的跳跃连接进行多尺度特征融合，从而实现比FCN更充分的多尺度特征表达，并在细节保留和边界恢复方面优于SegNet，能更好地捕捉不同尺度的热融滑塌。然而，其卷积操作为固定采样，缺乏对形态变形的自适应建模能力，且深层语义特征表达有限，在复杂背景下容易出现漏检、误检的现象，从而限制了其召回率、F1分数和平均交并比的水平。相较而言，PSPNet通过金字塔池化模块(PPM)融合多尺度上下文信息，增强了特征的全局语义表达，在精确率(92.54%)、F1分数(91.31%)和平均交并比(84.02%)方面略优于U-Net，但对于小尺度滑塌体，池化过程中其局部特征容易被背景信息稀释。此外，由于PPM的池化格子固定且非自适应，当不同尺度的特征差异较大时，融合效果受限，从而影响模型对小目标和局部细节的感知能力，在一定程度上解释了其召回率比U-Net低1.16%的现象。本文提出的改进模型在所有评价指标上均取得最高值，优于其他对比模型。

在模型复杂度部分，FCN的参数量为134.27×10⁶，为所有模型中的最大值。主要由于全连接层替换为卷积带来大量参数，尽管浮点运算数为1.112 1×10¹¹，其在测试集上的分割效果一般，说明较大的模型规模并未有效提升性能。SegNet的参数量为29.44×10⁶，是所有模型中最小的，整体结构较为轻量，浮点运算数为1.607 1×10¹¹。由于缺少深层语义增强和多尺度特征融合，其分割效果较差。由于PSPNet引入多尺度池化结构，参数量为46.58×10⁶，属于中等偏上水平，浮点运算数为1.264 7×10¹¹，计算量适中，但分割精度不如本文方法。U-Net的参数量较小，为31.01×10⁶，其浮点运算数是所有模型中最大的，为2.190 5×10¹¹，远高于本文模型，表明大量特征拼接操作虽有利于细节恢复，但计算代价较大。相比之下，本文模型参数量为41.88×10⁶，浮点运算数为1.724 1×10¹¹。相较于基准模型，虽复杂度略有增加，但增幅有限，增加的计算量主要用于提升边界表达与多尺度建模能力。对比结果显示，本文模型在各项精度指标上均取得最优表现，验证了所引入设计模块的有效性。整体而言，本文模型在性能提升的同时保持了合理的复杂度。

3.3.2 不同模型预测结果对比

图 10展示了6种模型的预测结果与真实标签的对比，其中绿色表示正确识别，红色表示漏检，蓝色表示误检，黄色矩形框标注了预测结果与真实标签差异较大的区域。

在a、b、d行中，热融滑塌背景为植被覆盖时轮廓区分明显，为模型提供了更为清晰的地理信息，因此所有模型均能较好地识别出影像中的热融滑塌区域，但在分割细节方面，DeepLabV3和本文改进模型识别结果与真实标签基本吻合。在e、g行中，滑塌体与周围裸土区域在特征上较为相似，U-Net、FCN、SegNet、PSPNet和DeepLab-V3模型的识别结果均出现了不同程度的误检、漏检、轮廓不完整及局部断裂现象，这是由于背景信息与热融滑塌的特征相似导致的识别错误。得益于本文改进模型在边界细节增强和多尺度特征建模方面的优化，其预测结果能够更准确地区分热融滑塌区域与背景，漏检和误检现象减少，这与表 2中召回率最高的结果一致。此外，从遥感影像上来看，由于谷歌地球影像来源于不同传感器及不同时相，其光谱特征存在差异，为模型的特征提取增加了客观难度。a、c、f、h行中的影像光谱特征各异，从预测结果可见，SegNet和FCN分割表现最差，这与表 2各项评价指标相对应。其中，f行由2个不同时相的数据拼接而成，其背景信息出现较大差异，各模型均表现出误检和漏检较多的现象，但改进模型相比其他模型仍具备更优的识别能力。总体来看，6个模型均能实现热融滑塌的识别，与其他典型语义分割模型相比，本文提出的改进模型具有较高的准确性，预测结果更接近真实标签，边界分割更精确，且漏检和误检的现象减少，在不同尺度和复杂背景条件下表现出一定优势。

