Page 160 - 《武汉大学学报（信息科学版）》2025年第6期

1182 武 汉 大 学 学 报 （信 息 科 学 版） 2025 年 6 月

图 8 多尺度特征融合模块
Fig. 8 Multi-scale Feature Fusion Module

网络模型中需要学习的权重和偏置，其大小直接
N TP
P = （8）
N TP + N FP 反映模型空间复杂度。浮点运算量是指在滑坡
N TP 易发性评价模型训练时所需要执行的浮点运算
R = （9）
操作数量，用于衡量模型的处理能力，其大小直
N TP + N FN
N TP + N TN
OA = （10） 接反映模型时间复杂度。
N TP + N TN + N FP + N FN
P × R
F1 = 2 × （11） 3 实验分析
P + R
式中，TP（true positive）为真正例， N TP 为滑坡样 以陕西省安康市为研究区开展滑坡易发性
本被正确分类为滑坡样本的数量；TN（true nega‑ 分析，首先，讨论空间邻域大小，确定既包含丰富
tive）为真负例， N TN 为非滑坡样本被正确分类为 空间信息又合理占用计算成本的输入特征维度；
非滑坡样本的数量；FP（false positive）为假正例， 然后，通过消融实验验证 MFL-LN 各个模块的有
N FP 为 滑 坡 样 本 被 错 误 分 类 为 非 滑 坡 样 本 的 数 效性；最后，与传统机器学习方法和深度学习方
量；FN（false negative）为假负例， N FN 为非滑坡样 法进行对比实验和对模型轻量化效果进行分析，
本但被错误分类为滑坡样本的数量。 验证 MFL-LN 的准确性和可靠性。
消融实验和易发性评价模型对比分析中模 3.1 最优空间邻域大小分析
型精度主要从滑坡易发性分区图、滑坡灾害点密 当空间邻域过小时，其包含的像元较少，导
度分区统计及评价模型精度 3 个方面进行评价， 致感受野受限，网络只能学习到小范围内局部特
滑坡易发性分区图是利用自然间断法将滑坡易 征，忽视周边的评价因子对滑坡的影响，造成精

发性分区分为极低、低、中、高和极高易发区。滑 度较低。当空间邻域过大时，往往弱化了小目标
坡灾害点密度分区统计是计算不同易发性分区 的空间特征，导致精度下降，同时会造成训练时
内滑坡灾害点数，进而得到滑坡灾害点密度 ［36］ ； 间过长。为了选择合适的空间邻域大小，选取 4
点占比是统计不同易发性分区的灾害点数量占 种不同空间邻域大小输入特征进行网络训练和
灾害点总数的百分比；分区占比是统计不同易发 分 析 ，结 果 如 表 2 所 示 。 从 表 2 中 可 以 看 出 ，立
性分区的面积占研究区总面积的百分比；受试者 方体数据块最优空间邻域大小为 9 × 9，此时模
工作特征（receiver operating characteristic， ROC） 型的 R、OA 和 F1 值最高，虽然 P 较低，这是因为
曲线简单直观并能准确反映模型特异性和敏感 数据集中的负样本选择具有随机性，依赖样本空
性的关系，因而采用 ROC 曲线下面积（area under 间 分 布 ，模 型 倾 向 于 将 不 确 定 的 样 本 标 记 为
the curve， AUC）值 对 滑 坡 易 发 性 模 型 进 行 正类。
评价 ［37］ 。 3.2 消融实验
模型轻量化效果采用网络模型的参数量和 参 考 图 4，以 本 文 设 计 的 UCNN（U-connec-
浮点运算量两个指标进行评价，参数量主要关注 ted CNN）为基准模型，定义如下模型：