地震滑坡应急响应、全球灾害制图、遥感 AI 模型泛化性研究无人机（UAV）航拍影像、PlanetScope、Gaofen-6（高分六号）卫星影像 以及 天地图（Map World）数据集

全球分布式大规模滑坡数据集

数据集整合了来自 鲁定（Luding）、尼普斯（Nippes）、北海道（Hokkaido）、九寨沟（Jiuzhaigou）和米林（Mainling） 五个地震滑坡高发区域的多源遥感影像，涵盖了 无人机（UAV）航拍影像、PlanetScope、Gaofen-6（高分六号）卫星影像 以及 天地图（Map World） 数据。数据通过多源高分辨率遥感图像实现全球分布式滑坡样本的构建，旨在支持地震诱发滑坡检测、分割及灾后评估等任务。整个数据集采用 TIFF 格式 存储，包含 训练集（train） 与 验证集（validation） 两部分，按照约 3:1（0.75:0.25）比例 随机划分，且每幅影像均不含重叠区域。

数据集大小：15621张，共26.7G
图像大小：1024×1024
图像分辨率：0.5m-3m
传感器：UAV, Map World，PlanetScope, Gaofen-6
波段：RGB
图片格式:tiff
滑坡地区：Luding, Nippes, Hokkaido,Jiuzhaigou and Mainling

全球分布式大规模滑坡数据集（15,621 张 1024×1024 RGB GeoTIFF 图像，含滑坡掩膜标签）的完整训练代码，基于语义分割任务，使用PyTorch + torchvision + Albumentations + segmentation_models_pytorch，支持多源遥感影像输入，适用于滑坡检测与灾后评估。

✅ 一、任务说明

• 任务类型：二类语义分割（滑坡 vs 非滑坡）
• 输入：1024×1024 RGB GeoTIFF（*.tif）
• 标签：对应二值掩膜（0=背景，1=滑坡），同样为*.tif
• 模型建议：U-Net、DeepLabV3+、FPN（推荐使用预训练编码器）

✅ 二、目录结构（要求）

LandslideDataset/ ├── train/ │ ├── images/ # *.tif │ └── masks/ # *.tif (same name as image) └── val/ ├── images/ └── masks/

示例：

• train/images/Luding_001.tif
• train/masks/Luding_001.tif

✅ 三、环境安装

pipinstalltorch torchvision torchaudio pipinstallalbumentations opencv-python pillow pipinstallsegmentation-models-pytorch geopandas rasterio scikit-image pipinstalltqdm tensorboard matplotlib

• segmentation-models-pytorch：提供 SOTA 分割架构
• rasterio：高效读取 GeoTIFF
• albumentations：遥感图像增强

