Page 157 - 《武汉大学学报（信息科学版）》2025年第6期

第 50 卷第 6 期 徐胜华等：多尺度特征学习的轻量化滑坡易发性评价方法 1179

图 2 Spearman 等级相关系数
Fig. 2 Spearman Rank Correlation Coefficient

图 3 总体研究流程
Fig. 3 General Research Flowchart

4）精度评价。从最优空间邻域大小分析、消 编码网络利用 DFEM 捕获更多的滑坡特征
融实验、易发性评价模型对比分析、模型轻量化 和细节，同时对特征维度进行压缩并提取重要特
分析 4 个方面，结合相关评价指标对滑坡易发性 征信息；利用 MSFF 进行融合不同尺度、不同层
评价模型进行定性和定量分析。 次的特征，可以更准确地预测滑坡易发性，提高
2.2 多尺度特征学习的轻量化网络框架 特征表达能力和网络鲁棒性。
现有方法没有考虑全局特征与局部特征融 解码网络将编码网络提取的特征表示转换
合及其对滑坡区域的影响差异，且复杂模型结构 回原始数据空间，通过学习最小化输入数据与重

导致资源需求和计算成本较高。面向滑坡易发 构数据之间的差异，实现数据重构和信息损失补
性评价，设计 DFEM 和 MSFF，构建多尺度特征 偿，更好地捕捉到滑坡特征的细微差异，在此过
学习的轻量化网络，整个网络结构由编码网络、 程中减少参数数量和计算量，聚焦滑坡重要特征
解码网络和输出部分组成，如图 4 所示。 的感知和利用。