PyTorch CNN遥感滑坡识别：小样本、多光谱与距离场监督

简介：本资源是一套基于PyTorch实现的遥感图像滑坡识别系统，面向地理信息科学、遥感技术及人工智能交叉领域的高校学生与科研初学者，解决地质灾害智能解译中的关键识别问题。压缩包共15个文件，含7个核心Python脚本（涵盖数据预处理、模型训练、预测推理等完整流程）、1个预训练.pth模型、1个类别映射json文件、1份README说明文档及3个备份文件，整体大小为103.2MB，结构规范、注释详尽，开箱即可复现实验。已有99人学习下载，适合作为课程设计范例或科研入门参考。用户可直接运行predict.py进行滑坡区域识别，借助train.py复现97分高分成果；编码器-解码器结构设计、多光谱特征提取策略及跨季节/光照条件的数据集组织方式，显著提升了模型泛化能力，为CV与地学融合应用提供了可复用的技术路径。

1. 为什么遥感图像里的滑坡，用CNN+PyTorch做识别反而比YOLO系更稳？

你手上有Sentinel-2或GF-2的遥感影像，分辨率在2–10米之间，想自动圈出潜在滑坡体——不是泛泛的“地表变化”，而是具备明确几何形态（弧形后缘、侧向擦痕、堆积扇）、光谱异常（裸土/碎石高反射、植被覆盖缺失）和空间上下文（常沿坡脚、沟谷、断层带分布）的典型滑坡。这时候，直接上YOLOv8或RT-DETR做目标检测，大概率会翻车：小目标漏检严重（一个滑坡在10米分辨率图上可能仅占3×3像素）、类内差异极大（雨季泥流型 vs 干季岩崩型滑坡纹理天差地别）、背景干扰强（裸岩、采矿迹地、干涸河床与滑坡光谱高度重叠）。而基于PyTorch框架的CNN深度学习遥感图像滑坡识别系统，走的是另一条路：不强行框出边界，而是用全卷积结构对每个像素做语义判别，再通过形态学后处理提取连通区域——它把问题从“找框”降维成“判质地”，把遥感解译专家的经验，编码进网络的多尺度感受野与通道注意力中。这套方案适合地质调查单位、应急减灾部门、以及高校遥感AI方向的研究生：数据量不大（500–2000张标注图即可启动）、显存占用可控（单卡3090可训ResNet34 backbone）、结果可解释性强（Grad-CAM热力图能直观反馈模型关注了滑坡的后缘还是堆积体）。它不追求实时性，但求一次推理就给出可信的滑坡空间分布概率图——这才是野外核查前最需要的“初筛地图”。

2. 从原始遥感影像到可训练标签：数据预处理的三道硬关

滑坡识别不是拿RGB图直接喂网络。遥感影像自带辐射畸变、云雾遮挡、时相不一致等“原生缺陷”，必须过三道预处理关，否则再好的CNN也会学偏。

2.1 多光谱波段对齐与大气校正：别让NDVI失真毁掉整个训练

Sentinel-2有13个波段，但滑坡识别真正依赖的是B04（红）、B08（近红外）、B11（短波红外1）、B12（短波红外2）。这四个波段必须严格配准——哪怕0.5像素偏移，计算出的NDVI（(B08-B04)/(B08+B04)）就会在滑坡边缘产生虚假梯度。我们不用ENVI或ArcGIS桌面版，而是用rasterio+opencv写轻量级对齐脚本：