3.4 模型泛化性验证

为验证本文模型在不同区域条件下的泛化能力，选取可可西里北麓河周边丘陵的一块区域作为独立测试区。可可西里位于青藏高原腹地，气候寒冷干燥、土壤贫瘠，植被类型以高寒草原和高寒草甸为主，分布着连续的高含冰量多年冻土。测试区的热融滑塌灾害数据由国家青藏高原科学数据中心提供^[32]，并结合谷歌地球影像构建了该区域的测试集。

为定量评估模型在独立测试区的识别性能，表 3展示了不同模型的对比结果。可以看出，本文改进模型的召回率、F1分数和平均交并比分别为91.87%、85.67%、84.60%，均优于基准模型和其他对比模型。尽管基准模型在精确率上表现最佳，但本文改进模型的精确率位列第2，整体性能优于其他模型。

图 11展示了不同模型在独立测试区的预测结果对比。可以看出，本文提出的模型在边界分割和整体识别方面表现更优，显示出良好的跨区域泛化能力。其他模型在热融滑塌识别中存在边缘模糊和不连续的问题，部分滑塌体出现了较多的漏检、误检现象，识别结果整体完整性不足。

4 结语

收起

本文结合InSAR地表形变、山体阴影数据与谷歌地球影像，有效提高了热融滑塌的解译效率，同时根据解译结果，为研究构建了数据集，并提出一种改进的DeepLabV3模型。通过实验分析，主要结论如下：

1) 相比基准模型及典型的语义分割模型(U-Net、PSPNet、FCN和SegNet)，本文提出的改进DeepLabV3模型的召回率和平均交并比分别提升了1.59%~8.95%和2.09%~11.47%，在减少漏检与误检现象的同时，预测结果与人工标注的边界更一致。实验结果表明，本文改进模型在复杂背景条件下具有更优的识别精度。

2) 消融实验表明，引入BEDA模块与DCP模块后，模型召回率和平均交并比均有所提高，证明了本文设计的结构优化策略对提升热融滑塌分割效果具有积极作用，体现了模块设计的有效性。

3) 经模型跨区域泛化性验证，本文提出的模型在独立区域测试中表现出良好的学习性能与稳定性，并取得了较好的分割结果，显示出一定的跨区域泛化能力与鲁棒性。

需要说明的是，本文构建的热融滑塌数据集是基于SBAS-InSAR形变信息、谷歌地球影像与山体阴影数据人工解译的，并非严格意义上的实地观测数据，其形变阈值的选取与人工判读可能存在一定的不确定性。尽管多源数据叠加分析和两人独立解译降低了主观偏差，但仍难以完全避免潜在标签误差对结果的影响。此外，本文方法在研究区取得了较好的识别性能，但当前泛化验证主要基于有限区域开展，其在青藏高原大范围或其他冻土区的适用性仍需进一步验证。未来研究将引入更大尺度与多类型数据开展系统评估，并结合模型轻量化技术，在保证精度的同时提升模型效率与推广能力。

从方法体系角度来看，近年来Transformer架构在语义分割领域发展迅速，其自注意力机制在多尺度建模与长距离依赖表达方面展现出优势，但其性能发挥通常依赖大规模数据支持。本文旨在验证卷积结构下边界感知与多尺度特征建模对热融滑塌识别的有效性，因此未引入Transformer模型进行对比，未来可探索将本文提出的模块嵌入Transformer框架，进一步评估其跨架构的适用性。

基金

收起

国家自然科学基金(42364003)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

Nesterova

, Leibman

, Kizyakov

, et al. Review Article: Retrogressive Thaw Slump Characteristics and Terminology[J]. The Cryosphere, 2024, 18 (10): 4787- 4810

