Landslide Identification and Deformation Analysis in Zigui County, Hubei Province Based on Deep Learning
-
摘要:
近年来湖北秭归县滑坡灾害频发，给当地人民生产生活造成重大威胁，对潜在滑坡进行识别和形变特征分析，有助于快速响应并减少灾害损失。本文利用Landslide4Sense数据集进行深度学习，识别湖北秭归县境内滑坡，并结合时序InSAR技术对坡体进行形变监测。结果表明：（1）U-Net神经网络训练结果中识别精度为80%，召回率达到60%，F1值达70%，模型训练效果较好。（2）基于Landslide4Sense数据集和特征集构建，能更加精准识别滑坡，对大规模滑坡识别提供技术支撑。（3）秭归县北部、东部识别滑坡相对较多，滑坡多沿长江两岸分布，右岸多于左岸，三峡大坝周边存在聚集，当距大坝距离增加时，滑坡个数呈现先增加后减少趋势，在距大坝20 ~ 30 km范围内，滑坡数量最多。（4）高程、坡度、归一化植被指数、归一化差异水分指数、归一化亮温指数、裸土指数等因子，随因子值增加，滑坡数量先增加后减少。（5）秭归县滑坡形变速率为−20 ~ +20 cm/yr，局部沉降区主要分布在秭归县南部，沉降速度为−5 ~ −15 cm/yr；长江及支流区域沉降速度为−5 ~ −10 cm/yr，且形变梯度较大，交汇处沉降显著。（6）滑坡形变曲线为滑动趋势，识别滑坡效果可靠；滑坡滑动存在阶段性特征，3—8月处于滑动趋势，其中4—5月滑动加剧，需重点防范，9月至次年2月相对稳定。
Abstract:In recent years, landslide disasters have occurred frequently in Zigui County, Hubei Province, posing a significant threat to the production and life of local people. Identifying potential landslides and analyzing their deformation characteristics can help to respond and reduce disaster losses quickly. In this paper, deep learning is carried out using the Landslide4Sens dataset to identify landslides in Zigui County, and time-series InSAR technology is combined to monitor the deformation of slopes. The results show that: (1) The recognition accuracy in the U-Net neural network training results, is 80%, the recall rate reaches 60%, and the F1-value reaches 70%, indicating that the model training effect is good. (2) Based on the construction of the Landslide4Sense dataset and feature sets, landslides can be identified more accurately, providing technical support for large-scale landslide identification. (3) There are relatively more landslides identified in the northern and eastern parts of Zigui County. The landslides are mostly distributed along both sides of the Yangtze River, with the right bank being more than the left bank. There are landslides aggregated around the Three Gorges Dam. When the distance from the dam increases, the number of landslides shows a trend of increasing and then decreasing. The number of landslides is the highest within 20 to 30 kilometers from the dam. (4) In elevation, slope, Normalised Vegetation Index, Normalised Difference Moisture Index, Normalized Brightness Temperature Index, and Bare Soil Index, the number of landslides first increases and then decreases with the index increases. (5) The deformation rate range in Zigui County is from −20 to +20 cm/yr. And the local subsidence areas are mainly distributed in the south of Zigui County, with a subsidence rate of −5 to −15 cm/yr; the subsidence rate in the Yangtze River and tributary areas is −5 to −10 cm/yr, and the deformation gradient is large, with significant subsidence at the confluence. (6) The landslide deformation curve shows a sliding trend, indicating that the landslide identification is reliable. There are stage characteristics of landslide sliding, with March-August being in a sliding trend, and intensifying from April to May, which requires key prevention, and it is relatively stable from September to February.
