基于ME-Transformer与弱监督标注的GF-2影像地震滑坡快速提取方法研究——以泸定MS6.8地震为例
《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》:Rapid Seismic Landslide Extraction from GF-2 Image Based on ME-Former and Weakly Supervised Annotation: with the Ms6.8 Luding Earthquake as a case
【字体:
大
中
小
】
时间:2025年12月11日
来源:IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 5.4
编辑推荐:
本文针对地震应急响应中滑坡快速提取的迫切需求,提出了一种结合弱监督标注与知识蒸馏的高效深度学习框架。研究以2022年泸定MS6.8地震为案例,基于高分二号(GF-2)影像,创新性地开发了滑坡候选区弱监督标注方法(WSA-LCA)和轻量化混合视觉Transformer模型(ME-Former)。实验表明,该方法将样本标注效率提升6倍,模型参数减少82.6%,推理速度提高2.4倍,同时保持较高提取精度(IoU 66.2%),为震后应急救援提供了重要的技术支撑。
地震灾害往往伴随着严重的次生地质灾害,其中地震触发的滑坡灾害常常造成比地震本身更严重的破坏。在震后应急救援阶段,快速准确地获取滑坡分布信息对救援力量部署和灾情评估至关重要。然而,传统的滑坡识别方法面临样本构建效率低下、复杂背景下提取精度不足、模型计算资源要求高等多重挑战,难以满足应急响应的时间敏感性要求。特别是在天气条件复杂的震后区域,云层覆盖等干扰因素更增加了滑坡识别的难度。
针对这一难题,中国地质大学(北京)的研究团队在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》上发表了一项创新性研究,以2022年9月5日四川泸定MS6.8地震为案例,开发了一套完整的地震滑坡快速提取技术体系。该研究巧妙地将弱监督学习与知识蒸馏技术相结合,在保证精度的同时显著提升了滑坡提取的效率。
研究团队采用了几项关键技术方法:首先提出了基于滑坡候选区(LCA)的弱监督标注方法(WSA-LCA),通过多源遥感指数(NDVI、NDWI、LWM、HOT等)的代数运算快速确定候选区域,再结合人工粗标注完成样本构建;其次构建了基于EfficientNet骨干的混合视觉Transformer模型(E-Former),通过改进的损失函数和学习率策略优化训练过程;最后利用结构化知识蒸馏(SKD)技术将E-Former的知识迁移至轻量化的ME-Former模型,实现模型压缩与加速。
WSA-LCA标注结果显示,该方法仅需传统人工标注1/6的时间即可完成高质量样本构建。通过遥感指数阈值分割(NDWI<0去除水体,NIR值2000-4000去除厚云等)确定的滑坡候选区域,结合人工粗校正,实现了像素级精细标注。与基于Planet影像的人工解译结果相比,该方法在植被覆盖区等复杂场景下表现出更好的客观性和可靠性。
不同网络的对比实验表明,基于UnetFormer改进的E-Former模型在IoU(72.8%)、F1(84.2%)等关键指标上均优于传统CNN和Transformer模型。其独特的编码器-解码器结构能够有效平衡局部特征与全局上下文信息,在建筑物、道路等干扰场景下表现出更强的区分能力。
不同骨干网络的对比进一步验证了EfficientNet-B4作为特征提取器的优越性。相较于ResNet等传统骨干网络,EfficientNet-B4在保持较低复杂度(9.779G)的同时,能够提取更高维的抽象特征,有效应对震后复杂环境下的"同物异谱"现象。
知识蒸馏效果评估显示,通过结构化知识蒸馏得到的ME-Former模型在参数减少82.6%的情况下,仍保持66.2%的IoU和79.4%的召回率。蒸馏过程显著加速了模型收敛,训练时间减少近50%,推理速度提升至64fps(帧每秒),是原模型的2.4倍。在薄云遮挡、山体阴影等复杂条件下,ME-Former表现出更完整的滑坡边界识别能力。
应用案例分析显示,研究区域(王岗坪彝藏族乡)共识别出547处滑坡,其中53.1%为500-3000平方米的中小型滑坡,主要沿大渡河分布,以岩质滑坡为主,对当地交通造成了严重破坏。光学影像中滑坡呈现亮白色斑块,形态多呈簇状分布,边界不规则。
研究的讨论部分指出,虽然GF-2影像为滑坡识别提供了清晰的特征基础,但高分辨率数据也带来了计算成本增加、噪声干扰等挑战。模型在向2025年定日MS6.8地震迁移时,由于地表覆盖(裸地vs植被)和滑坡特征的差异,表现不佳,这反映了少样本学习框架下模型泛化能力的局限性。未来研究将聚焦于构建多地震、多时相、多地理环境的滑坡样本库,结合增量学习技术提升模型适应性。
该研究的创新之处在于将地震应急响应的时间敏感性要求深度融入技术设计各个环节:WSA-LCA方法解决了样本构建效率瓶颈;E-Former模型在精度与复杂度间取得良好平衡;知识蒸馏技术则实现了从"高精度"到"高效率"的转化。ME-Former模型可直接部署于笔记本电脑,为决策者提供现场快速滑坡提取能力,在震后"黄金72小时"内发挥重要作用。
此外,该方法体系同样适用于降雨型滑坡的快速识别。随着极端天气事件频发,短时强降雨引发的滑坡往往具有与地震滑坡不同的空间分布和形态特征,该方法可为多种触发机制下的滑坡灾害应急提供统一的技术框架。
总之,这项研究通过深度融合弱监督学习与知识蒸馏技术,成功破解了地震滑坡快速提取中的效率与精度矛盾,为地质灾害应急响应提供了新的技术范式。其方法框架的创新性和实用性,使得该研究不仅对地震灾害领域具有重要价值,也为其他时间敏感的遥感应用场景提供了可借鉴的解决方案。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号