Page 153 - 《武汉大学学报（信息科学版）》2025年第6期

第 50 卷 第 6 期 武 汉 大 学 学 报（ 信 息 科 学 版 ） Vol.50 No.6
2025 年 6 月 Geomatics and Information Science of Wuhan University Jun. 2025

引文格式：徐胜华,马钰,刘纪平，等 . 多尺度特征学习的轻量化滑坡易发性评价方法[J]. 武汉大学学报（信息科学版）,2025,50
(6):1175-1190.DOI:10.13203/j.whugis20240301
Citation：XU Shenghua,MA Yu,LIU Jiping,et al.A Lightweight Network Based on Multi-scale Feature Learning for Landslide
Susceptibility Assessment[J].Geomatics and Information Science of Wuhan University,2025,50(6):1175-1190.DOI:10.13203/j.
whugis20240301

多尺度特征学习的轻量化滑坡易发性评价方法

徐胜华 马 钰 2,3 刘纪平 王琢璐 3
1
1
1 中国测绘科学研究院，北京，100830
2 中国地质大学（武汉）计算机学院，湖北 武汉，430078
3 辽宁工程技术大学测绘与地理科学学院，辽宁 阜新，123000

摘 要：现有面向滑坡易发性评价的深度学习网络在不同层次的网络结构中往往仅利用单一尺度特征信息，且模型复杂
造成较大的参数量和计算复杂度。提出了多尺度特征学习的轻量化滑坡易发性评价方法，利用深度特征增强模块(deep
feature enhancement module，DFEM)和多尺度特征融合模块(multi-scale feature fusion module，MSFF)建立多尺度特征学
习的轻量化网络，挖掘滑坡易发性与评价因子之间的深层次关联关系。引入通道增强的注意力机制和深度可分离卷积
构建 DFEM，动态学习不同通道特征的关注度，增强模型对重要特征的感知和利用能力；将传统卷积优化为深度可分离
卷积，减少参数量和计算量，实现模型轻量化。采用空洞空间金字塔池化策略优化设计 MSFF，对编码部分下采样提取
的特征进行多尺度融合，在融合后的深层特征上进行信息交互，同时自适应地调整特征权重，更好地捕捉滑坡区域的全
局和局部空间特征，以弥补下采样带来的特征损失。以陕西省安康市为研究区开展滑坡易发性分析，与多种经典模型对
比，从模型精度和性能轻量化两个角度进行分析。结果表明，所提方法能有效降低模型训练成本，提高滑坡易发性预测
的精度，易发性分区效果更好。
关键词：滑坡；易发性；轻量化；注意力；多尺度特征学习
中图分类号：P208 文献标识码：A 收稿日期：2024‑11‑20
DOI：10.13203/j.whugis20240301 文章编号：1671‑8860（2025）06‑1175‑16
A Lightweight Network Based on Multi-scale Feature Learning for

Landslide Susceptibility Assessment

XU Shenghua MA Yu LIU Jiping WANG Zhuolu 3
2，3
1
1
1 Chinese Academy of Surveying and Mapping, Beijing 100830, China
2 School of Computer Science, China University of Geosciences (Wuhan), Wuhan 430078, China
3 School of Geomatics, Liaoning Technical University, Fuxin 123000, China
Abstract： Objectives: Landslide susceptibility assessment can provide scientific basis and technical sup‑
port for disaster prevention and mitigation. Additionally, factors such as engineering projects, land use,
and heavy rainfall contribute to the frequent occurrence of landslides. In response to the challenges of inac‑
curate landslide prediction caused by using single-scale feature extraction in different levels of network
structures, and the high resource demands and computational costs due to model complexity, a light‑
weight network based on multi-scale feature learning (MFL-LN) for landslide susceptibility assessment is
proposed. Methods: Combining the geological environment characteristics of landslide development, the
Spearman correlation analysis was conducted on evaluation factors. This analysis led to the identification of
13 evaluation factors across four categories, including human activity factors, hydrological factors, topo‑
graphical factors and vegetation factor. These factors were used to establish a landslide susceptibility evalua‑

基金项目：国家重点研发计划（2022YFC3005705）。
第一作者：徐胜华，博士，研究员，主要研究方向为应急地理信息服务、时空数据地学分析、个性化位置智能推荐服务。xushh@casm.ac.cn
通信作者：马钰，博士生。974829885@qq.com