Geosci. Front. | 一种基于大规模数据集迁移学习的滑坡检测方法

本研究针对群发性滑坡发生后应急响应中标注数据获取困难的问题，提出一种融合注意力机制、多尺度连接与图神经网络（GNN）的滑坡识别模型AMMG-UNet。背景上，传统人工解译效率低，深度学习模型依赖大量标注数据且跨区域泛化能力不足。研究目的在于通过迁移学习利用大规模源域数据集预训练模型，并在数据有限的目标域（2013年中国娘娘坝降雨型滑坡和2018年日本北海道地震型滑坡）微调，实现高效准确检测。结论表明：（1）在数据充足条件下，AMMG-UNet的F1分数优于UNet、PSPNet等基准模型；（2）迁移学习显著提升小样本性能，仅用20%训练集微调即可达到60%从头训练的效果；（3）Grad-CAM可视化证实迁移学习增强了对植被倒伏滑坡区域的特征响应。该方法尤其适用于滑坡标记困难区域，展示了实际应用潜力。