滑坡智能识别｜遥感卫星无人机多源影像数据集｜深度学习语义分割开源基准

滑坡智能识别｜遥感卫星无人机多源影像数据集｜深度学习语义分割开源基准

地质灾害应急监测正从人工目视解译迈向AI自动化解译，滑坡识别作为地质灾害防控核心环节，面临样本稀缺、场景单一、尺度不均、标注粗糙四大痛点，严重制约模型泛化与工程落地。本项目发布多区域、多分辨率、高精度标注滑坡遥感数据集，配套完整深度学习训练推理代码，为科研与工程提供开箱即用的基准方案，助力滑坡智能识别技术快速迭代。

数据集信息

• 数据规模：20,865张高分辨率遥感影像，总容量8.55GB
• 覆盖区域：9大典型滑坡灾区，含国内外地震诱发滑坡场景
• 影像来源：PlanetScope、SuperView-1、GF-1卫星+无人机航拍
• 分辨率：0.2m/0.5m/0.6m/1.0m多尺度覆盖
• 标准格式：512×512像素TIFF格式，RGB三波段
• 标注体系：分类标签+像素级掩码，适配语义分割/目标检测
• 应用方向：滑坡识别、灾害清单制图、语义分割模型训练

区域与数据明细

目录结构

landslide-remote-sensing-dataset/ ├── README.md # 说明文档 ├── images/ # 原始影像（TIFF） ├── masks/ # 像素级掩码 ├── labels/ # 分类标签 ├── splits/ # 训练/验证/测试划分 ├── code/ │ ├── dataset.py # 数据加载 │ ├── model.py # 网络定义 │ ├── train.py # 训练脚本 │ ├── infer.py # 推理脚本 │ └── utils.py # 工具函数 └── docs/ # 技术文档

