隆星宇 李輝 白雪山 翟星 王賢敏 潘怡

摘要：

針對植被茂密且地形陡峭地區(qū)的人工滑坡隱患識別難題，提出了耦合變化檢測與深度學習的人工滑坡隱患自動識別思路，構建了由影像光譜、NDVI、土地利用、高程、坡度和地表覆被變化組成的隱患識別指標體系，建立深度學習卷積神經(jīng)網(wǎng)絡CNN算法，并在植被茂密、地形陡峭的河北省涉縣、邢臺縣和寬城縣等地區(qū)進行了應用驗證，自動識別出2016～2020年間出現(xiàn)的人工滑坡隱患134處。目視驗證和野外調查驗證結果表明：該方法識別精度為91.9%，F(xiàn)1分數(shù)值為93.6%。此方法在廣袤地區(qū)具有普適性，為滑坡隱患自動識別提供了新思路，為人類工程活動的合理規(guī)劃提供了科學依據(jù)。

關 鍵 詞：

人類工程活動； 滑坡隱患； 滑坡識別； 遙感影像； 數(shù)字高程模型； 卷積神經(jīng)網(wǎng)絡； 變化檢測

中圖法分類號： P237；P642.22

文獻標志碼： A

DOI：10.16232/j.cnki.1001-4179.2023.07.016

0 引 言

近年來，隨著城市化進程加快，人工滑坡（人類工程活動誘發(fā)的滑坡）災害隱患為城鎮(zhèn)智慧化建設和社會經(jīng)濟可持續(xù)發(fā)展帶來了巨大的風險和挑戰(zhàn)，如特大型深圳光明滑坡導致73人死亡、4人失蹤，直接經(jīng)濟損失8.81億元［1］。誘發(fā)滑坡隱患的人類工程活動主要包括削坡建房和削坡修路，通過開挖山體，形成高陡人工邊坡，破壞了坡體的穩(wěn)定性，在降雨、融雪、地震、地下水等外力作用下，易發(fā)生滑坡。此外，斜坡上的工程建設增加了坡體的荷載，在建設過程中產(chǎn)生的棄渣，未經(jīng)夯實、堆積過高、范圍過大，亦可能導致滑坡災害［2-3］。因此，亟需開展針對人工滑坡隱患的自動識別方法研究，及時采取有效防治措施，從源頭上化解滑坡災害風險，規(guī)避巨大損失，并且為合理指導人類工程活動和城市化發(fā)展提供科學依據(jù)。

目前滑坡隱患識別主要采用InSAR或LiDAR技術。鐘儲漢等［4］采用SBAS-InSAR方法提取黑方臺地區(qū)地表形變速率，根據(jù)地表形變特征，識別滑坡隱患。戴可人等［5］利用時序InSAR技術，在雅礱江流域雅江縣-木里縣段的高山峽谷區(qū)域成功識別出8處隱患。Fobert等［6］借助InSAR調查多米尼加地區(qū)的邊坡滑動前狀況，發(fā)現(xiàn)坡度較緩的黏土質邊坡比坡度較陡的在滑動前有更強的變形運動；同時，使用連續(xù)的高分辨率SAR數(shù)據(jù)識別和監(jiān)測活動邊坡，用于驗證和更新當?shù)氐幕乱装l(fā)性圖和滑坡編目，很好地協(xié)助了當?shù)氐姆罏臏p災工作。然而，在植被茂密、地形陡峭、地表變形劇烈的地區(qū)，InSAR技術會因失相干導致不能有效識別災害隱患［7-8］；而LiDAR技術價格昂貴，難以在大尺度區(qū)域廣泛開展監(jiān)測，且在植被茂密地區(qū)應用效果有限［9］。因此，亟需針對植被茂密、地形陡峭的廣袤地區(qū)，提出適用的滑坡隱患自動識別方法，將災害風險化解在萌芽狀態(tài)。此外，針對人工滑坡隱患這類特殊的城鎮(zhèn)災害隱患的識別，目前研究較少。針對現(xiàn)有研究的局限性，本文采用高分二號影像和數(shù)字高程模型（DEM）數(shù)據(jù)，提出了耦合變化檢測與深度學習的人工滑坡隱患自動識別新方法，應用于InSAR和LiDAR技術難以實施、植被茂密且地形陡峭的河北省三縣，以分析這些隱患的分布特征、類型、規(guī)模與威脅對象，以及導致這些隱患的人類工程活動類型，以期為滑坡隱患自動識別與合理的人類工程活動規(guī)劃提供新的思路。

