Page 161 - 《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
表 2 不同空间邻域大小的结果比较
Table 2 Results Comparison of Different Spatial DS-UCNN 模 型 较 UCNN 模 型 能 够 将 部 分 分 区
Neighborhood Sizes
尺度 P R OA F1
7×7 0.724 5 0.751 9 0.733 0 0.737 9
9×9 0.724 0 0.815 0 0.752 1 0.766 8
11×11 0.706 2 0.790 9 0.730 9 0.746 2
13×13 0.714 5 0.770 6 0.731 4 0.741 5
1）UCNN：网络仅使用替换 DFEM 的 CNN。
2）DS-UCNN（depthwise separable UCNN）：
网络结构仅使用 DFEM 中未改进的 DSC 模块，残
差结构在逐点卷积后。
3）DFECNN（depth feature enhanced CNN）：
将 DS-UCNN 中的 DSC 模块修改为 DFEM，聚焦
重要特征的感知和利用。
4）MFL-LN：：在 DFECNN 中 增 加 MSFF，对
编码网络提取的深层和浅层特征进行多尺度融合。
图 9 展 示 了 不 同 模 型 的 滑 坡 易 发 性 分 区 结
果，其中 UCNN 模型仅采用基础的卷积层结构，
DS-UCNN 模型在 UCNN 模型的基础上对卷积层
进行改进，替换为具有残差结构的 DSC，因此这
两种方法在安康市滑坡易发性分区结果上呈现出
相似的趋势，但仍存在一些差异。
图 9 MFL‑LN 不同子模型的滑坡易发性分区
Fig. 9 Landslide Susceptibility Zones for Various
MFL‑LN Submodels
1183
由 图 9 可 以 看 出 ，在 安 康 市 的 中 部 区 域 ，
细划为极高易发区、高易发区和中易发区，使得
分区结果更加合理，这是因为残差结构能够有效
地在保留原始特征的同时学习新的特征，减少信
息 损 失 ，提 高 网 络 表 达 能 力 。 在 安 康 市 的 西 北
部 、北 部 和 东 南 部 区 域 ，DS-UCNN 模 型 仅 将 部
分含有滑坡点区域分为中易发区 ，DFECNN 模
型能够将该区域合理划分为极高易发区、高易发
区和中易发区，分区结果更加符合灾害点实际分
布 情 况 ，这 是 因 为 DFECNN 模 型 中 采 用 的
DFEM 更加注重对重要特征的感知与表达，从而
提 高 了 灾 害 点 所 在 高 易 发 区 识 别 的 准 确 性 。
DFECNN 模型通过采用包含 DFEM 的编码解码
结构，更加注重局部细节，而 MFL-LN 模型通过
增加 MSFF，能够将编码前后的浅层丰富特征与
深层局部细节特征相结合，提升预测的准确性。
从整体上看，基于 MFL-LN 模型的滑坡易发性分
区图中大部分灾害点位于高易发性区域，且滑坡
易发性分区更符合安康市实际情况，表现出较好
的分区效果。
对滑坡易发性分区进行统计分析，由图 10 和
图 11 可以看出，随着灾害易发性等级的提高，各
分区滑坡灾害点占比亦逐渐增加，MFL-LN 模型
相比于其他子模型，灾害点占比在极低易发区和
低易发区均较低，在高易发区和极高易发区均较
高，验证了各个模块的有效性。在易发性分区面
积占比方面，MFL-LN 模型在极低易发区面积占
比最大，在极高易发区面积占比有所减小，但与其
他子模型相差不大。在灾害点密度分区统计方
面，在极低易发区，UCNN、DS-UCNN、DFECNN
和 MFL-LN 模 型 的 点 密 度 依 次 为 0.007、0.009、
0.007、0.009；在 极 高 易 发 区 ，点 密 度 依 次 为
0.509、0.532、0.528、0.557。其中 DS-UCNN 模型
在 极 高 易 发 区 点 密 度 较 高 ，超 过 UCNN 模 型
0.023，然而在极低易发区也比 UCNN 模型高出
0.002，这表明引入残差结构的 DS-UCNN 模型能
够更有效地传递滑坡相关特征信息和模型梯度，
从 而 提 升 了 低 、高 和 极 高 易 发 区 的 点 密 度 。
DFECNN 模型能够关注不同滑坡评价因子信息，
细划为极低和极高易发区，因此极低和极高易发
区点密度略有降低。MFL-LN 模型通过学习不
同滑坡特征的重要性，融合局部细节和丰富的特
征信息，保证了极低易发区点密度较低，极高易发
区点密度最高，分区效果更加精确。