同震滑坡的智能化提取是地震后应急救援和风险评估的重要手段.然而,具有相似光谱特征的道路和裸地等地面物体总是干扰同震滑坡的精准遥感提取,从而使得现有方法难以快速和准确地收集同震滑坡信息并评估其影响.为提高同震滑坡提取的准确度,本研究提出了一种基于多种滑坡识别特征数据集的深度学习模型(ENVINet5＿MF)用以自动提取同震滑坡. ENVINet5＿MF在构建的过程中结合了滑坡增益指数(LGI),该指数能够扩大同震滑坡与裸地和道路之间的特征差异,有利于消除来自裸地和道路对同震滑坡提取的干扰.利用多时相Planet Scope图像,以日本北海道同震滑坡和中国米林同震滑坡为研究对象,分别在这两个区域进行了同震滑坡智能化提取实验.提取结果和方法性能评估表明ENVINet5＿MF取得了比对比方法更加优异的性能,即ENVINet5＿MF检测到的同震滑坡与地面参考数据最吻合,并且ENVINet5＿MF的精度高于对比方法以及耗时最短.本研究提出的ENVINet5＿MF大大提高了同震滑坡提取的准确性,为同震滑坡提取提供了一种高效的方法,可满足同震滑坡灾害的快速响应.
