滑坡灾害是一种复杂的时空现象。现有的深度学习模型主要依赖于遥感图像的表面灰度特征，未能有效地整合更深层次的滑坡相关知识，如地质、地理和环境特征。这种限制降低了检测精度和模型泛化能力，特别是在复杂的地形或变化的季节条件下。本研究提出了Swin特征金字塔网络中的知识图嵌入（KGE-SwinFpn），这是一种将滑坡知识图谱与SwinFpn集成的遥感滑坡分割模型。通过嵌入深度特征知识，增强了传统的黑盒深度学习模型，实现了数据、知识和模型的更深入耦合。这种集成保留了神经网络自动特征学习的效率，同时结合了先验知识指导，从而产生了一种更准确、更稳健的滑坡检测方法。所提出的模型引入了一个KGE块，该块有效地提取了特征知识，并促进了数据和先验知识之间的多尺度特征融合。此外，该模块具有很强的适应性，可以无缝集成到各种神经网络架构中。实验结果表明，KGE-SwinFpn在关键评估指标上显著优于多个经典分割网络，实现了96.85%的像素准确率、88.46%的平均像素准确率和82.01%的平均交集。

遥感影像,滑坡知识图谱,深度学习模型,知识嵌入,滑坡识别