import rasterio import numpy as np from rasterio.warp import reproject, Resampling from skimage.registration import phase_cross_correlation def align_bands(ref_path: str, target_path: str, output_path: str): """用相位互相关法对齐两景影像，ref为参考波段（如B08），target为待对齐波段""" with rasterio.open(ref_path) as src_ref: ref_data = src_ref.read(1) profile = src_ref.profile.copy() with rasterio.open(target_path) as src_tar: tar_data = src_tar.read(1) # 计算亚像素级偏移 shift, _, _ = phase_cross_correlation(ref_data, tar_data, upsample_factor=10) # 用opencv做仿射变换（比scipy.ndimage更抗锯齿） from cv2 import warpAffine, getRotationMatrix2D h, w = tar_data.shape M = np.float32([[1, 0, shift[1]], [0, 1, shift[0]]]) aligned = warpAffine(tar_data, M, (w, h), flags=cv2.INTER_CUBIC) # 更新profile并写入 profile.update(dtype=rasterio.float32, count=1) with rasterio.open(output_path, 'w', **profile) as dst: dst.write(aligned.astype(np.float32), 1) # 示例：对齐B04到B08 align_bands("S2_B08.tif", "S2_B04.tif", "S2_B04_aligned.tif")

注意：此脚本要求两景影像已做地理配准（同一坐标系、相同分辨率）。若原始数据含云，先用sen2cor或acolite做大气校正——跳过这步，B11/B12波段的亮温值会漂移，导致滑坡碎石与裸岩无法区分。

2.2 滑坡标注规范：为什么不能只画多边形，而要生成距离场标签？

传统语义分割标注（如LabelMe导出的polygon JSON）直接转mask，会丢失滑坡的关键空间特征：滑坡体不是均匀块状，其后缘陡坎、侧向剪切带、前缘堆积扇具有不同纹理响应。我们采用距离场标签（Distance Field Label）：对每个滑坡多边形，计算其内部所有像素到最近边界的欧氏距离，再归一化到[0,1]。这样网络不仅能学“是/否滑坡”，还能隐式学习滑坡的几何完整性。

import cv2 import numpy as np from shapely.geometry import Polygon import geopandas as gpd def polygon_to_distance_field(geojson_path: str, image_shape: tuple, pixel_size: float = 10.0) -> np.ndarray: """将GeoJSON中的滑坡多边形转为距离场图（单位：米）""" gdf = gpd.read_file(geojson_path) h, w = image_shape dist_map = np.zeros((h, w), dtype=np.float32) # 创建空栅格，用GDAL或rasterio更准，此处简化用OpenCV mask = np.zeros((h, w), dtype=np.uint8) for geom in gdf.geometry: if isinstance(geom, Polygon): # 将地理坐标转像素坐标（需已知影像仿射变换矩阵） # 此处假设已做坐标转换，points为[(x1,y1), (x2,y2), ...]像素坐标 points = np.array([(int(x), int(y)) for x, y in geom.exterior.coords], dtype=np.int32) cv2.fillPoly(mask, [points], 1) # 计算距离变换（cv2.DIST_L2 = 欧氏距离） dist = cv2.distanceTransform(mask, cv2.DIST_L2, 3) # 转为物理距离（米）：像素距离 × 地面采样距离 dist_meters = dist * pixel_size return dist_meters # 生成距离场标签（用于损失函数） dist_label = polygon_to_distance_field("landslide.geojson", (512, 512)) np.save("dist_label.npy", dist_label) # 后续训练时加载

提示：距离场标签不替代原始二值mask，而是作为辅助监督信号。最终训练时，主损失用Dice Loss（针对二值mask），辅损失用L1 Loss（预测距离图 vs 真实距离图），两者加权比设为0.7:0.3——这是我们在川西滑坡数据集上验证过的稳定配比。

2.3 数据增强策略：针对遥感特性的“非对称增强”

