Page 156 - 《武汉大学学报（信息科学版）》2025年第6期

1178 武 汉 大 学 学 报 （信 息 科 学 版） 2025 年 6 月

图 1 滑坡评价因子
Fig. 1 Landslide Evaluation Factors
n 掘滑坡易发性与评价因子之间的深层次关联关
3
2
ρ = 1 -( 6 ∑ d i )/( N - N ) （1）
i = 1 系，多尺度特征学习的轻量化滑坡易发性评价方
式中， d i 为两个评价因子的第 i 个观测值的秩次 法总体研究流程如图 3 所示。
差，i=1，2，…，n； N 为评价因子的个数；Spearman 1）评价因子选择。从地形地貌、植被、水文以
等级相关系数的取值范围通常为−1~1。当相关 及人类活动因素 4 个方面选取 13 个评价因子，对
系数 ρ > 0时，评价因子呈正相关；当 ρ < 0时，呈负 所有不同量纲的评价因子进行归一化处理，统一

相关；当 ρ = 0时，则无线性关系。 量纲，采用 Spearman 等级相关系数法确保选取的
13 个评价因子的 Spearman 等级相关性系数 特征不存在冗余。
如图 2 所示，评价因子间相关性较低，可以保留全 2）样本数据集构建。采用距离约束方法选取
部评价因子进行滑坡易发性评价模型的训练和 与滑坡灾害点等数量的非滑坡点构建样本数据
预测。 集 。 以 样 本 点 作 为 标 注 像 元 ，空 间 邻 域 大 小 为
9×9，通道数为评价因子数量的数据块作为输入，
2 研究方法 以高程因子为底图，将其他 12 个评价因子重采样
到底图上，以保证各评价因子数据遵循严格的一
2.1 总体研究流程 致性 ［29］ ，并赋予每个样本数据集滑坡决策属性。

本 文 以 陕 西 省 安 康 市 为 研 究 区 ，利 用 深 度 3）MFL-LN 模型预测。设计 DFEM 和 MS‑
可 分 离 卷 积（depthwise separable convolution， FF 构建 MFL-LN 滑坡易发性评价模型，融合不同
DSC）、通道增强的注意力机制和空洞空间金字塔 层级的特征实现滑坡易发性预测，MFL-LN 能更
池化（atrous spatial pyramid pooling， ASPP）策略， 好地捕捉滑坡区域的全局和局部空间特征，同时
构建 DFEM 和 MSFF 实现多尺度特征学习，以挖 减少参数量和计算量，实现了模型的轻量化。