1 研究區(qū)概況

研究區(qū)位置如圖1所示。河北省涉縣、邢臺縣和寬城滿族自治縣（以下簡稱“寬城縣”）地質復雜、地形陡峭。涉縣和邢臺縣位于太行山東麓，地勢西北高、東南低，地形復雜，峰巒疊嶂；寬城縣位于燕山山脈東段，全縣平均海拔300～400 m。

研究區(qū)地層主要由太古界和第四系地層組成。太古界地層以麻粒巖、片麻巖、變粒巖、斜長角閃巖、磁鐵石英巖、大理巖等為主，裂隙發(fā)育，易風化，強度低［10］；第四系松散堆積地層土體抗剪性差，易發(fā)生剪切破壞，土層沿著某個面產(chǎn)生與剪切方向一致的滑動，從而引發(fā)滑坡災害［11］。研究區(qū)地質構造復雜、斷裂發(fā)育、新構造活動較活躍，為地質災害的發(fā)生提供了條件。

研究區(qū)內礦產(chǎn)資源豐富，人類工程活動頻繁。2016～2020年，開展了大量道路、鐵路修建工程和城鎮(zhèn)建設項目。在山區(qū)工程建設中，如果開挖不穩(wěn)定斜坡，則坡腳會形成較大臨空面而造成巖土體失穩(wěn)，當達到臨界點時就可能產(chǎn)生巖崩或者滑坡災害。

研究區(qū)內人類活動導致災害隱患發(fā)育，然而植被覆蓋較茂盛，地形起伏較大，InSAR技術難以實施，人工滑坡隱患較難準確識別，制約了城鎮(zhèn)快速發(fā)展。

2 數(shù)據(jù)源

本文采用高分遙感影像和DEM數(shù)據(jù)開展人工滑坡隱患自動識別，如表1所列。其中，多時相高分二號影像用于：①? 開展2016～2020年地表覆被變化檢測，反映人類工程活動特征；②? 建立2016年與2020年歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）和土地利用信息，反映孕災和致災特征。DEM數(shù)據(jù)用于提取高程和坡度等地形特征，反映孕災環(huán)境特征。

變化檢測技術路線如圖2所示，通過構建變化檢測特征集，建立CNN模型，提取地表覆被變化。

3 研究方法

3.1 人類工程活動區(qū)域確定

3.1.1 基于CNN的地表覆被變化自動檢測

3.1.1.1 變化檢測特征集建立

變化檢測特征集包括影像光譜、NDVI和變化強度圖特征。光譜信息反映了地物類型的變化，NDVI反映了植被覆蓋的變化，變化強度圖反映了空間鄰域上地物的變化特征［12］。其中，變化強度圖由改進的RCVA（Robust change vector analysis）算法［12］生成。該算法能夠有效減少配準誤差的影響，從而提高變化檢測精度。

采用（2w+1）大小的移動窗口提取鄰近像元的光譜變化特征，計算過程分兩步。

（1） 獲取變化后影像x2中每點與變化前影像x1對應點鄰近像元內光譜差異值最小的點，計算差異影像d1；再通過變化前影像x1中每點與變化后影像x2對應點鄰近像元內光譜差異值最小的點，計算差異影像d2，如式（1） ～（2） 所示。

d1j，k=min（p∈［j-w，j+w］， q∈［k-w，k+w］）ni=1［xi2j，k-xi1p，q］2（1）

d2j，k=min（p∈［j-w， j+w］， q∈［k-w，k+w］）ni=1［xi1j，k-xi2p，q］2（2）

式中：d1（j，k）和d2（j，k）分別為差異影像d2和d1中（j，k）處的像元值；xi1和xi2分別為第i個波段遙感影像變化前與變化后的像素值。

（2） 根據(jù)式（3） 計算考慮鄰近像元信息的光譜變化強度圖（D）。

D=d2j，k d1j，k≥d2j，kd1j，k d1j，k＜d2j，k（3）

3.1.1.2 變化檢測CNN模型構建

CNN是由Lecun等［13］提出，包括局部感受野、權值共享和池化3個主要結構，以提高神經(jīng)網(wǎng)絡的預測性能［13］。局部感受野（或稀疏連通性）是指卷積層的節(jié)點僅與前一層的部分節(jié)點相連，以學習局部特征，從而減少網(wǎng)絡參數(shù)，提高學習效率［14］。權值共享意味著相同的參數(shù)可以用于多個函數(shù)，使參數(shù)數(shù)量減少，提高CNN的計算能力［15］。池化可以降低網(wǎng)絡的輸入維數(shù)和復雜性，不僅可以避免過擬合問題，還可以減少網(wǎng)絡的計算，提高CNN網(wǎng)絡的泛化能力和效率［16］。

