融合多尺度特征与注意力机制的地震地表裂缝智能识别与特征分析:以2025年西藏定日M_S6.8地震为例

Intelligent Recognition and Feature Analysis of Seismic Surface Cracks Integrating Multi⁃Scale Features and AttentionMechanism: A Case Study of the 2025 Dingri, Xizang M_S6.8 Earthquake

摘要

地震引发的地表裂缝对于揭示断层活动、解析地震构造特征以及震后灾害评估具有重要意义.本研究结合现场采集的高精度无人机（UAV）数据和深度学习技术，对2025年西藏定日M_S6.8地震的地表裂缝特征进行了自动识别与分析，揭示了裂缝的走向规律，并与InSAR变形数据进行了对比验证.基于现场无人机（UAV）获取的高分辨率影像，构建ResPSP-CBAM模型进行智能识别，成功提取了震后区域的地表裂缝分布.该模型集成了ResUNet的残差结构、空间金字塔池化（PSP）模块和卷积块注意力机制（CBAM），显著提高了地表裂缝识别的精度与鲁棒性.分析结果表明，ResPSP-CBAM模型在准确率、精确度、召回率、F1分数上表现优越，其相应数值分别为0.927、0.829、0.779和0.802，识别出的地表裂缝走向与InSAR解译的地表变形方向高度一致，进一步验证了该方法的有效性.本研究构建的ResPSP-CBAM深度学习模型显著提高了地震地表裂缝智能识别的精度和效率.识别出的地表裂缝包含原生和次生裂缝，且主要以断层破裂引起的原生裂缝为主，总体呈南北走向分布，与登么错断裂带走向高度一致.表明识别区域地震地表裂缝与断层的活动性密切相关.本研究为地震地表裂缝的智能识别提供了新的技术手段，对深入理解震源断层的构造特征提供了有力支持，同时为地震预测、预警及震后灾害评估提供了重要的科学依据.

Abstract

Coseismic surface fractures triggered by earthquakes are of significant importance for understanding fault activity, seismic structural characteristics, and post-earthquake disaster assessment.This study combines high-resolution unmanned aerial vehicle (UAV) data and deep learning techniques to automatically identify and analyze the surface fracture characteristics of the 2025 M_S6.8 earthquake in Dingri, Xizang, further revealing the surface fracture strike pattern and validating it through comparison with InSAR deformation data. Based on high-resolution images obtained by low-altitude UAVs, the ResPSP-CBAM model was used for intelligent recognition, successfully extracting the surface fracture distribution in the post-earthquake area. The ResPSP-CBAM model integrates the ResUNet residual structure, Pyramid Scene Parsing (PSP) module, and Convolutional Block Attention Mechanism (CBAM), significantly improving the accuracy and robustness of crack detection.The analysis indicates that the ResPSP-CBAM model performs excellently in accuracy, precision, recall, and F1 score, with respective values of 0.927, 0.829, 0.779, and 0.802. The identified surface fracture trends are highly consistent with the surface deformation directions interpreted from InSAR, further validating the effectiveness of this method.The ResPSP-CBAM deep learning model constructed in this study significantly improves the accuracy and efficiency of intelligent identification of seismic surface fractures. The identified surface fractures include both primary and secondary types, predominantly featuring primary fractures induced by fault ruptures. These fractures generally exhibit a north-south strike orientation, which aligns closely with the strike direction of the Dengmoco fault zone. This indicates that the surface fractures in the study area are closely associated with fault activity. This research provides a novel technical approach for intelligent identification of earthquake-induced surface fractures, offering robust support for understanding structural characteristics of seismic source faults, and delivering critical scientific evidence for earthquake prediction, early warning systems, and post-earthquake hazard assessments.

Graphical abstract

关键词

地表裂缝 / 西藏定日M_S6.8地震 / 无人机 / InSAR / 深度学习 / ResPSP⁃CBAM / 地质灾害.

Key words

surface fracture / Dingri M_S6.8 earthquake / UAV / InSAR / deep learning / ResPSP⁃CBAM / disasters

地壳构造运动通过断层系统的应力释放过程积聚并释放巨量能量，最终导致地震的发生.强震往往伴随着数十至数百公里范围内的地表破裂及各种断层位移地貌的形成（徐锡伟等，2002，2008；陈杰等，2003）.2025年1月7日，西藏自治区日喀则市定日县发生了M_S6.8地震，震中位于青藏高原与印度板块交界处的申扎‒定结断裂带附近，这是近年来该区域发生的最大规模地震（李雨森等，2025；邢珂等，2025）.该次地震在地表形成了密集分布的地表裂缝.地震地表裂缝按照力学性质分为能够反映震源力学性质的原生地震裂缝或地震断层和由地面运动触发的边坡失稳、砂土液化、重力垮塌等产生的次生裂缝（朱成男和周瑞琪，1980；刘小利等，2022）.原生地表裂缝的空间分布与变形特征能够反映发震断层的活动，记录区域构造应力场的时空演化特征及地壳变形过程，为地震破裂和断层运动提供了直观的地貌证据，也为揭示区域构造动力学机制提供了重要的地质约束条件，具有重要的研究价值.因此，及时快速识别这些地震引发的地表裂缝并深入分析其发育特征，对于揭示震源断层的构造特征，理解地震的发生机制和地震诱发的次生地质灾害具有重要意义.

