本研究由华北水利水电大学测绘与地理信息学院的张子睿、胡庆峰等人，联合中国水利水电科学研究院、美国爱达荷大学等多个机构的研究人员共同完成，其研究成果以《TrigefNet: A Tri-Stream Multimodal Enhanced Fusion Network for Landslide Segmentation from Remote Sensing Imagery》为题，于2026年1月6日发表在学术期刊 Remote Sensing (Volume 18, Issue 2) 上，是一篇关于滑坡灾害智能检测的原创性研究论文。

学术背景 滑坡是全球最常见的地质灾害之一，其突发性和破坏性对公共安全构成严重威胁。快速、准确地自动分割滑坡区域是提升灾害风险评估、应急响应和灾后管理能力的关键任务。目前，基于深度学习的滑坡分割模型主要依赖于单一模态（通常是RGB光学影像）的遥感数据。然而，在植被茂密、阴影干扰严重的复杂喀斯特地貌等场景中，滑坡的光学特征难以有效提取，显著限制了识别精度。因此，如何协同利用多模态数据（如光谱指数、地形数据），同时减轻信息冗余和噪声干扰，已成为该领域的一个核心挑战。现有的多模态融合方法多采用静态或简单的早期融合策略，难以自适应地调整各模态的贡献，也无法有效应对遥感数据中普遍存在的模态间分辨率差异和语义鸿沟问题。为解决上述挑战，本研究旨在提出一种新型的多模态融合网络，能够高效融合RGB影像、植被指数和坡度数据，以在复杂环境中实现更精确、更稳健的滑坡自动分割。

研究详细流程 本研究的工作流程系统而完整，主要包括数据集构建、模型设计、实验验证与性能分析、消融研究及深入讨论等环节。

1. 数据集构建与特征分析：为验证模型在真实复杂场景下的鲁棒性，研究团队自行构建了“遵义滑坡数据集”。该数据集聚焦中国贵州遵义典型的喀斯特地貌区，整合了多源异构数据：光学影像来源于Google Earth平台和高分二号卫星，空间分辨率为1米；坡度数据来源于30米分辨率的SRTM DEM。由于Google Earth影像缺乏近红外波段，研究选用可见光波段计算了归一化绿红差异指数作为植被特征输入。数据集共包含881个滑坡样本，并进行了像素级的人工标注与核实。此外，为了全面评估模型性能，还使用了两个公开数据集：全球性的Landslide4Sense数据集（提供10米分辨率的Sentinel-2多光谱影像及其衍生的NDVI和坡度）和高分辨率的毕节数据集（0.8米分辨率RGB影像及对应的2米DEM衍生的坡度和NGRDI）。研究首先从统计学角度定量分析了植被指数和坡度特征在滑坡与背景区域的分布差异，证实了二者具有互补性：植被指数能有效指示地表植被破坏，但在裸地、建筑区等处易产生虚警；坡度虽与滑坡分布有重叠，但能提供重要的地形约束，帮助排除不合理区域的低植被信号，为多模态融合的必要性提供了数据驱动的理论基础。

2. TrigefNet模型设计：本研究提出的核心创新是Triple-stream Guided Enhancement and Fusion Network。其架构基于经典的U-Net框架，编码器采用三个参数独立的ResNet34分支，分别处理RGB、植被指数和坡度数据，以学习模态特异性特征。模型的核心是三个精心设计的模块：

   • 多模态引导增强模块：该模块首先将同一编码层级的三个模态特征图拼接，通过一个轻量级的“引导网络”生成一个融合了多模态上下文信息的共享引导特征。随后，该引导特征被用于为每个模态分支生成一个自适应的空间注意力图，对原始特征进行空间重校准，增强关键区域、抑制噪声，并通过残差连接输出增强后的特征。这实现了跨模态的条件依赖学习与协同增强。
   • 主导流引导融合模块：在特征增强后，需将三流特征融合。该模块确立语义信息最丰富的RGB流为主导模态。首先利用主导流特征生成一个空间门控图，该门控图随后同时应用于两个辅助模态的特征上，进行元素级乘法过滤，从而让主导流动态地筛选和整合来自植被指数和坡度的有益信息，抑制其中的冗余和噪声。最后将过滤后的辅助特征与主导特征拼接并卷积，得到融合后的特征。这实现了非对称的、以RGB为导向的高效融合。
   • 门控跳跃连接精炼模块：在解码器阶段，为了优化从编码器到解码器的跳跃连接，该模块利用解码器深层特征生成一个门控图，对编码器传入的浅层高分辨率特征进行空间加权，聚焦于对分割任务关键的区域，并抑制无关细节。随后将加权的浅层特征与深层特征拼接，并通过一个精炼块进行深度局部对齐与融合，确保语义信息与边界细节的有机整合。 模型采用结合Dice Loss和Focal Loss的复合损失函数，以应对滑坡分割中严重的类别不平衡问题。评估指标包括精确度、召回率、F1分数、滑坡交并比及平均交并比等。

3. 实验验证与性能分析：实验在三个数据集上展开。数据预处理包括统一裁剪至256x256像素、归一化及对训练集进行数据增强。模型采用PyTorch实现，在NVIDIA RTX 3090 GPU上训练。实验设计包含：