焦程龙. 青藏高原多年冻土区热融滑塌的水土流失定量化评估研究[D]. 广州: 华南理工大学, 2023

Jiao Cheng-long. Quantitative Assessment of Retrogressive Thaw Slump Induced Soil Erosion in Permafrost Regions on the Qinghai-Tibet Plateau[D]. Guangzhou: South China University of Technology, 2023

Lou

P Q

, Wu

T H

, Chen

, et al. Recognition of Thaw Slumps Based on Machine Learning and UAVs: A Case Study in the Qilian Mountains, Northeastern Qinghai-Tibet Plateau[J]. International Journal of Applied Earth Observation and Geoinformation, 2023, 116

罗京, 牛富俊, 林战举, 等. 青藏工程走廊典型热融灾害现象及其热影响研究[J]. 工程地质学报, 2014, 22 (2): 326- 333

Luo

Jing

, Niu

Fujun

, Lin

Zhanju

, et al. Development of Thawing Hazards and Thermal Influence on Permafrost along Qinghai-Tibet Engineering Corridor[J]. Journal of Engineering Geology, 2014, 22 (2): 326- 333

Mesquita

P S

, Wrona

F J

, Prowse

T D

. Effects of Retrogressive Permafrost Thaw Slumping on Sediment Chemi-stry and Submerged Macrophytes in Arctic Tundra Lakes[J]. Freshwater Biology, 2010, 55 (11): 2347- 2358

C C

, Zhang

T J

, Zhang

X K

, et al. Carbon Loss and Chemical Changes from Permafrost Collapse in the Nor-thern Tibetan Plateau[J]. Journal of Geophysical Research: Biogeosciences, 2016, 121 (7): 1781- 1791

黄逢春, 吴兵, 陈冠, 等. 青藏高原共和-玉树高速公路沿线热融滑塌发育规律与易发性评价[J]. 兰州大学学报: 自然科学版, 2025, 61 (4): 459- 468

Huang

Fengchun

, Wu

Bing

, Chen

Guan

, et al. Development Characteristics and Susceptibility Assessment of Thaw Slumps along Gonghe-Yushu Expressway in the Qinghai-Xizang Plateau[J]. Journal of Lanzhou University: Natural Sciences, 2025, 61 (4): 459- 468

Wang

B L

, Paudel

, Li

H Q

. Behaviour of Retrogressive Thaw Slumps in Northern Canada—Three-Year Monitoring Results from 18 Sites[J]. Landslides, 2016, 13 (1): 1- 8

Luo

, Niu

F J

, Lin

Z J

, et al. Recent Acceleration of Thaw Slumping in Permafrost Terrain of Qinghai-Tibet Plateau: An Example from the Beiluhe Region[J]. Geomorphology, 2019, 341 (5): 79- 85

Jiao

Z P

, Xu

Z D

, Guo

, et al. Potential of Multi-Temporal InSAR for Detecting Retrogressive Thaw Slumps: A Case of the Beiluhe Region of the Tibetan Plateau[J]. International Journal of Disaster Risk Science, 2023, 14 (4): 523- 538

梁林林, 江利明, 周志伟, 等. 无人机遥感影像面向对象分类的冻土热融滑塌边界提取[J]. 国土资源遥感, 2019, 31 (2): 180- 186

Liang

Linlin

, Jiang

Liming

, Zhou

Zhiwei

, et al. Object-Oriented Classification of Unmanned Aerial Vehicle Image for Thermal Erosion Gully Boundary Extraction[J]. Remote Sensing for Land and Resources, 2019, 31 (2): 180- 186

张勤, 赵超英, 陈雪蓉. 多源遥感地质灾害早期识别技术进展与发展趋势[J]. 测绘学报, 2022, 51 (6): 885- 896

Zhang

Qin

, Zhao

Chaoying

, Chen

Xuerong

. Technical Progress and Development Trend of Geological Hazards Early Identification with Multi-Source Remote Sensing[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51 (6): 885- 896