无人机影像因其具有厘米级的空间分辨率，能够在细微尺度上精确识别各种类型的地表裂缝（张志文等，2021；李东臣等，2022；李奕曼等，2024）.相比传统地面测绘手段，无人机摄影测量技术具有低成本、高安全性、操作简便等显著优势，使其在地震后地表裂缝的调查研究中得到了广泛应用（董秀军等，2019； 刘超等，2021；窦杰等，2023）.现有研究利用高分辨无人机影像，成功解析了多次大型地震引发的地表裂缝分布，为震源断层的几何形态、运动模式以及动力学特征提供了直接实地证据（李智敏等，2021；梁宽等，2022；疏鹏，2023；郝小叶等，2024）.然而，当前的地表裂缝识别方法主要依赖于人工视觉解译和传统影像处理技术，如边缘检测和Gabor滤波（朱伟刚等，2024） ，其识别效率较低且识别精度严重依赖于专家的主观经验（王昱淞，2021）.尽管这些方法在裂缝具有良好空间连续性和显著灰度对比度时表现出一定的识别能力，但在实际地质环境中，由于地表裂缝的空间分布非线性、各向异性特征明显，并且影像数据普遍存在噪声干扰和地表覆盖物遮挡等问题，导致传统方法在适用性和可靠性上存在显著局限.

近年来，深度学习技术凭借其强大的多层次特征学习能力，突破了传统方法对地表裂缝空间连续性和灰度对比度的严格依赖，能够在复杂环境下实现不连续、低对比度及噪声干扰的裂缝自动识别（Dong et al.， 2024）.该方法摒弃了传统方法中繁琐的特征参数定义和影像预处理步骤，通过特征提取机制，实现了裂缝特征的自主学习与识别.已广泛应用于道路裂缝检测、桥梁检测、房屋裂缝识别以及断层检测等领域（高宇晟，2023）.目前，少数研究已将深度学习算法运用于地震地表裂缝智能识别，例如，Chen et al.（2022）应用基于卷积神经网络（CNN）的图像分割算法从震后无人机图像进行裂缝提取；杜承泽等（2021）使用ResUNet模型自动识别地震地表裂缝，并通过Dense CRF模型进一步优化识别结果；Yu et al.（2022）开发了Crack⁃CADNet深度学习模型对青海省玛多地震地表裂缝进行识别，识别精度超过传统语义分割模型.然而，现有研究在复杂地形、细粒度特征和多尺度信息处理上仍面临挑战，传统CNN难以有效捕捉裂缝的多样化形态和全局信息，导致识别精度和鲁棒性不足.因此，提升模型对裂缝带全局信息的捕捉能力与细节特征表达能力，仍是当前地震地表裂缝识别中的关键问题.

针对上述问题，本研究提出了一种创新的地震地表裂缝识别模型——ResPSP⁃CBAM.该模型在传统深度学习架构基础上，通过残差结构增强特征表达能力，融合多尺度感知模块提升细节捕捉精度，并引入注意力机制强化关键区域识别.相较于传统CNN方法，ResPSP⁃CBAM模型展现出更优的细节捕捉能力和全局信息表达能力，在复杂地质环境中具有优异的适应性和稳定性.实验表明，该方法成功提取了地震地表裂缝的空间分布，揭示了裂缝的走向特征，为理解该地区断层的活动特征提供了重要依据.快速识别裂缝走向规律还为震后灾害评估、应急响应以及震后恢复提供了关键数据支持，并为未来类似研究提供了可行的技术手段.

1 研究区

定日地区位于喜马拉雅与冈底斯‒念青唐古拉山中段间，南、北高，中间为藏南高原与雅鲁藏布江谷地，地形复杂，平均海拔为4 000 m以上，地貌受地质构造与水系制约.白垩纪晚期（约6千万年前），印度大陆与欧亚大陆发生初始碰撞（Ding et al.， 2022），此后印度板块以平均 40 mm/a的速度向欧亚板块底部俯冲（Wang et al.， 2001），随着俯冲深度的增加，印度地壳向北逐渐减薄，上覆增生楔随之增厚（Allégre et al.， 1984； Gao et al.， 2016），致使青藏高原成为新构造期间中国大陆隆升最强烈地区，伸展构造运动、构造地貌演化以及地震活动显著（刘德民等，2024）.本次地震位于喜马拉雅地块，雅鲁藏布江缝合带以南、藏南拆离系以北、尼玛‒定日裂谷以东（铁永波等，2025）、申扎‒定结裂谷以西的登么错断层.近年来，定日地区地震活动频繁，震级大多在3~5级之间（图1）.本文所采集的无人机正射影像位于震中附近，影像中出现了大量的地表裂缝.

2 方法

本文工作流程包括数据准备、模型实验和结果分析3个部分（图2）.首先，使用无人机在地震灾区采集高分辨率影像，并对影像数据进行处理，以确保数据质量和一致性；其次，使用训练数据训练地震地表裂缝识别模型，并用测试数据进行评估，提取震后区域的裂缝分布；最后，将识别结果与InSAR变形数据进行对比分析，深入揭示地表裂缝的空间分布特征及其整体走向规律，为震源断层活动特征研究提供科学依据.