遥感影像不能套用自然图像的增强逻辑。比如随机水平翻转对滑坡无效（滑坡无左右对称性），但沿坡向的仿射扭曲却至关重要——因为同一滑坡在不同坡度影像中形态差异极大。我们定制了三类增强：

def remote_sensing_augment(image: np.ndarray, mask: np.ndarray) -> tuple: """image: (H,W,4) float32, mask: (H,W) uint8""" h, w = image.shape[:2] # 1. 坡向仿射扭曲（只影响x方向，y方向保持重力一致性） shear_x = np.random.uniform(-0.1, 0.1) M_shear = np.array([[1, shear_x, 0], [0, 1, 0]], dtype=np.float32) image = cv2.warpAffine(image, M_shear, (w, h), flags=cv2.INTER_CUBIC) mask = cv2.warpAffine(mask, M_shear, (w, h), flags=cv2.INTER_NEAREST) # 2. 光谱扰动 for c in range(4): # B04,B08,B11,B12 noise = np.random.normal(0, 0.05, size=(h,w)) image[:,:,c] = np.clip(image[:,:,c] * (1 + noise), 0, 1) gamma = np.random.uniform(0.8, 1.2) image[:,:,c] = np.power(image[:,:,c], gamma) # 3. 云雾模拟 if np.random.rand() > 0.5: overlay = np.zeros((h,w), dtype=np.float32) center_x = np.random.randint(50, w-50) center_y = np.random.randint(50, h-50) radius_x = np.random.randint(30, 200) radius_y = np.random.randint(20, 100) cv2.ellipse(overlay, (center_x, center_y), (radius_x, radius_y), 0, 0, 360, 0.3, -1) image = np.clip(image + overlay[:,:,None] * 0.3, 0, 1) return image, mask

血泪经验：不做坡向扭曲增强，模型在雅安震区数据上F1-score掉12%；但若shear_y也随机，模型会把平缓坡面误判为滑坡——重力方向是滑坡识别的物理锚点，绝不能破坏。

3. PyTorch CNN主干选型：为什么ResNet34比ViT-L/ConvNeXt更适配滑坡小样本

选主干不是比参数量，而是看它能否在有限数据下，稳定捕获滑坡的“低阶纹理+中阶形态+高阶上下文”。我们实测了5种主流backbone，在相同训练配置（200 epoch, batch=8, AdamW）下于自建川西滑坡数据集（1200张标注图）上的mIoU：

ResNet34胜出的核心原因有三：
第一，残差连接天然抑制遥感噪声放大。滑坡边缘常被云影、阴影干扰，ResNet的short-cut让梯度绕过噪声敏感层，避免反向传播时把阴影误学为滑坡特征；
第二，34层深度恰够建模滑坡多尺度：Stage1（7×7 conv）抓裸土/碎石基底纹理，Stage2–3（3×3 conv堆叠）建模后缘弧形与侧向擦痕，Stage4（全局平均池化前）整合坡脚-沟谷-断层带的空间上下文；
第三，预训练权重迁移效率高。ImageNet预训练的ResNet34，其Stage1–2的卷积核对遥感红/近红外波段有强泛化性——我们冻结Stage1–2，只微调Stage3–4，50 epoch就能达到满训效果。

import torch import torch.nn as nn from torchvision.models import resnet34 class LandslideCNN(nn.Module): def __init__(self, num_classes=1, pretrained=True): super().__init__() # 加载ImageNet预训练ResNet34 self.backbone = resnet34(pretrained=pretrained) # 冻结Stage1–2（layer1 & layer2），只微调layer3, layer4 for param in self.backbone.layer1.parameters(): param.requires_grad = False for param in self.backbone.layer2.parameters(): param.requires_grad = False # 替换FC层为1×1卷积，实现全卷积输出 self.head = nn.Sequential( nn.Conv2d(512, 256, 3, padding=1), nn.BatchNorm2d(256), nn.ReLU(inplace=True), nn.Conv2d(256, num_classes, 1) ) # 上采样到原图尺寸（双线性插值） self.upsample = nn.Upsample(scale_factor=32, mode='bilinear', align_corners=False) def forward(self, x): # x: (B,4,H,W) 四波段输入 # 经过ResNet34的layer1-layer4，得到C5特征图 (B,512,H/32,W/32) x = self.backbone.conv1(x) # 注意：原始ResNet34输入是3通道，需修改conv1 x = self.backbone.bn1(x) x = self.backbone.relu(x) x = self.backbone.maxpool(x) x = self.backbone.layer1(x) x = self.backbone.layer2(x) x = self.backbone.layer3(x) x = self.backbone.layer4(x) # (B,512,H/32,W/32) x = self.head(x) # (B,1,H/32,W/32) x = self.upsample(x) # (B,1,H,W) return torch.sigmoid(x) # 输出概率图 # 关键修改：适配4波段输入 model = LandslideCNN() # 替换conv1以支持4通道 model.backbone.conv1 = nn.Conv2d(4, 64, kernel_size=7, stride=2, padding=3, bias=False)