深度学习核心代码

# -*- coding: utf-8 -*-""" @主题 遥感滑坡语义分割标准训练流程 @场景 适配卫星+无人机多源数据，解决小目标/边缘模糊/样本不均衡 @框架 PyTorch + segmentation_models_pytorch @数据 本项目512×512 TIFF，像素级掩码标注 """importosimporttorchimporttorch.nnasnnimportalbumentationsasAfromalbumentations.pytorchimportToTensorV2fromtorch.utils.dataimportDataset,DataLoaderimportsegmentation_models_pytorchassmpfromtqdmimporttqdmimportcv2importnumpyasnp# ====================== 1. 全局配置（滑坡场景优化）======================DEVICE="cuda"iftorch.cuda.is_available()else"cpu"IMG_SIZE=512IN_CHANNELS=3NUM_CLASSES=1LEARNING_RATE=1e-4BATCH_SIZE=8EPOCHS=50DATA_ROOT="./"IMG_DIR=os.path.join(DATA_ROOT,"images")MASK_DIR=os.path.join(DATA_ROOT,"masks")# ====================== 2. 数据增强（遥感滑坡专用）======================# 保留地物纹理/坡度信息，避免畸变导致边界误判train_transform=A.Compose([A.Resize(IMG_SIZE,IMG_SIZE),A.HorizontalFlip(p=0.5),A.VerticalFlip(p=0.5),A.RandomRotate90(p=0.5),A.Normalize(mean=(0.485,0.456,0.406),std=(0.229,0.224,0.225)),ToTensorV2()])val_transform=A.Compose([A.Resize(IMG_SIZE,IMG_SIZE),A.Normalize(mean=(0.485,0.456,0.406),std=(0.229,0.224,0.225)),ToTensorV2()])# ====================== 3. 数据集加载（适配TIFF与掩码）======================classLandslideDataset(Dataset):def__init__(self,img_dir,mask_dir,transform=None):self.img_paths=sorted([os.path.join(img_dir,f)forfinos.listdir(img_dir)iff.endswith(".tif")])self.mask_paths=sorted([os.path.join(mask_dir,f)forfinos.listdir(mask_dir)iff.endswith(".tif")])self.transform=transformdef__len__(self):returnlen(self.img_paths)def__getitem__(self,idx):img=cv2.imread(self.img_paths[idx])img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)mask=cv2.imread(self.mask_paths[idx],cv2.IMREAD_GRAYSCALE)mask=(mask>0).astype(np.float32)# 二值化：滑坡=1，背景=0ifself.transform:augmented=self.transform(image=img,mask=mask)img=augmented["image"]mask=augmented["mask"].unsqueeze(0)returnimg,mask# ====================== 4. 模型构建（U-Net+ResNet34，兼顾精度速度）======================model=smp.Unet(encoder_name="resnet34",encoder_weights="imagenet",in_channels=IN_CHANNELS,classes=NUM_CLASSES,activation="sigmoid").to(DEVICE)# ====================== 5. 损失函数（解决滑坡样本不均衡）======================# 混合Dice+BCE，降低背景主导、提升滑坡边界召回率loss_fn=smp.losses.DiceLoss(smp.losses.BINARY_MODE)+smp.losses.BCELoss()# ====================== 6. 优化器与指标======================optimizer=torch.optim.AdamW(model.parameters(),lr=LEARNING_RATE)scheduler=torch.optim.lr_scheduler.CosineAnnealingLR(optimizer,T_max=EPOCHS)metrics=[smp.metrics.IoU(threshold=0.5)]# ====================== 7. 训练&验证核心逻辑======================deftrain_one_epoch(model,loader,loss_fn,optimizer,device):model.train()total_loss=0forimg,maskintqdm(loader):img,mask=img.to(device),mask.to(device)pred=model(img)loss=loss_fn(pred,mask)optimizer.zero_grad()loss.backward()optimizer.step()total_loss+=loss.item()returntotal_loss/len(loader)defval_one_epoch(model,loader,loss_fn,metrics,device):model.eval()total_loss=0total_metrics={m.__name__:0forminmetrics}withtorch.no_grad():forimg,maskintqdm(loader):img,mask=img.to(device),mask.to(device)pred=model(img)loss=loss_fn(pred,mask)total_loss+=loss.item()forminmetrics:total_metrics[m.__name__]+=m(pred,mask).item()returntotal_loss/len(loader),{k:v/len(loader)fork,vintotal_metrics.items()}# ====================== 8. 启动训练======================if__name__=="__main__":train_ds=LandslideDataset(IMG_DIR,MASK_DIR,train_transform)train_loader=DataLoader(train_ds,batch_size=BATCH_SIZE,shuffle=True)val_loader=DataLoader(train_ds,batch_size=BATCH_SIZE,shuffle=False)forepochinrange(EPOCHS):train_loss=train_one_epoch(model,train_loader,loss_fn,optimizer,DEVICE)val_loss,val_metrics=val_one_epoch(model,val_loader,loss_fn,metrics,DEVICE)scheduler.step()print(f"Epoch{epoch+1:2d}| TrainLoss:{train_loss:.4f}| ValLoss:{val_loss:.4f}| IoU:{val_metrics['iou_score']:.4f}")torch.save(model.state_dict(),"landslide_segmentation_best.pth")

技术优势

1. 多源融合：卫星+无人机互补，覆盖广域与精细场景
2. 尺度齐全：0.2m–1m分辨率，适配大/中/小尺度滑坡
3. 标注精准：像素级掩码，直接训练主流分割模型
4. 工程友好：标准格式、目录清晰、开箱即用
5. 泛化性强：多区域多地貌，提升模型跨区域迁移能力

典型应用方向

• 地震/降雨诱发滑坡快速识别与提取
• 地质灾害风险区划与监测预警
• 遥感AI语义分割模型训练与 benchmark
• 应急测绘、灾害评估、灾后重建规划

使用说明

1. 下载数据集，按标准目录放置
2. 配置环境：pip install torch segmentation-models-pytorch albumentations opencv-python tqdm
3. 调整路径与超参数，运行train.py启动训练
4. 用infer.py对新影像批量推理输出滑坡掩码
   
   

标签

#遥感影像 #滑坡识别 #语义分割 #深度学习 #无人机航拍 #地质灾害 #数据集 #PyTorch #U-Net #智能解译