基于InSAR与多特征深度学习模型的滑坡隐患识别

摘要

蠕动型滑坡具有变形缓慢、持续时间长的特点，且涉及范围广、发生规模大、危害周期长。传统的野外调查此类滑坡隐患费时费力，而采用单一的合成孔径雷达干涉测量技术(interferometric synthetic aperture radar, InSAR)监测往往具有多解性，基于单一遥感影像的识别效果也不理想。以湖北省宜昌市长阳县环清江库区为研究区，基于13景2021年10月5日至2022年9月6日的Sentinel-1A影像，采用差分干涉测量短基线集时序分析技术(small baseline subset InSAR, SBAS-InSAR)得到地表形变信息。进而采用核密度分析方法对SBAS-InSAR解译信息进行可视化，共识别出10处滑坡隐患。利用2022年5月5日的Sentinel-2A高精度遥感影像和12.5 cm数字高程模型(digital elevation model, DEM)提取光谱特征、纹理特征和地形特征等23个特征，基于研究区的滑坡制作滑坡样本，建立多特征深度学习模型识别滑坡隐患，共识别出70处滑坡隐患。将SBAS-InSAR形变信息加入原特征集，建立融合SBAS-InSAR形变信息的多特征深度学习模型，识别出59处滑坡隐患，准确率、精确率、召回系数、F1分数和损失率的平均值分别提升0.05、0.20、0.13、0.02、0.13。在原模型中加入SBAS-InSAR形变信息后，模型精度显著提升。该研究可为中低山区堆积层滑坡隐患识别提供新思路。

关键词

滑坡隐患识别 / SBAS-InSAR / Sentinel-2A / 多特征深度学习模型