-
Key words:
- Landslide4Sense /
- U-Net neural network /
- time-series InSAR /
- landslide /
- deformation curve /
- Zigui County
-
-
表 1 涉及指数计算公式及解释
Table 1. Involve the calculation formulas and explanations of indices
指数名称 公式 解释 归一化植被指数（NDVI） $ {{NDVI}} = \dfrac{{{{NIR - RED}}}}{{{{NIR}} + {{RED}}}} $ NIR是训练影像数据中第8个通道数据，表示近红外波段值。RED是第4个通道数据，表示红光波段值。 归一化差异水分指数（NDMI） $ {{NDMI}} = \dfrac{{{{NIR}} - {{SWIR1}}}}{{{{NIR}} + {{SWIR1}}}} $ NIR是训练影像数据中第8个通道数据，表示近红外波段值。SWIR1是第11个通道数据，表示短波红外1波段值。 归一化绿色植被指数（GNDVI） $ GNDVI = \dfrac{{NIR - GREEN}}{{NIR + GREEN}} $ NIR是训练影像数据中第8个通道数据，表示近红外波段值。GREEN是第3个通道数据，表示绿光波段值。 亮温指数（BRIGHTNESS） $ BRIGHTNESS = \sqrt {\dfrac{{RE{D^2}}}{{GREE{N^2}}}} $ RED是训练影像数据中第4个通道数据，表示红光波段值。GREEN是第3个通道数据，表示绿光波段值。 裸土指数（BSI） $ {BSI ={ \dfrac{{(SWIR1 + RED) - (NIR + BLUE)}}{(SWIR1 + RED) + (NIR + BLUE)}}}$ SWIR1是训练影像数据中第11个通道数据，表示短波红外1波段值。RED是第4个通道数据，表示红光波段值。NIR是第8个通道数据，表示近红外波段值。BLUE是第2个通道数据，表示蓝光波段值。 
下载: 导出CSV
表 2 特征参数名称及意义
Table 2. Names and meanings of characteristic parameters
特征 名称 意义 1 归一化红光波段反值 对红光波段进行归一化处理后取反。红光波段常用于植被研究，因为植被在红光波段有较强吸收特性。通过归一化和取反操作，可以调整数据范围，使其更适合模型处理，突出与红光吸收相关特征变化。 2 归一化绿光波段反值 对绿光波段进行归一化处理后取反。绿光波段与植被健康状况和叶绿素含量有关。通过归一化和取反操作，能使数据更好地反映与绿光相关特征变化。 3 归一化蓝光波段反值 对蓝光波段进行归一化处理后取反。蓝光波段可用于大气校正和水体监测。通过归一化和取反操作，让数据更符合模型输入要求，突出与蓝光相关特征。 4 归一化植被指数 用于衡量植被生长状况和覆盖度。其基于植被在近红外波段有高反射、在红光波段有高吸收的特性。值越高，表明植被越健康、覆盖度越高；值越低，表示植被稀疏或处于不健康状态。 5 归一化坡度反值 对坡度数据进行归一化处理后取反。坡度是地形重要特征，与滑坡等地质灾害密切相关。归一化和取反操作有助于在模型中突出不同坡度下特征差异。 6 归一化高程反值 对高程数据进行归一化处理后取反。高程会影响气候、土壤等因素，进而影响滑坡。归一化和取反操作，能让模型更好地利用高程信息进行分析。 7 归一化差值水分指数 反映植被中水分含量。其利用近红外波段和短波红外1波段数据，因水分在短波红外波段有较强吸收特性。值越高，说明植被中水分含量越高。 8 归一化绿色植被指数 是一种改进的植被指数，侧重于反映植被的绿色度和生长活力。其结合近红外波段和绿光波段数据，能更敏感检测植被的早期变化。 9 归一化中红外波段反值 对中红外波段数据进行归一化处理后取反。中红外波段主要用于大气校正和云检测，能间接为滑坡预测提供辅助信息。如，卷云存在会影响光学影像质量，进而影响基于影像的滑坡特征提取。 10 归一化亮温指数反值 亮温衡量地表亮度情况，与地表温度、发射率等有关。对亮温数据进行归一化处理后取反，有助于在模型中突出不同亮温区域特征。 11 裸土指数反值 用于识别裸土区域。取反后可以在模型中更清晰地展示裸土区域特征。
下载: 导出CSV
表 3 距三峡大坝不同距离内滑坡数统计
Table 3. Statistics of the number of landslides at different distances from the Three - Gorges Dam.
距离三峡大坝范围（km） 小于10 10 ~ 20 20 ~ 30 30 ~ 40 40 ~ 50 50 ~ 60 合计 滑坡数（个） 25 47 73 54 58 30 287
下载: 导出CSV
-
[1] 董建军,杨明甫,冯晓硕,姜 浩.2025.石灰石矿区潜在滑移区早期识别与形变特征分析[J]. 安全与环境学报,25(1):132-140.
[2] 付 饶. 2023. 基于深度学习的地震滑坡识别模型研究[D]. 成都理工大学硕士学位论文.
