【论文解读|滑坡检测·U-Net·语义分割· 深度学习·遥感·中分辨率影像】基于双编码器 U-Net 的滑坡检测方法：融合 Sentinel-2 影像与 DEM 数据（六）

【论文解读|滑坡检测·U-Net·语义分割· 深度学习·遥感·中分辨率影像】基于双编码器 U-Net 的滑坡检测方法：融合 Sentinel-2 影像与 DEM 数据（六）

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：DOI 10.1007/s10346-023-02089-5

4 实验与结果

4.1 实验设置

本研究在温都（Wen-Du）和胆振（Iburi）研究区分别生成了 210 和 252 幅图像块。

• 训练过程中，各研究区的数据按照 7:3 的比例随机划分为训练集和测试集。

其中，温都研究区的训练集包含 147 幅图像块，测试集 63 幅；胆振研究区的训练集包含 176 幅图像块，测试集 76 幅。为增强模型的泛化能力，对训练数据进行了数据增强，包括随机水平和垂直翻转。

模型的输出维度设定为 2。在加权交叉熵损失函数中，背景与滑坡类别的权重参数分别设定为 0.5 和 1.0，联合损失函数的平衡参数设定为 0.6。优化器选用 Adam，初始学习率为 1e-3，权重衰减系数为 5e-4。批量大小为 16，所有模型训练 150 轮。此外，为进行对比实验，本研究在相同数据集上训练并评估了 SegNet、U-Net 和 Attention U-Net，所有模型均从零训练，未使用预训练权重。

• 实验基于 PyTorch 框架，在配备 Intel Xeon® Silver 4210R 处理器与 NVIDIA GeForce RTX 3090（24GB 显存）的计算机上进行。

4.2 数据处理

图 6 展示了基于 Sentinel-2 影像和数字高程模型（DEM）预处理后的 10 幅图像块。其中，前四行为温都研究区，后六行为胆振研究区。每幅图像的分辨率均为 128 × 128 像素。Sentinel-2 影像提供 12 个光谱波段（B1-B12），而 B13-B15 分别对应于从 DEM 计算得到的坡度、高程和坡向。掩膜层（Mask）为滑坡地物的真实标签（Ground Truth）。

本研究数据集存在显著类别不平衡问题。在温都研究区训练集中，滑坡像素仅占总像素的 4.44%，测试集中仅占 3.03%；在胆振研究区，训练集中滑坡像素占 16.10%，测试集中占 15.73%。温都研究区由于滑坡样本极少，导致滑坡检测任务更具挑战性。

4.3 实验结果

表 1 显示了不同模型的滑坡检测精度对比，结果表明，本文提出的网络在量化评估指标上表现最佳。具体而言，该网络在精确率（Precision）和召回率（Recall）方面分别达到 68.05% 和 70.36%，在两者之间保持了良好的平衡。

对比实验中，SegNet 取得最低的精确率和召回率，表明其预测中误报（False Positives）和漏报（False Negatives）较多；U-Net 获得最高的精确率，但召回率仅为 62.99%，表明大量滑坡像素被误分类为背景；Attention U-Net 则相反，获得最高的召回率，但精确率较低（63.20%），表明大量背景像素被误分类为滑坡。相比之下，本文提出的网络取得了最高的 F1 分数（69.18%），比 Attention U-Net 提高 2.14%。

图 7 展示了温都研究区四个典型区域的检测结果。其中，黑色表示背景，红色表示正确识别的滑坡像素（True Positives），青色表示漏报像素（False Negatives），黄色表示误报像素（False Positives）。

表 2 的定量对比结果表明，本研究提出的网络在 Iburi 研究区取得了最佳分类效果。该网络的 F1 值达 79.24%，分别较 SegNet、U-Net 和 Attention U-Net 提高 5.57%、2.66% 和 1.95%。此外，所提网络在精度（Precision）与召回率（Recall）之间保持了良好平衡，两者差值仅为 1.72%。相比之下，SegNet 召回率较高但精度最低，表明其误检（False Positives）较多；U-Net 精度最高但召回率最低，二者差值达 12.28%；Attention U-Net 精度为 82.50%，召回率为 72.69%，差值为 9.81%。综合考虑精度、召回率及整体准确率，所提网络在 Iburi 研究区的滑坡检测中表现最佳。图 8 展示了 Iburi 研究区 7 个区域的预测结果。
下节请参考：【论文解读|滑坡检测·U-Net·语义分割· 深度学习·遥感·中分辨率影像】基于双编码器 U-Net 的滑坡检测方法：融合 Sentinel-2 影像与 DEM 数据（七）

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