Page 189 - 《武汉大学学报（信息科学版）》2025年第6期

第 50 卷第 6 期 陈学业等：结合 SBAS-InSAR 技术与深度神经网络的滑坡早期识别 1211

covering landslide susceptibility, slope unit and surface deformation information, and comprehensively evaluate
the applicability of three data balancing methods, namely, synthetic minority over-sampling technique
(SMOTE), Tomek Link under-sampling and SMOTETomek integrated sampling, as well as three deep
neural network models, namely, convolutional neural network, multilayer perceptron (MLP) and long
short-term memory network, to evaluate landslide susceptibility and extract unstable slope units. Second,
we use small baseline subset interferometric synthetic aperture radar (SBAS-InSAR) to invert the surface
deformation rate in the study area, and obtain the real deformation results in the slope direction based on
the terrain visibility analysis and the maximum slope projection. Finally, we couple the unstable slope units
with the surface deformation results to delineate the potential landslide areas, superimpose them on Google
Earth for visual interpretation for the early identification of landslides, and verify them by comparing them
with the field investigation data. Results: (1) The joint MLP-Tomek Link model outperforms other models
in terms of accuracy, precision, and F1 score, and is the best landslide susceptibility assessment model in
the region. (2) The effective deformation results for 2019—2022 in Zigui County are concentrated in the
north-central and southeastern tectonic fault zones, and the annual average deformation rate in the direction
of its maximum slope ranges from 0-112.68 mm/a. (3) A total of 30 potential landslide zones are screened,
and landslide hazards are successfully identified in 21 of them, with an accuracy of 70% in the early land‑
slide identification. Conclusions: The combination of SBAS-InSAR technology and deep neural network
model can significantly improve the accuracy of early landslide identification, providing technical and
methodological references for landslide risk evaluation and management, landslide monitoring, early
warning and prevention.
Key words： deep neural network； SBAS-InSAR； landslide susceptibility； early landslide identification；
Zigui County

中国地质构造活跃、地形地貌复杂，随着极 等）和 多 变 量 模 型 （逻 辑 回 归 、极 端 梯 度 提 升
［10］
端气候的频发以及人类工程活动强度的加剧，滑 树 ［11］ 等）。 其 中 ，以 卷 积 神 经 网 络（convolutional
坡 灾 害 的 发 生 频 率 和 灾 害 规 模 呈 持 续 增 长 态 neural networks， CNN）、门控单元循环网络等为
［1］
势 ，进而直接或间接造成大量经济损失与人员 代表的深度学习模型 ［12］ 凭借其优秀的特征识别
伤亡 。根据《中国自然资源公报》，2024 年全国 能力，逐渐成为研究者们关注的焦点，基于深度
［2］
共发生地质灾害 5 719 起，其中滑坡 3 316 起，在 学习模型的滑坡易发性预测研究已成为当前研
各类地质灾害中数量最多。滑坡早期精准识别 究的重要方向 ［13］ 。
作为防灾减灾的关键环节，其核心在于高效、可 在地表形变监测方面，压力计、全球导航卫星
［14］
靠地圈定出具有高失稳风险且正处于活动或潜 系统（global navigation satellite system， GNSS）
在活动状态的区域。然而，实现这一目标面临显 等传统边坡变形监测技术易受地形地貌、气候条
著挑战。传统的早期识别方法往往侧重于单一 件等的影响，并且存在运营维护成本高、覆盖范
维度：静态的滑坡易发性评价虽能表示区域空间 围小及分辨率低等限制。随着合成孔径雷达干
［3］
风险 ，却难以反映斜坡当前的活动状态；而地表 涉 测 量（synthetic aperture radar interferometry，
形变监测虽能捕捉动态变化，但其空间覆盖和早 InSAR）技术的不断发展，利用遥感技术辅助识别
期 预 警 潜 力 受 限 于 监 测 技 术 精 度 与 地 形 效 应 。 边坡稳定性成为了可能 ［15］ 。差分 InSAR ［16］ 、永久
因此，有效结合滑坡易发性评价与高精度地表形 散 射 体 InSAR ［17］ 和 小 基 线 集 InSAR（small base‑
变监测技术，可提升滑坡早期识别能力。 line subset InSAR， SBAS-InSAR） 等已被广泛
［18］
滑坡易发性评价可综合分析各致灾因素对 应用。其中，SBAS-InSAR 方法通过短基线原则
滑坡灾害发生的影响程度 ，以空间可视化的形 和多主影像时序分析，能有效克服时空失相关的
［4］
［5］
式揭示滑坡发生的空间概率 。在方法论方面， 问题 ［19］ ，实现了高精度和高灵敏度的大规模地表
滑坡易发性评价已由加权线性组合、层次分析法 形变监测。
等基于知识驱动型的定性评价 逐渐过度到以统 三峡库区作为中国重大地质灾害防治工作的
［6］
计分析为主的双变量 （信息量模型 、熵指数 ［9］ 典型示范区，其地质环境条件尤为复杂 ［20］ ，区内暴
［7］
［8］