Page 159 - 《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 1181

图 6 深度特征增强模块
Fig. 6 Depth Feature Enhancement Module

2.4 多尺度特征融合模块 意力机制将融合的深层次特征信息映射为查询
由于不同评价因子包含丰富而复杂的信息， （Query）矩阵、键（Key）矩阵和值（Value）矩阵，通
基于编码解码网络结构的滑坡易发性评价模型 过 自 适 应 调 整 特 征 权 重 ，有 效 减 少 冗 余 信 息 干
仅通过单一尺度提取特征信息导致滑坡特征挖 扰 ［35］ 。基于 ASPP 策略并结合可变形卷积和自
掘不够、易发性预测不准确。ASPP 能够对不同 注意力机制优化设计 MSFF，可深入挖掘评价因
采样率下的特征并行执行空洞卷积操作挖掘多 子的深层次特征信息以降低下采样造成的特征
尺度上下文信息，提升模型对多尺度特征的感知 损失，并通过编码部分下采样提取的深层特征进
能力 ［33］ ；可变形卷积具有灵活调整卷积核的位置 行多尺度信息融合来提升模型预测准确性。自
和形状，自动学习复杂特征交互的优势 ［34］ ；自注 注意力结构如图 7 所示。

图 7 自注意力机制
Fig. 7 Self-Attention Mechanism
MSFF 在 融 合 多 尺 度 信 息 时 具 有 明 显 的 优 融合，对提取的特征进行拼接和卷积操作，得到
势，一方面，通过使用不同的卷积核和空洞率对 同维度大小的特征 X c；然后，对特征进行可变形
特征进行提取，不同的感受野能够获取多尺度信 卷积处理，并进行 BN、ReLU 激活、自注意力模块

息，提高模型捕获空间特征能力；另一方面，从编 和卷积操作，更好地挖掘空间特征信息；最后，通
码网络各层次提取的不同维度特征作为后续输 过合并操作得到融合原特征和多尺度特征的输
入特征进行融合，编码后的深层特征具有较高的 出特征。
稳定性和局部容错性，输入的浅层特征虽然泛化 2.5 评价指标
能力不高，但能详细描述特征信息，深层和浅层 易发性评价模型的输入是由滑坡评价因子
特征融合能充分利用评价因子信息，对融合后的 的标注像元及其对应空间邻域内的所有像元所
深层特征进行信息交互，同时自适应地调整特征 组成的三维数据块，空间邻域范围决定了模型所
权重，使得学习特征更加全面和丰富，更好地捕 接受的特征信息量大小，直接影响滑坡易发性预
捉到滑坡区域的全局和局部空间特征信息，弥补 测精度。为了确定最优空间邻域大小，使用精确
编码部分下采样带来的特征损失。MSFF 结构 度 P、召 回 率 R、总 体 准 确 度（overall accuracy，
见图 8。 OA）和 F1 值来评价不同空间邻域大小下模型预
在编码网络中，首先不同尺度输入特征进行 测结果 ［24］ ，计算式分别为：