Los eventos extremos de lluvias intensas pueden desencadenar numerosos deslizamientos de tierra y derrumbes catastróficos, causando un gran número de muertes y pérdidas. La rápida extracción de características y la extensión de los deslizamientos de tierra puede proporcionar un soporte efectivo de datos para la gestión de emergencias y la prevención de riesgos de desastres. Este estudio utiliza imágenes ópticas post-desastre, basadas en un modelo de aprendizaje profundo Inception‑v3 mejorado para el reconocimiento inteligente. A través de la extracción de características multinivel, como textura y forma, los resultados de interpretación se corrigen con umbrales geográficos, resolviendo problemas de incertidumbre en la interpretación debido a la cobertura de nubes, niebla y agua turbia. Los resultados muestran que, al aplicar un umbral de pendiente menor a 6°, el valor F mejora de 0.76 a 0.896. Bajo las condiciones del conjunto de prueba, el modelo corregido tiene una precisión de 0.898, una tasa de recuperación de 0.883 y un valor F de 0.890. La segmentación de imágenes en una malla de 25 m × 25 m (correspondiente a 125 × 125 píxeles) toma un promedio de 8 minutos en condiciones experimentales, lo que representa una mejora de 45 veces respecto a la interpretación visual manual tradicional (6 personas × 15 horas/imagen), cumpliendo con los requisitos de tiempo de respuesta en emergencias. Esto puede proporcionar una base científica rápida, precisa y efectiva para la prevención, mitigación y respuesta ante desastres.

desastres geológicos; aprendizaje profundo; mecanismo de corrección de umbral; clasificación múltiple; reconocimiento de imágenes