本文建立的變化檢測CNN模型包括兩個卷積層、兩個池化層和一個全連接層，模型結構如圖2所示，輸入是大小為m×n行11列的變化檢測特征集，變化檢測特征集包括11個特征，其中光譜特征8個，NDVI特征2個，變化強度特征1個。第一層卷積核大小為5×1，進行初步變化特征提取，第二層卷積核大小為5×1，用于提取更深層的變化特征；每一層卷積后通過一個3×1的池化層進行特征降維，減少參數(shù)量以減少模型過擬合，提高模型效率；每一層池化后面添加一層dropout，減少模型過擬合［17］。全連接層用于將卷積層學習到的變化特征映射到變化樣本標記空間，通過一個帶退出策略的softmax函數(shù)計算每個像素是變化區(qū)域的空間概率，進而得到1（變化）、0（未變化）的預測結果。此外，使用ReLU函數(shù)作為非線性激活函數(shù)，相比sigmoid、tanh等傳統(tǒng)激活函數(shù)，它具有計算簡單、有效緩解梯度消失和減少過擬合等優(yōu)點［18］，其函數(shù)表達式如式（4） 所示。

ReLUx=x? x≥00? x＜0（4）

根據(jù)變化強度圖結合目視解譯圈定研究區(qū)部分變化區(qū)域作為訓練數(shù)據(jù)，構建變化檢測數(shù)據(jù)集，選取其中70%作為訓練集，30%用做測試，調整參數(shù)，獲取最優(yōu)檢測模型。

3.1.2 人類工程活動區(qū)域識別

人類工程活動通常體現(xiàn)為地表覆被的變化，因此將變化檢測結果與2020年土地利用分類結果進行耦合分析，將農(nóng)業(yè)用地、林業(yè)用地、建筑用地、交通建設用地和水域及水利設施用地等地類中地表覆被變化的區(qū)域確定為人類工程活動區(qū)域。其中，土地利用分類采用多尺度分割算法［19］和CART決策樹算法［20］實現(xiàn)。

3.2 隱患識別指標集建立

選擇能夠反映滑坡災害隱患發(fā)育特征的指標，包括NDVI、變化檢測、土地利用類型、高程、坡度等，構建隱患識別指標集。①? NDVI指標：由于植被根系的固土作用和冠層遮擋降雨減少雨水入滲的作用，裸露坡體通常比有植被覆蓋的坡體更易發(fā)生水土流失和滑坡災害［21］，NDVI能夠反映地表植被覆蓋信息及滑坡隱患活動導致的裸地面積擴大。②? 變化檢測指標：變化檢測反映了人類工程活動區(qū)域和特征和滑坡隱患導致的地表覆被變化。③? 土地利用類型：土地利用類型反映了人類工程活動的類型，對河北省涉縣、邢臺縣等多個縣的野外實地調查表明，滑坡災害通常發(fā)生在道路和建筑附近的裸露地區(qū)，而在耕地、林地和水系及水利建設等土地類型上鮮有發(fā)生。④? 地形指標：滑坡通常發(fā)生在山區(qū)，發(fā)生在一定高度且坡度大于10°的地區(qū)［22］。

綜上，構建了包含2016年和2020年影像的單波段光譜特征（共8個波段）、2016年和2020年的NDVI、土地利用類型、高程、坡度和變化檢測結果等14個隱患識別指標的識別特征集。

3.3 人工滑坡隱患自動識別

根據(jù)建立的植被覆蓋、地表覆被變化、土地利用類型、地形等各類指標，同時綜合遙感影像的光譜特征，建立包括14個指標的隱患識別綜合指標集，構建CNN模型開展人工滑坡隱患自動識別，并采用數(shù)學形態(tài)學方法對識別結果進行優(yōu)化。人工滑坡隱患識別的技術路線如圖3所示。

建立的隱患識別CNN模型包括兩個卷積層、兩個池化層和一個全連接層。輸入為大小m×n×14的識別指標集，輸出為隱患（1）和非隱患（0）識別結果。算法思路與變化檢測CNN模型類似。根據(jù)歷史災害和已知的潛在隱患構建數(shù)據(jù)集，選取其中70%用于訓練模型，30%用于測試模型的性能和精度，調整參數(shù)，獲取最優(yōu)識別模型。

