多源域迁移学习驱动的复杂跨区域滑坡敏感性建模：MDACNN方法创新与灾害防控应用

为解决"无样本"区域滑坡敏感性评估难题，研究团队创新性提出多源域自适应卷积神经网络(MDACNN)，通过整合双源域知识实现复杂大尺度区域的跨区域滑坡敏感性制图(LSM)。该模型采用1D-CNN特征提取与MMD域对齐策略，在东南沿海三县案例中较单源域TCA模型平均提升指标16.58%，显著降低预测偏差，为地质灾害防控提供可靠科技工具。

　　

在全球气候变化和人类活动加剧的背景下，滑坡灾害已成为威胁生态平衡和人类安全的重大地质问题。传统滑坡敏感性评估高度依赖目标区域的历史灾害记录，但对于缺乏样本数据的"无样本"区域，现有评估方法面临严峻挑战。虽然基于单源域的特征迁移学习(TL)方法如转移成分分析(TCA)能部分解决该问题，但随着研究区域扩大，滑坡类型和触发机制的多样性导致单源域知识迁移存在显著性能退化。这一领域亟需能整合多区域灾害特征的新型评估方法。

针对这一科学难题，中国的研究团队在《Geoscience Frontiers》发表了创新性研究成果。该研究选取福建德化县(源域A)、大田县(源域B)和尤溪县(目标域C)三个地质条件复杂、滑坡频发的相邻县域作为案例区，提出多源域自适应卷积神经网络(MDACNN)。该方法通过双源域知识融合，有效解决了复杂大尺度区域滑坡敏感性制图(LSM)中的域特征偏移问题。

研究采用三项关键技术方法：首先利用1D-CNN从10个滑坡诱发因子(包括高程、坡度、NDVI等)中提取多层次特征；其次通过最大均值差异(MMD)度量实现源域与目标域的特征对齐；最后构建基于多源交叉熵损失的分类器集成系统。特别地，为解决目标域无标签样本问题，创新性采用TCA-RF模型生成伪样本驱动模型训练。

研究结果部分包含重要发现：

"域特征分布对比"显示，MDACNN使源域与目标域的特征偏差平均改善41.22%，显著优于TCA的18.77%。通过t-SNE可视化可见，处理后源域特征既保持独立性又与目标域形成良好重叠。

"模型性能评估"表明，MDACNN的准确率(0.89)、精确率(0.84)和召回率(0.92)全面超越单源域TCA模型，AUC值达0.93。特别是在B-C迁移场景中，较单源域模型平均提升指标16.58%。

"跨区域LSM制图"成果显示，MDACNN生成的灾害风险图中，极高风险区仅占1.31%却包含69.28%的历史滑坡，频率比(Fr)高达52.89，远优于TCA模型的4.21-175.9。这种"高风险小范围，低风险大范围"的理想分布模式，证实了模型的实际应用价值。

讨论部分深入阐释了三个创新点：在"复杂目标域特征对齐"方面，MDACNN通过1D-CNN的非线性映射能力，解决了传统方法在复杂地质条件下的特征适配局限；"多源域知识集成"机制使模型能综合判断临界样本，减少单源域导致的误判；"优化LSM制图"结果表明，该方法生成的灾害分区更符合"高风险区高度集中"的防灾需求。

该研究的科学意义在于：首次将多源域迁移学习引入地质灾害评估领域，提出的MDACNN框架为"无样本"区域的灾害预警提供了新范式。实践层面，模型输出的高精度风险图为地方政府制定"靶向防控"策略提供了科学依据。未来研究可进一步探索多时相数据融合和三维卷积网络的应用，以提升模型在动态风险评估中的表现。