Early Landslide Identification by Integrating SBAS-InSAR and Deep Neural Network

CHEN Xueye; QI Xiaoshuai; PENG Bo; WU Xueling

doi:10.13203/j.whugis20250139

您当前的位置：

首页 >

文章列表页 >

Early Landslide Identification by Integrating SBAS-InSAR and Deep Neural Network

更新时间：2026-11-05

- Early Landslide Identification by Integrating SBAS-InSAR and Deep Neural Network
- Geomatics and Information Science of Wuhan University Vol. 50, Issue 6, Pages: 1210-1224(2025)
- 作者机构：
  
  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
- 作者简介：
- 基金信息：
- DOI：10.13203/j.whugis20250139
  CLC： P273
- Received：05 May 2025，
  
  Published：05 June 2025
- 稿件说明：
移动端阅览
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.

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.
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

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.whugis20250139

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、

1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。

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 identification of landslide hazards under the constraints of unstable slope unit and effective deformation aggregation 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 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

1 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 landslide 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.

关键词

Keywords

references

DAI K R ， LI Z H ， XU Q ， et al . Entering the Era of Earth Observation-Based Landslide Warning Systems： A Novel and Exciting Framework ［J］. IEEE Geoscience and Remote Sensing Magazine ， 2020 ， 8 （ 1 ）： 136 - 153 .

王娅美，张紫昭，张艳阳，等 . 基于多种组合模型的新疆巩留县滑坡危险性评价研究［J］. 工程地质学报， 2023 ， 31 （ 4 ）： 1375 - 1393 .

WANG Yamei ， ZHANG Zizhao ， ZHANG Yanyang ， et al . Landslide Risk Assessment of Gongliu County in Xinjiang Based on Multiple Combination Models ［J］. Journal of Engineering Geology ， 2023 ， 31 （ 4 ）： 1375 - 1393 .

PENG B ， WU X L . Optimizing Rainfall-Triggered Landslide Thresholds for Daily Landslide Hazard Warning in the Three Gorges Reservoir area ［J］. Natural Hazards and Earth System Sciences ， 2024 ， 24 （ 11 ）： 3991 - 4013 .

GUZZETTI F ， REICHENBACH P ， ARDIZZONE F ， et al . Estimating the Quality of Landslide Susceptibility Models ［J］. Geomorphology ， 2006 ， 81 （ 1/2 ）： 166 - 184 .

PHAM B T ， PHONG T V ， NGUYEN-THOI T ， et al . Ensemble Modeling of Landslide Susceptibility Using Random Subspace Learner and Different Decision Tree Classifiers ［J］. Geocarto International ， 2022 ， 37 （ 3 ）： 735 - 757 .

邹富宝，付卓，樊风雷，等 . 基于频率比与AHP模型的西藏东部地区滑坡易发性评价［J］. 自然灾害学报， 2023 ， 32 （ 2 ）： 235 - 242 .

ZOU Fubao ， FU Zhuo ， FAN Fenglei ， et al . Evaluation of Landslide Susceptibility in Eastern Tibet Based on Frequency Ratio and AHP Model ［J］. Journal of Natural Disasters ， 2023 ， 32 （ 2 ）： 235 - 242 .

GOETZ J N ， BRENNING A ， PETSCHKO H ， et al . Evaluating Machine Learning and Statistical Prediction Techniques for Landslide Susceptibility Modeling ［J］. Computers & Geosciences ， 2015 ， 81 ： 1 - 11 .

晏同珍，伍法权，殷坤龙 . 滑坡系统静动态规律及斜坡不稳定性空时定量预测［J］. 地球科学， 1989 ， 14 （ 2 ）： 117 - 133 .

YAN Tongzhen ， WU Faquan ， YIN Kunlong . Static and Dynamic Regularity of Landslides and Space-Time Prognosis of Slope Instability ［J］. Earth Scien‑ce ， 1989 ， 14 （ 2 ）： 117 - 133 .

徐胜华，刘纪平，王想红，等 . 熵指数融入支持向量机的滑坡灾害易发性评价方法：以陕西省为例［J］. 武汉大学学报（信息科学版）， 2020 ， 45 （ 8 ）： 1214 - 1222 .

