多源异构特征融合框架：用于识别青藏高原上的退化性融冻滑坡

《Remote Sensing of Environment》：Multi-source heterogeneous feature fusion framework for identifying retrogressive thaw slumps on the Qinghai-Tibet plateau

　　

曾涛瑞|肖峰|赖元明|托马斯·格莱德

摘要

由于退化性融冻滑坡（RTSs）复杂的形态特征及其与周围景观之间的微妙光谱差异，准确检测这些滑坡仍然是一个重大挑战。本研究提出了一个基于深度学习的框架，通过整合多源遥感数据来提高RTS的识别能力。以青藏高原中部永久冻土为主的区域为研究对象，我们进行了三项开创性的研究：（i）结合地形、环境、光谱和热数据分析，详细统计了RTS的时空分布规律；（ii）全面评估了十二种领先的语义分割模型在RTS识别中的表现；（iii）开发了一种创新的FusionSA-SegFormer模型，该模型采用光学、光谱、热力和地形遥感数据的双层（像素级和特征级）异构特征融合方法。研究结果表明，RTS主要分布在海拔4700–4800米范围内、坡度为3–7度的区域，以及中坡到山谷地带，且靠近水体的地方更为常见。从2019年到2024年，RTS的活跃演化表现为植被指数的持续下降和地表温度的上升。模型对比显示，SA-SegFormer是效果最佳的基线模型。在此基础上，改进后的FusionSA-SegFormer在验证集上的IoU提高了8.8%，召回率提高了10.9%，在测试集上的F1分数达到了0.843（精确度：0.838，召回率：0.899）。关键的是，独立的空间和时间迁移性评估证实了该框架在未见区域和不同年份下的良好泛化能力，保持了稳定的识别性能和较高的整体准确率（>0.90）。此外，特征重要性分析强调了光谱波段（尤其是蓝波段）的关键作用，同时热指数也做出了显著贡献。这项工作为永久冻土扰动的监测建立了新的基准，并为变暖气候下的热喀斯特动态研究提供了有价值的工具。