2.1　数据获取

本研究采用经纬M300 RTK无人机，搭载禅思P1相机进行垂直航空摄影，以获取研究区域的正射影像（如图3所示）.在进行航拍前，需对当地的地形地貌、气象条件以及飞行安全等因素进行全面评估.基于这些考量，对激光雷达系统的扫描仪进行参数调整，以确保数据采集的准确性和可靠性.飞行过程中，按照预设航线进行高精度飞行扫描，以实现所需的影像和点云数据采集.具体的参数设置可参见表1.

2.2　RePSP⁃CBAM深度学习模型

本研究所提出的 ResPSP⁃CBAM 深度学习模型如图4所示，主要由3个核心模块组成：下采样特征提取、空间金字塔池化（PSP）模块和上采样解码.在下采样阶段，模型采用 ResUNet 结构，通过残差连接和跳跃连接增强特征提取能力，同时引入 PSP模块来执行多尺度池化，进一步提升模型对不同尺度上下文信息的捕捉能力.此阶段通过逐步减少空间分辨率，有效提取图像的高层次特征.在上采样阶段，解码器通过反卷积将低分辨率的特征图恢复为更高分辨率的图像，重建图像的细节.CBAM（卷积块注意力机制）被应用于模型的各个部分，通过通道注意力和空间注意力模块自适应地调整特征图的重要性，进一步提升了模型对关键区域的关注.通过结合ResUNet的残差结构、PSP模块的多尺度特征融合和CBAM的注意力机制，所提出的 ResPSP⁃CBAM模型在地表裂缝识别任务中展现出优异的性能，尤其在复杂地形和细粒度特征的处理上具有显著优势.

2.2.1　残差结构

残差结构块（Residual Block）（He et al.， 2016）广泛应用于模型中，主要是为了解决深层网络中常见的梯度消失问题，进而提升地表裂缝识别的性能.借助残差连接，输入特征能够直接传递到后续的网络层，这不仅简化了训练过程，还增强了特征的传播效果（如图5所示）.对于每一个残差块而言，其输出可由以下公式表示：

H(x)=F(x)+x，(1)

其中，x表示输入特征，F（x）表示残差块中的加权操作和非线性激活函数.这种结构设计使得网络能够学习输入与输出之间的残差映射关系，从而有助于精准捕捉地表裂缝识别过程中的细微特征变化，最终达到提高识别精度的目的.

2.2.2　金字塔场景池化结构

金字塔场景池化（Pyramid Scene Parsing， PSP）（Zhao et al.， 2017）通过采用不同尺度的池化操作，有效地捕捉不同尺度的裂缝特征.它能够在不显著增加计算成本的前提下，提供更广阔的视野，从而捕捉更加丰富的上下文信息（如图6所示）.其输出定义如下：

Y=\sigma \left({\displaystyle \sum _{i=\mathrm{1}}^N}{W}_i\cdot P_i(X)\right)，(2)

其中，X是输入特征图，P_i\left(X\right)表示采用第i种尺度的池化操作，W_i是对应的权重，\cdot表示特征融合操作，N是池化操作的种类数.

2.2.3　卷积块注意力机制

卷积块注意力模块（Convolutional Block Attention Module， CBAM）（Woo et al.， 2018）借助通道与空间注意力机制的有序融合，有效提升了模型对关键特征的识别能力.该模块先通过通道注意力子模块精准把握各通道的权重差异，再经空间注意力子模块洞察不同空间位置的权重分布，最终生成的注意力图能够引导模型精准聚焦于更具辨识度的地表裂缝特征，从而优化识别效果（如图7所示）：

F^{\text{'}}=M_{\mathrm{C}}(F)\odot F，(3)

F^{″}=M_{\mathrm{S}}(F^{\text{'}})\odot F^{\text{'}}，(4)

其中，F表示输入特征图，M_{\mathrm{C}}(\cdot )和M_{\mathrm{S}}(\cdot )分别表示通道和空间注意力函数，\odot表示逐元素乘法.

2.3　D⁃InSAR数据处理

本研究采用覆盖震区范围最广的P48轨道C波段Sentinel⁃1降轨雷达卫星数据，获取了震前和震后SAR影像.基于D⁃InSAR技术，利用Copernicus 30米分辨率数字高程模型（DEM）进行地形相位校正，并结合欧洲航天局提供的临时轨道数据消除轨道误差，同时，采用多视消除噪声，多视比设置为10∶2.数据处理过程中，首先采用自适应滤波算法抑制噪声干扰，并对相干系数低于0.3的低质量区域进行掩膜处理；随后应用最小费用流法（MCF）进行相位解缠；将获得的形变场数据转换至地理坐标系，获取定日地震的同震形变场分布特征.

2.4　评价指标

在本研究中，地表裂缝识别被视作一个二分类的语义分割任务.每个像素点被判定为属于裂缝或非裂缝类别.依据该任务的特点，模型输出一个包含四种预测结果的混淆矩阵（详见图8）（Sokolova and Lapalme， 2009）.混淆矩阵包含4个重要的元素：真正例（TP， True Positive）、真反例（TN， True Negative）、假正例（FP， False Positive）和假反例（FN， False Negative）.其中，真正例TP指的是模型正确预测为裂缝的像素点，真反例TN指的是模型正确预测为非裂缝的像素点，假正例FP则表示模型错误地将非裂缝像素预测为裂缝，而假反例FN则表示模型错误地将裂缝像素预测为非裂缝，并据此计算一系列经典的准确度评估指标，包括准确率（Accuracy）、精准度（Precision）、召回率（Recall）、F1值（F1_Score）.这些指标的具体计算公式如下：