XU Shenghua ， LIU Jiping ， WANG Xianghong ， et al . Landslide Susceptibility Assessment Method Incorporating Index of Entropy Based on Support Vector Machine： A Case Study of Shaanxi Province ［J］. Geomatics and Information Science of Wuhan University ， 2020 ， 45 （ 8 ）： 1214 - 1222 .

ZENG T R ， WU L Y ， PEDUTO D ， et al . Ensemble Learning Framework for Landslide Susceptibility Mapping： Different Basic Classifier and Ensemble Strategy ［J］. Geoscience Frontiers ， 2023 ， 14 （ 6 ）： 101645 .

ALI S A ， PARVIN F ， VOJTEKOVÁ J ， et al . GIS-Based Landslide Susceptibility Modeling： A Comparison Between Fuzzy Multi-criteria and Machine Learning Algorithms ［J］. Geoscience Frontiers ， 2021 ， 12 （ 2 ）： 857 - 876 .

HAKIM W L ， REZAIE F ， NUR A S ， et al . Convolutional Neural Network （CNN） with Metaheuristic Optimization Algorithms for Landslide Susceptibility Mapping in Icheon， South Korea ［J］. Journal of Environmental Management ， 2022 ， 305 ： 114367 .

HE Y ， ZHAO Z A ， YANG W ， et al . A Unified Network of Information Considering Superimposed Landslide Factors Sequence and Pixel Spatial Neighbourhood for Landslide Susceptibility Mapping ［J］. International Journal of Applied Earth Observation and Geoinformation ， 2021 ， 104 ： 102508 .

兑紫璇，王卿，王敏，等 . 基于多源遥感及气象数据的河流非光学活性水质参数反演模型研究［J］. 遥感技术与应用， 2024 ， 39 （ 1 ）： 120 - 133 .

DUI Zixuan ， WANG Qing ， WANG Min ， et al . Research on the Inversion Model of River Non-optically Active Water Quality Parameters Based on Multi-source Remote Sensing and Meteorological Data ［J］. Remote Sensing Technology and Application ， 2024 ， 39 （ 1 ）： 120 - 133 .

ROY P ， MARTHA T R ， KHANNA K ， et al . Time and Path Prediction of Landslides Using InSAR and Flow Model ［J］. Remote Sensing of Environment ， 2022 ， 271 ： 112899 .

GABRIEL A K ， GOLDSTEIN R M . Crossed Orbit Interferometry ［C］// International Geoscience and Remote Sensing Symposium ， Edinburgh， UK ， 1988 .

FERRETTI A ， PRATI C ， ROCCA F . Nonlinear Subsidence Rate Estimation Using Permanent Scatterers in Differential SAR Interferometry ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2000 ， 38 （ 5 ）： 2202 - 2212 .

BERARDINO P ， FORNARO G ， LANARI R ， et al . A New Algorithm for Surface Deformation Monitoring Based on Small Baseline Differential SAR Interferograms ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2002 ， 40 （ 11 ）： 2375 - 2383 .

SUN H M ， PENG H X ， ZENG M ， et al . Land Subsidence in a Coastal City Based on SBAS-InSAR Monitoring： A Case Study of Zhuhai， China ［J］. Remote Sensing ， 2023 ， 15 （ 9 ）： 2424 .

TANG H M ， WASOWSKI J ， JUANG C H . Geohazards in the Three Gorges Reservoir Area， China ：Lessons Learned from Decades of Research ［J］. Engineering Geology ， 2019 ， 261 ： 105267 .

殷跃平，黄波林，张枝华，等 . 三峡工程库区地质灾害防治［M］. 北京：科学出版社， 2022 .

YIN Yueping ， HUANG Bolin ， ZHANG Zhihua . Prevention and Control of Geological Disasters in Three Gorges Reservoir Area ［M］. Beijing ： Science Press ， 2022 .

谢爽，陈松，陈江军，等 . 基于GIS和信息量模型的山地环境地质灾害易发性评价：以湖北省秭归县为例［J］. 资源环境与工程， 2023 ， 37 （ 5 ）： 567 - 577 .

XIE Shuang ， CHEN Song ， CHEN Jiangjun ， et al . Susceptibility Evaluation of Mountain Environmental Geological Disasters Based on GIS and Information Model： Taking Zigui County in Hubei Province as an Example ［J］. Resources Environment & Engineering ， 2023 ， 37 （ 5 ）： 567 - 577 .