玄学但有效：把ResNet34的conv1从3通道改为4通道后，不要重新初始化权重，而是用torch.nn.init.kaiming_normal_按比例缩放原3通道权重，再补第4通道为均值——实测比全随机初始化mIoU高4.2%。原理是：原RGB权重已学得光谱响应先验，第4通道（短波红外）只需微调增益。

4. 滑坡识别专用损失函数：Dice Loss + 距离场L1 + 边界感知梯度惩罚

标准交叉熵损失在滑坡识别中失效：滑坡像素占比常<0.5%，模型倾向全预测为背景。我们设计三重损失协同约束：

4.1 主损失：Soft Dice Loss（防类别不平衡）

Dice系数本质是交并比的连续近似，对小目标更鲁棒：

$$ \mathcal{L}_{dice} = 1 - \frac{2 \sum p_i g_i + \epsilon}{\sum p_i^2 + \sum g_i^2 + \epsilon} $$

其中 $p_i$ 是预测概率，$g_i$ 是二值标签，$\epsilon=1e^{-5}$ 防除零。

def dice_loss(pred: torch.Tensor, target: torch.Tensor, smooth=1e-5) -> torch.Tensor: """pred: (B,1,H,W), target: (B,1,H,W)""" pred_flat = pred.view(pred.size(0), -1) target_flat = target.view(target.size(0), -1) intersection = (pred_flat * target_flat).sum(dim=1) dice = (2. * intersection + smooth) / ( pred_flat.sum(dim=1) + target_flat.sum(dim=1) + smooth ) return 1 - dice.mean() # 使用示例 pred = model(x) # (B,1,H,W) loss_dice = dice_loss(pred, mask_gt) # mask_gt为二值标签

4.2 辅损失：距离场L1 Loss（促几何完整性）

用2.2节生成的距离场标签 $d_{gt}$，监督网络预测的距离图 $d_{pred}$：

$$ \mathcal{L}{dist} = \frac{1}{N}\sum{i=1}^{N} |d_{pred,i} - d_{gt,i}| $$

def distance_field_loss(pred_dist: torch.Tensor, target_dist: torch.Tensor) -> torch.Tensor: """pred_dist: (B,1,H,W) 预测距离图，target_dist: (B,H,W) 真实距离图""" # 将target_dist扩展为(B,1,H,W) target_dist = target_dist.unsqueeze(1) return torch.mean(torch.abs(pred_dist - target_dist)) # 注意：需在模型head后加一个回归分支输出距离图 # head_dist = nn.Conv2d(256, 1, 1) # 单独分支 # dist_pred = self.head_dist(x) # (B,1,H/32,W/32) # dist_pred_up = self.upsample(dist_pred) # (B,1,H,W) # loss_dist = distance_field_loss(dist_pred_up, dist_gt)

4.3 边界感知梯度惩罚：让模型专注滑坡轮廓

滑坡识别成败在边缘。我们计算预测图的Sobel梯度幅值，并对真实滑坡边界区域施加额外惩罚：

$$ \mathcal{L}{edge} = \alpha \cdot \frac{1}{N{edge}} \sum_{i \in \text{boundary}} | \nabla p_i - \nabla g_i |^2 $$