\mathrm{A}\mathrm{c}\mathrm{c}\mathrm{u}\mathrm{r}\mathrm{a}\mathrm{c}\mathrm{y}=\frac{TP+TN}{TP+TN+FP+FN}，(5)

\mathrm{P}\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}=\frac{TP}{TP+FP}，(6)

\mathrm{R}\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}=\frac{TP}{TP+FN}，(7)

\mathrm{F}\mathrm{1}\_\mathrm{S}\mathrm{c}\mathrm{o}\mathrm{r}\mathrm{e}=\mathrm{2}\times \frac{\mathrm{P}\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}\times \mathrm{R}\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}}{\mathrm{P}\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}+\mathrm{R}\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}} .(8)

Accuracy指所有正确分类的像素占总像素的比例，反映了模型整体的分类准确性；Precision是指模型预测为裂缝的像素中实际被正确识别为裂缝的比例，体现了模型预测结果的准确程度；Recall则是正确识别出的裂缝像素占所有实际裂缝像素的比重，反映了模型对裂缝像素的检出能力；F1_Score为精确率和召回率的调和均值，能够综合衡量这两项指标的表现，其值越高，表明模型性能越佳.

3 实验与分析

3.1　无人机数据集与预处理

本文实验数据来自高分辨率无人机采集的数字正射影像（DOM），拍摄于2025年1月14日，空间分辨率为5 cm.经过影像裁剪本研究最终选定了72个正样本.为平衡正负样本的数量，随机选取了相同数量的负样本.为增加数据多样性，对所选样本进行了数据增强处理，包括水平翻转、垂直翻转以及90°、180°、270°的旋转等，使得总样本数量扩充至864个（图9）.所有样本均通过双线性插值法调整至统一的尺寸256×256，并进行了归一化处理.在实验设计中，数据集被划分为两部分：80%的样本用于模型训练，剩余20%的样本用于测试.数据集的具体划分详见表2.

3.2　智能识别实验结果与分析

实验使用PyTorch 1.12.0深度学习框架，在模型训练方面，采用Adam优化器，设置批量大小为8，初始学习率定为0.000 1.学习率通过结合线性预热和余弦退火策略进行调整，以促进更快的模型收敛.此外，模型训练采用Dice loss和Focal loss的复合损失函数，优化模型性能并处理类不平衡问题.

为了全面评估本文提出的ResPSP⁃CBAM模型在地表裂缝识别任务中的表现，本研究将其与经典的语义分割模型ResUnet进行了对比实验.两种模型均在同一训练数据集上进行训练，并在测试数据集上进行了评估，以比较它们在地表裂缝识别任务上的表现.实验结果显示，ResPSP⁃CBAM模型在准确率、精确度、召回率和F1分数等多个指标上均优于ResUnet模型.具体结果见表3.

ResPSP⁃CBAM模型的准确率为0.927，高于ResUnet模型的0.913，表明ResPSP⁃CBAM能够更精确地分类裂缝和非裂缝区域，从整体上提高了分类性能.ResPSP⁃CBAM的精确率为0.829，明显高于ResUnet的0.770.这表明，ResPSP⁃CBAM对于地表裂缝的识别更具准确性，减少了假阳性（False Positive）的数量.两种模型的召回率相近，ResPSP⁃CBAM为0.779，ResUnet为0.778.这表明，尽管ResPSP⁃CBAM的精确度较高，但在识别实际地表裂缝的能力上与ResUnet持平，表明其在检出率上没有大幅度损失.ResPSP⁃CBAM的F1分数为0.802，高于ResUnet的0.774.这表明ResPSP⁃CBAM在精确度与召回率之间的平衡表现更好，综合性能更为优越.

通过对五张典型裂缝图像的识别结果进行详细对比（图10），可以明显观察到ResPSP⁃CBAM模型在裂缝边缘的识别效果上有更清晰的界定，尤其是在细粒度裂缝和复杂地形中的表现更为突出.相比之下，ResUnet在裂缝的部分区域存在模糊或漏检的情况，特别是在裂缝形态复杂或受到环境噪声干扰的区域.这些结果表明，结合ResUNet的残差结构、PSP模块的多尺度特征融合以及CBAM注意力机制，ResPSP⁃CBAM模型能够更好地捕捉复杂地形下裂缝的细微特征，提升裂缝识别的整体精度和鲁棒性.尤其是在裂缝的全局信息提取与关键区域聚焦上，ResPSP⁃CBAM展现出显著的优势.

使用ResPSP⁃CBAM对实地采集的原始无人机高分辨率正射影像中的地表裂缝进行自动识别，获取结果如图11和图12所示.通过对震后区域的高分辨率影像进行智能识别，成功提取了地震后地表裂缝的空间分布，并揭示了裂缝的整体走向规律.结果表明，该地区的地表裂缝主要呈南北走向，裂缝密集区集中在登么错湖东岸与登么错断裂带之间，裂缝整体走向与已知的登么错断裂带的走向一致（Wu et al.， 2024）.由此推断，部分地震地表裂缝是与地震源断层的活动性密切相关的原生地震裂缝，这为后续的断层活动研究、震后灾害评估及地震预警提供了重要的参考依据.这些结果表明，该方法不仅能够准确识别震后地表裂缝，还为震区的地质活动特征分析提供了实时的数据支持.