為了保障識別的隱患區(qū)域的連續(xù)性，同時消除一些無物理意義的破碎區(qū)域，采用二值形態(tài)學開運算［23］對隱患識別結果進行優(yōu)化。

對識別結果進行腐蝕，如式（5） 所示，其中“-”為腐蝕運算符，表示圖像A用卷積模板B進行腐蝕處理，計算覆蓋區(qū)域的像素點最小值，并用最小值替代參考點的像素值。

3.4 精度評價指標

采用精確率（Precision，P）［24］、F1分數(shù)［25］作為評價指標定量評價隱患識別的精度。精確率P的計算公式如式（7） 所示，其中，TP為正確識別隱患區(qū)域的數(shù)量，F(xiàn)P為錯誤識別隱患區(qū)域的數(shù)量，F(xiàn)N為正確識別的非隱患區(qū)域數(shù)量，P表示在隱患識別結果中正確識別的比例，R為召回率，如式（8） 所示。F1分數(shù)值是用來衡量二分類模型精確度的一種指標，如式（9） 所示。

P=TP/TP+FP（7）

R=TP/TP+FN（8）

F1=2·P·RP+R（9）

4 識別結果

選取研究區(qū)中3個典型區(qū)域展示滑坡隱患識別指標值，如圖4所示。由圖4的NDVI數(shù)據(jù)、變化檢測結果和土地利用類型數(shù)據(jù)可知，區(qū)域內的土地利用類型以林地和耕地為主，道路和建筑物多位于山谷處或開挖山體形成的坡腳位置，附近均為裸地區(qū)域。各區(qū)域均有明顯的地表覆被變化，基本表現(xiàn)為山體開挖導致的農(nóng)林業(yè)區(qū)域轉變?yōu)槁愕?、道路或建筑區(qū)域，結合土地利用類型發(fā)現(xiàn)這些地區(qū)表現(xiàn)為明顯的道路修建和房屋修建等人類工程活動。由圖4的高程與坡度數(shù)據(jù)可知，各隱患區(qū)域均位于山區(qū)，高程均在300 m以上，大部分地區(qū)坡度在10°以上。

河北省涉縣、邢臺縣和寬城縣3個區(qū)域的隱患自動識別結果如圖5所示，底圖為2020年的高分二號影像。共正確識別出人工滑坡隱患134處。為更清楚地顯示隱患識別結果，選取部分典型隱患區(qū)域疊加于3D谷歌影像上進行顯示，如圖6所示，圖中編號與圖5隱患編號相對應。圖7為邢臺縣典型隱患的遙感影像和實地拍攝照片，明顯看到有些隱患區(qū)域修建了護坡。通過目視驗證和實地驗證對隱患識別結果進行精度驗證，得到識別精度為91.9%，F(xiàn)1分數(shù)值為93.6%。識別結果顯示滑坡災害隱患均由交通建設和城鎮(zhèn)建設開挖山體導致，共同點在于均為工程建設活動開挖山體形成的高陡切坡，坡度均大于10°，坡腳存在較大臨空面，易造成巖體失穩(wěn)，形成危巖體，在其他外力（二次人類工程活動、持續(xù)性強降雨等）作用下可能產(chǎn)生滑坡（包括巖崩）災害。隱患主要分布在省道和縣道的山區(qū)路段兩側，部分位于山區(qū)鄉(xiāng)道以及居民房屋建筑附近，威脅對象為道路、通行車輛和房屋建筑。

根據(jù)導致滑坡隱患的人類工程活動類型和護坡修建情況得到隱患識別統(tǒng)計結果（見圖8），可見，97%（130個）的滑坡災害隱患位于道路兩側，僅有3%（4個）位于城鎮(zhèn)建筑附近，說明研究區(qū)導致滑坡隱患形成的人類工程活動大多為交通建設。對于未來的工程建設活動，應盡量避開山體開挖或合理進行山體開挖（開挖前進行地質穩(wěn)定性評估），若進行山體開挖形成高陡切坡，需及時評估其危險性，并進行相關治理工作。如圖8（b）所示，72%的隱患處未修建護坡，僅有28%的隱患處修建了護坡，說明尚未對研究區(qū)域內大部分切坡造成的隱患進行治理，存在發(fā)生災害的風險。對于已進行治理的切坡，仍需定期對治理工程進行檢查和加固。

