sdg中心在滑坡灾害评估方面取得新进展-尊龙登录

近日，在可持续发展大数据国际研究中心（sdg中心）sdg11案例项目的支持下，sdg中心科研团队与香港中文大学教授马培峰团队在滑坡灾害评估方面，提出一种创新的空间上下文引导校准网络（scgc-net）模型，为基于多源遥感图像的滑坡灾害检测提供高效、稳健的尊龙登录的解决方案。

近年来，随着全球气候变化和城市化进程的加速，滑坡灾害的频次和严重程度不断增加。及时准确地识别滑坡受灾区域对应急响应、灾害评估和灾后恢复至关重要。然而，基于实地调查和目视解译的传统方法往往耗时费力，难以满足大规模快速响应的需求。虽然高分辨率遥感图像为滑坡检测提供理想的数据源，但在实际应用中仍面临着多尺度特征提取、复杂环境适应和跨域泛化等重大挑战。

针对这些问题，研究团队提出了一种创新的空间上下文引导校准网络（scgc-net）模型，共包含三个核心模块：混合多尺度信息提取（hmie）、上下文感知调制器（cam）和渐进式空间上下文校准策略（psccs）。该模型通过创新性地结合mamba和cnn架构，实现高效的全局-局部特征提取；采用动态特征调制机制，增强模型在不同地理环境下的适应能力；设计了精确的特征校准策略，显著提升边界分割和小尺度滑坡检测的准确性。

研究团队在cas滑坡数据集、hr-gldd和bijie等多个代表性数据集上进行验证。验证结果表明，scgc-net在各项评估指标上都取得了最优表现：在cas滑坡数据集上交并比达到87.85%，比第二好的swin transformer模型提高2.30%；在hr-gldd数据集上的召回率和交并比分别超越第二高的vmamba和convnext模型1.88%和2.61%；在bijie数据集上f1分数指标达到84.75%、交并比达到73.53%，相比第二好的convnext模型分别提高了2.08%和3.06%。在gvlm数据集上进行的泛化实验表明，scgc-net具有优异的域适应性，仅需1%的目标域数据即可实现稳定性能。

该研究在提升检测精度的同时，显著降低计算开销，为建立通用的滑坡灾害检测系统，提供重要的尊龙登录的技术支持，对提升灾害应急响应能力具有重要意义。该成果也得到中国国家铁路集团有限公司重大科技项目资助。

研究成果“scgc-net: spatial context guide calibration network for multi-source rsi landslides detection”在期刊ieee transactions on geoscience and remote sensing（tgrs）发表，sdg中心博士樊昱坤为第一作者，研究员张红为通讯作者。

论文链接：

图1  scgc-net架构示意图

图2  滑坡数据集。(a) cas数据集卫星图像示例，(b) cas数据集无人机图像示例，(c) hr-gldd数据集示例，(d)毕节数据集示例，(e)gvlm数据集示例。红色框表示遮蔽区域示例，蓝色框表示混淆因素示例

图3  对比实验结果

图4  泛化性实验评估