Page 163 - 《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 1185

在安康市西部，SVM 方法将高易发区和中易
发区误分为极高易发区，在西北部则将中易发区
和低易发区误分为极低易发区，这表明 SVM 对
数 据 的 挖 掘 程 度 不 够 。 Multi-CNN 方 法 将 安 康
市的山脊线区域均划为极高易发区，过于依赖地
形特征，忽略了其他滑坡评价因子的影响。在安
康市西部和中部，DS-CNN 方法将其划分为极高
易发区，未考虑到高易发区和中易发区的影响，
仅采用 DSC 的网络结构在减小参数量和计算量
上起到了很好的效果，但对复杂的特征学习和表
图 12 MFL‑LN 不同子模型的 ROC 曲线 示不充分。在安康市东北部，MSCNN 方法将高
Fig. 12 ROC Curves of Different Submodels of MFL‑LN 易发区和中易发区误分为极高易发区，虽然该方
法融合了多尺度信息，但未聚焦重要特征对滑坡
不 同 模 型 的 滑 坡 易 发 性 分 区 如 图 13 所 示 。 易发性的作用。在安康市中部，SFCNet 方法仅
从整体上看，MFL-LN 方法得到的滑坡易发性分 将其划分为极高易发区，与 DS-CNN 方法类似，
区结果与其他模型的分区趋势大致相似，符合研 可分离卷积和因式分解卷积将模型进行轻量化
究区的实际情况。极高易发区、高易发区主要分 处理，但没有对不同层次、不同粒度的特征信息

布在高山及河流沿线；中易发区、低易发区围绕 融合。本文方法采用编码解码网络结构，融合深
高易发区分布，主要分布在中部河谷盆地；极低 层 和 浅 层 特 征 ，并 加 强 对 重 要 特 征 的 感 知 和 利
易发区主要集中在坡度较缓的山地。 用，提高了网络的鲁棒性和特征表达能力。

图 13 不同模型的滑坡易发性分区
Fig. 13 Landslide Susceptibility Zones for Different Models

对不同模型的滑坡易发性分区进行统计分 极 高 易 发 区 均 达 到 最 大 值 ，MFL-LN 模 型 相 比
析 ，如 图 14 和 图 15 所 示 。 结 果 显 示 ，不 同 方 法 于 其 他 模 型 ，灾 害 点 占 比 在 极 低 易 发 区 和 低 易
的 灾 害 点 占 比 与 滑 坡 易 发 性 等 级 呈 正 相 关 ，在 发区处于较低水平，高易发区灾害点占比最高，