Los deslizamientos catastróficos a menudo se desarrollan a partir de deslizamientos activos; la identificación temprana de deslizamientos activos puede apoyar eficazmente la prevención y el control oportunos de desastres, evitando pérdidas humanas y daños materiales. La tecnología InSAR (Radar de Apertura Sintética Interferométrica) proporciona un soporte importante para la identificación de deslizamientos activos; sin embargo, la identificación actual se basa principalmente en la deformación superficial, características topográficas y la interpretación visual, enfrentando problemas de tiempo, altas tasas de omisión y falsas alarmas al aplicarse en áreas extensas. Este estudio combina InSAR y métodos de análisis espacial para extraer automáticamente áreas efectivas de deformación superficial, construyendo criterios integrales de identificación de riesgos que cubren predisposición, causas y características de deformación, y establece el algoritmo de aprendizaje profundo AMRetNet para explorar completamente las relaciones no lineales multiescala entre predisposición, causas y deformación de deslizamientos. La identificación automática se llevó a cabo en la amplia región activa de Hualong en la provincia de Qinghai, identificando 178 deslizamientos activos, incluyendo 48 nuevos. El algoritmo AMRetNet propuesto supera a los algoritmos típicos actuales, incluidos Transformer, U-Net, CART y SVM. Este trabajo proporciona un respaldo importante para la identificación automática y detección temprana de deslizamientos activos en áreas urbanas extensas.

InSAR;deslizamientos activos;predisposición y causas;deformación activa;identificación automática;aprendizaje profundo;Hualong