该研究论文发表于 Journal of Geophysical Research: Machine Learning and Computation 2026年第3卷。第一作者为来自中国上海同济大学的罗森林（Senlin Luo），通讯作者为同济大学的黄雨（Yu Huang）。论文作者团队来自同济大学（地质与水利工程系、测绘与地理信息学院、土木工程防灾国家重点实验室）、福建省地质科学研究院以及福建省龙岩市武平县自然资源局。该研究旨在构建一种高效的深度学习模型，用于精准绘制降雨诱发的群发性滑坡敏感性分布图。
本研究的学术背景聚焦于地质灾害与人工智能的交叉领域。近年来，中国降雨诱发的群发性滑坡频发，造成严重损失。传统物理模型难以完全描述其多尺度、多因素耦合的复杂性，而基于统计和传统机器学习的方法在捕捉精细地形特征和区域尺度多因子交互作用方面存在局限。具体而言，常规卷积神经网络（CNN）存在感受野受限、多尺度泛化能力弱、边界退化、语义表征不足等问题。因此，该研究的目标是开发一种能够更好地融合局部细节与全局结构信息、提升滑坡敏感性制图精度的深度学习方法，并应用于2024年6月16日发生于福建-广东-江西交界区域的强降雨诱发的群发性滑坡事件。
研究的工作流程详细且系统，主要包括以下步骤： 1. 数据准备与因子分析： 研究区域位于武平县及周边严重受灾区。首先，基于哨兵二号（Sentinel-2）遥感影像和一种名为CBAM-ResUNet50的模型，自动识别并经过人工验证，最终获得了25893个滑坡点（中心点）样本。同时，对应选取了25950个非滑坡点样本，以保持训练集类别平衡。研究团队集成了13个控制因子，覆盖地形、地貌、水文、地质、生态和人类活动。这些因子包括：高程、坡度、坡向、地形位置指数（TPI， Topographic Position Index）、基于TPI的地貌类别、地形崎岖度指数（TRI， Terrain Ruggedness Index）、剖面曲率、平面曲率、地形湿度指数（TWI， Topographic Wetness Index）、岩性、距断层距离（DTF， Distance to Fault）、归一化植被指数（NDVI， Normalized Difference Vegetation Index）以及距道路距离（DTR， Distance to Road）。其中，道路网络是本研究特别关注的“人类活动”因子。为了精确提取山区县乡道路，作者改进了D-LinkNet道路分割模型，加入了空洞空间金字塔池化（ASPP， Atrous Spatial Pyramid Pooling）和卷积块注意力模块（CBAM），提升了薄长道路的提取完整性，最终通过连通性分析和拓扑空洞检测得到连续的路网。
2. 模型构建与训练： 为了克服传统CNN的局限，本研究提出了CNXT-Ti-LT模型。其核心架构融合了两个分支： * ConvNeXt-Tiny主干网络：该网络采用大核深度可分离卷积（7×7）、逆残差瓶颈结构、层归一化（LayerNorm）和GELU激活函数，显著扩大了有效感受野和表征能力。模型输入为31×31×13的样本块，经过四个层级递进的阶段（Stage）进行特征提取。为了增强多尺度特征融合，模型在颈部引入了特征金字塔网络（FPN）风格的跳跃连接结构，以改善小尺度滑坡斑块和复杂地形边界的刻画。 * 轻量级Transformer模块：该模块附加于ConvNeXt-Tiny主干的最后阶段之后。它将特征图展平为序列，通过多头自注意力（MHSA）机制学习控制因子之间的全局结构关系。为了避免使用显式位置编码，作者采用深度可分离卷积（DWConv）作为隐式位置编码。该模块旨在弥补CNN在长距离依赖建模上的不足，并抑制局部纹理噪声。 这两个分支的特征通过注意力引导的跨分支融合机制进行整合，最终经过全局平均池化和全连接层输出滑坡敏感性概率。模型训练采用标准的交叉熵损失函数，数据按8:2划分为训练集和验证集。所有对比模型（包括传统CNN、随机森林RF、支持向量机SVM、XGBoost和极端随机树ET）均在相同的样本划分和贝叶斯超参数优化下进行训练，以确保比较的公平性。
3. 滑坡敏感性制图与评估： 应用训练好的CNXT-Ti-LT模型及各个基线模型对整个研究区进行滑坡敏感性预测。预测结果为连续的概率值。为了便于比较，所有模型的输出都进行了归一化处理。评估采用了多种指标：总体准确率（OA）、精确率（Precision）、召回率（Recall）、F1分数、马修斯相关系数（MCC）、Brier分数以及受试者工作特征曲线下面积（AUC）。此外，还分析了不同模型生成的敏感性值的面积分布，并绘制了滑坡点处模型预测敏感性值的核密度估计（KDE）曲线。