3.3　基于InSAR的地表形变分析

图13a展示了基于Sentinel⁃1降轨P121数据获取的定日地震同震差分干涉（DInSAR）条纹图.在数据处理中，本研究采用自适应滤波进行相位降噪，并利用DEM数据消除地形高程相关的大气延迟效应.结果显示，干涉条纹以登么错断裂为对称轴，呈东西向展布的双瓣蝴蝶状分布模式.其中，东侧干涉条纹连续性较好，而西侧由于断层破裂传至地表导致形变梯度较大，出现局部失相干现象.现场资料显示，其形变已达到2~3 m，所以可能会导致部分区域出现失相干和相位解缠错误等问题.与前人结果对比发现（王楠等，2025； 赵伟华等，2025），InSAR解译结果整体可靠.

图13b对形变特征进行了定量分析，结果显示：断裂西侧主要表现为卫星视线向（LOS）沉降，最大沉降量达0.65 m；东侧则以抬升为主，最大抬升值达0.75 m，并且西侧形变影响范围显著大于东侧.结合同震形变场空间分布特征与区域地质构造背景，本研究初步判定登么错断裂为此次地震事件的发震断层.

进一步对比智能识别的地表裂缝分布结果发现，地表裂缝的分布与InSAR解译的形变场高度吻合，尤其是在地表裂缝密集区与形变显著区之间的重合程度较高.进一步验证了ResPSP⁃CBAM模型在揭示地震后地表裂缝和形变特征方面的有效性，为地震灾害评估和断层活动研究提供了可靠的技术手段.

4 讨论

地震地表变形的识别与监测对地震灾害评估和断层活动研究至关重要.传统的监测方法，如GPS、水平测量和地面调查，虽然能够提供一定的地震后位移信息，但由于其空间分辨率低、实时性差以及在复杂地形下的适用性差，仍然存在较大局限性.尤其是在地形复杂的高山峡谷等地区，传统方法不仅效率低，且高昂的成本和人力资源需求使得全面监测变得非常困难.因此，结合遥感技术，特别是无人机高分辨率光学影像，为地震后地表裂缝的识别与监测提供了高效、低成本且高精度的解决方案.

本文利用低空无人机（UAV）获取的高分辨率光学影像数据，结合深度学习模型ResPSP⁃CBAM，成功识别并分析了2025年西藏定日M_S6.8地震后的地表裂缝特征.与传统方法相比，基于无人机影像的地表裂缝识别能够在较短的时间内处理大面积区域的地表变化，并以厘米级的分辨率精准捕捉到地表裂缝的细节.通过智能识别，本文成功揭示了地震后地表裂缝的分布规律，并分析了裂缝的走向，验证了该方法在复杂地形和不规则裂缝识别中的优势.

从实验结果来看，ResPSP⁃CBAM模型在识别裂缝走向、密集区域分布等方面表现出了显著的优势.通过与InSAR技术的对比分析，模型识别的裂缝走向与InSAR解译的地表变形走向高度一致，验证了基于无人机影像的智能识别方法在地震地表裂缝分析中的有效性.尤其在复杂地形和地表裂缝细节的捕捉方面，本文的方法显著提高了传统地表裂缝识别技术的精度和效率.

根据地表裂缝识别与现场调查结果（图14a，14b，14c，14d），此次地震引起的地表裂缝主要分布于登么错断层的西侧，与登么错湖东岸形态高度相似，呈南北走向，与登么错断层空间展布相近（图14a，图15），与震源机制解译的破裂方向一致，与 InSAR解译的破裂过程一致.地表裂缝宽度在0.1~1 m，错断高差在0.1~2 m，整体破裂带宽度约200~400 m（图14g，图15），距离登么错断层约100~ 1 000 m（石峰等，2025）.根据杨婷等（2025）学者对于研究区登么错断层的演化和机制的判断，认为此次定日M_S6.8地震的发震断层为登么错地堑的东部边界断裂，东、西侧多支边界断裂同时参与了同震变形，基本上发育在先存陡坎西侧，表现出了断裂活动由山前向盆地方向逐渐迁移的特征.结合 InSAR解译结果，断层破裂面由湖中心穿过，西侧早期登么错断层的地表破裂带并无错动.另外，识别结果中显示出较多5~10 cm的细小拉张裂缝和前缘挤压鼓包裂缝（图14e，14f，14a，14j，图15），推断为识别区域地处登么错湖沿岸，为湖积形成的松散沉积物，同时又靠近西侧山坡，土体为粉细砂，颗粒均匀松散，胶结较差（图14c），虽然坡度较缓，但仍有可能由地震引起坡体的轻微变形滑动，产生前缘鼓包裂缝，结合现场调查，靠近登么错湖附近也存在轻微砂土液化的现象（Dou et al.，2025），同样可能产生较为细小的次生地表裂缝.由此推断，本次识别区域的地表裂缝主要由断层断裂引起，如图14b和图14g，是典型的正断层阶梯状裂缝，断层上盘受拉应力相对下盘向下运动，导致岩土层呈现拉张下陷的形态（图14h，图15），与现场调查的主要裂缝形态相同，同时地震也引起了地表的轻微滑动变形，所以本次识别出的地表裂缝包含了原生裂缝和次生裂缝，且主要为原生裂缝.由于本文主要以裂缝识别为主，现场调查区域较为局限，并且该变形区成因较为复杂，难以单独判断原生裂缝和次生裂缝具体分布和分类，对于具体裂缝的分类和影响范围是本研究下一步的重要探索方向.

