Экстремальные сильные ливни вызывают большое количество оползней и обрушений, что приводит к гибели людей и материальным потерям. Быстрое извлечение характеристик и зоны оползней может обеспечить эффективное обеспечение данных для реагирования на чрезвычайные ситуации и предотвращения рисков катастроф. В данном исследовании используется оптическое изображение после катастрофы и улучшенная модель глубокого обучения Inception‑v3 для интеллектуального распознавания. С использованием многоуровневого извлечения особенностей, таких как текстура и форма, результаты интерпретации корректируются с учетом пороговых значений рельефа, решая проблемы неопределенности интерпретации, вызванные облаками, туманом и мутной водой. Результаты показывают, что при корректировке порогового значения наклона менее 6°, показатель F увеличивается с 0.76 до 0.896; при условиях тестовой выборки точность модели после корректировки составляет 0.898, коэффициент восстановления — 0.883, показатель F — 0.890. Сегментация изображений при сетке 25×25 м (соответствует 125×125 пикселей) в условиях эксперимента занимала в среднем 8 минут, что в 45 раз быстрее традиционной визуальной интерпретации (6 человек × 15 часов/карта), удовлетворяя требования срочного реагирования. Это может обеспечить быстрое, точное и эффективное научное обоснование для профилактики, смягчения и ликвидации последствий катастроф.

геологические катастрофы; глубокое обучение; механизм пороговой коррекции; мультиклассификация; распознавание изображений