Huang

J W

, Song

W J

, Liu

, et al. Submarine Landslide Identification Based on Improved DeepLabv3 with Spatial and Channel Attention[J]. Remote Sensing, 2024, 16 (22)

Zhao

P Y

, An

J L

, Zheng

J H

, et al. Segmentation Performance and Mapping of Dunes in Multi-Source Remote Sensing Images Using Deep Learning[J]. Land, 2025, 14 (4)

赵通, 张双成, 何晓宁, 等. 改进的DeepLabV3+模型用于震后高分遥感影像滑坡识别[J]. 遥感学报, 2024, 28 (9): 2293- 2305

Zhao

Tong

, Zhang

Shuangcheng

, He

Xiaoning

, et al. Improved DeepLabV3+ Model for Landslide Identification in High-Resolution Remote Sensing Images after Earthquakes[J]. National Remote Sensing Bulletin, 2024, 28 (9): 2293- 2305

Nitze

, Heidler

, Barth

, et al. Developing and Testing a Deep Learning Approach for Mapping Retrogressive Thaw Slumps[J]. Remote Sensing, 2021, 13 (21)

王海舰, 刘丽丽, 赵雪梅, 等. 基于改进PSPnet-MobileNetV2的煤岩界面快速精准识别[J]. 振动、测试与诊断, 2024, 44 (4): 793- 800

Wang

Haijian

, Liu

Lili

, Zhao

Xuemei

, et al. Rapid and Accurate Identification of Coal-Rock Interface Based on Improved PSPnet-MobileNetV2[J]. Journal of Vibration, Measurement and Diagnosis, 2024, 44 (4): 793- 800

Huang

L C

, Liu

, Jiang

L M

, et al. Automatic Mapping of Thermokarst Landforms from Remote Sensing Images Using Deep Learning: A Case Study in the Northeastern Tibetan Plateau[J]. Remote Sensing, 2018, 10 (12)

Huang

L C

, Luo

, Lin

Z J

, et al. Using Deep Learning to Map Retrogressive Thaw Slumps in the Beiluhe Region (Tibetan Plateau) from CubeSat Images[J]. Remote Sensing of Environment, 2020, 237

Huang

L C

, Liu

, Luo

, et al. Automatically Quantifying Evolution of Retrogressive Thaw Slumps in Beiluhe (Tibetan Plateau) from Multi-Temporal CubeSat Images[J]. International Journal of Applied Earth Observation and Geoinformation, 2021, 102

Xia

Z X

, Huang

L C

, Fan

C Y

, et al. Retrogressive Thaw Slumps along the Qinghai-Tibet Engineering Corridor: A Comprehensive Inventory and Their Distribution Characteristics[J]. Earth System Science Data Discussions, 2022, 14 (9): 3875- 3887

Zhang

H R

, Wang

H N

, Zhang

, et al. Automatic Identification of Thaw Slumps Based on Neural Network Methods and Thaw Slumping Susceptibility[J]. Interna-tional Journal of Disaster Risk Science, 2023, 14 (4): 539- 548

郝君明, 钟积身, 贾佩钱, 等. 热融滑塌形态特征、演化过程和稳定性模拟综述[J]. 地球科学, 2025, 50 (12): 4919- 4937

Hao

Junming

, Zhong

Jishen

, Jia

Peiqian

, et al. A Review of Retrogressive Thaw Slumps Characteristics, Evolution, and Permafrost Stability Analysis Methods[J]. Earth Science, 2025, 50 (12): 4919- 4937

Zhang

Z J

, Wang

M M

, Wu

Z J

, et al. Permafrost Deformation Monitoring along the Qinghai-Tibet Plateau Engineering Corridor Using InSAR Observations with Multi-Sensor SAR Datasets from 1997—2018[J]. Sensors, 2019, 19 (23)

