喀斯特地区占地球陆地表面的约12%（White, 2007），是生态脆弱的区域，具有独特的水文和地质系统。这些系统为人类活动和自然生态系统提供了重要的地下水资源。中国西南部被认为是全球喀斯特分布最集中和连贯的地区（White, 2007），该地区约有54万平方公里的碳酸盐岩露头，占该地区陆地面积的约45.2%（Wang et al., 2019）。自新生代以来，青藏高原的抬升使古老的碳酸盐岩（前寒武纪至三叠纪）暴露出来，受到侵蚀作用；同时东亚季风带来了温暖湿润的气候条件，促进了独特的锥形喀斯特地貌的发展。这些锥形喀斯特丘陵不仅分布在中国西南部，还延伸到东南亚，包括越南、泰国和马来西亚等地（Zhu et al., 2013）。
锥形喀斯特丘陵由水平排列的碳酸盐岩构成，通常具有发育良好的地表喀斯特带和地层内的裂缝（Dai et al., 2023）。降水迅速渗透通过这些地表喀斯特带，导致地表径流较少（Peng and Wang, 2012），从而形成了具有稳定坡度角（约37°）的独特地形。这进一步影响了喀斯特土壤的分布，导致土壤层薄、总土壤量有限以及明显的垂直分层（Dai et al., 2023）。锥形喀斯特丘陵的独特地貌使它们在生态上变得脆弱，加剧了岩石荒漠化和土地退化等问题。因此，识别和绘制这些地貌对于理解喀斯特生态系统的动态以及制定可持续的土地利用措施至关重要。在中国西南部，坡度占陆地表面的大约80%（Wang et al., 2019），支撑着大部分农业活动和人类居住区。准确识别锥形喀斯特丘陵对于环境管理至关重要，尤其是在土壤侵蚀、水资源保护和岩石荒漠化控制方面。
传统的识别和绘制锥形喀斯特丘陵的方法，包括野外调查和遥感图像的视觉解释（Xiong, 1992），虽然精度较高，但受到劳动力需求大、耗时长以及需要专业知识的限制，使其在大规模应用中效率低下（Zhao et al., 2017; Garajeh et al., 2022）。为了解决这些限制，利用数字高程模型（DEM）进行数字地形分析（DTA）已成为喀斯特地貌学研究中的关键工具（Chang et al., 2014; Huang et al., 2014; Garcia and Grohmann, 2019）。DTA利用坡度、地形崎岖度和曲率等地形因素来描绘喀斯特景观的空间分布和形态特征。基于DEM的分析的最新进展促进了复杂喀斯特特征识别方法的发展，包括多深度阈值分析和形态测量技术（Huang et al., 2014; Liang and Xu, 2014; Meng et al., 2018; Yang et al., 2019）。例如，de Carvalho Júnior等人（2014）将洼地深度提取与形态测量分析和视觉解释相结合，建立了洼地识别的定量阈值。Moreno-Gomez等人（2019）通过他们的多深度阈值方法改进了这种技术，用于喀斯特洼地的绘制。Meng等人（2018）结合了从DEM派生的等高线、坡度和质心数据与基于对象的图像分析（OBIA），以区分凤林和凤丛喀斯特地貌。Yang等人（2019）通过应用变分分析窗口方法，结合Thiessen多边形和复杂分组分析，进一步推进了这一领域的研究。
尽管有这些技术进步，但由于锥形喀斯特丘陵地形复杂不规则，当前的DTA技术在准确表征这些地貌方面仍面临重大挑战。虽然现有方法在提取和分类更广泛的喀斯特地貌单元（如凤林和凤丛）方面表现出有效性（Meng et al., 2018; Yang et al., 2019），但它们往往难以从这些聚合的地貌类型中区分和提取单个锥形喀斯特丘陵。锥形丘陵在峰群中的形态连续性和空间邻近性，加上它们相似的地形特征，给自动化提取带来了巨大挑战。目前的方法主要依赖于通用的地形参数和区域尺度分析，经常无法从密集的空间排列中分离出单独的锥形特征。这一局限性突显了喀斯特地貌分析中的一个关键空白，强调了需要更精细的方法来有效分离和表征这些复杂喀斯特地形中的单个锥形喀斯特丘陵。