5 討 論

5.1 基于時序InSAR的地表形變監(jiān)測

以寬城縣為例，開展基于時序InSAR技術的地表形變監(jiān)測。采用2018年6月3日至2020年7月31日32景Sentinel-1A升軌影像，基于SBAS-InSAR方法提取地表形變。由于滑坡通常發(fā)生于坡度大于10°的山區(qū)，因此對形變結果進行掩膜，僅保留坡度大于10°地區(qū)的形變，并與本文方法識別的滑坡隱患進行疊加（見圖9），底圖為寬城縣的山體陰影圖，圖中白色區(qū)域表示InSAR技術失相干或者為平原地區(qū)。寬城縣86.8%的區(qū)域出現(xiàn)失相干，不能提取到有效形變，且形變速率值較小，最大值為16 mm/a，形變存在不確定性。此外，62.5%的隱患均位于失相干地區(qū)。圖9中存在地表形變的地區(qū)主要有3類：①? 本文方法識別的滑坡災害隱患區(qū)；②? 不具有滑坡形貌特征，非滑坡隱患區(qū)；③? 與人類工程活動無關的地表形變區(qū)。因此，在植被茂密和地形陡峭的影響下，InSAR技術在研究區(qū)不能有效檢測到滑坡隱患，具有明顯局限性。

5.2 與其他機器學習算法比較

與2種經(jīng)典機器學習算法隨機森林（Random Forest，RF）和梯度提升樹（Gradient Boosting Decision Tree，GBDT）比較隱患識別精度，展示本文方法的優(yōu)勢。采用準確率（Accuracy）、精確率（Precision，P）、F1分數(shù)（F1-Score）、Kappa系數(shù)、均方誤差（RMSE）5個指標對模型的性能和精度進行評估，驗證精度如圖10所示，可見，本文提出的CNN算法的隱患識別精度明顯優(yōu)于RF和GBDT兩種機器學習算法。

6 結 論

本文提出了耦合變化檢測與深度學習的人工滑坡隱患自動識別新思路，在InSAR技術難以開展的植被茂密且地形陡峭的河北省涉縣、邢臺縣和寬城縣地區(qū)進行應用，取得了較好的識別效果，為滑坡隱患識別提供了新思路和新方法。研究主要得出以下結論。

（1） 變化檢測技術能夠提取人類工程活動導致的地表覆被變化地區(qū)，如削坡建房、削坡修路等人類工程活動變化區(qū)域，為人工滑坡隱患識別提供了有效靶區(qū)。

（2） 本文提出的耦合變化檢測和CNN的隱患識別方法，建立在滑坡災害隱患發(fā)生發(fā)育的孕災環(huán)境和致災因素上，綜合了隱患的活動性（面積擴張）、對植被的破壞、地形的控制作用以及人類工程活動誘發(fā)影響，取得了較好的識別結果，可應用于其他滑坡災害易發(fā)高發(fā)地區(qū)。

參考文獻：

［1］ 高楊.人工堆填體滑坡遠程滑動機理研究［D］.北京：中國地質大學（北京），2018.

［2］ 汪潮，徐世光，李文堯，等.填土與切坡影響下滑坡的特征與防治［J］.低溫建筑技術，2016，38（2）：149-152.

［3］ 馮玉濤，牟海峰，周小平，等.堆積體陡斜坡路基滑坡機制及其處治對策［J］.災害學，2021，36（3）：57-59.

［4］ 鐘儲漢，王強，樊茜佑，等.InSAR技術在黑方臺滑坡隱患早期識別中的應用［J］.山西建筑，2021，47（16）：164-165.

［5］ 戴可人，鐵永波，許強，等.高山峽谷區(qū)滑坡災害隱患InSAR早期識別—以雅礱江中段為例［J］.雷達學報，2020，9（3）：554-568.

［6］ FOBERT M，SINGHROY V，SPRAY J.InSAR monitoring of landslide activity in Dominica［J］.Remote Sensing，2021，13（4）：815.

［7］ 劉國祥.InSAR應用實例及其局限性分析［J］.四川測繪，2005（3）：44-48.

［8］ MORETTO S，BOZZANO F，MAZZANTI P.The role of satellite InSAR for landslide forecasting：limitations and openings［J］.Remote Sensing，2021，13（18）：3735.

［9］ 劉世振，鄧建華，馮國正，等.機載LiDAR在山區(qū)型河道地形測繪中的適用性研究［J］.人民長江，2021，52（1）：108-113.

