【论文推荐】人工智能在滑坡风险评估三大核心领域的应用：人工智能技术在滑坡风险评估中的方法学实践（二）

【论文推荐】人工智能在滑坡风险评估三大核心领域的应用：人工智能技术在滑坡风险评估中的方法学实践（二）

欢迎铁子们点赞、关注、收藏！
祝大家逢考必过！逢投必中！上岸上岸上岸！upupup

大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文。详细信息可关注VX “学术会议小灵通”或参考学术信息专栏：https://blog.csdn.net/2401_89898861/article/details/146638463

2024·Rock Mechanics Bulletin·https://doi.org/10.1016/j.rockmb.2024.100144

3. 人工智能技术在滑坡风险评估中的方法学实践

3.1 滑坡检测

3.1.1 机器学习在滑坡检测中的应用

滑坡检测的早期研究主要采用基于像素的机器学习模型（Pixel-based ML Models）。此类模型聚焦于像素级别的滑坡与非滑坡区域二分类，但未充分考虑河流、植被、山脉、沟谷等地貌要素的复杂空间特征（图9）。

• 2005年，Nichol与Wong（2005）基于卫星影像数据，采用像素级最大似然分类器（Maximum Likelihood Classifier），实现了约70%的滑坡识别率。
• Borghuis等（2007）通过监督式与非监督式像素级机器学习方法，成功完成滑坡检测任务。
• 不同像素级方法性能存在显著差异，例如基于像素的支持向量机模型在精度上优于随机森林（RF）及最大似然分类器等传统方法（Dikshit et al., 2021）。

总体而言，像素级方法作为半自动化技术，至今仍在滑坡检测领域保持广泛应用（Liu et al., 2023a, 2023d, 2024b; Lv et al., 2023; Zhang et al., 2024）。

基于对象的机器学习方法（Object-based ML Approaches）在滑坡检测中强调对滑坡复合地质体物理意义的解析（图9）。如图10所示，该方法在像素级与对象级分别展示了滑坡与非滑坡区域的识别结果对比。相较于像素级方法，对象级方法更适用于复杂地质特征与自然现象的识别（Holbling et al., 2012）。例如，植被覆盖型滑坡因地表特征隐蔽，传统方法识别难度较高。

• 针对此问题，Li等（2015）提出基于对象的森林滑坡检测框架，实现89.11%的检测精度。
• 目前，对象级方法已成为半自动化滑坡检测的主流技术（Amatya et al., 2021; Bhuyan et al., 2023; Chandra et al., 2023; Comert et al., 2019; Feizizadeh et al., 2017; Sreelakshmi and Vinod Chandra, 2024）。

既有研究多聚焦于同期卫星与无人机影像的光谱信息（Spectral Information）解析，但潜在滑坡体常因缺乏明显地表破裂或裸露特征而难以通过目视解译直接识别。此类边坡的稳定性评估需以形变特征分析为核心。第一类方法通过多时相（Multi-Temporal）卫星/无人机影像的时序差异分析获取形变信息，其核心技术在于像素级差异检测（Pixel Difference Analysis）。

• 例如，Hoelbling等（2015）通过多期影像变化检测（Change Detection）实现了植被覆盖型潜在滑坡的识别；
• Feizizadeh等（2017）采用基于对象的多时相影像分析方法，获得94.74%的滑坡变化检测精度。

第二类方法基于合成孔径雷达（Synthetic Aperture Radar, SAR）数据，通过干涉合成孔径雷达（Interferometric Synthetic Aperture Radar, InSAR）技术提取地表形变场（Hu et al., 2023; Chen et al., 2023; Confuorto et al., 2023; Li et al., 2024, 2023a; Xu et al., 2023; Yi et al., 2023a, 2023b）。

• Rosi等（2018）利用永久散射体干涉测量（Persistent Scatterer Interferometry）技术更新托斯卡纳地区滑坡编录；
• Liu等（2021）提出融合单期地貌条件与多期形变数据的InSAR滑坡检测框架。

研究表明，光谱信息与形变信息的融合建模可通过结果交叉验证（Cross-Validation）显著提升滑坡识别精度（Dai et al., 2023; Phakdimek et al., 2023）。

下节请参考：【论文推荐】人工智能在滑坡风险评估三大核心领域的应用：人工智能技术在滑坡风险评估中的方法学实践（三）