遥感滑坡检测的机器学习与深度学习方法综述：最新技术与未来方向

本文回顾了利用机器学习和深度学习进行遥感方法进行滑坡检测的方法，并特别关注了过去几年中用于滑坡检测和易发性评估的最新技术，并对那些在未来几年可能有潜力但仍需要进一步改进的方法进行了评论。根据本研究的文献调查，需要探索数据增强技术来人为地增加样本数量，以及适用于滑坡识别的合适神经网络（层数）。参考文献80建议分析更有效的深度结构来从多源遥感数据中检测滑坡。参考文献75建议利用基于对象的CNN方法进行滑坡检测，利用具有明确边界的基于对象的分割，并根据分层补丁动态确定最佳窗口大小。参考文献132建议探索耦合集成机器学习技术用于滑坡灾害评估。随后，需要探索具有不同训练和测试比例的模型性能评估，而不仅仅是标准比例（70/30）。研究人员一直在努力提取地形因素（如海拔、坡度角、剖面曲率和平面曲率等）和遥感影像来区分滑坡区域与其他类型的物体。在复杂地区（例如雨林）中检测没有特定形状和光谱特征的滑坡，结合来自不同模态的特征是有益的。在解决这个问题时，基于对象和基于像素的技术都存在限制。我们进一步的研究将着重于在山区应用Mask RCNN进行滑坡检测，并随后探索迁移学习在滑坡检测和易发性评估中的性能。