受气候变暖影响，青藏高原发育的多年冻土正在经历广泛的退化，热融滑塌事件频繁发生，给当地生态环境造成深刻影响，也给寒区工程设施带来很大威胁。热融滑塌的精准识别有助于理解热融滑塌的发生和演变机制。尽管基于深度学习的热融滑塌识别取得了一定进展，但机器学习算法在该领域的识别能力仍有待探究。

我站基于无人机数据系统评估了机器学习模型的热融滑塌识别性能，提出了一种基于集成机器学习的面向对象热融滑塌识别模型（EOTSR）。与现有模型相比，EOTSR具有以下优点；（1）引入空间信息辅助识别热融滑塌；（2）采用面向对象技术改善了机器学习识别模型的误分问题；（3）尝试整合不同机器学习模型的优点，以获得不低于常用深度学习模型的识别精度。

研究发现，面向对象技术比基于像元技术更适用于热融滑塌识别。基于递归特征消除的特征选择证明纹理和形状等空间信息是对热融滑塌识别的有效补充（图1）。在改进的面向对象机器学习模型中，支持向量机（SVM）的识别精度最高，总体精度为93.06%。 McNemar检验证明，与单一模型相比，EOTSR显著提高了热融滑塌识别能力，总体精度达到97.32%（图2）。本研究提出的集成机器学习方法的EOTSR模型为青藏高原和北极多年冻土区日益频繁的热融滑塌事件提供了有效的识别方法，可以为基于卫星图像的深度学习模型制作标签数据。

该成果以Recognition of thaw slumps based on machine learning and UAVs: A case study in the Qilian Mountains, northeastern Qinghai-Tibet Plateau为题发表在地学一区TOP期刊International Journal of Applied Earth Observation and Geoinformation。我站博士研究生娄佩卿为论文第一作者，吴通华研究员为论文通讯作者。

该研究获中国科学院“西部之光”交叉团队项目-重点实验室合作研究专项、国家自然科学基金委青年基金项目（42001071；42001072）、冰冻圈科学国家重点实验室（SKLCS-ZZ-2022）、国家冰冻圈沙漠数据中心项目（E01Z790208）等项目联合资助。

文章链接：https://doi.org/10.1016/j.jag.2022.103163

图1 多维特征重要性评价结果

图2 基于EOTSR模型的热融滑塌识别结果