[3] 胡功明,杨春成,徐 立,尚海滨,王泽凡,秦志龙.2023.改进U - Net的遥感图像语义分割方法[J]. 测绘学报,52(6):980-989. doi: 10.11947/j.AGCS.2023.20210684
[4] 胡文杰. 2024. 基于深度学习的滑坡识别方法[D]. 防灾科技学院硕士学位论文.
[5] 巨袁臻. 2023. 基于深度学习的滑坡隐患智能识别研究[D]. 成都理工大学博士学位论文.
[6] 李长城. 2022. 基于深度学习的低空摄影测量滑坡识别与体积估算研究[D]. 东华理工大学硕士学位论文.
[7] 李泉林,李秀珍,龚俊豪,赵晨澄.2025.基于SBAS-InSAR技术的黄河上游库坝群段滑坡识别及监测分析[J]. 灾害学,40(1):199-206. doi: 10.3969/j.issn.1000-811X.2025.01.031
[8] 李如仁,苏宇祺.2024.基于时序InSAR技术的山区高速公路挖方边坡监测[J]. 山东科技大学学报(自然科学版),43(6):34-42.
[9] 李小波,李 欣,闫 林,周腾骅,李顺明,王继强,李心浩.2023.采用带注意力机制3D U-Net网络的地质模型参数化技术[J]. 石油勘探与开发,50(1):167-173. doi: 10.11698/PED.20220370
[10] 林 娜,谭力兵,张 迪,丁 凯,李双桃,肖茂池,张精平,王小华.2024.时序InSAR和LSTM结合的滑坡形变时空分析与预测方法[J]. 地球信息科学学报,26(12):2772-2787. doi: 10.12082/dqxxkx.2024.240409
[11] 林明明,赵 勇,王 坤,张 帆,刘晓蕾,李金鑫.2024.基于多源时序InSAR技术的滑坡隐患早期识别[J]. 西北地质,57(6):268-277. doi: 10.12401/j.nwg.2024083
[12] 林 振,卢书强,梅 军.2024.基于信息量法的湖北省秭归县滑坡易发性评价[J]. 华南地质,40(1):152-161. doi: 10.3969/j.issn.2097-0013.2024.01.011
[13] 刘艺梁,樊西丰,申高伟,左清军,唐 玄,李永奕,朱 前. 2025. 基于时序InSAR技术的木鱼包滑坡时空变形特征分析[J]. 地质科技通报,44(2):78-93
[14] 孙永彬,张 恩,卢辉雄,王 诜,张 策,牛海威,王少帅,李启亮. 2024. 隐蔽性滑坡隐患综合遥感“点-面”协同识别技术研究[J/OL]. 自然资源遥感. http://kns.cnki.net/kcms/detail/10.1759.p.20241112.0834.006.html.
[15] 陶昶旭,张永双,任三绍. 2025. InSAR技术在滑坡识别与监测中应用的研究进展[J]. 中国地质,52(2):513-526.
[16] 王 磊,吕广涵,杜建涛,朱冀涛,赵光俊,王德友,傅 宁. 2024. 黄河上游玛沁段活动滑坡InSAR探测与时空特征分析[J/OL]. 武汉大学学报(信息科学版). https://doi.org/10.13203/j.whugis20240490.
[17] 王 涛. 2022. 遥感目标识别的轻量化深度学习方法研究[D]. 成都理工大学硕士学位论文.
[18] 汪珍亮,陈曼玉,赵建林,袁 可,杨 节,张晨.2024.基于InSAR的黄土高原延河流域滑坡降雨阈值模型构建[J]. 水土保持学报,38(6):142-151.
[19] 魏 东,杨德一.2020.基于GIS的秭归县地质灾害易发性分区评价[J]. 资源环境与工程,34(S1):33-38.
[20] 魏浩江. 2023. 基于多模态融合深度学习的滑坡识别与危险性分析[D]. 西安电子科技大学硕士学位论文.
[21] 韦春豪,李为乐,吴章雷,周胜森,王新程,李雪清,李雨森. 2024. 白鹤滩库区活动滑坡识别及形变影响因素分析[J/OL]. 地质科技通报. https://doi.org/10.19509/j.cnki.dzkq.tb20240351.
[22] 危洪波,龚 珺,夏元平,王霞迎,陈帅强,杨雨媚,折育霖,储小东.2024.融合多源遥感的滑坡隐患识别及形变监测——以井冈山下茅坪水库滑坡为例[J]. 东华理工大学学报(自然科学版),47(3):286-293.
