Page 191 - 《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 1213

据来源于湖北省地质环境总站、中国地质调查局
武汉地质调查中心以及湖北省宜昌市自然资源
和城乡建设局；地形水文参数基于 30 m 分辨率的
数 字 高 程 模 型（digital elevation model，DEM）提
取；河流、道路等矢量数据采用国家 1∶25 万基础
地理数据库；30 m 分辨率的土地利用类型来自全
国地理信息资源目录服务系统所提供的全球土
地覆盖数据；地层岩性和地质结构数据来自国家
地质图；GNSS 监测站点数据来源于国家地震科
学数据中心，用于验证 SBAS-InSAR 方法提取的
地表形变结果的可靠性；陆地卫星（Landsat） 8 遥
感影像来源于地理空间数据云，用于计算归一化
植 被 指 数（normalized differential vegetation in‑
dex，NDVI）；卫星精密轨道数据和 2019 年 3 月至
图 2 秭归县地理位置
2022 年 3 月的 83 景哨兵（Sentinel）-1A 遥感影像
Fig. 2 Geographical Location of Zigui County
来源于欧洲空间局，用于去除因轨道误差引起的
1.2 数据来源 系统性误差并反演地表形变速率。相关数据的
本文使用的滑坡编目数据以及野外验证数 基本信息如表 1 所示。

表 1 主要数据来源
Table 1 Main Data Sources
数据类型 数据源 时间
https://dzj.hubei.gov.cn/hjzz/
滑坡灾害数据 2022 年
http://www.yichang.cgs.gov.cn/
行政区划 http://datav.aliyun.com/portal/school/atlas/area_selector 2021 年
DEM https://www.gscloud.cn/ 2009 年
土地覆盖 https://www.webmap.cn/commres.do?method=globeIndex 2010 年
国家基础地理数据库 https://www.webmap.cn/commres.do?method=result25W 2015 年
国家地质图 http://www.tuxingis.com/locaspace.html 2013 年
GNSS 监测数据 https://www.eqdsc.com/eastern/report.shtml 2023 年
Landsat 8 影像 https://www.gscloud.cn/ 2021 年
Sentinel-1A 影像 https://search.asf.alaska.edu/ 2019—2022 年

2 研究方法 linear unit，ReLU）激活函数，池化后经 Flatten 层
输入全连接层，最终由 Softmax 函数输出分类结
2.1 滑坡易发性评价方法 果。训练采用 Adam 优化器（学习率=0.001），并
1）CNN。CNN 是人工神经网络的一种 ［25］ ， 在卷积层后添加 Dropout 层以防止过拟合。
采用具有卷积运算的深度前馈架构作为核心设 2）MLP。MLP 是一种经典的人工神经网络
计。作为深度学习的代表算法之一，CNN 的核心 模型 ［26］ ，通常用于分类和回归问题。它是前馈神
特征在于权值共享机制，该机制通过复用卷积核 经网络的一种特殊类型 ［27］ ，由多个层组成，每层
参数，显著减少参数量并大幅降低网络复杂度。 由多个神经元（节点）组成。MLP 能够通过层与
CNN 的基本结构包括输入层、卷积层、池化层、全 层之间的连接学习输入和输出之间的映射关系。
连接层和输出层，其示意图如图 3 所示。 MLP 模 型 基 本 结 构 如 图 4 所 示 。 在 MLP 模 型
本文构建了 3 层卷积网络，卷积核尺寸为 3× 中 ，每 个 神 经 元 的 计 算 都 要 先 进 行 加 权 求 和 处
3，通 道 数 逐 层 递 增（32→64→128），池 化 窗 口 大 理，每个神经元接收来自前一层的输入，每个输
小 为 2×2。 卷 积 层 使 用 修 正 线 性 单 元（rectified 入值与相应的权重相乘，然后将结果加起来，再