鲁达 关注“测绘学术资讯”
强降雨诱发滑坡群识别的光学遥感变化检测方法
文海家1,2,3，宋宸昊3，向学坤4，熊凤光3
（1.山地城镇建设新技术教育部重点实验室，重庆 400045；
2.库区环境地质灾害防治国家地方联合工程研究中心，重庆 400045；
3.重庆大学 土木工程学院，重庆 400045；
4.重庆地质矿产研究院，重庆 400042)
摘要：针对强降雨诱发滑坡群的光学遥感干扰特征多、识别精度低的问题，该文提出一种基于灾前灾后遥感影像变化检测技术的滑坡识别精度提升方法：①通过波段比值预处理，消除道路、房屋等对滑坡识别的干扰特征；②通过相关参数优化，采用图像差值法和非监督分类法进行遥感变化检测滑坡识别，分析两种方法发生漏判误判的原因。结果表明，对遥感影像进行波段预处理，可以明显弱化道路、房屋等造成滑坡识别的干扰特征；图像差值法和非监督分类法识别滑坡的精确率、召回率和F1-score指标分别达到了0.815、0.647、0.721和0.680、0.788、0.730。基于滑坡特征影像预处理与参数优化的两种变化检测技术均明显提升了强降雨诱发滑坡群的自动识别效率，在光学遥感影像进行滑坡识别干扰特征消除和提高识别精度方面具有应用价值。
0 引言
降雨诱发的滑坡是山区普遍遭受的地质灾害[1]。突发暴雨导致滑坡群发，需要在灾后快速获取滑坡灾害的数量和影响范围，确定滑坡位置以及道路、房屋的受损情况，为灾后的灾情评估、应急救援力量的合理配置和灾后恢复重建工程选址提供科学的指导[2]。
近些年，由于航空、航天和无人机技术的发展使得遥感影像数据更容易获取，为利用遥感数据进行自动识别滑坡的手段提供大量的数据源。刘传正[3]提出基于航天、航空和地面的遥感遥测法具有全域掌控区域环境变化，通过定域多时相扫描和定点多时相聚焦获取多种技术长时间序列观测数据图像等优势。与此同时，随着遥感影像处理技术的发展，各种自动识别滑坡的方法逐渐进入到研究者们的视线，研究人员试图通过从遥感影像中挖掘更多有价值的信息。在自动绘制区域滑坡图时，通常使用基于像素和面向对象的图像分析两种手段，如张群等[4]通过面向对象技术，利用多尺度分割方法得到对象，然后通过建立滑坡识别规则提取滑坡；李强等[5]基于无人机影像数据和面向对象分析方法应用于2017年九寨沟地震产生的大量滑坡体来绘制滑坡图。利用基于像素的遥感影像处理技术操作起来较为简单，但是自动提取滑坡的精度较差，容易出现“椒盐现象”；面向对象的技术在一定程度上弥补了基于像素基础的缺陷，将滑坡体视为一个整体的识别对象，综合考虑其光谱、形状、空间、纹理等信息，具有一定的宏观性和整体性，但对于遥感影像中投影面积较小的滑坡体，很难提取它的内部信息，自动提取结果不够理想。在21世纪初，人工智能领域得到快速发展，其技术也应用于各行各业，机器学习算法逐渐在滑坡自动识别中发挥重大作用，李勋等[6]通过目视解译构建滑坡与非滑坡的样本库，然后利用SEaTH算法筛选滑坡特征差异因子，最后建立多层感知机的滑坡自动识别模型来自动识别黄土滑坡；Lei等[7]提出一种基于c-means的快速模糊变化检测分类方法来识别滑坡；Zhang等[8]利用ENVI深度学习模块中基于TensorFlow框架开发的U-Net模型，对2018年日本Iburi地震诱发的滑坡进行分类；Qi等[9]在U-Net模型上提出ResU-Net模型，并应用于2013年甘肃省天水市由强降雨诱发的滑坡中，提高了U-Net模型自动识别滑坡的准确率，通过机器学习方法可以做到高精度提取滑坡边界，但是其算法较为复杂，并且大多数模型的泛化能力较差，难以识别不同地区的滑坡。后来，多源信息遥感技术的产生和发展，如同LiDAR、SAR和InSAR数据可以用于基于形变分析来识别滑坡[10-12]，但实际形变可能受人类活动的影响较大，对一些发生在人类活动区域的滑坡识别情况难以达到预期。随着遥感影像数据量增加，多时相的遥感影像也更容易获取，借助多时相遥感影像进行变化检测可以较为显著地提高自动识别的精度，如李松等[13]将纹理识别与变化检测相结合，以汶川地震为例，利用多光谱数据进行滑坡的自动识别； Lv等[14]基于变化检测和多尺度分割方法，实现高分辨率遥感图像绘制滑坡调查图。现有相关研究发现，变化检测方法识别滑坡可能因为影像数据质量、滑坡后随时间推移的地物信息变化干扰等多方面原因，导致滑坡自动识别效果有待进一步提升。
