Les glissements de terrain catastrophiques résultent souvent de glissements actifs ; l’identification précoce des glissements actifs peut efficacement soutenir la prévention rapide des catastrophes, évitant ainsi les pertes humaines et matérielles. La technologie InSAR (Radar à synthèse d'ouverture interférométrique) fournit un soutien important à l’identification des glissements actifs. Toutefois, l’identification actuelle repose principalement sur la déformation de surface, les caractéristiques topographiques et la reconnaissance visuelle, ce qui pose des problèmes de temps, de faux négatifs et d’alertes fausses lorsque appliquée à de vastes zones. Cet article combine les méthodes InSAR et d’analyse spatiale pour extraire automatiquement les zones efficaces de déformation de surface, construit des critères globaux de reconnaissance des risques couvrant la prédisposition aux catastrophes, les causes et les caractéristiques de déformation, et développe un algorithme d’apprentissage profond AMRetNet pour exploiter pleinement les relations non linéaires multi-échelles entre la prédisposition, les causes et la déformation des glissements. Une identification automatique des glissements actifs a été réalisée dans la vaste zone active de la région de Hualong dans la province du Qinghai, identifiant 178 glissements actifs dont 48 nouveaux. L’algorithme AMRetNet proposé présente de meilleures performances que les algorithmes classiques actuels, y compris Transformer, U-Net, CART et SVM. Ce travail fournit un soutien important à l’identification automatique et à la détection précoce des glissements actifs dans les zones urbaines étendues.

InSAR;glissements actifs;prédisposition aux catastrophes et causes;déformation active;identification automatique;apprentissage profond;Hualong