其中 $\nabla$ 为Sobel算子，$N_{edge}$ 是边界像素数。

def sobel_edge_loss(pred: torch.Tensor, target: torch.Tensor, weight_edge: float = 0.5) -> torch.Tensor: """计算预测图与标签图的梯度差异，仅在标签边界区域计算""" # Sobel算子（PyTorch实现） sobel_x = torch.tensor([[-1,0,1],[-2,0,2],[-1,0,1]], dtype=torch.float32).view(1,1,3,3) sobel_y = torch.tensor([[-1,-2,-1],[0,0,0],[1,2,1]], dtype=torch.float32).view(1,1,3,3) pred_x = torch.nn.functional.conv2d(pred, sobel_x, padding=1) pred_y = torch.nn.functional.conv2d(pred, sobel_y, padding=1) pred_grad = torch.sqrt(pred_x**2 + pred_y**2) target_x = torch.nn.functional.conv2d(target, sobel_x, padding=1) target_y = torch.nn.functional.conv2d(target, sobel_y, padding=1) target_grad = torch.sqrt(target_x**2 + target_y**2) # 提取标签边界（膨胀-腐蚀） kernel = torch.ones(1,1,3,3) target_dilate = torch.nn.functional.conv2d(target, kernel, padding=1) > 0 target_erode = torch.nn.functional.conv2d(target, kernel, padding=1) == kernel.sum() boundary_mask = (target_dilate & ~target_erode).float() # 仅在边界区域计算梯度L2 loss edge_loss = torch.mean((pred_grad - target_grad)**2 * boundary_mask) return weight_edge * edge_loss # 总损失 total_loss = 0.7 * loss_dice + 0.2 * loss_dist + 0.1 * loss_edge

避坑 / 常见问题 / 排查
现象1：训练初期loss_dice下降快，但验证集mIoU停滞在50%以下
原因：距离场标签未归一化到[0,1]，导致loss_dist数值过大，压制了主损失梯度更新。
解决：在生成dist_label.npy时，统一除以最大距离值（如200米）：“dist_label = dist_label / dist_label.max()”。

现象2：预测结果出现大量离散噪点，而非连通滑坡区域
原因：loss_edge权重过高（>0.15），模型过度拟合边缘细节，牺牲了区域一致性。
解决：将weight_edge从0.5降至0.1，并在训练后期（epoch>150）线性衰减至0.05。

现象3：模型对云影区域产生高置信度误报
原因：光谱扰动增强中Gamma校正范围过大（γ>1.3），使云影亮度接近裸土。
解决：限制Gamma范围为[0.75,1.25]，并在数据增强中增加“云影掩膜”：用cv2.threshold提取云影区域，强制该区域预测为0。

现象4：验证集loss持续震荡，不收敛
原因：学习率固定为1e-4，未用余弦退火。ResNet34微调阶段需更精细的学习率调度。
解决：改用torch.optim.lr_scheduler.CosineAnnealingLR，T_max=200，η_min=1e-6。

现象5：单卡训练时GPU显存爆满，batch_size被迫设为2
原因：未启用torch.cuda.amp混合精度，且nn.Upsample默认使用float32插值。
解决：添加torch.cuda.amp.autocast()上下文管理器，并将upsample设为mode='bilinear'（已默认半精度友好）。

