Tracking the Spatiotemporal Evolution of Landslide Scars Using a Vision Foundation Model: A Novel and Universal Framework

📄 arXiv: 2510.10084v1 📥 PDF

作者: Meijun Zhou, Gang Mei, Zhengjing Ma, Nengxiong Xu, Jianbing Peng

分类: cs.CV

发布日期: 2025-10-11

💡 一句话要点

提出基于视觉基础模型的滑坡疤痕时空演化追踪框架，实现连续监测与预警。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 滑坡监测 时空演化 视觉基础模型 视频分割 遥感图像

📋 核心要点

  1. 现有方法难以追踪滑坡疤痕的时空演化，限制了对滑坡演化机制和失效前兆的理解。
  2. 该框架将离散遥感图像转化为视频序列，利用视觉基础模型进行滑坡疤痕的连续追踪。
  3. 在白格滑坡和色拉滑坡的实验表明，该框架能有效捕捉滑坡演化过程，为预警和灾后评估提供支持。

📝 摘要（中文）

本研究提出了一种新颖且通用的框架，利用视觉基础模型追踪大规模滑坡疤痕的时空演化。该框架旨在解决现有研究主要集中于单阶段或灾前灾后双阶段滑坡识别的问题，实现对滑坡疤痕演化的连续追踪。核心思想是将离散的光学遥感图像重构为连续的视频序列，从而利用为视频分割开发的视觉基础模型来追踪滑坡疤痕的演化。该框架采用知识引导、自动传播和交互式细化的范式，确保滑坡疤痕识别的连续性和准确性。通过对白格滑坡和色拉滑坡（2017-2025）两个代表性案例的验证，结果表明该框架能够连续追踪滑坡疤痕，捕捉对早期预警至关重要的灾害前兆和对评估次生灾害及长期稳定性至关重要的灾后演化。

🔬 方法详解

问题定义：现有滑坡研究主要集中于灾前灾后两个阶段的识别，缺乏对滑坡疤痕时空演化的连续追踪能力。这使得难以深入理解滑坡的演化机制，也无法有效捕捉用于早期预警的灾害前兆。现有方法的痛点在于无法有效利用时间序列信息，难以处理大规模、长时间跨度的滑坡演化过程。

核心思路：论文的核心思路是将离散的光学遥感图像转化为连续的视频序列，从而将滑坡疤痕的演化过程视为一个视频分割问题。这样就可以利用在视频分割领域已经发展成熟的视觉基础模型，例如用于视频对象分割的模型，来追踪滑坡疤痕的演化。这种思路的关键在于将时间维度引入到滑坡识别中，从而能够捕捉滑坡的动态变化。

技术框架：该框架主要包含三个阶段：1) 知识引导：利用先验知识（例如地形、地质信息）对初始滑坡区域进行初步识别，作为后续追踪的起点。2) 自动传播：利用视觉基础模型，基于视频分割技术，自动地将滑坡疤痕从一帧图像传播到下一帧图像，从而实现对滑坡疤痕的连续追踪。3) 交互式细化：通过人工交互的方式，对自动传播的结果进行修正和优化，提高滑坡疤痕识别的准确性。

关键创新：最重要的技术创新点在于将视觉基础模型应用于滑坡疤痕的时空演化追踪。与传统的基于图像的滑坡识别方法不同，该框架能够充分利用时间序列信息，捕捉滑坡的动态变化。此外，该框架采用知识引导、自动传播和交互式细化的范式，能够有效地提高滑坡疤痕识别的准确性和效率。

关键设计：论文中使用了特定的视觉基础模型（具体模型名称未知），该模型需要针对滑坡疤痕的特点进行微调。此外，知识引导阶段需要根据具体的滑坡区域选择合适的先验知识。自动传播阶段的关键在于选择合适的视频分割算法，并设置合适的参数，以保证追踪的准确性和鲁棒性。交互式细化阶段需要设计用户友好的界面，方便用户进行修正和优化。损失函数和网络结构等技术细节在论文中没有详细描述，属于未知信息。

📊 实验亮点

该框架在白格滑坡和色拉滑坡的实验中取得了良好的效果，能够连续追踪滑坡疤痕的演化过程，捕捉到滑坡的早期预警信息。虽然论文中没有提供具体的性能数据和对比基线，但实验结果表明该框架能够有效地提高滑坡疤痕识别的准确性和效率，为滑坡灾害的监测和预警提供了新的技术手段。

🎯 应用场景

该研究成果可广泛应用于滑坡灾害的监测、预警和风险评估。通过连续追踪滑坡疤痕的时空演化，可以更准确地评估滑坡的稳定性和潜在风险，为制定有效的防灾减灾措施提供科学依据。此外，该框架还可以应用于其他类型的地质灾害监测，例如泥石流、崩塌等，具有重要的实际应用价值和广阔的应用前景。

📄 摘要（原文）

Tracking the spatiotemporal evolution of large-scale landslide scars is critical for understanding the evolution mechanisms and failure precursors, enabling effective early-warning. However, most existing studies have focused on single-phase or pre- and post-failure dual-phase landslide identification. Although these approaches delineate post-failure landslide boundaries, it is challenging to track the spatiotemporal evolution of landslide scars. To address this problem, this study proposes a novel and universal framework for tracking the spatiotemporal evolution of large-scale landslide scars using a vision foundation model. The key idea behind the proposed framework is to reconstruct discrete optical remote sensing images into a continuous video sequence. This transformation enables a vision foundation model, which is developed for video segmentation, to be used for tracking the evolution of landslide scars. The proposed framework operates within a knowledge-guided, auto-propagation, and interactive refinement paradigm to ensure the continuous and accurate identification of landslide scars. The proposed framework was validated through application to two representative cases: the post-failure Baige landslide and the active Sela landslide (2017-2025). Results indicate that the proposed framework enables continuous tracking of landslide scars, capturing both failure precursors critical for early warning and post-failure evolution essential for assessing secondary hazards and long-term stability.