姚苗苗, 林战举, 范星文, 等. 青藏高原中部可可西里热融滑塌发育特征及灾害效应[J]. 冰川冻土, 2023, 45 (4): 1242- 1253

Yao

Miaomiao

, Lin

Zhanju

, Fan

Xingwen

, et al. Development Characteristics and Disaster Effects of Thaw Slump in Hoh Xil, in the Hinterland of Qinghai-Tibet Plateau[J]. Journal of Glaciology and Geocryology, 2023, 45 (4): 1242- 1253

Peng Xiaoqing, Yang Guangshang. The Hillslope Thermokarst Inventory for the Permafrost Region of the Qilian Mountains (2000—2020)[Z]. National Tibetan Plateau/Third Pole Environment Data Center, 2023

彭小清, 杨光尚. 祁连山多年冻土区斜坡热喀斯特(Hillslope Thermokarst)数据集(2000—2020)[Z]. 国家青藏高原科学数据中心, 2023

杜冉, 彭小清, 金浩东, 等. 祁连山俄博岭地区热融洼地与冻胀草丘活动层融化深度差异性对比研究[J]. 冰川冻土, 2022, 44 (1): 188- 202

Ran

, Peng

Xiaoqing

, Jin

Haodong

, et al. Comparative Study on Active Layer Depth Differences between Hummocks and Thermokarst Depressions in the Eboling Area of the Qilian Mountains[J]. Journal of Glaciology and Geocryology, 2022, 44 (1): 188- 202

Chen L C, Papandreou G, Schroff F, et al. Rethinking Atrous Convolution for Semantic Image Segmentation[EB/OL]. http://arxiv.org/abs/1706.05587, 2017

夏庆锋, 许可儿, 李明阳, 等. 强化学习中的注意力机制研究综述[J]. 计算机科学与探索, 2024, 18 (6): 1457- 1475

Xia

Qingfeng

, Xu

Keer

, Li

Mingyang

, et al. Review of Attention Mechanisms in Reinforcement Learning[J]. Journal of Frontiers of Computer Science and Technology, 2024, 18 (6): 1457- 1475

张秀再, 张昊, 杨昌军. 基于DeepLabV3+网络的轻量化语义分割算法[J]. 科学技术与工程, 2024, 24 (24): 10382- 10393

Zhang

Xiuzai

, Zhang

Hao

, Yang

Changjun

. Lightweight Semantic Segmentation Algorithm Based on DeepLabV3+ Network[J]. Science Technology and Enginee-ring, 2024, 24 (24): 10382- 10393

李旺平, 尉文博, 刘晓杰, 等. 基于改进DeepLabV3+算法的遥感影像滑坡识别[J]. 地球信息科学学报, 2025, 27 (6): 1448- 1461

Wangping

, Wei

Wenbo

, Liu

Xiaojie

, et al. Landslide Detection in Remote Sensing Image Using an Improved DeepLabV3+ Algorithm[J]. Journal of Geo-information Science, 2025, 27 (6): 1448- 1461

林战举, 范星文, 姚苗苗. 可可西里地区热融滑塌/滑坡分布数据(2018—2019)[Z]. 国家青藏高原科学数据中心, 2022

Lin Zhanju, Fan Xingwen, Yao Miaomiao. Distribution Data of Thaw Slump/Landslide in Hohxil Area(2018—2019)[Z]. National Tibetan Plateau/Third Pole Enviro-nment Data Center, 2022

2026年第46卷第9期

引用本文

BibTeX

文章信息

doi: 10.14075/j.jgg.2025.12.440

接收时间：2025-12-15
首发时间：2026-10-30
出版时间：2026-09-15

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-12-15

基金

国家自然科学基金(42364003)