尽管本研究基于单一数据源（无人机高分辨率光学影像）在地表裂缝识别方面取得了显著成效，仍需注意到以下两方面的局限性：首先，当前ResPSP⁃CBAM模型主要依赖于二维纹理特征进行识别，在区分非地震活动造成的裂缝、冲沟与地震地表裂缝方面仍存在挑战.如图12a所示，部分东西向冲沟边缘被误判为地表裂缝，这源于两类特征在影像空间中的相似性表达——二者均呈现线性灰度突变特征且具有相近的边缘梯度响应特性.这一现象揭示了基于单一光学模态的深度学习模型在复杂地貌场景理解中的固有约束，具体表现为模型对三维微地形特征（如裂缝形态的空间展布规律）的表征能力不足，难以有效辨识不同地质营力作用下形成的具有相似二维纹理特征的线性地貌单元.其次，本次研究受无人机续航能力和地形可达性的限制，观测范围主要集中于登么错湖东岸约6.5 km核心区域.对长达约 50 km的定日地震地表破裂带整体特征分析存在空间覆盖不足的问题.未来研究仍需探索多源数据集成以进一步提高识别的精度和适用性.

未来的研究可考虑整合光学影像、InSAR数据、LiDAR数据及卫星遥感影像，构建多维度、多层次的数据融合方案，以实现以下目标：（1）扩展空间覆盖范围：通过联合卫星遥感影像（如Sentinel⁃2）构建宏观破裂带框架，结合无人机重点区域详查，建立“星‒机协同”的多尺度观测体系，实现数十公里级破裂带的全覆盖监测；（2）提升识别精度与特征表征：针对复杂地形和地表裂缝形态多样性，通过多源数据融合（如LiDAR点云与多光谱影像）构建跨模态对比学习框架，可突破单一光学模态在三维形态特征解析方面的局限.该方法能增强模型对地震诱发裂缝本质特征的提取能力，例如通过三维曲率分析捕捉裂缝的空间分布规律性，结合地表物质组成差异实现构造振动裂缝与侵蚀沟壑的精准区分.（3）丰富时空演化信息：结合不同时间尺度和空间分辨率的数据，深入解析震后断层的运动特征及其长期演化过程；（4）支持震后灾害评估与应急响应：多源数据的集成将为地震灾害的快速评估提供更全面的信息支撑，助力科学决策.

5 结论

本文提出了一种基于高精度无人机数据和深度学习技术的地震地表裂缝识别方 法——ResPSP⁃CBAM，并成功应用于2025年西藏定日M_S6.8地震的地表裂缝分析.通过结合高分辨率无人机影像和InSAR变形数据，本文自动识别并提取了震后区域的地表裂缝分布，并揭示了裂缝的整体走向规律.实验结果表明，ResPSP⁃CBAM模型在地表裂缝识别中的精度和鲁棒性显著高于传统方法，特别是在复杂地形和细粒度特征处理上具有明显优势.通过与InSAR数据的对比，验证了该模型在实际应用中的可靠性.

地震后地表裂缝的主要走向为南北向与登么错断裂带走向一致，裂缝包含原生和次生裂缝，且主要以断层破裂引起的原生裂缝为主，表明识别区域地震地表裂缝与断层的活动性密切相关.次生裂缝则主要与边坡失稳滑塌相关.这为后续断层活动监测和同震次生地质灾害分析提供了重要参考.基于该方法的智能识别结果，为震后灾害评估和应急响应提供了实时数据支持，也为地震预测、预警及震后灾后评估提供了重要的科学依据.

本研究为地震性地表裂缝的智能识别提供了新的技术手段，并为震源断层的构造特征、区域应力场的演化以及地震预警与预测提供了重要的科学依据.未来研究可进一步优化该模型的泛化能力，提升其在不同地震场景下的适用性，以期为更广泛的地震灾害评估与应急响应工作提供有力支持.

参考文献

[1] Allégre, C. J., Courtillot, V., Tapponnier, P., et al., 1984. Structure and Evolution of the Himalaya⁃Tibet Orogenic Belt. Nature, 307(5946): 17-22. https://doi.org/10.1038/307017a0

[2] Chen, J., Chen, Y.K., Ding, G.Y., et al., 2003. Surface Rupture Zone of the 2001 West Kunlun Mountain Pass M8.1 Earthquake. Quaternary Research, (6): 629-639, 717-718 (in Chinese).

[3] Chen, X. L., Hu, G., Liu, X. L., 2022. Recognition of Earthquake Surface Ruptures Using Deep Learning. Applied Sciences, 12(22): 11638. https://doi.org/10.3390/app122211638

[4] Ding, L., Kapp, P., Cai, F. L., et al., 2022. Timing and Mechanisms of Tibetan Plateau Uplift. Nature Reviews Earth & Environment, 3(10): 652-667. https://doi.org/10.1038/s43017⁃022⁃00318⁃4

[5] Dong, A. N., Dou, J., Li, C. D., et al., 2024. Accelerating Cross⁃Scene Co⁃Seismic Landslide Detection through Progressive Transfer Learning and Lightweight Deep Learning Strategies. IEEE Transactions on Geoscience and Remote Sensing, 62: 4410213. https://doi.org/10.1109/TGRS.2024.3424680

[6] Dong, X.J., Wang, D., Feng, T., 2019. Research on the Application of Unmanned Aerial Vehicle Digital Photogrammetry in Landslide Disaster Investigation. Journal of Geological Hazards and Environment Preservation, 30(3): 77-84 (in Chinese with English abstract).

