基于多特征交叉融合孪生网络的SAR影像地震滑坡识别

陈立福; 金昱忱; 李振洪; 宋闯; 王小华; 陈昊达; 刘亚武; 赵俊淇

doi:10.13203/j.whugis20230479

您当前的位置：

首页 >

文章列表页 >

基于多特征交叉融合孪生网络的SAR影像地震滑坡识别

摄影测量与遥感 | 更新时间：2026-11-05

- 基于多特征交叉融合孪生网络的SAR影像地震滑坡识别
- SAR Image Earthquake Landslide Recognition Based on Multi-feature Cross-Fused Siamese Network
- 武汉大学学报（信息科学版） 2025年50卷第5期页码：917-927
- 作者机构：
  
  1.长沙理工大学电气与信息工程学院，湖南长沙，410004
  2.长安大学地质工程与测绘学院，陕西西安，710054
  3.长安大学地学与卫星大数据研究中心，陕西西安，710054
  4.自然资源部生态地质与灾害防控重点实验室，陕西西安，710054
  5.西部矿产资源与地质工程教育部重点实验室，陕西西安，710054
- 作者简介：
  
  陈立福，博士，副教授，主要从事SAR智能感知方面的研究。lifu_chen@csust.edu.cn
  李振洪，博士，教授。zhenhong.li@chd.edu.cn
- 基金信息：
  
  西部矿产资源与地质工程教育部重点实验室开放基金(300102263506);湖南省教育厅重点项目(24A0247);国家自然科学基金(42304029);深空探测省部共建协同创新开放课题(SKTC202301;SKTC202203)
- DOI：10.13203/j.whugis20230479
  中图分类号： P237
- 收稿：2024-01-26，
  
  纸质出版：2025-05-05
- 稿件说明：
移动端阅览
陈立福,金昱忱,李振洪，等.基于多特征交叉融合孪生网络的SAR影像地震滑坡识别[J].武汉大学学报（信息科学版）,2025,50(5):917-927.

CHEN Lifu,JIN Yuchen,LI Zhenhong,et al.SAR Image Earthquake Landslide Recognition Based on Multi-feature Cross-Fused Siamese Network[J].Geomatics and Information Science of Wuhan University,2025,50(5):917-927.
陈立福,金昱忱,李振洪，等.基于多特征交叉融合孪生网络的SAR影像地震滑坡识别[J].武汉大学学报（信息科学版）,2025,50(5):917-927. DOI：10.13203/j.whugis20230479

CHEN Lifu,JIN Yuchen,LI Zhenhong,et al.SAR Image Earthquake Landslide Recognition Based on Multi-feature Cross-Fused Siamese Network[J].Geomatics and Information Science of Wuhan University,2025,50(5):917-927. DOI：10.13203/j.whugis20230479

摘要

由地震引发的群发性大规模地震滑坡是一类非常严重的震后次生灾害，会造成严重的人员伤亡和巨大的经济财产损失。地震发生后迅速准确地识别出这些地震滑坡，可为国家应急部门评估灾害程度和制定救灾措施提供非常重要的信息指导。合成孔径雷达（synthetic aperture radar，SAR）具有全天时、全天候成像特性，但由于地震滑坡背景极为复杂，在SAR影像中特征不显著，因此目前识别效果较差。对此，提出一个使用SAR图像进行滑坡识别的差异特征与聚合特征交叉融合孪生网络。该网络由编码-解码结构组成，编码器采用孪生结构的特征提取网络对地震前后的SAR图像进行不同分辨率的特征提取；解码器中通过构建多尺

度差异特征和聚合特征生成模块，对不同尺度地震滑坡的特征图进行差异提取与特征聚合，以此来充分表征地震滑坡特性。并通过提出的多特征交叉融合模块对不同尺度的聚合特征和差异特征进行密集连接逐层解码，提升细节特征与语义特征的提取性能，最终得到识别结果。利用Sentinel-1数据对巴布亚新几内亚地震和中国西藏米林地震滑坡进行了实验，独立测试实验的滑坡识别精度为：查准率分别为70.75%和76.52%，召回率分别为60.92%和71.20%，