[23] 辛鲁斌,韩 玲,李良志.2023.基于多源数据融合的滑坡智能识别[J]. 地球科学与环境学报,45(4):920-928.
[24] 杨艾青. 2023. 基于深度学习的遥感滑坡识别方法研究[D]. 成都理工大学硕士学位论文.
[25] 杨 芳,丁仁军,李勇发.2024.基于SBAS - InSAR技术的金沙江流域典型滑坡时空演化特征分析[J]. 测绘通报,(11):102-107.
[26] 杨昭颖,韩灵怡,郑向向,李文吉,冯 磊,王 轶,杨永鹏.2022.基于卷积神经网络的遥感影像及DEM滑坡识别——以黄土滑坡为例[J]. 自然资源遥感,34(2):224-230.
[27] 殷宗敏,何文熹,柳 潇,刘学浩.2024.基于InSAR技术的辽宁省本溪市南芬铁矿滑坡形变时空特征及触发因素分析[J]. 华南地质,40(3):574-582. doi: 10.3969/j.issn.2097-0013.2024.03.012
[28] 殷宗敏,赵宝强,叶润青.2022.时序InSAR技术在三峡库首区潜在滑坡识别中的应用研究[J]. 华南地质,38(2):273-280. doi: 10.3969/j.issn.2097-0013.2022.02.008
[29] 张 蕙,张娅娣,师 芸.2024.基于InSAR技术的伊宁县滑坡早期识别[J]. 中国矿业,33(10):131-142. doi: 10.12075/j.issn.1004-4051.20230505
[30] 张 圆,孔祥思,张 烁,王 辉.2022.深度学习技术在遥感影像滑坡识别中的应用[J]. 北京测绘,36(10):1385-1390.
[31] 张金雨. 2024. 基于改进深度学习主干网络的滑坡识别方法研究[D]. 山东建筑大学硕士学位论文.
[32] 赵 通. 2024. 深度学习用于高分遥感震后滑坡识别算法研究[D]. 长安大学硕士学位论文.
[33] 周晓亭. 2022. 基于多源数据的滑坡识别及其易发性动态评价[D]. 东华理工大学博士学位论文.
[34] Catani F. 2021. Landslide detection by deep learning of non-nadiral and crowdsourced optical images[J]. Landslides, 18: 1025-1044. doi: 10.1007/s10346-020-01513-4
[35] Ener A, Ergen B. 2024. LandslideSegNet: an effective deep learning network for landslide segmentation using remote sensing imagery[J]. Earth Science Informatics, 17(5): 3963-3977. doi: 10.1007/s12145-024-01434-z
[36] Ghorbanzadeh O, Xu Y H, Ghamisi P, Kopp M, Kreil D. 2022. Landslide4Sense: Reference Benchmark Data and Deep Learning Models for Landslide Detection[J]. IEEE Transactions on Geoscience and Remote Sensing, 60: 1-17.
[37] Le C, Pham L, Lampert J, Schlögl M, Schindler A. 2024. Landslide Detection and Segmentation Using Remote Sensing Images and Deep Neural Network[J]. IGARSS 2024 - 2024 IEEE International Geoscience and Remote Sensing Symposium, Athens: Greece.
[38] Mo P J, Li D F, Liu M Z, Jia J R, Chen X. 2023. A Lightweight and Partitioned CNN Algorithm for Multi-Landslide Detection in Remote Sensing Images[J]. Applied Sciences, 13(15): 8583. doi: 10.3390/app13158583
[39] Naveen C, Himadri V. 2024. Deep learning approaches for landslide information recognition: Current scenario and opportunities[J]. Journal of Earth System Science, 133: 85. doi: 10.1007/s12040-024-02281-8
[40] Pamukti B, Pradipta M F F, Liaw S K, Yang F L, Yang Y M. 2024. Deep learning method for optical fiber curvature measurements based on time series data[J]. Journal of the Optical Society of America B, 41(5): 1207-1216. doi: 10.1364/JOSAB.517639
[41] Xu Y L, Ouyang C J, Xu Q S, Wang D P, Zhao B, Luo Y T. 2024. CAS Landslide Dataset: A Large-Scale and Multisensor Dataset for Deep Learning-Based Landslide Detection[J]. Scientific Data, 11: 12. doi: 10.1038/s41597-023-02847-z
-
图(12)
表(3)
计量
- 文章访问数: 58
- PDF下载数: 9
- 施引文献: 0