5. 滑坡后处理与结果验证：从概率图到可交付的矢量边界

CNN输出的是每个像素的滑坡概率图（0–1连续值），但业务方要的是.shp文件——包含ID、面积、高程、坡度等属性的矢量多边形。这中间需三步严谨后处理：

5.1 自适应阈值分割：不用固定0.5，而用Otsu+形态学优化

固定阈值0.5在滑坡识别中灾难性：雨季滑坡含水，反射率低，概率图整体偏暗；旱季则相反。我们用Otsu算法自动寻优，并叠加形态学闭运算消除孔洞：

import cv2 import numpy as np def adaptive_threshold(prob_map: np.ndarray, min_area_px: int = 50) -> np.ndarray: """prob_map: (H,W) float32 [0,1]""" # 转uint8便于Otsu prob_uint8 = (prob_map * 255).astype(np.uint8) # Otsu阈值 _, binary = cv2.threshold(prob_uint8, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) # 形态学闭运算（填充小孔洞） kernel = np.ones((5,5), np.uint8) closed = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel) # 移除小连通域（面积<min_area_px） num_labels, labels, stats, _ = cv2.connectedComponentsWithStats(closed, connectivity=8) filtered = np.zeros_like(closed) for i in range(1, num_labels): if stats[i, cv2.CC_STAT_AREA] >= min_area_px: filtered[labels == i] = 255 return filtered // 255 # 返回0/1二值图 # 示例 prob_output = pred.cpu().numpy()[0,0] # (H,W) binary_mask = adaptive_threshold(prob_output, min_area_px=100)

5.2 矢量化与属性注入：用GDAL生成带高程/坡度的.shp

仅转多边形不够，滑坡评估需地形属性。我们用GDAL读取DEM（数字高程模型）和坡度图，在矢量化时直接注入：

from osgeo import gdal, ogr, osr import numpy as np def mask_to_vector_with_attrs(binary_mask: np.ndarray, geo_transform: tuple, proj: str, dem_path: str, slope_path: str, output_shp: str): """binary_mask: (H,W) 0/1, geo_transform: GDAL仿射变换六元组""" # 1. 创建内存栅格并写入binary_mask driver = gdal.GetDriverByName('MEM') ds = driver.Create('', binary_mask.shape[1], binary_mask.shape[0], 1, gdal.GDT_Byte) ds.SetGeoTransform(geo_transform) ds.SetProjection(proj) ds.GetRasterBand(1).WriteArray(binary_mask) # 2. 栅格转矢量（GDAL Polygonize） srcband = ds.GetRasterBand(1) dst_layername = "landslide" drv = ogr.GetDriverByName('ESRI Shapefile') dst_ds = drv.CreateDataSource(output_shp) srs = osr.SpatialReference() srs.ImportFromWkt(proj) dst_layer = dst_ds.CreateLayer(dst_layername, srs=srs) dst_field = ogr.FieldDefn("DN", ogr.OFTInteger) dst_layer.CreateField(dst_field) gdal.Polygonize(srcband, None, dst_layer, 0, [], callback=None) # 3. 打开DEM和坡度图，采样每个多边形的统计值 dem_ds = gdal.Open(dem_path) slope_ds = gdal.Open(slope_path) dem_band = dem_ds.GetRasterBand(1) slope_band = slope_ds.GetRasterBand(1) # 为每个要素添加字段 area_field = ogr.FieldDefn("Area_m2", ogr.OFTReal) elev_mean = ogr.FieldDefn("Elev_Mean", ogr.OFTReal) elev_std = ogr.FieldDefn("Elev_Std", ogr.OFTReal) slope_mean = ogr.FieldDefn("Slope_Mean", ogr.OFTReal) dst_layer.CreateField(area_field) dst_layer.CreateField(elev_mean) dst_layer.CreateField(elev_std) dst_layer.CreateField(slope_mean) # 遍历要素，采样并写入属性 for feat in dst_layer: geom = feat.GetGeometryRef() # 获取多边形外包矩形，读取对应DEM/Slope窗口 env = geom.GetEnvelope() # (minX, maxX, minY, maxY) # ...（坐标转像素索引，读取窗口数据，计算统计量） # feat.SetField("Area_m2", area_value) # feat.SetField("Elev_Mean", elev_avg) # dst_layer.SetFeature(feat) dst_ds.Destroy() ds.Destroy() dem_ds.Destroy() slope_ds.Destroy()

提示：实际部署时，用rasterstats.zonal_stats()替代手动采样，代码更健壮：“stats = zonal_stats(vector_path, dem_path, stats=['mean', 'std'])”。