叶润青，付小林，郭飞，等 . 三峡水库运行期地质灾害变形特征及机制分析［J］. 工程地质学报， 2021 ， 29 （ 3 ）： 680 - 692 .

YE Runqing ， FU Xiaolin ， GUO Fei ， et al . Analysis on Deformation Characteristics and Mechanisms of Geological Hazards During the Operation of the Three Gorges Reservoir ［J］. Journal of Engineering Geology ， 2021 ， 29 （ 3 ）： 680 - 692 .

李俊鹏，王文才，王创业 . 边帮压煤井工开采诱发边坡变形破坏及失稳控制研究［J］. 煤炭技术， 2024 ， 43 （ 11 ）： 140 - 146 .

LI Junpeng ， WANG Wencai ， WANG Chuangye . Research on Control of Slope Deformation， Failure and Instability Induced by Coal Mining on Side Wall ［J］. Coal Technology ， 2024 ， 43 （ 11 ）： 140 - 146 .

高秉海，何毅，张立峰，等 . 顾及InSAR形变的CNN滑坡易发性动态评估：以刘家峡水库区域为例［J］. 岩石力学与工程学报， 2023 ， 42 （ 2 ）： 450 - 465 .

GAO Binghai ， HE Yi ， ZHANG Lifeng ， et al . Dynamic Assessment of Landslide Susceptibility Based on CNN Considering InSAR Deformation： A Case Study of Liujiaxia Reservoir Area ［J］. Chinese Journal of Rock Mechanics and Engineering ， 2023 ， 42 （ 2 ）： 450 - 465 .

高轩宇，王继周，毛曦，等 . 双向门控循环单元网络的滑坡易发性评价［J］. 测绘科学， 2023 ， 48 （ 4 ）： 221 - 230 .

GAO Xuanyu ， WANG Jizhou ， MAO Xi ， et al . The Susceptibility Assessment of Landslide Based on Bi-GRU Network ［J］. Science of Surveying and Mapping ， 2023 ， 48 （ 4 ）： 221 - 230 .

ZARE M ， POURGHASEMI H R ， VAFAKHAH M ， et al . Landslide Susceptibility Mapping at Vaz Watershed （Iran） Using an Artificial Neural Network Model： A Comparison Between Multilayer Perceptron （MLP） and Radial Basic Function （RBF） Algorithms ［J］. Arabian Journal of Geoscien‑ces ， 2013 ， 6 （ 8 ）： 2873 - 2888 .

YANG B B ， YIN K L ， LACASSE S ， et al . Time Series Analysis and Long Short-Term Memory Neural Network to Predict Landslide Displacement ［J］. Landslides ， 2019 ， 16 （ 4 ）： 677 - 694 .

邢保印，张炜怡，章广成，等 . 基于变形速率分解的阶跃型滑坡预测：以呷爬滑坡为例［J］. 岩石力学与工程学报， 2023 ， 42 （ 3 ）： 685 - 697 .

XING Baoyin ， ZHANG Weiyi ， ZHANG Guang⁃ cheng ， et al . Prediction of Step-Type Landslide Based on Deformation Rate Decomposition： A Case Study of the Xiapa Landslide ［J］. Chinese Journal of Rock Mechanics and Engineering ， 2023 ， 42 （ 3 ）： 685 - 697 .

田尤，高波，殷红，等 . 滑坡易发性评价中样本不均衡问题处理研究［J］. 水文地质工程地质， 2024 ， 51 （ 6 ）： 1 - 11 .

TIAN You ， GAO Bo ， YIN Hong ， et al . Study on the Treatment of Sample Imbalance Problem in Landslide Susceptibility Assessment ［J］. Hydrogeology and Engineering Geology ， 2024 ， 51 （ 6 ）： 1 - 11 .

韩婕，曹晓明 . 荒漠植被覆盖度遥感提取研究进展［J］. 环境科学研究， 2024 ， 37 （ 10 ）： 2288 - 2298 .

HAN Jie ， CAO Xiaoming . Research Progress on Remote Sensing Extraction of Desert Vegetation Coverage ［J］. Environmental Science Research ， 2024 ， 37 （ 10 ）： 2288 - 2298 .