[7] Dou, J., Xiang, Z.L., Xu, Q., et al., 2023. Application and Development Trend of Machine Learning in Landslide Intelligent Disaster Prevention and Mitigation. Earth Science, 48(5): 1657-1674 (in Chinese with English abstract).

[8] Dou, J., Xing, K., Wang, L. Z., et al., 2025. Air⁃Space⁃Ground Synergistic Observations for Rapid Post⁃Seismic Disaster Assessment of 2025 M_S6.8 Xigazê Earthquake, Xizang. Journal of Earth Science, 1-18. https://doi.org/10.1007/s12583⁃025⁃0160⁃2

[9] Du, C.Z., Duan, Y.X., Sun, Q.F., 2021. Seismic Crack Recognition Method Based on ResUNet and Dense CRF Model. Journal of Applied Sciences, 39(3): 367-377 (in Chinese with English abstract).

[10] Gao, R., Lu, Z. W., Klemperer, S. L., et al., 2016. Crustal⁃Scale Duplexing beneath the Yarlungzangbo Suture in the Western Himalaya. Nature Geoscience, 9: 555-560. https://doi.org/10.1038/ngeo2730

[11] Gao, Y.S., 2023. Research on Building Crack Recognition Technology Based on Deep Learning (Dissertation). University of Electronic Science and Technology of China, Chengdu (in Chinese with English abstract).

[12] Hao, X.Y., Zhang, Y.Z., Liu, J.J., et al., 2024. InSAR Coseismic Deformation Observation and Slip Distribution Inversion of the Türkiye Conjugate Earthquakes in 2023. Journal of Geodesy and Geodynamics, 44(5): 479-484, 509 (in Chinese with English abstract).

[13] He, K. M., Zhang, X. Y., Ren, S. Q., et al., 2016. Deep Residual Learning for Image Recognition. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, 770-778. https://doi.org/10.1109/CVPR.2016.90

[14] Li, D.C., Ren, J.J., Zhang, Z.W., et al., 2022. Research on Semi⁃Automatic Extraction Method of Seismic Surface Ruptures Based on High⁃Resolution Uav Image: Taking the 2021 M_S7.4 Maduo Earthquake in Qinghai Province as an Example. Seismology and Geology, 44(6): 1484-1502 (in Chinese with English abstract).

[15] Li, Y.M., Zhang, Z.G., Zhang, H., et al., 2023. Quantitative Analysis of Paleoglacial Landforms Based on UAV LiDAR Technology: A Case Study of the Kuzhaori Moraine at the Southern Margin of the Daocheng Paleo⁃ Ice Cap. Geological Review, 1-13 (in Chinese).

[16] Li, Y.S., Li, W.L., Xu, Q., et al., 2025. InSAR Co⁃ Seismic Deformation Detection and Fault Slip Distribution Inversion of the January 7, 2025 Dingri, Tibet M_S6.8 Earthquake. Journal of Chengdu University of Technology (Natural Science Edition),52(2): 199-211 (in Chinese with English abstract).

[17] Li, Z.M., Li, W.Q., Li, T., et al., 2021. Preliminary Investigation on Seismogenic Structure and Surface Rupture of the May 22, 2021 Maduo M_S7.4 Earthquake in Qinghai. Seismology and Geology, 43(3): 722-737 (in Chinese with English abstract).

[18] Liang, K., He, Z.T., Jiang, W.L., et al., 2022. Characteristics of Co⁃Seismic Surface Rupture of the January 8, 2022 Menyuan M_S6.9 Earthquake in Qinghai. Seismology and Geology, 44(1): 256-278 (in Chinese with English abstract).

[19] Liu, C., Du, P., Wang, Y., et al., 2021. Research on the Application of the Difference with or without Ground Control Points in Earthquake Based on UAV Photogrammetry Technology. South China Journal of Seismology, 41(1): 84-93 (in Chinese with English abstract).

[20] Liu, D.M., Wang, J., Jiang, H., et al., 2024. Dynamic Mechanism of the Formation and Evolution of the Tibetan Plateau and Its Remote Effects. Earth Science Frontiers, 31(1): 154-169 (in Chinese with English abstract).

[21] Liu, X.L., Xia, T., Liu, J.,et al., 2022. Distributed Characteristics of the Surface Deformations Associated with the 2021 M_W7.4 Madoi Earthquake, Qinghai, China. Seismology and Geology, 44(2): 461-483 (in Chinese with English abstract).

[22] Shi, F., Liang, M.J., Luo, Q.X., et al., 2025. Seismogenic Structure and Co⁃Seismic Surface Rupture Characteristics of the January 7, 2025 Dingri, Tibet M6.8 Earthquake. Seismology and Geology, 47(1): 1-15 (in Chinese with English abstract).

[23] Shu, P., 2023. Quantitative Study on the Latest Late Cenozoic Right⁃Lateral Strike⁃Slip Movement of the Tan⁃Lu Fault Zone and Its Tectonic Significance: Based on Structural and Sedimentary Constraints of the Banquan Pull⁃Apart Basin (Dissertation). Institute of Geology, China Earthquake Administration (in Chinese with English abstract).