5.3 结果可信度验证：三指标交叉检验法

不靠单一mIoU，我们用三个独立指标验证结果可靠性：

def validate_landslide_vector(shp_path: str, fault_line_path: str, dem_path: str, sentinel_bands: dict) -> dict: """返回SCI, SA, MI三指标字典""" # 1. SCI：用geopandas空间连接 gdf_ls = gpd.read_file(shp_path) gdf_fault = gpd.read_file(fault_line_path) gdf_ls = gdf_ls.to_crs(gdf_fault.crs) # 统一坐标系 sci = gdf_ls.geometry.centroid.distance(gdf_fault.unary_union).mean() # 2. SA：读取Sentinel波段，计算B11/B08比值 b11 = rasterio.open(sentinel_bands['B11']).read(1) b08 = rasterio.open(sentinel_bands['B08']).read(1) ratio = np.divide(b11, b08, out=np.zeros_like(b11, dtype=float), where=b08!=0) # 对每个滑坡多边形，用rasterstats采样ratio值 sa_stats = zonal_stats(shp_path, ratio, stats=['mean']) sa_mean = np.mean([s['mean'] for s in sa_stats]) # 计算周边缓冲区（500m）均值作对照 gdf_buffer = gdf_ls.buffer(500) bg_stats = zonal_stats(gdf_buffer, ratio, stats=['mean']) bg_mean = np.mean([s['mean'] for s in bg_stats]) sa_zscore = (sa_mean - bg_mean) / np.std([s['mean'] for s in bg_stats]) # 3. MI：计算面积/外接矩形面积比 mi_list = [] for geom in gdf_ls.geometry: rect = geom.minimum_rotated_rectangle mi_list.append(geom.area / rect.area) mi = np.mean(mi_list) return {"SCI": sci, "SA_Zscore": sa_zscore, "MI": mi} # 验证结果 metrics = validate_landslide_vector("landslide.shp", "fault.shp", "dem.tif", {"B11":"S2_B11.tif", "B08":"S2_B08.tif"}) print(f"SCI={metrics['SCI']:.0f}m, SA_Z={metrics['SA_Zscore']:.2f}, MI={metrics['MI']:.3f}") # 若三项均达标，则结果可交付野外核查

后悔药：如果SCI>500m，说明模型把平原区灌溉渠误检为滑坡——立刻检查训练数据中是否混入了类似线性地物；若SA_Z<1.5，说明模型没学到光谱特征，应回头检查B11/B08波段是否对齐错误或未做大气校正。

6. 工程落地技巧：如何让这套系统在县局电脑上跑起来

这套PyTorch CNN系统不是实验室玩具，它要装进四川省某县自然资源局的旧电脑（i5-6500 + GTX1050Ti + 16GB RAM），每天处理20景Sentinel-2数据。以下是我在3个县局部署后沉淀的硬核技巧：

6.1 模型轻量化：用TorchScript导出+INT8量化，体积压到12MB

GTX1050Ti只有4GB显存，FP32模型加载就占3.2GB。我们用TorchScript固化模型，并用ONNX Runtime做INT8量化：

# 1. 导出TorchScript model.eval() example_input = torch.randn(1, 4, 512, 512) # 四波段输入 traced_model = torch.jit.trace(model, example_input) traced_model.save("landslide_cnn.pt") # 2. 转ONNX（为量化准备） torch.onnx.export( traced_model, example_input, "landslide_cnn.onnx", input_names=["input"], output_names=["output"], dynamic_axes={"input": {0: "batch"}, "output": {0: "batch"}}, opset_version=12 ) # 3. INT8量化（需安装onnxruntime-tools） # onnxruntime.quantization.quantize_static( # "landslide_cnn <p> <a href="https://download.csdn.net/download/2501_91537388/92372431" style="color:#ec7500;font-size:14px;"> 本文还有配套的精品资源，点击获取 </a> <img alt="menu-r.4af5f7ec.gif" src="https://csdnimg.cn/release/wenkucmsfe/public/img/menu-r.4af5f7ec.gif" style="width:16px;margin-left:4px;vertical-align:text-bottom;cursor:text;"> </p>