作者信息

1 兰州交通大学测绘与地理信息学院, 兰州, 730070

2 地理国情监测技术应用国家地方联合工程研究中心, 兰州, 730070

3 甘肃省地理国情监测工程实验室, 兰州, 730070

4 中国铁路兰州局集团有限公司职工培训中心, 兰州, 730050

5 中铁隧道局集团有限公司, 广州, 511458

通讯作者:

魏冠军，博士，教授，主要研究方向为误差理论与测量数据处理，E-mail: wchampion@mail.lzjtu.cn

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/ddcl/CN/10.14075/j.jgg.2025.12.440

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

影像	时段	影像数量	空间分辨率
谷歌地球影像	—	1幅	2 m
Sentinel-1A	2019-01—2021-12	45幅	5 m×20 m
DEM	2000年	1幅	30 m

影像

时段

影像数量

空间分辨率

谷歌地球影像

—

1幅

2 m

Sentinel-1A

2019-01—2021-12

45幅

5 m×20 m

DEM

2000年

1幅

30 m

模型	准确率/%	精确率/%	召回率/%	F1分数/%	平均交并比/%	参数量	浮点运算数
基准模型	98.65	93.73	93.54	93.63	88.03	39.04×10⁶	1.614 0×10¹¹
引入BEDA模块	98.81	94.32	94.49	94.41	89.41	39.71×10⁶	1.638 3×10¹¹
引入DCP模块	98.75	93.67	94.64	94.15	88.95	41.27×10⁶	1.699 8×10¹¹
U-Net	98.10	90.82	91.28	91.05	83.58	31.04×10⁶	2.190 5×10¹¹
FCN	97.65	86.95	91.61	89.22	80.54	134.27×10⁶	1.112 1×10¹¹
SegNet	97.52	90.00	86.18	88.05	78.65	29.44×10⁶	1.607 1×10¹¹
PSPNet	98.18	92.54	90.12	91.31	84.02	46.58×10⁶	1.264 7×10¹¹
本文方法	98.89	94.48	95.13	94.80	90.12	41.88×10⁶	1.724 1×10¹¹

模型

准确率/%

精确率/%

召回率/%

F1分数/%

平均交并比/%

参数量

浮点运算数

基准模型

98.65

93.73

93.54

93.63

88.03

39.04×10⁶

1.614 0×10¹¹

引入BEDA模块

98.81

94.32

94.49

94.41

89.41

39.71×10⁶

1.638 3×10¹¹

引入DCP模块

98.75

93.67

94.64

94.15

88.95

41.27×10⁶

1.699 8×10¹¹

U-Net

98.10

90.82

91.28

91.05

83.58

31.04×10⁶

2.190 5×10¹¹

FCN

97.65

86.95

91.61

89.22

80.54

134.27×10⁶

1.112 1×10¹¹

SegNet

97.52

90.00

86.18

88.05

78.65

29.44×10⁶

1.607 1×10¹¹

PSPNet

98.18

92.54

90.12

91.31

84.02

46.58×10⁶

1.264 7×10¹¹

本文方法

98.89

94.48

95.13

94.80

90.12

41.88×10⁶

1.724 1×10¹¹

模型	准确率/%	精确率/%	召回率/%	F1分数/%	平均交并比/%
基准模型	94.80	82.41	85.57	83.96	83.17
U-Net	92.31	78.35	71.31	74.67	75.45
FCN	92.45	76.59	75.62	76.10	76.42
SegNet	90.98	72.38	70.02	71.18	72.56
PSPNet	93.41	80.01	78.07	79.03	78.90
本文方法	95.11	80.24	91.87	85.67	84.60

模型

准确率/%

精确率/%

召回率/%

F1分数/%

平均交并比/%

基准模型

94.80

82.41

85.57

83.96

83.17

U-Net

92.31

78.35

71.31

74.67

75.45

FCN

92.45

76.59

75.62

76.10

76.42

SegNet

90.98

72.38

70.02

71.18

72.56

PSPNet

93.41

80.01

78.07

79.03

78.90

本文方法

95.11

80.24

91.87

85.67

84.60