Geosci. Front. | 深度学习赋能低分辨率图像下的高精度滑坡识别：Dove2WV-LandslideNet

本文针对中分辨率卫星影像在滑坡识别中存在的边界模糊和面积高估问题，提出了一种名为Dove2WV-LandslideNet的深度学习级联框架。研究背景是滑坡作为山区常见地质灾害，快速准确识别对灾情评估至关重要，但现有高精度识别依赖昂贵的WorldView等高分辨率影像，而低成本的中分辨率影像（如Dove、Sentinel-2）虽易获取但分辨率不足。研究目的是开发一种能从低分辨率影像中高精度识别滑坡的技术方法。该框架首先利用基于残差通道注意力网络（RCAN）的超分辨率网络，将3米分辨率的Dove影像重建为0.48米分辨率影像，以增强滑坡边界和纹理细节；随后将超分辨率影像输入基于U-Net的分割模型进行自动识别。研究选取中国香港西贡和粉岭地区进行验证，结果表明，与原始Dove影像及其他超分辨率方法相比，RCAN在超分辨率评价指标和滑坡识别任务中表现最佳，在西贡测试区平均Dice系数达到0.81，在粉岭应用区为0.76，显著提升了识别精度。结论认为，该方法降低了对昂贵高分辨率影像的依赖，为基于中分辨率遥感数据开展低成本、高频率、高精度滑坡监测提供了可行路径。