[24] Sokolova, M., Lapalme, G., 2009. A Systematic Analysis of Performance Measures for Classification Tasks. Information Processing & Management, 45(4): 427-437. https://doi.org/10.1016/j.ipm.2009.03.002

[25] Tan, S.S., Yang, Y.H., Xu, Q., et al., 2025. Characteristics of Surface Co⁃Seismic Deformation and Analysis of Building Damage in the January 7, 2025 Dingri County, Tibet M_S6.8 Strong Earthquake. Journal of Chengdu University of Technology (Natural Science Edition), 1-11 (in Chinese with English abstract).

[26] Tie, Y.B., Gao, Y.J., Zhang, X.Z., et al., 2025. Research on Development Patterns of Geological Disasters and Mitigation Strategies in the M_S6.8 Earthquake Area of Dingri County, Tibet. Sedimentary Geology and Tethyan Geology, 45(1): 212-224 (in Chinese with English abstract).

[27] Wang, N., Li, Y.S., Shen, W.H., et al., 2025. InSAR Inversion of Focal Mechanism and Rapid Simulation of Strong Ground Motion for the January 7, 2025 Dingri, Tibet M_S6.8 Earthquake. Journal of Wuhan University (Natural Science Edition), 50(2): 404-411 (in Chinese with English abstract).

[28] Wang, Q., Zhang, P. Z., Freymueller, J. T., et al., 2001. Present⁃Day Crustal Deformation in China Constrained by Global Positioning System Measurements. Science, 294(5542): 574-577. https://doi.org/10.1126/science.1063647

[29] Wang, Y.S., 2021. Research on Typical Ground Object Classification Methods in Hyperspectral Images Based on Deep Learning (Dissertation). Jilin University, Changchun (in Chinese with English abstract).

[30] Woo, S., Park, J., Lee, J. Y., et al., 2018. CBAM: Convolutional Block Attention Module. Computer Vision⁃ ECCV 2018. Springer International Publishing, Cham, 3-19. https://doi.org/10.1007/978⁃3⁃030⁃01234⁃2_1

[31] Wu, X. Y., Xu, X. W., Yu, G. H., et al., 2024. The China Active Faults Database (CAFD) and Its Web System. Earth System Science Data, 16(7): 3391-3417. https://doi.org/10.5194/essd⁃16⁃3391⁃2024

[32] Xing, K., Li, H., Zhang, L.L., et al., 2025. Analysis of Surface Rupture and Seismic Damage Characteristics of the January 7, 2025 Dingri, Tibet M_S6.8 Earthquake. Safety and Environmental Engineering, 1-9 (in Chinese with English abstract).

[33] Xu, X.W., Chen, W.B., Yu, G.H., et al., 2002. Basic Characteristics of the Surface Rupture Zone of the November 14, 2001 Kusai Lake, Kunlun Mountain MS8.1 Earthquake. Seismology and Geology, (1): 1-13, 133-136 (in Chinese with English abstract).

[34] Xu, X.W., Wen, X.Z., Ye, J.Q., et al., 2008. Surface Rupture Zone and Seismogenic Structure of the Wenchuan M_S8.0 Earthquake. Seismology and Geology, (3): 597-629 (in Chinese with English abstract).

[35] Yang, T., Wang, S.G., Fang, L.H., et al., 2025. Characteristics of Aftershock Sequence and Seismogenic Structure of the January 7, 2025 Dingri, Tibet M_S6.8 Earthquake. Earth Science, 50(5): 1721-1732 (in Chinese with English abstract).

[36] Yu, D. W., Ji, S. P., Li, X., et al., 2022. Earthquake Crack Detection from Aerial Images Using a Deformable Convolutional Neural Network. IEEE Transactions on Geoscience and Remote Sensing, 60: 4412012. https://doi.org/10.1109/TGRS.2022.3183157

[37] Zhang, Z.W., Ren, J.J., Zhang, X.L., 2021. Application of High⁃Precision UAV Aerial Survey in the Detailed Study of Surface Rupture of the 2021 Maduo M7.4 Earthquake. Technology for Earthquake Disaster Prevention, 16(3): 437-447 (in Chinese with English abstract).

[38] Zhao, H. S., Shi, J. P., Qi, X. J., et al., 2017. Pyramid Scene Parsing Network. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, 6230-6239. https://doi.org/10.1109/CVPR.2017.660

[39] Zhao, W.H., Xu, Q., Ji, F., et al., 2025. Characteristics of Deformation Field and Site Effects Analysis of the January 7, 2025 Dingri, Tibet M_S6.8 Earthquake. Journal of Chengdu University of Technology (Natural Science Edition), 52(5): 173-184 (in Chinese with English abstract).

[40] Zhu, C.N., Zhou, R.Q., 1980. Identification Methods of Primary Seismic Cracks. Journal of Seismological Research, (1): 56-63 (in Chinese).

[41] Zhu, W.G., Wang, L., Chen, T., et al., 2024. Road Crack Detection Method in UAV Images Based on Improved YOLOv5. Bulletin of Surveying and Mapping, (3): 173-178 (in Chinese with English abstract).

基金资助

国家自然科学基金重大项目(42090054)

国家自然科学基金面上项目(42477170)

资源与生态环境地质湖北省重点实验室开放基金项目(HBREGKFJJ⁃202411)