用于多光谱数据高效滑坡分割的序列特征选择
机器学习
2026-05-12 v1 人工智能
摘要
通过深度学习，基于卫星影像的滑坡检测取得了显著进展，但大多数模型依赖于高度相关的大型光谱-地形输入，其贡献仍不甚明了。关于哪些通道实际上是必需的问题，却鲜少受到关注。这至关重要：冗余或相关的输入会掩盖物理可解释性，增加计算开销，并可能因 Hughes 现象导致模型性能下降。我们为 Landslide4Sense 基准提出了一种系统、可解释的通道选择框架，结合了 Sentinel-2 多光谱和 ALOS PALSAR 地形数据以及 16 种工程化的光谱和结构指数。我们并未采用传统的单波段丢弃测试（该方法孤立地评估通道并忽略了交互效应），而是应用序列前向浮动选择（SFFS），利用轻量级 U-Net++ 代理模型迭代地构建和修剪候选特征池。除了识别出一个仅含 8 个通道的紧凑子集，其分割 F1 表现与使用多达 30 个通道的配置相当甚至更优之外，我们还利用选择过程本身来探究滑坡模型真正依赖哪些光谱和地形特征，以及这揭示了驱动其预测的物理线索。我们认为，与当前普遍存在的“附加所有可用波段并期望模型学会忽略无用信息”的做法相反，SFFS 代表了一种面向地球观测输入设计的 principled 特征选择方法。
引用
@article{arxiv.2605.09746,
title = {Sequential Feature Selection for Efficient Landslide Segmentation from Multi-Spectral Data},
author = {Arsalaan Ahmad and Oktay Karakus and Paul L. Rosin},
journal= {arXiv preprint arXiv:2605.09746},
year = {2026}
}
备注
In Process of Submission to Frontiers in Remote Sensing. Keywords: landslide segmentation, multispectral remote sensing, feature selection, explainability, Landslide4Sense