ALVIOLI M ， MARCHESINI I ， REICHENBACH P ， et al . Automatic Delineation of Geomorphological Slope Units with R.slopeunits V1.0 and Their Optimization for Landslide Susceptibility Modeling ［J］. Geoscientific Model Development ， 2016 ， 9 （ 11 ）： 3975 - 3991 .

陈刚，程光军，彭双庆，等 . 一种基于地貌—斜坡结构划分斜坡单元的区域滑坡易发性评价研究［J］. 地质论评， 2024 ， 70 （ S01 ）： 231 - 235 .

CHEN Gang ， CHENG Guangjun ， PENG Shuangqing ， et al . A Study on Regional Landslide Susceptibility Evaluation Based on Landform-Slope Structure Division of Slope Units ［J］. Geological Review ， 2024 ， 70 （ S01 ）： 231 - 235 .

WU X L ， QI X S ， PENG B ， et al . Optimized Landslide Susceptibility Mapping and Modelling Using the SBAS-InSAR Coupling Model ［J］. Remote Sensing ， 2024 ， 16 （ 16 ）： 2873 .

戴可人，张乐乐，宋闯，等 . 青藏高原交通廊道沿线Sentinel-1影像几何畸变与升降轨适宜性定量分析［J］. 武汉大学学报（信息科学版）， 2021 ， 46 （ 10 ）： 1450 - 1460 .

DAI Keren ， ZHANG Lele ， SONG Chuang ， et al . Quantitative Analysis of Sentinel-1 Imagery Geometric Distortion and Their Suitability Along Qinghai？ Tibet Plateau Traffic Corridor ［J］. Geomatics and Information Science of Wuhan University ， 2021 ， 46 （ 10 ）： 1450 - 1460 .

田运涛，王高峰，高幼龙，等 . 基于组合赋权模糊综合评价的泥石流危险度评价：以白龙江中游为例［J］. 人民长江， 2018 （ S1 ）： 81 - 85 .

TIAN Yuntao ， WANG Gaofeng ， GAO Youlong ， et al . Debris Flow Hazard Assessment Based on Combined Weighted Fuzzy Comprehensive Evaluation： A Case Study of the Middle Reaches of Bailong River ［J］. Yangtze River Journal ， 2018 （ S1 ）： 81 - 85 .

廖立业，曾庆利，马许平，等 . 白龙江上游黑多间歇性慢速滑坡的特征，过程与驱动机理研究［J］. 工程地质学报， 2024 ， 32 （ 3 ）： 918 - 934 .

LIAO Liye ， ZENG Qingli ， MA Xuping ， et al . Characteristics， Process and Driving Mechanism of Intermittent Slow Landslide in Heiduo， Upper Reaches of Bailong River ［J］. Journal of Engineering Geology ， 2024 ， 32 （ 3 ）： 918 - 934 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Analysis of the Erosion-Sedimentation Characteristics and Dynamic Evolution Process of Mountain Flood Debris Flows in Xiaogou， Hanyuan， Sichuan

Negative Sample Selection and Result Optimization for Landslide Susceptibility Assessment Considering InSAR Surface Deformation

Influence of Continuous Variable Factor Classification and Machine Learning Model on the Accuracy of Landslide Susceptibility Evaluation

InSAR Time-Series Deformation Monitoring and Analysis for 17 Years Before and After the Yintao Project in Baicaoyuan， Loess Plateau

Automated Identification of InSAR Deformation Concentration Zones for Landslide Hazards Using Spearman Coefficient Filtering and HNSW-DBSCAN Clustering

Related Author

LI Hongjie

LI Linze

MA Yanfei

ZHANG Ning

ZHOU Kangchi

CHEN Ming

CHANG Ming

YIN Daolong

Related Institution

State Key Laboratory of Geohazard Prevention and Geoenvironment Protection, Chengdu University of Technology

Laboratory of Landslide Risk Early‑Warning and Control, Ministry of Emergency Management

College of Hydraulic and Environmental Engineering, China Three Gorges University

School of National Safety and Emergency Management, Beijing Normal University

China Geological Environment Monitoring Institute

AI问答

⁰