近年来，深度学习方法，特别是卷积神经网络（CNN），在地貌学测绘中展现了巨大潜力，因为它们能够自动从数据中提取和学习复杂特征。U-Net和DeepLab V3+等架构在各种地貌分类任务中取得了高精度，包括识别中国的多种地貌（Du et al., 2019; Yang et al., 2023）、黄土地貌（Li et al., 2020）和短暂性沟壑（Liu et al., 2022; Chen et al., 2024）。值得注意的是，这些模型已被应用于识别喀斯特特征，如天坑和锥形喀斯特区域（Zhu et al., 2020; Fu et al., 2021; Rafique et al., 2022）。例如，Fu等人（2021）引入了一种改进的分割方法，使用DeepLab V3+对中国荔波地区的锥形喀斯特地貌进行分类，结合了Landsat光学图像和DEM数据。Yavariabdi等人（2023）开发了SinkholeNet，这是一种弱监督学习框架，结合RGB和坡度数据来分类和定位航拍图像中的天坑。da Rocha Nunes de Castro等人（2024）通过比较不同的DEM和地貌测量属性，评估了深度学习模型在巴西巴伊亚西部识别喀斯特洼地的有效性。然而，将这些模型应用于识别单个锥形喀斯特丘陵的研究仍然不足。以往的研究主要集中在更广泛的喀斯特特征上，如天坑或大规模的锥形喀斯特区域，而不是更具体和较小规模的单个锥形喀斯特丘陵。此外，喀斯特化强度的高变异性以及洼地和丘陵的共存增加了提取过程的复杂性。这一文献空白突显了需要创新方法来准确识别锥形喀斯特丘陵和其他难以用传统方法区分的复杂地貌。
为了解决这一研究空白，本研究旨在通过整合多源数据（包括DEM、地形衍生因素（如坡度、曲率和局部起伏）和高分辨率遥感图像与先进的深度学习模型，开发一个强大的框架来识别和绘制单个锥形喀斯特丘陵。具体来说，本研究提出使用U-Net和DeepLab V3+架构从多通道数据集中分类和分割锥形喀斯特丘陵，并重点探讨不同数据组合对这些模型性能的影响。
本研究的关键创新基于文献中发现的局限性和进展，包括：1）结合地形（如DEM衍生的地形因素）和光谱（如多光谱或高光谱图像）数据以增强特征表示并提高模型性能，并系统地测试不同的数据组合（如仅DEM、仅图像、DEM+地形因素、DEM或地形因素+图像）和模型配置，以确定喀斯特丘陵分类的最佳设置。2）调整U-Net和DeepLab V3+架构以应对锥形喀斯特丘陵识别的独特挑战，如高空间破碎度和形态变异性。这建立在Fu等人（2021）和Yavariabdi等人（2023）的工作基础上，他们展示了深度学习在喀斯特特征识别方面的潜力，但没有专注于单个锥形喀斯特丘陵。3）建立了一个系统化的、可扩展的工作流程，用于识别和绘制单个锥形喀斯特丘陵，该流程可以适应其他复杂地貌特征。此外，创建了一个高质量的、带注释的锥形喀斯特丘陵数据集，以支持未来的喀斯特地貌学和深度学习应用研究。
通过利用深度学习技术和多源数据融合，本研究推动了喀斯特地貌识别的最新进展，提供了一种可扩展、可靠的大规模地貌分析方法。所提出的框架不仅填补了深度学习在锥形喀斯特丘陵测绘应用中的关键空白，还为管理和保护这些脆弱生态系统提供了实用工具，最终支持喀斯特地区的可持续发展。
