多模态滑坡检测：基于Sentinel-1 SAR与Sentinel-2光学影像的多编码器视觉Transformer与集成学习
计算机视觉与模式识别
2026-04-29 v1 机器学习
摘要
滑坡是一种重要的地质灾害，对人类生命、基础设施和生态系统造成严重影响，因此需要准确及时的检测方法以支持灾害风险降低。本研究提出了一种模块化的多模型框架，融合Sentinel-2光学影像与Sentinel-1合成孔径雷达（SAR）数据，用于鲁棒的滑坡检测。该方法利用多编码器视觉Transformer，每种数据模态通过独立的轻量级预训练编码器进行处理，在滑坡检测中取得了良好性能。此外，多种模型的集成，特别是神经网络与梯度提升模型（LightGBM和XGBoost）的组合，展示了集成学习在进一步提升准确性和鲁棒性方面的强大能力。导出的光谱指数（如NDVI）与原始波段一同整合，以增强对植被和地表变化的敏感性。所提出的方法在滑坡检测上取得了最先进的F1分数0.919，解决的是块分类任务而非像素级分割，且无需事前Sentinel-2数据，突显了其在非经典变化检测设置中的有效性。它还在机器学习竞赛中取得了顶尖性能，在精确率和召回率之间取得了良好平衡，并突显了明确利用光学和雷达数据互补优势的好处。进行的实验和研究还强调了可扩展性和操作适用性，支持仅光学、仅SAR或组合输入的灵活配置，并为更广泛的自然灾害监测和环境变化应用提供了可迁移的框架。完整的训练和推理代码可在 https://github.com/IoannisNasios/sentinel-landslide-cls 获取。
引用
@article{arxiv.2604.05959,
title = {Multi-Modal Landslide Detection from Sentinel-1 SAR and Sentinel-2 Optical Imagery Using Multi-Encoder Vision Transformers and Ensemble Learning},
author = {Ioannis Nasios},
journal= {arXiv preprint arXiv:2604.05959},
year = {2026}
}