整合可解释性深度学习与时序InSAR的露天矿滑坡隐患增强检测

研究背景

露天矿在采动、水文、地质等多源因素耦合作用下，滑坡隐患呈现出分布范围广、在采场边坡处聚集分布等特点。其InSAR形变信号与背景环境相似，导致现有检测算法容易产生误判或漏判。

同时，滑坡隐患的多源触发机制与检测模型的"黑箱"特性之间的矛盾，削弱了检测结果的可解释性，限制了现有模型在矿区中的应用。

核心创新

InSAR数据集构建

利用SBAS-InSAR技术反演年均形变速率及时间序列，引入地理环境相似性准则优化数据集空间分布

综合识别方法

基于InSAR形变信息和光学影像形态特征构建综合识别方法，快速识别潜在滑坡隐患

SHAP特征优化

利用SHAP技术优选关键孕灾因素，构建SHAP-RF/SVM模型生成滑坡易发性区划图

风险感知机制

提出融合易发性分区的机理驱动空间先验项与梯度调控策略，构建风险感知监督惩罚机制

技术方法

01 数据集构建与优化

基于Sentinel-1A SAR影像（2020年1月-2022年1月）进行SBAS-InSAR处理
引入地理环境相似性准则（综合地理位置相似度和特征相似度）优化样本分布
构建包含936张正样本和1162张负样本的平衡数据集

02 可解释性易发性评估

从地形、地质、水文、人类活动4个方面收集13个致灾因素
利用SHAP技术量化各因子对易发性评估的边际贡献
构建SHAP-RF模型，AUC值达到0.98

03 改进YOLOv5n模型

以YOLOv5n为基线模型，引入LSM作为空间机理先验引导项
设计基于L_CIoU-risk和L_VFL-risk的风险感知监督惩罚机制
实现不同风险区域预测框的梯度反馈强度自适应调节

关键发现

95.9%

mAP50

比YOLOv5提高8.76%

91.7%

F1分数

比Attention U-Net提高10.11%

SHAP特征优化成果

识别出沉降速率、距断层距离、距河流距离、人口空间分布为影响滑坡的关键因子

空间一致性验证

检测结果与易发性评估结果表现出高度空间一致性，验证了模型的可解释性

模型轻量化

模型内存降低4.47%，以更轻量的架构实现更高检测精度

实验验证

模型性能对比

模型	mAP50	mAP50:95	F1分数	召回率	准确率
YOLOv5	87.5%	64.2%	83.2%	75.1%	64.7%
YOLOv5n	88.3%	64.5%	89.8%	81.3%	85.4%
Attention U-Net	86.2%	59.8%	73.2%	71.6%	59.6%
Improved-YOLOv5n	95.9%	65.7%	91.7%	77.8%	88.9%

迁移性验证

在辽宁省鞍山市大孤山露天矿进行迁移验证：

mAP50达到89.7%
F1分数达到88.3%
验证了模型在不同矿区环境中的稳定性和泛化能力

研究意义与贡献

理论创新

首次将滑坡易发性评估结果作为空间先验引导项融入深度学习模型
构建基于SHAP的可解释性特征优化策略
提出风险感知监督惩罚机制，实现模型训练的机理可解释建模

技术突破

解决了弱目标样本识别难题，降低漏检率和虚警率
实现不同风险区域的差异化梯度反馈
模型轻量化的同时提升检测精度

应用价值

为露天矿山滑坡隐患自动探测提供切实可靠的技术支持
提升矿区安全监测的效率和准确性
为地质灾害精准防控提供科学依据

未来展望

扩大数据集覆盖范围，评估模型在更多矿区的性能
延长监测周期，实现长期演化滑坡隐患的识别
探索多源SAR数据融合的应用潜力

关键结论

SHAP技术不仅量化了各因子对滑坡易发性评估的贡献度，还揭示了其在空间分布和影响强度上的差异。沉降速率、距断层距离、距河流距离和人口空间分布是影响滑坡的关键因子。

Improved-YOLOv5n模型内存降低4.47%，以更轻量的架构实现了更高的检测精度。mAP50、F1分数分别达到95.9%和91.7%，比其他代表性模型至少提高了8.76%和10.11%。

模型在大孤山露天矿的迁移验证中取得了89.7%的mAP50和88.3%的F1值，展现出较好的泛化能力和实际应用潜力。

本研究框架从数据集和模型可解释性两方面提升了检测性能，通过构建风险感知监督惩罚机制，使模型具备更强的结构可解释性与地学机理一致性。

整合可解释性深度学习与
时序InSAR的露天矿
滑坡隐患增强检测