1分数分别为65.46%和74.03%，总体准确率分别为91.00%和86.14%。利用该网络，地震滑坡发生后可利用SAR影像迅速识别滑坡区，进行灾害应急响应。

Abstract

Objectives

Earthquake-induced mass landslides are a severe type of secondary disaster following earthquakes

causing significant casualties and substantial economic losses. Rapidly and accurately identifying these earthquake-induced landslides after an event is crucial for national emergency departments to assess disaster severity and formulate relief measures. Although synthetic aperture radar (SAR) offers all-time

all-weather imaging capabilities

its effectiveness in identifying landslides is currently limited due to the complexity of the background and the less prominent features of landslides in SAR images.

Methods

This paper proposes a siamese network for landslide identification in SAR images

named the difference and aggregated feature cross fusion siamese network (DACS-Net). This network

composed of an encoder-decoder structure

utilizes a siamese feature extraction network in the encoder to extract features of pre- and post-earthquake SAR images at different resolutions. In the decoder

multi-scale difference feature and aggregated feature generation modules are constructed to perform difference extraction and feature aggregation for landslide feature maps at different scales

fully representing the characteristics of earthquake-induced landslides. The proposed multi-feature cross-fusion module densely connects and decodes different scales of aggregated and difference features layer by layer

enhancing the extraction of detail and semantic features

leading to the identification results.

Results

Experiment utilized Sentinel-1 data on earth

quake-triggered landslides in Papua New Guinea and Milin

results show that the proposed method could effectively identify earthquake-induced landslides. The landslide identification precision could reached 70.75% and 76.52%

recall were 60.92% and 71.20%

1 score were 65.46% and 74.03%

and overall accuracy were 91.00% and 86.14%.

Conclusion

By utilizing this network

achievements have been made in the recognition of landslides in SAR images

enhancing the practical application value of deep learning networks in landslide detection. This holds significant importance for disaster emergency response.

关键词

Keywords

references

HU X ， WANG T ， PIERSON T C ， et al . Detecting Seasonal Landslide Movement Within the Cascade Landslide Complex （Washington） Using Time-Series SAR Imagery ［J］. Remote Sensing of Environment ， 2016 ， 187 ： 49 - 61 .

BRAGAGNOLO L ， REZENDE L R ， da SILVA R V ， et al . Convolutional Neural Networks Applied to Semantic Segmentation of Landslide Scars ［J］. CATENA ， 2021 ， 201 ： 105189 .

张成龙，李振洪，张双成，等 . 综合遥感解译2022年Mw 6.7青海门源地震地表破裂带［J］. 武汉大学学报（信息科学版）， 2022 ， 47 （ 8 ）： 1257 - 1270 .

ZHANG Chenglong ， LI Zhenhong ， ZHANG Shuangcheng ， et al . Surface Ruptures of the 2022 Mw 6.7 Menyuan Earthquake Revealed by Integrated Remote Sensing ［J］. Geomatics and Information Science of Wuhan University ， 2022 ， 47 （ 8 ）： 1257 - 1270 .

VINHOLI J G ， SILVA D ， MACHADO R ， et al . CNN-Based Change Detection Algorithm for Wavelength-Resolution SAR Images ［J］. IEEE Geoscience and Remote Sensing Letters ， 2020 ， 19 ： 4003005 .

REN W L ， SONG J S ， ZENG J ， et al . A Novel Asymmetrical Probability Density Function for Modeling Log-Ratio SAR Images ［J］. IEEE Geoscience and Remote Sensing Letters ， 2016 ， 13 （ 3 ）： 369 - 373 .

BAZI Y ， BRUZZONE L ， MELGANI F . An Unsupervised Approach Based on the Generalized Gaussian Model to Automatic Change Detection in Multitemporal SAR Images ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2005 ， 43 （ 4 ）： 874 - 887 .

MOSER G ， SERPICO S B . Generalized Minimum-Error Thresholding for Unsupervised Change Detection from SAR Amplitude Imagery ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2006 ， 44 （ 10 ）： 2972 - 2982 .