［10］ 羅靖筠，房浩，孫秀娟，等.河北省泥石流分布特征及防治對策［J］.中國地質災害與防治學報，2009，20（2）：31-35.

［11］ 王瑞豐，翟延亮，張寶君，等.基于GIS與AHP耦合技術的承德地區(qū)地質災害危害性評價［J］.現(xiàn)代地質，2021，160：1-12.

［12］ 張鑫龍，陳秀萬，李飛，等.高分辨率遙感影像的深度學習變化檢測方法［J］.測繪學報，2017，46（8）：999-1008.

［13］ LECUN Y，BOTTOU L，BENGIO Y.Gradient-based learning applied to document recognition［J］.Proceedings of the IEEE，1998，86（11）：2278-2324.

［14］ GOODFELLOW I，BENGIO Y，COURVILLE A.Deep learning［M］.Cambridge：MIT Press，2016.

［15］ LECUN Y，RANZATO M.Deep learning tutorial［C］∥IMLS.International Conference on Machine Learning（ICML′13），Atlanta：IMLS，2013.

［16］ LIU R，MENG G，YANG B，et al.Dislocated time series convolutional neural architecture：an intelligent fault diagnosis approach for electric machine［J］.IEEE Transactions on Industrial Informatics，2016，13（3）：1310-1320.

［17］ HINTON G E，SRIVASTAVA N，KRIZHEVSKY A，et al.Improving neural networks by preventing co-adaptation of feature detectors［J］.Computer Science，2012，3（4）：212-223.

［18］ NAIR V，HINTON G E.Rectified linear units improve restricted Boltzmann machines［C］∥IMLS.Proceedings of the 2010 International Conference on Machine Learning，Madison：Omnipres，2010.

［19］ TRIMBLE.eCognition developer 8.7：user guide［R］.Munich：Trimble Germany GmbH，2011.

［20］ BREIMAN L I，F(xiàn)RIEDMAN J H，OISHEN R A，et al.Classification and regression trees［J］.Biometrics，1984，40（3）：358.

［21］ 劉辰光.基于植被護坡的河道淺層滑坡防護技術［J］.水利科技與經(jīng)濟，2021，27（5）：55-59.

［22］ 廖代強，馬力.重慶市山體滑坡發(fā)生條件初步分析［C］∥中國氣象學會.新世紀氣象科技創(chuàng)新與大氣科學發(fā)展：中國氣象學會2003年年會“城市氣象與科技奧運”分會論文集，北京：氣象出版社，2003.

［23］ SERRA J.Image analysis and mathematical morpholog［M］.London：Academic Press，1982.

［24］ ZHU M.Recall，precision and average precision［D］.Waterloo：University of Waterloo，2004.

［25］ RIJSBERGEN C J V.Information retrieval［M］.London：Butterworth，1979.

（編輯：高小雲(yún)）

Automatic identification of engineering landslide hazards based on deep learning

LONG Xingyu1，2，LI Hui1，BAI Xueshan1，ZHAI Xing1，WANG Xianmin2，PAN Yi3

（1.Hebei Key Laboratory of Geological Resources and Environment Monitoring and Protection，Hebei Survey Institute of Environmental Geology，Shijiazhuang 050000，China； 2.Institute of Geophysics and Geomatics，China University of Geosciences，Wuhan 430074，China； 3.Hebei Vocational College of Geology，Shijiazhuang 050000，China）

Abstract：

Aiming at the problem of engineering landslide hazard identification in dense vegetation and steep terrain areas，an automatic identification idea of engineering landslide hazard by coupling change detection and deep learning was proposed.The hazard identification index system composed of image spectrum，NDVI，land use，elevation，slope and surface coverage vegetation change was constructed，and a deep learning convolutional neural network CNN algorithm was established.The application verification was carried out in Shexian County，Xingtai County and Kuancheng County of Hebei Province with dense vegetation and steep terrain，and 134 hidden dangers of engineering landslide hazards from 2016 to 2020 were automatically identified.The results of visual verification and field investigation showed that the recognition accuracy of this method was 91.9%，and the F1 score was 93.6%.This method is universal in the vast area，which can provide a new idea for the automatic identification of landslide hazards and a scientific basis for the rational planning of human engineering activities.

Key words：

human engineering activity；landslide hazard；landslide hazard identification；remote sensing image；digital elevation model；convolutional neural network；change detection