基于深度学习的多源卫星数据与地理区域滑坡检测与制图
计算机视觉与模式识别
2026-05-20 v2 机器学习
图像与视频处理
摘要
滑坡对基础设施、经济和人身安全构成严重威胁， necessitating 在不同地理区域准确检测和预测滑坡。随着深度学习和遥感技术的发展，自动化滑坡检测日益有效。本研究提出了一种综合方法，将多源卫星影像和深度学习模型相结合，以增强滑坡识别和预测。我们利用 Sentinel-2 多光谱数据和 ALOS PALSAR 提取的坡度和数字高程模型（DEM）层，捕获影响滑坡发生的关键环境特征。此外，我们采用各种地理空间分析技术来评估土地利用特征、植被覆盖和降雨对检测精度的影响。我们还评估了多种最先进的深度学习分割模型，包括 U-Net、DeepLabV3+ 和 ResNet 的效果，以确定其在滑坡检测中的有效性。该提议框架有助于开发可靠的预警系统，改进灾害风险管理和可持续土地利用规划。我们的发现为利用深度学习和多源遥感在创建稳健、可扩展和可迁移的滑坡预测模型方面提供了宝贵见解。
引用
@article{arxiv.2507.01123,
title = {Landslide Detection and Mapping Using Deep Learning Across Multi-Source Satellite Data and Geographic Regions},
author = {Rahul A. Burange and Harsh K. Shinde and Omkar Mutyalwar},
journal= {arXiv preprint arXiv:2507.01123},
year = {2026}
}
备注
17 pages, 22 figures