BRUZZONE L ， PRIETO D F . Automatic Analysis of the Difference Image for Unsupervised Change Detection ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2000 ， 38 （ 3 ）： 1171 - 1182 .

OTSU N . A Threshold Selection Method from Gray-Level Histograms ［J］. IEEE Transactions on Systems， Man， and Cybernetics ， 1979 ， 9 （ 1 ）： 62 - 66 .

YETGIN Z . Unsupervised Change Detection of Satellite Images Using Local Gradual Descent ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2012 ， 50 （ 5 ）： 1919 - 1929 .

GHOSH A ， MISHRA N S ， GHOSH S . Fuzzy Clustering Algorithms for Unsupervised Change Detection in Remote Sensing Images ［J］. Information Sciences ， 2011 ， 181 （ 4 ）： 699 - 715 .

KRINIDIS S ， CHATZIS V . A Robust Fuzzy Local Information C -Means Clustering Algorithm ［J］. IEEE Transactions on Image Processing ， 2010 ， 19 （ 5 ）： 1328 - 1337 .

CHEN L F ， CAI X M ， XING J ， et al . Towards Transparent Deep Learning for Surface Water Detection from SAR Imagery ［J］. International Journal of Applied Earth Observation and Geoinformation ， 2023 ， 118 ： 103287 .

CAI X M ， CHEN L F ， XING J ， et al . Automatic Extraction of Layover from InSAR Imagery Based on Multilayer Feature Fusion Attention Mechanism ［J］. IEEE Geoscience and Remote Sensing Letters ， 2021 ， 19 ： 4017705 .

KHELIFI L ， MIGNOTTE M . Deep Learning for Change Detection in Remote Sensing Images： Comprehensive Review and Meta-Analysis ［J］. IEEE Access ， 2020 ， 8 ： 126385 - 126400 .

CHEN L F ， LUO R ， XING J ， et al . Geospatial Transformer Is What You Need for Aircraft Detection in SAR Imagery ［J］. IEEE Transactions on Geoscience and Remote Sensing ， 2022 ， 60 ： 5225715 .

ZHANG P Z ， GONG M G ， SU L Z ， et al . Change Detection Based on Deep Feature Representation and Mapping Transformation for Multi-Spatial-Resolution Remote Sensing Images ［J］. ISPRS Journal of Photogrammetry and Remote Sensing ， 2016 ， 116 ： 24 - 41 .

WANG Q ， ZHANG X D ， CHEN G Z ， et al . Change Detection Based on Faster R-CNN for High-Resolution Remote Sensing Images ［J］. Remote Sensing Letters ， 2018 ， 9 （ 10 ）： 923 - 932 .

GAO F ， WANG X ， GAO Y H ， et al . Sea Ice Change Detection in SAR Images Based on Convolutional-Wavelet Neural Networks ［J］. IEEE Geoscience and Remote Sensing Letters ， 2019 ， 16 （ 8 ）： 1240 - 1244 .

WANG Y ， WANG X F ， JIAN J F . Remote Sensing Landslide Recognition Based on Convolutional Neural Network ［J］. Mathematical Problems in Engineering ， 2019 ， 2019 （ 1 ）： 8389368 .

YI Y N ， ZHANG W C . A New Deep-Learning-Based Approach for Earthquake-Triggered Landslide Detection from Single-Temporal RapidEye Satellite Imagery ［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing ， 2020 ， 13 ： 6166 - 6176 .

GAO X ， CHEN T ， NIU R Q ， et al . Recognition and Mapping of Landslide Using a Fully Convolutional DenseNet and Influencing Factors ［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing ， 2021 ， 14 ： 7881 - 7894 .

NAVA L ， MONSERRAT O ， CATANI F . Improving Landslide Detection on SAR Data Through Deep Learning ［J］. IEEE Geoscience and Remote Sensing Letters ， 2021 ， 19 ： 4020405 .

NAVA L ， BHUYAN K ， MEENA S R ， et al . Rapid Mapping of Landslides on SAR Data by Attention U-Net ［J］. Remote Sensing ， 2022 ， 14 （ 6 ）： 1449 .

