近日，在可持续发展大数据国际研究中心（SDG中心）SDG11案例项目的支持下，SDG中心科研团队与香港中文大学教授马培峰团队在滑坡灾害评估方面，提出一种创新的空间上下文引导校准网络（SCGC-Net）模型，为基于多源遥感图像的滑坡灾害检测提供高效、稳健的解决方案。
近年来，随着全球气候变化和城市化进程的加速，滑坡灾害的频次和严重程度不断增加。及时准确地识别滑坡受灾区域对应急响应、灾害评估和灾后恢复至关重要。然而，基于实地调查和目视解译的传统方法往往耗时费力，难以满足大规模快速响应的需求。虽然高分辨率遥感图像为滑坡检测提供理想的数据源，但在实际应用中仍面临着多尺度特征提取、复杂环境适应和跨域泛化等重大挑战。
针对这些问题，研究团队提出了一种创新的空间上下文引导校准网络（SCGC-Net）模型，共包含三个核心模块：混合多尺度信息提取（HMIE）、上下文感知调制器（CAM）和渐进式空间上下文校准策略（PSCCS）。该模型通过创新性地结合Mamba和CNN架构，实现高效的全局-局部特征提取；采用动态特征调制机制，增强模型在不同地理环境下的适应能力；设计了精确的特征校准策略，显著提升边界分割和小尺度滑坡检测的准确性。
研究团队在CAS滑坡数据集、HR-GLDD和Bijie等多个代表性数据集上进行验证。验证结果表明，SCGC-Net在各项评估指标上都取得了最优表现：在CAS滑坡数据集上交并比达到87.85%，比第二好的Swin Transformer模型提高2.30%；在HR-GLDD数据集上的召回率和交并比分别超越第二高的VMamba和ConvNext模型1.88%和2.61%；在Bijie数据集上F1分数指标达到84.75%、交并比达到73.53%，相比第二好的ConvNext模型分别提高了2.08%和3.06%。在GVLM数据集上进行的泛化实验表明，SCGC-Net具有优异的域适应性，仅需1%的目标域数据即可实现稳定性能。
该研究在提升检测精度的同时，显著降低计算开销，为建立通用的滑坡灾害检测系统，提供重要的技术支持，对提升灾害应急响应能力具有重要意义。该成果也得到中国国家铁路集团有限公司重大科技项目资助。
研究成果“SCGC-Net: Spatial Context Guide Calibration Network for multi-source RSI Landslides detection”在期刊IEEE Transactions on Geoscience and Remote Sensing（TGRS）发表，SDG中心博士樊昱坤为第一作者，研究员张红为通讯作者。
论文链接：https://doi.org/10.1109/TGRS.2025.3528750
图1 SCGC-Net架构示意图
图2 滑坡数据集。(a) CAS数据集卫星图像示例，(b) CAS数据集无人机图像示例，(c) HR-GLDD数据集示例，(d)毕节数据集示例，(e)GVLM数据集示例。红色框表示遮蔽区域示例，蓝色框表示混淆因素示例
图3 对比实验结果
图4 泛化性实验评估
动态新闻