融合多注意力机制的CNN-Transformer轻量化模型在滑坡易发性评价中的应用

摘要

针对传统滑坡易发性评价模型对复杂环境因子之间关系捕捉不足、对滑坡灾害点与周围环境之间的全局依赖关系建模能力不足等问题，构建了一种融合多注意力机制的轻量简洁的深度学习滑坡易发性评价模型CCTAF-LSM（compact CNN-Transformer with attention fusion for landslide susceptibility mapping）。该模型结合了卷积神经网络（CNN）的局部特征提取与Transformer的全局建模优势，并引入卷积块注意力机制（CBAM）和空间金字塔池化（SPP）模块，实现多尺度特征适配与增强。以四川省泸定县为研究区，选取高程、坡度、坡向等15个主控影响因子和归一化植被指数、土地覆盖类型、年均降水量等6个诱发影响因子作为模型输入开展了CCTAF-LSM模型实验。采用CNN、随机森林等模型进行了消融实验与模型效果对比。实验结果表明，CCTAF-LSM取得最高的准确率（85.98%）、精确率（84.07%）和F1分数（86.36%），滑坡易发性预测图更为精细，且模型结构简洁便于轻量化部署。四川省泸定县高和较高滑坡易发区约238.2 km₂（占全县11.0%），其分布与高程、道路、河流因子高度相关。本研究构建的模型在滑坡易发性评价中表现出明显的优势，可为滑坡灾害防治提供有效的技术支持。

关键词

滑坡易发性 / 卷积神经网络 / Transformer / 多注意力 / 轻量化