降雨诱发的滑坡调查可利用遥感和地形数据编制,这些数据可采用传统或半自 动监测方法收集。在这项研究中,我们使用 PlanetScope 图像和深度学习卷积神经 网络(CNNs)绘制了 2018 年印度西部高止(Ghats)山脉卡纳塔克(Karnataka) 邦达古(Kodagu)地区降雨诱发的滑坡图。我们使用四重交叉验证(CV)来选择 训练和测试数据,以去除模型的任何随机结果。利用地形坡度数据作为辅助信息, 提高了模型的性能。利用边坡数据和光谱信息生成的滑坡调查图减少了误报,有助 于将滑坡区域与其他类似特征(如荒地和河床)区分开来。然而,虽然包括坡度数 据并没有增加真阳性,但与仅使用光谱信息来训练模型相比,总体精度更高。当仅 使用光学数据时,正确分类滑坡值的平均准确率为 65.5%,而使用坡度数据时,准 确分类滑坡值的平均准确率提高到 78%。该研究方法可应用于其它滑坡易发区,研 究结果可为滑坡易发区的减灾提供依据。