【论文推荐|滑坡检测·空间预测·时间预测· 数据驱动的分析】机器学习在滑坡研究中的最新进展与应用（2022）（三）
【论文推荐|滑坡检测·空间预测·时间预测· 数据驱动的分析】机器学习在滑坡研究中的最新进展与应用（2022）（三）
文章目录
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/145551342
论文地址：https://doi.org/10.1007/s11069-022-05423-7
3 滑坡检测与制图（Detection and Mapping）
3.1 背景（Background）
滑坡检测与制图旨在划定滑坡影响区域，包括滑坡源区及堆积区，是极端事件（如暴雨、地震）应急响应的重要环节。其核心目标是识别受滑坡影响的危险区域，避免昂贵、危险且难以开展的实地调查。此外，滑坡检测对于构建滑坡地貌编目（如历史、事件型、季节性或多时相编目）至关重要，有助于分析滑坡成因，并提升滑坡监测、预测与防灾能力（Guzzetti et al., 2012）。
- 在卫星遥感数据普及之前，滑坡检测主要依赖航空影像目视解译或实地调查，费时且成本高昂。例如，Mondini et al. (2011) 估算，基于事件的滑坡编目需每平方公里约5个工作日，涉及航片解译、野外调查、数据数字化及地理数据库构建（Guzzetti et al., 2012）。
- 近十年来，得益于中高分辨率卫星及机载影像的激增，机器学习（ML）技术成为滑坡检测的重要手段。其核心目标是让机器自动识别滑坡特征（如滑坡壁、滑移路径），模拟人工在影像中辨别滑坡的方式。滑坡尤其在植被覆盖区，与周围环境形成明显对比，暴露新鲜岩土，导致影像局部亮度变化，成为ML算法检测滑坡的重要依据。
值得注意的是，基于遥感数据的滑坡检测并非必然依赖机器学习，目前仍有大量研究采用人工解译或基于规则的方法，需要领域专家设定区域特定的阈值进行分析。
机器学习在滑坡检测中的应用综述
对2007—2021年间发表的55篇滑坡检测相关机器学习（ML）研究进行梳理表明，过去五年内，ML方法在滑坡检测领域的应用显著增加（见图1）。
1. 机器学习方法的演变趋势
早期滑坡检测主要采用传统机器学习（CML）方法，基于像素级或目标级分析（Borghuis et al., 2007; Danneels et al., 2007; Chang et al., 2007, 2010; Gong et al., 2010; Martha et al., 2011; Stumpf & Kerle, 2011; Van Den Eeckhaut et al., 2012）。近几年，研究重点逐步转向深度学习（DL）方法（Ding et al., 2016; Chen et al., 2018a, b; Ghorbanzadeh et al., 2019a, b, c; Can et al., 2019; Bui et al., 2020a, b; Prakash et al., 2020），部分研究还比较了不同方法在相同测试区域的表现。
CML方法可分为监督学习、无监督学习或二者结合，而DL方法主要采用监督学习。滑坡检测通常采用滑坡前后影像的变化检测或基于滑坡后影像的特征提取，两种方法均广泛应用了CML和DL的监督学习（Danneels et al., 2007; Chang et al., 2010; Stumpf & Kerle, 2011; Chen et al., 2014; Pawłuszek et al., 2017; Mora et al., 2018; Chen et al., 2019; Prakash et al., 2020），无监督学习的应用相对较少（Martha et al., 2011; Li et al., 2016; Keyport et al., 2018），也有研究结合了监督与无监督学习（Borghuis et al., 2007; Fang et al., 2020）。
值得注意的是，每年的研究总量（见图1）并非各ML类别论文数之和，因为部分研究采用了多种ML方法。
2. 研究区域分布
- 滑坡检测研究覆盖全球多个国家，其中中国及香港的案例研究最多（见图2）。部分研究（如全球数据集及搜索引擎数据）利用全球滑坡数据或在线搜索滑坡影像训练检测算法。
3. 遥感技术在滑坡检测中的应用
受滑坡空间尺度的影响，遥感技术（包括地球观测卫星、机载及无人机（UAV）传感器）被广泛用于滑坡检测，涉及多源数据：
- 机载LiDAR DEM（Van Den Eeckhaut et al., 2012; Pawluszek-Filipiak & Borkowski, 2020; Prakash et al., 2020）；
- UAV光学影像（Lei et al., 2019a, b; Catani, 2021）；
- 卫星合成孔径雷达（SAR）数据（Kamiyama et al., 2018; Mabu et al., 2020）；
- 中分辨率多光谱数据（Prakash et al., 2020）；
- 高/甚高分辨率多光谱数据（Bacha et al., 2020; Tavakkoli-Piralilou et al., 2019; Cheng et al., 2013）。
遥感影像的分辨率及数据类型对滑坡检测结果至关重要，不同传感器的融合应用是未来研究的重要方向。
下节请参考：【论文推荐|滑坡检测·空间预测·时间预测· 数据驱动的分析】机器学习在滑坡研究中的最新进展与应用（2022）（四）