4. 结果验证与应用： 为了将连续的敏感性概率图转化为更具实践意义的成果，研究以武平县下坝乡为例，首先基于地形特征划分了坡面单元（Slope Units），然后计算每个单元内的平均敏感性值，得到坡面单元尺度的敏感性评估图。该图可用于定位高风险斜坡或小流域。研究进一步选取了该区域三个典型灾害点（苏茅坪滑坡、黄竹塘滑坡、湖坑子滑坡）进行验证。此外，还利用研究区内另一处（武平县十方镇）2022年发生的历史群发性滑坡事件（414个滑坡点）作为独立验证集，评估模型的泛化能力。
研究的主要结果如下： * 模型性能评估：在几乎所有评估指标上，CNXT-Ti-LT模型均优于传统的CNN、RF、SVM、XGBoost和ET基线模型。其AUC值最高，MCC、F1分数和精确率表现优异。尽管其召回率略低于CNN基线，但其精确率显著更高，表明误报（False Positives）更少。精确率-召回率（PR）曲线也显示，在相同的召回率水平下，CNXT-Ti-LT模型能获得更高的精确率。 * 敏感性分布特征：CNXT-Ti-LT模型输出的敏感性值分布呈明显的非高斯分布，偏向高值区（右偏）。相比之下，经典机器学习模型（RF、ET、SVM）的结果更接近高斯分布，中值区域面积更大。XGBoost则产生了占主导地位的低敏感性区域。CNXT-Ti-LT模型对高风险区域的刻画更为清晰和集中。 * 滑坡点敏感性验证：对25893个已知滑坡点在所有模型敏感性图上的取值进行核密度估计分析，发现CNXT-Ti-LT模型预测的滑坡点敏感性值主要集中在0.8-1.0的高值区间内，表明该模型能更准确地将滑坡点识别为高风险区域，误判率更低。 * 坡面单元验证：武平县下坝乡的三个验证滑坡点均位于坡面单元平均敏感性大于0.8的区域。利用2022年十方镇滑坡事件进行的独立验证也显示，其滑坡点主要落在高敏感性坡面单元内，且敏感性值同样集中于0.8-1.0的区间。这证明了基于坡面单元的滑坡风险筛查方法的有效性和模型的稳健性。 * 局限性探讨：研究指出，即使在使用了新模型和相对丰富的静态因子后，验证准确率仅略高于0.80，未能达到持续高水平。原因包括：群发性滑坡成灾机制本身的复杂性；输入数据（如DEM分辨率、滑坡编目精度）存在时空现势性和模型相关的不确定性；最关键的是，降雨作为主导触发因子，其强烈的时空异质性和非平稳性，使得仅依靠静态因子的数据驱动方法无法完全捕捉其带来的随机性。
本研究得出的结论是：通过结合FPN风格融合与轻量级Transformer多头自注意力模块，所提出的CNXT-Ti-LT模型有效改善了传统CNN在多尺度建模和高层语义空间特征提取方面的不足。对比实验证明，该模型在滑坡敏感性制图任务上具有更高的精度和更少的误报，其输出的高敏感性区域更为集中明确，有利于实际风险防范与管理。基于DEM划分坡面单元并计算单元内平均敏感性的方法，能更精确地定位高风险斜坡，提升了模型成果的可操作性。然而，研究也明确指出，当前基于数据驱动和静态因子的区域性滑坡敏感性预测存在根本性局限，这源于群发性滑坡复杂的多因子多尺度耦合机制，以及降雨触发因子的强时空异质性和不确定性。因此，未来的工作需要深入揭示中国东南部降雨诱发群发性滑坡的物理机制，并探究降雨时空特征与滑坡发生的动态关联。
本研究的意义和价值体现在： 科学价值：提出并验证了一种融合ConvNeXt和Transformer优势的新型深度学习架构（CNXT-Ti-LT），为地学领域的空间预测问题（尤其是多因子耦合、多尺度特征并存的复杂问题）提供了一种有效的技术方案。它深化了对深度学习模型如何从多元地理空间数据中提取和融合局部-全局特征的理解。 应用价值：生成的滑坡敏感性图更为精确和可靠，能够更清晰地分离高风险与相对稳定区域，并识别出传统方法易遗漏的小型高风险斑块。这为灾害巡查、基础设施规划和极端降雨前的应急准备工作提供了重要的决策支持。基于坡面单元的敏感性聚合方法使得风险评估更具可操作性和指导意义。 研究亮点： 1. 方法创新：首次将ConvNeXt-Tiny架构与轻量级Transformer模块相结合，并创新性地使用深度可分离卷积作为隐式位置编码，用于滑坡敏感性制图，实现了局部细节与全局上下文信息的高效融合。 2. 全面因子考量：不仅纳入了常规的自然环境因子，还特别关注并精细化处理了“人类活动”因子（县乡道路网络），通过改进的深度学习模型提取道路信息，并将其量化为“距道路距离”纳入模型，更贴近中国山区滑坡的实际情况。 3. 多角度验证：不仅采用常规的验证集指标评估，还通过分析敏感性值分布、滑坡点核密度曲线、典型灾害案例验证、以及独立历史事件的泛化验证，多维度、多层次地证明了模型的优越性和稳健性。 4. 问题意识深刻：研究并未回避现有方法的局限性，坦率分析了模型精度未能达到更高水平的深层原因，并明确指出未来需要突破的方向在于理解物理机制和降雨动态过程，体现了严谨的科学态度。
其他有价值的观点包括：研究指出，对于群发性滑坡这类具有显著时空依赖性的灾害，将连续的敏感性概率面通过坡面单元进行聚合评估，是更具实践意义的做法。此外，研究强调，尽管模型取得了进步，但对群发性滑坡成灾机制与降雨时空异质性、不确定性之间动态耦合关系的理解仍然不足，这是制约预测精度进一步提升的关键。