梁哲恒，黎宵，邓鹏，等 . 融合多尺度特征注意力的遥感影像变化检测方法［J］. 测绘学报， 2022 ， 51 （ 5 ）： 668 - 676 .

LIANG Zheheng ， LI Xiao ， DENG Peng ， et al . Remote Sensing Image Change Detection Fusion Method Integrating Multi-scale Feature Attention ［J］. Acta Geodaetica et Cartographica Sinica ， 2022 ， 51 （ 5 ）： 668 - 676 .

DAUDT R C ， SAUX B L ， BOULCH A . Fully Convolutional Siamese Networks for Change Detection ［C］// The 25th IEEE International Conference on Image Processing （ICIP）， Athens， Greece ， 2018 .

CHEN J ， YUAN Z Y ， PENG J ， et al . DASNet： Dual Attentive Fully Convolutional Siamese Networks for Change Detection in High-Resolution Satellite Images ［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing ， 2020 ， 14 ： 1194 - 1206 .

HE K M ， ZHANG X Y ， REN S Q ， et al . Identity Mappings in Deep Residual Networks ［C］// European Conference on Computer Vision ， Cham， Switerland ， 2016 .

ZHUANG H F ， FAN H D ， DENG K Z ， et al . A Spatial-Temporal Adaptive Neighborhood-Based Ratio Approach for Change Detection in SAR Images ［J］. Remote Sensing ， 2018 ， 10 （ 8 ）： 1295 .

GONG M G ， CAO Y ， WU Q D . A Neighborhood-Based Ratio Approach for Change Detection in SAR Images ［J］. IEEE Geoscience and Remote Sensing Letters ， 2012 ， 9 （ 2 ）： 307 - 311 .

RONNEBERGER O ， FISCHER P ， BROX T . U-Net： Convolutional Networks for Biomedical Image Segmentation ［C］// Medical Image Computing and Computer-Assisted Intervention ， Lausanne，Switzerland ， 2015 .

ZHOU Z W ， SIDDIQUEE M M R ， TAJBAKHSH N ， et al . UNet++： A Nested U-Net Architecture for Medical Image Segmentation ［C］// Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support ， Cham， Switzerland ， 2018 .

FANG S ， LI K Y ， SHAO J Y ， et al . SNUNet-CD： A Densely Connected Siamese Network for Change Detection of VHR Images ［J］. IEEE Geoscience and Remote Sensing Letters ， 2021 ， 19 ： 8007805 .

TANYAŞ H ， HILL K ， MAHONEY L ， et al . The World’s Second-Largest， Recorded Landslide Event： Lessons Learnt from the Landslides Triggered During and After the 2018 Mw 7.5 Papua New Guinea Earthquake ［J］. Engineering Geology ， 2022 ， 297 ： 106504 .

KONG Y Y ， LIU Y J ， YAN B Y ， et al . A Novel DeepLabV3+ Network for SAR Imagery Semantic Segmentation Based on the Potential Energy Loss Function of Gibbs Distribution ［J］. Remote Sensing ， 2021 ， 13 （ 3 ）： 454 .

陈立福，龙凤琪，李振洪，等 . 面向多源 SAR 图像的多级特征注意力水体提取网络［J］. 武汉大学学报（信息科学版）， 2023 ， DOI： 10.13203/J.whugis20230041 http://dx.doi.org/10.13203/J.whugis20230041 .

CHEN Lifu ， LONG Fengqi ， LI Zhenhong ， et al . Multi-level Feature Attention Fusion Network for water extraction from multi-source SAR images ［J］. Geomatics and Information Science of Wuhan University ， 2023 ， DOI： 10.13203/J.whugis20230041 http://dx.doi.org/10.13203/J.whugis20230041 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

DCMR-Net：一种面向复杂噪声地震记录的多尺度残差去噪网络

多模态遥感影像匹配进展与展望：从传统模式到深度学习

基于滞后衰减效应与主控因子筛选策略的库岸滑坡位移预测模型

朝向感知与量化集成的屋顶光伏潜力估算方法

基于卷积神经网络的地理空间域计算强度预测与分解方法