Page 188 - 《武汉大学学报（信息科学版）》2025年第6期

第 50 卷 第 6 期 武 汉 大 学 学 报（ 信 息 科 学 版 ） Vol.50 No.6
2025 年 6 月 Geomatics and Information Science of Wuhan University Jun. 2025

引文格式：陈学业,齐小帅,彭博，等 . 结合 SBAS-InSAR 技术与深度神经网络的滑坡早期识别[J]. 武汉大学学报（信息科学
版）,2025,50(6):1210-1224.DOI:10.13203/j.whugis20250139
Citation：CHEN XueYe, QI Xiaoshuai, PENG Bo, et al. Early Landslide Identification by Integrating SBAS-InSAR and Deep
Neural Network[J]. Geomatics and Information Science of Wuhan University, 2025, 50(6): 1210-1224. DOI: 10.13203/j. whu‑
gis20250139

结合 SBAS-InSAR 技术与深度神经网络的

滑坡早期识别

陈学业 1,2 齐小帅 彭 博 武雪玲 3
3
3
1 自然资源部城市国土资源监测与仿真重点实验室，广东 深圳，518034
2 深圳市规划和自然资源数据管理中心，广东 深圳，518034
3 中国地质大学（武汉）地球物理与空间信息学院，湖北 武汉,430074

摘 要：滑坡灾害严重威胁山区居民的生命财产安全，其早期精准识别是防灾减灾的关键。以中国三峡库区秭归县为
例，首先，通过综合评估合成少数类过采样（synthetic minority over-sampling technique，SMOTE）、汤姆克链接欠采样
（Tomek Link）和 SMOTETomek 综 合 采 样 3 种 数 据 平 衡 方 法 以 及 卷 积 神 经 网 络 、多 层 感 知 机（multilayer perceptron,
MLP）和长短期记忆网络 3 种深度神经网络模型的适用性，开展滑坡易发性评价，并提取不稳定斜坡单元；其次，利用小
基线集合成孔径雷达干涉测量技术反演研究区地表形变速率，并通过地形可视性分析和最大坡度向投影得到斜坡方向
上的真实形变结果；最后，耦合不稳定斜坡单元与地表形变结果以划分潜在滑坡区，将其叠加在谷歌地球上目视解译进
行滑坡早期识别，并与野外调查资料进行对比验证。结果表明： （1）MLP-Tomek Link 联合模型在准确率、精确度、F1 分
数等指标上超过其他模型，为此区域的最佳滑坡易发性评价模型; （2）秭归县 2019 — 2022 年的有效形变结果集中分布于
中北部和东南部构造断裂带，其最大坡度向的年均形变速率为 0 ~ 112.68 mm/a; （3）共筛选出 30 处潜在滑坡区，其中 21
处成功识别滑坡灾害，滑坡早期识别准确率达 70%。研究成果可以为滑坡风险评价与管理、滑坡监测预警与防治等提供
技术和方法参考。
关键词：深度神经网络；SBAS-InSAR；滑坡易发性；滑坡早期识别；秭归县
中图分类号：P273 文献标识码：A 收稿日期：2025‑05‑05
DOI：10.13203/j.whugis20250139 文章编号：1671‑8860（2025）06‑1210‑15
Early Landslide Identification by Integrating SBAS-InSAR and Deep
Neural Network

1，2
3
3
CHEN Xueye QI Xiaoshuai PENG Bo WU Xueling 3
1 Key Laboratory of Urban Land Resources Monitoring and Simulation, Ministry of Natural Resources, Shenzhen 518034, China
2 Shenzhen Data Management Center of Planning and Natural Resource,Shenzhen 518034, China
3 School of Geophysics and Geomatics, China University of Geosciences, Wuhan 430074, China
Abstract： Objectives: Aiming at the current geological disaster prevention and control work, there are
problems such as insufficient accuracy of investigation and evaluation, inadequate application of advanced
means, and weak ability of hidden danger identification and monitoring and early warning. Taking Zigui
County in the hinterland of Three Gorges Reservoir Area, China as the study area, we develop quantitative
and qualitative analysis methods of multi-source data and multi-model fusion. Focusing on the early identi‑
fication of landslide hazards under the constraints of unstable slope unit and effective deformation aggrega‑
tion area, we realize the early identification of landslide hazards based on the SBAS-InSAR technology and
deep neural network model. Methods: First, we construct a set of landslide early identification indexes

基金项目：自然资源部城市国土资源监测与仿真重点实验室开放基金（KF-2023-08-19）；国家自然科学基金（42071429）。
第一作者：陈学业，硕士，教授级高级工程师，主要从事 GIS、遥感、测绘、数字政府、智慧城市建设等相关工作。446487869@qq.com
通信作者：齐小帅，硕士生。1202220642@cug.edu.cn