摘要
滑坡易发性评估（LSA）对于区域滑坡风险评价和缓解策略的制定至关重要。以往的研究大多采用单一尺度的特征，而滑坡的形成受到多尺度因素的影响，因此多尺度信息的提取更为合适。本研究提出了一种深度学习框架，该框架结合了多尺度和注意力机制来进行基于对象的滑坡易发性评估。多尺度网络在不同尺度上提取地理环境特征，这些特征通过多头注意力机制（MSMHA）和挤压-激发机制（MSSE）输入到注意力网络中，以增强相关特征并抑制不相关特征。最后，将提取的特征融合用于分类和预测。在香港的一个案例研究中，使用了9,814起滑坡事件和11个影响因素，比较了基于CNN的方法和基于机器学习的方法。结果表明，所提出的MSMHA（曲线下面积AUC为0.91）和MSSE（AUC为0.90）的性能优于传统方法（例如，随机森林的AUC为0.86；多层感知器和支持向量机的AUC为0.85；DenseNet的AUC为0.86；CNN的AUC为0.88；VGG的AUC为0.87；GoogLeNet和ResNet的AUC为0.81）。基于CNN的方法优于基于机器学习的方法，这表明结合邻域信息可以提高模型性能。通过比较分析验证了MSMHA生成的易发性地图的合理性。结果证实，所提出的多尺度与注意力机制结合的框架始终优于传统的单一尺度方法。同样重要的是，该案例研究为香港提供了先进的基于CNN的滑坡易发性地图，这些地图可以作为区域滑坡风险管理和针对性缓解策略制定的关键参考。
