研究成果：基于InSAR与深度学习的广域滑坡隐患自动识别提取方法

(一) 研究背景

我国幅员辽阔，地质环境复杂，构造活动频繁，滑坡灾害频繁且分布范围广，国家每年需要投入大量人力物力开展滑坡隐患调查。InSAR技术基于滑坡的运动学特征进行滑坡识别，可以通过探测滑坡隐患造成的微小地表形变区分滑坡区域与稳定区域。然而目前基于InSAR的滑坡识别仍然依赖于专家经验人工解译，效率低下耗时费力，而简单的阈值方法等由于噪声等干扰导致识别结果不稳定，面对周期性更新的广域滑坡隐患识别需求，这类常规方法都难以胜任，亟需开展高效地广域滑坡隐患自动识别方法研究。近年来，以卷积神经网络（CNN）为代表的深度学习方法在分类、语义分割和目标识别等图像处理领域取得了巨大成功，深度学习方法在InSAR结果自动解译与地质灾害探测方面同样具有巨大潜力。

(二) 研究内容

武大英飒团队（WISE）在国家自然科学基金项目和中欧“龙”计划五期项目的支持下，基于团队前期研究成果，研究提出了一种基于改进的Faster region-based CNN (RCNN) 与InSAR的广域滑坡隐患自动识别方法，首先利用InSAR方法提取大范围地表形变，然后利用融合注意力机制与FPN的改进Faster RCNN网络进行潜在滑坡识别。该方法突破传统InSAR滑坡探测依靠人工解译的难题，实现了高效自动化地滑坡隐患自动识别，为广域滑坡隐患识别业务化与定期更新提供了新的解决思路。

以贵州省作为研究案例，该研究主要亮点包括：（1）通过处理覆盖贵州的1168景Sentinel-1数据和473景PALSAR-2数据，利用SBAS-InSAR方法获取了贵州全省的高分辨率年平均形变速率分布图；（2）建立了InSAR滑坡隐患数据集，并识别贵州全省潜在滑坡隐患1627处，提出的改进Faster RCNN网络取得了91.49%的召回率、91.33%的查准率和0.914的F1指数；（3）分析比较了SBAS-InSAR，D-InSAR，Stacking-InSAR 和PS-InSAR等多种InSAR方法的滑坡探测性能，最后在丹巴地区进一步验证了本文方法的适用性与准确性。

本研究建立的InSAR滑坡隐患数据集和训练完成的滑坡探测网络已经共享发布于GitHub：https://github.com/whuinsar/Automatic_Landslides_identification_with_InSAR.

(三) 成果发表

该研究成果以“Automatic identification of active landslides over wide areas from time-series InSAR measurements using Faster RCNN ”为题，发表在遥感领域TOP期刊International Journal of Applied Earth Observation and Geoinformation上，论文第一作者为蔡杰华博士，通讯作者为董杰副研究员。

(四) 参考文献

1)      Cai, J., Zhang, L., Dong, J., Guo, J., Wang, Y., & Liao, M. (2023). Automatic identification of active landslides over wide areas from time-series InSAR measurements using Faster RCNN. International Journal of Applied Earth Observation and Geoinformation, 124, 103516 (DOI: https://doi.org/10.1016/j.jag.2023.103516 )

2)      Wang, Y., Dong, J., Zhang, L., Deng, S., Zhang, C., Liao, M., & Gong, J. (2023). Automatic detection and update of landslide inventory before and after impoundments at the Lianghekou reservoir using Sentinel-1 InSAR. International Journal of Applied Earth Observation and Geoinformation, 118, 103224 (DOI: https://doi.org/10.1016/j.jag.2023.103224 )

3)      Wang, Y., Dong, J., Zhang, L., Zhang, L., Deng, S., Zhang, G., Liao, M., & Gong, J. (2022). Refined InSAR tropospheric delay correction for wide-area landslide identification and monitoring. Remote Sensing of Environment, 275, 113013 (DOI: https://doi.org/10.1016/j.rse.2022.113013)

(五) 相关附图

图 1. 基于InSAR与Faster RCNN的广域滑坡自动识别方法流程图

图 2. 贵州省年LOS向平均形变速率分布图；（a）Sentinel-1平均形变速率结果；（b）PALSAR-2平均形变速率结果；（c）Sentinel-1不同轨道形变速率结果的差异统计分布；（d）重叠区域Sentinel-1与PALSAR-2形变速率结果的差异统计分布。

图 3. 贵州省潜在滑坡隐患分布情况；（a）潜在滑坡隐患的分布位置图；（b）贵州省各地级市行政区域面积和潜在滑坡隐患数量统计分布；蓝色方块代表人工解译用于网络训练的滑坡隐患；黑色圆点代表已训练的Faster RCNN网络探测识别的潜在滑坡隐患。

图 4. 丹巴地区Sentinel-1数据LOS向形变速率分布和潜在滑坡探测结果分布图；（a）升轨结果；（b）降轨结果；红色多边形代表滑坡目录；蓝色方框代表Faster RCNN网络探测结果。

撰稿：蔡杰华

校稿：兰千烨

审核：董杰