✅ 四、完整训练代码：train_landslide.py

# train_landslide.pyimportosimporttorchimporttorch.nnasnnfromtorch.utils.dataimportDataLoaderfromtorch.optimimportAdamWfromtorch.optim.lr_schedulerimportCosineAnnealingLRimportalbumentationsasAfromalbumentations.pytorchimportToTensorV2importsegmentation_models_pytorchassmpfromtqdmimporttqdmimportnumpyasnpimportrasteriofrompathlibimportPathimportargparsefromdatetimeimportdatetime# ----------------------------# Dataset Class# ----------------------------classLandslideDataset(torch.utils.data.Dataset):def__init__(self,image_dir,mask_dir,transform=None):self.image_paths=sorted(Path(image_dir).glob("*.tif"))self.mask_paths=sorted(Path(mask_dir).glob("*.tif"))assertlen(self.image_paths)==len(self.mask_paths),"Image and mask counts mismatch!"self.transform=transformdef__len__(self):returnlen(self.image_paths)def__getitem__(self,idx):img_path=self.image_paths[idx]mask_path=self.mask_paths[idx]# 读取 GeoTIFF（仅取前3波段）withrasterio.open(img_path)assrc:image=src.read([1,2,3])# RGBimage=np.transpose(image,(1,2,0))# HWCwithrasterio.open(mask_path)assrc:mask=src.read(1)# 单通道# 确保 mask 是 0/1（有些可能是 255 表示滑坡）ifmask.max()>1:mask=(mask>0).astype(np.uint8)# 数据增强ifself.transform:augmented=self.transform(image=image,mask=mask)image=augmented['image']mask=augmented['mask']returnimage,mask.long()# mask 转为 LongTensor# ----------------------------# 训练函数# ----------------------------deftrain_one_epoch(model,dataloader,optimizer,criterion,device,epoch):model.train()total_loss=0.0pbar=tqdm(dataloader,desc=f"Epoch{epoch}")forimages,masksinpbar:images=images.to(device)masks=masks.to(device)optimizer.zero_grad()outputs=model(images)loss=criterion(outputs,masks)loss.backward()optimizer.step()total_loss+=loss.item()pbar.set_postfix(loss=loss.item())returntotal_loss/len(dataloader)# ----------------------------# 验证函数# ----------------------------defvalidate(model,dataloader,criterion,device):model.eval()total_loss=0.0total_iou=0.0count=0withtorch.no_grad():forimages,masksintqdm(dataloader,desc="Validation"):images=images.to(device)masks=masks.to(device)outputs=model(images)loss=criterion(outputs,masks)total_loss+=loss.item()# 计算 IoUpreds=torch.argmax(outputs,dim=1)intersection=((preds==1)&(masks==1)).sum((1,2))union=((preds==1)|(masks==1)).sum((1,2))iou=(intersection+1e-6)/(union+1e-6)total_iou+=iou.mean().item()count+=1avg_loss=total_loss/len(dataloader)avg_iou=total_iou/countprint(f"✅ Val Loss:{avg_loss:.4f}, mIoU:{avg_iou:.4f}")returnavg_loss,avg_iou# ----------------------------# 主函数# ----------------------------defmain(args):device=torch.device("cuda"iftorch.cuda.is_available()else"cpu")print(f"Using device:{device}")# 数据增强（遥感专用）train_transform=A.Compose([A.RandomRotate90(p=0.5),A.HorizontalFlip(p=0.5),A.VerticalFlip(p=0.5),A.OneOf([A.MotionBlur(p=0.2),A.MedianBlur(blur_limit=3,p=0.1),A.Blur(blur_limit=3,p=0.1),],p=0.2),A.CLAHE(p=0.2),# 增强对比度（适合遥感）A.Normalize(mean=[0.485,0.456,0.406],std=[0.229,0.224,0.225]),# ImageNetToTensorV2(),])val_transform=A.Compose([A.Normalize(mean=[0.485,0.456,0.406],std=[0.229,0.224,0.225]),ToTensorV2(),])# 数据集train_dataset=LandslideDataset(image_dir=os.path.join(args.data_root,"train/images"),mask_dir=os.path.join(args.data_root,"train/masks"),transform=train_transform)val_dataset=LandslideDataset(image_dir=os.path.join(args.data_root,"val/images"),mask_dir=os.path.join(args.data_root,"val/masks"),transform=val_transform)train_loader=DataLoader(train_dataset,batch_size=args.batch_size,shuffle=True,num_workers=4)val_loader=DataLoader(val_dataset,batch_size=args.batch_size,shuffle=False,num_workers=4)# 模型（U-Net with ResNet34 encoder）model=smp.Unet(encoder_name="resnet34",encoder_weights="imagenet",in_channels=3,classes=2# 二分类：background + landslide).to(device)# 损失函数（结合 Dice + CrossEntropy）dice_loss=smp.losses.DiceLoss(mode="multiclass")ce_loss=nn.CrossEntropyLoss()defcriterion(y_pred,y_true):returndice_loss(y_pred,y_true)+ce_loss(y_pred,y_true)optimizer=AdamW(model.parameters(),lr=args.lr,weight_decay=1e-4)scheduler=CosineAnnealingLR(optimizer,T_max=args.epochs)best_iou=0.0save_dir=f"runs/landslide_{datetime.now().strftime('%Y%m%d_%H%M')}"os.makedirs(save_dir,exist_ok=True)# 训练循环forepochinrange(1,args.epochs+1):train_loss=train_one_epoch(model,train_loader,optimizer,criterion,device,epoch)val_loss,val_iou=validate(model,val_loader,criterion,device)scheduler.step()# 保存最佳模型ifval_iou>best_iou:best_iou=val_iou torch.save(model.state_dict(),os.path.join(save_dir,"best_model.pth"))print(f"🎉 New best mIoU:{best_iou:.4f}, saved!")# 日志withopen(os.path.join(save_dir,"log.txt"),"a")asf:f.write(f"Epoch{epoch}: Train Loss={train_loss:.4f}, Val Loss={val_loss:.4f}, mIoU={val_iou:.4f}\n")print(f"✅ Training finished! Best mIoU:{best_iou:.4f}")print(f"📁 Model saved to:{save_dir}")if__name__=="__main__":parser=argparse.ArgumentParser()parser.add_argument("--data_root",type=str,default="./LandslideDataset",help="Dataset root directory")parser.add_argument("--batch_size",type=int,default=8,help="Batch size (adjust based on GPU memory)")parser.add_argument("--epochs",type=int,default=50,help="Number of training epochs")parser.add_argument("--lr",type=float,default=1e-3,help="Learning rate")args=parser.parse_args()main(args)

✅ 五、运行命令示例

python train_landslide.py\--data_root./LandslideDataset\--batch_size8\--epochs50\--lr0.001

💡显存提示：1024×1024 图像较大，若 GPU 显存 < 16GB，建议：

• 使用batch_size=4或2
• 或在train_transform中加入A.Resize(512, 512)进行下采样训练（推理时再上采样）

✅ 六、模型选择建议

修改方式（在main()中）：

model=smp.DeepLabV3Plus(encoder_name="resnet50",encoder_weights="imagenet",classes=2).to(device)