滑坡是指岩土体受降雨等诱发作用沿软弱滑动面运移的地质现象，也是全球范围内分布最为广泛的自然灾害之一。目前，极端气候、构造运动以及人类工程的复合作用，导致滑坡、崩塌表型为主的地质灾害问题日益普遍，其广泛的破坏性影响和灾害连锁反应对基础设施和生命安全构成重大威胁。在此情形下，及时、准确的滑坡地质灾害大范围识别已成为防灾减灾研究领域的重大需求，但其可行性和泛化性在复杂地质环境中同样面临挑战。
自然灾害监测预警与评估江西省重点实验室（江西师范大学）研究团队，面向全球分布的四个重点研究区域，基于多源遥感对地观测数据，提出了层次感知引导的深度学习框架（GLPUNet++），旨在实现滑坡地质灾害的快速、准确识别。这项工作的主要创新和贡献如下:
（1）创新性地将小波变换嵌入到滑坡地质灾害识别任务，开发了一个端到端的CNN-ViT协作的深度学习框架，进行大范围和高分辨率的滑坡检测，强调了分层感知在细化和融合光谱特征以及地形信息方面的重要作用；
（2）与传统智能识别模型相比，所构建的双分支编码路径利用小波变换频域分别增强局部光谱特征和全局地形信息感知，其中包括分层注意力和频域分析的不同交互形式用于不同类型的滑坡特征表示；
（3）鉴于局部和全局滑坡特征之间的异质性，引入了一种具有渐进交叉注意结构的融合机制来促进特征的交互学习，并且提出的综合性损失函数用来平衡不同特征下滑坡预测的反向推理；
（4）在基准数据集上的测试实验和消融研究，证实了提出的GLPUNet++ 较于其他深度学习模型的优异性能。
该研究成果于2026年2月以“Hierarchical perception guided deep learning framework for landslide detection with multi-source remotely sensed data”为题发表在SCI二区期刊《International Journal of Digital Earth》。自然灾害监测预警与评估江西省重点实验室、江西师范大学地理与环境学院的钟晨诚硕士为第一作者，陈继发博士为唯一通讯作者。本研究得到了国家自然科学基金面上项目（编号：42275007）、江西省重点研发计划项目（编号：20243BBI91033）以及江西省自然科学基金项目（编号：20242BAB27001，20252BAC240255，20242BAB20126）的资助。
图1 研究区域
图2 提出的滑坡地质灾害智能识别框架
图3滑坡地质灾害智能识别效果