   • 对比实验：将TrigefNet与一系列基线模型进行比较。首先，基于U-Net的早期融合实验表明，简单地拼接多模态数据在不同数据集上效果不稳定，甚至在复杂数据集上可能导致性能下降，揭示了早期融合的局限性。其次，与DeepLabV3+、U-Net++、Mask2Former、SegFormer等经典语义分割模型对比，验证了先进架构的优势，但它们仍受限于简单的多模态输入策略。最后，与SGNet、CMX、CMNeXt、EAEFNet等先进的多模态融合模型进行对比。
   • 结果：定量结果表明，TrigefNet在三个数据集上的多项核心指标均达到最优。例如，在遵义、L4S和毕节数据集上，其滑坡IoU分别为74.54%、62.51%和81.30%，mIoU分别为86.27%、80.26%和89.53%，全面超越了所有对比模型。定性可视化结果进一步显示，TrigefNet在复杂场景下（如阴影、植被覆盖、光谱混淆区域）能够产生更精确的滑坡边界，并有效控制误报和漏报。这证明了其引导增强与非对称融合机制在整合互补信息、抑制噪声方面的优越性。

4. 消融实验：为剖析TrigefNet内部机制并量化各核心模块的贡献，研究在L4S数据集上进行了系统的消融研究。实验以三流编码、简单拼接为基线，逐步加入DGFM、MGEM和GSRM模块。结果表明，每个模块的单独引入都能带来显著的性能提升，其中DGFM的独立贡献最大。而当三个模块全部集成时，模型达到最佳性能，证明了它们是一个互补的有机整体。此外，研究还专门对比了不同融合方法、不同跳跃连接方法的有效性，可视化特征图清晰地展示了DGFM和GSRM在聚焦目标区域、抑制背景噪声方面的能力。

5. 深入讨论：研究还探讨了其他重要问题。比较了NDVI与NGRDI作为植被指数输入的性能，证实NDVI更优，但NGRDI在缺乏近红外数据时是有效的替代方案，增强了模型的实用性。通过更换不同的骨干网络，发现ResNet34在性能和效率之间取得了最佳平衡，过深的网络可能导致过拟合或性能饱和。研究也坦诚地指出了当前工作的局限性，主要是受限于可用标注数据的规模和地理覆盖范围。展望未来，研究指出需要构建更大规模、时空覆盖更广的动态监测数据集，并推动模型从纯粹的数据驱动模式向融合地质、水文等物理机理的“物理信息感知智能”范式转变，实现从灾后识别到灾前预警的根本性跨越。

主要结果 本研究在各个流程中获得了系统性的结果。特征分析结果从统计上验证了植被指数和坡度特征的互补性，为模型设计提供了依据。核心的模型对比实验结果表明，TrigefNet在所有三个具有不同特点的数据集上均取得了最先进的性能，其mIoU和滑坡IoU显著优于其他多模态融合模型和经典分割模型，证明了其卓越的泛化能力和准确性。消融实验结果则提供了模块有效性的直接证据，表明DGFM、MGEM和GSRM各自不可或缺，且协同工作效果最佳。关于植被指数和骨干网络的讨论结果，为实际应用中的技术选型提供了参考。这些结果层层递进：特征分析支撑了模型设计的合理性；对比实验结果证明了模型整体性能的优越性；消融实验结果则解释了性能优越的内在原因，即各个创新模块的有效协作。所有这些结果共同导向一个明确的结论：TrigefNet所采用的“独立编码、交互增强、非对称融合”策略，是解决复杂场景下滑坡多模态分割问题的有效方案。

结论与价值 本研究成功提出了一种用于遥感影像滑坡分割的三流多模态增强融合网络TrigefNet。该模型通过创新的多模态引导增强模块、主导流引导融合模块和门控跳跃连接精炼模块，系统性地解决了多源异构数据融合中的语义鸿沟、噪声干扰和特征对齐难题，实现了RGB影像、植被指数与坡度数据的高效协同。在自建及公开数据集上的大量实验证明，该模型在复杂环境下具有优异的分割精度和鲁棒性。

其科学价值在于：为多模态遥感数据融合提供了一种新颖且高效的“引导式”融合范式，超越了简单的特征堆叠，通过上下文驱动的动态门控与引导策略，实现了信息在模型关键节点的优化处理。研究证实了将植被指数、坡度等物理环境先验知识引入深度学习框架，是克服单模态光谱混淆、提升模型判别能力的有效策略。

其应用价值显著：该研究为构建大规模、自动化、高精度的滑坡监测智能系统提供了强有力的技术支撑。模型对输入数据（如使用NGRDI替代NDVI）的鲁棒性，使其在应急响应、数据获取受限等实际场景中具有更广泛的应用潜力，有助于提升地质灾害风险评估、应急响应和灾后管理的智能化水平与能力。

研究亮点 1. 创新性的网络架构与融合策略：提出了TrigefNet及其核心的MGEM、DGFM、GSRM模块，形成了一套完整的“独立编码、交互增强、非对称融合”工作流，这是本研究的核心方法论创新。 2. 卓越的性能表现：在多个具有挑战性的数据集上，性能全面超越现有的经典分割模型和先进多模态融合模型，证明了其解决实际复杂问题的能力。 3. 面向真实挑战的数据集构建：自建的遵义数据集特意包含了多源数据异构性和显著的跨模态分辨率差异，为评估多模态融合算法在真实地质环境中的泛化能力提供了具有挑战性的基准。 4. 深入系统的实验分析：不仅进行了广泛的对比实验，还通过详尽的消融实验、可视化分析和多角度讨论，深入揭示了模型各组件的作用机制、性能边界及适用条件，工作扎实全面。 5. 兼顾前沿探索与实践落地：研究既在模型设计上追求前沿性能，也关注了在实际应用中可能遇到的数据约束问题，并给出了解决方案，体现了从研究到应用的贯通思路。