针对强降雨诱发的滑坡群，各种自动识别滑坡的技术各有优缺点，单靠一种技术在短时间内较难完成绘制滑坡图的任务。为提高自动识别滑坡的精度，以往的研究者大多通过研究或改进各种自动提取滑坡方法，而本文创新性地提出对遥感影像数据源进行预处理，可以使滑坡特征更加突出，从而提高识别精度。结合变化检测技术，将此预处理方法应用于重庆市城口县河渔乡平溪村2019年7月27日强降雨诱发的滑坡群灾前灾后的遥感影像，并根据基于阈值的图像差值法和基于PCA的K-means非监督分类法两种自动提取滑坡的方法绘制区域滑坡图（下面分别简称为图像差值法和非监督分类法），与未经过预处理的影像使用两种分类方法获得的结果形成对比，分析两种方法的优缺点并证明预处理方法的有效性。通过对比两种识别方法的自动识别结果，总结两种方法的特点，对误判情况进行进一步分析。
1 研究区概况与数据来源
城口县处于川、陕、渝交界处，位于重庆市东北边缘，河渔乡平溪村处在城口县东部，位于大巴山的弧形褶皱带构造溶蚀层状中山区[15]。区内地形地貌、地质构造等为滑坡发育提供了有利的基础条件。2019年7月27日晚间，河渔乡在两个小时受到105.4mm降水量的强降雨袭击，导致平溪村及周围山区发生大量规模不一的滑坡，滑坡地点多在山坡森林区域，部分滑坡分布在道路沿线的边坡区域，对当地的交通运行和人民生活造成严重威胁。
遥感影像数据主要采用Google Earth获取的2019年5月4日和2019年8月10日研究区卫星遥感影像，遥感影像数据光谱带包括红（590~670 nm）、绿（500~590 nm）、蓝（455~515 nm）3个波段，其空间分辨率为2 m，图像大小为2812×2376，影像数据经过了辐射校正和正射校正。两幅影像取自滑坡发生的前后两个相近的时间点，在此期间除滑坡变化影响外，植被等其他光学特征变化不大，作为灾前灾后变化检测影像具有较高的可靠性。
通过“727”滑坡灾前、灾后两期高分辨率影像对比进行目视解译，结合现场踏勘、无人机调查核实等，获得本次强降雨诱发滑坡群实际空间分布情况。现场典型滑坡和不稳定斜坡实例如图1所示，最后得到本次强降雨实际诱发81处滑坡的空间分布（图2），其中红色线框代表滑坡区域，初步统计道路沿线滑坡有15处，其它山地斜坡滑坡有66处。
2 方法
通过Google Earth获取普通遥感卫星影像数据，将可见光波段的数据拆分成红、绿、蓝3个波段，根据地物的反射波谱特性筛选对滑坡和道路有良好区分度的特征波段，接着通过波段比值运算处理方法突出滑坡特征。然后结合双时相变化检测技术[16-18]，利用图像差值法和非监督分类法两种方法，对预处理前后的影像自动识别降雨诱发滑坡群空间分布，比较分析遥感影像预处理前后识别结果及两种方法的识别结果，并评估识别精度，研究方法技术路线图如下（图3）。
2.1 预处理
本次研究使用ENVI平台中自动图像配准技术，快速生成连接点，使两时相影像之间的相对位置误差（均方根误差）不超过 ±1个像元，保证变化检测的可靠性。并且对两幅影像进行相对辐射校正，降低两幅不同时相的遥感影像图之间因辐射产生的误差。通过对比8月10日三个不同波段的影像（图4），可见红色线框中的滑坡在不同波段中反射特性不同，在红波段中滑坡较为明显，在绿波段和蓝波段中滑坡与森林较难区分。通过对比RGB三个波段的反射特性，发现红波段中滑坡的反射率较高，森林反射率低；而绿波段中滑坡和其他地物的反射率接近，同时，道路和房屋的反射率在红、绿、蓝三个波段中较为接近。
通过波段比值方法预处理对两幅影像，可以降低影像中非研究对象对识别结果造成的影响，增强图像中特定的区域；同时降低地形导致的阴影影响，突出季节的差异等。最终选取红波段与绿波段作为特征波段进行波段比值运算处理，优化遥感数据，经过优化的遥感影像数据在运用变化检测技术时，使滑坡的特征在影像中更加突出，并且可以有效地降低由房屋、道路的变化带来的误差，对滑坡和道路具有较好的区分度。在两个时相的遥感数据预处理结果中可见（图5），在没有发生滑坡的区域，如房屋、道路区域和森林区域，在两幅图像中亮度值相近，所产生的变化较小；在发生滑坡的区域，滑坡之后图像的亮度值要明显高于滑坡之前图像的亮度值，所产生的变化较大。
3 结果与讨论
3.1图像差值法识别结果与精度评价
本次试验依托于ENVI遥感数据处理平台，图像差值法自动提取滑坡。对预处理后的两幅遥感影像经过图像差值运算后，得到差值图像（图6）。图中蓝色区域为滑坡和其他人为因素导致像素值增加的区域，红色区域为植被变化导致像素值降低的区域，通过大津法阈值分割原理从蓝色变化区域中提取滑坡。蓝色区域中由于非滑坡引起的变化其亮度值较小，并且研究区滑坡大小不一，存在一部分面积较小的小型滑坡，所以为了更好地提取滑坡，采用“高阈值，低聚合”的方法，通过高阈值手段排除大量非滑坡，即变化程度小的因素，再设置较低的聚合值，使得一些投影面积较小的滑坡也可以被检测到。聚合值指聚合的最小单位的大小(以像素为单位)，大于或等于此值的区域被聚合为相邻的较大区域。经试验后发现当阈值范围在0.57-0.60之间，聚合值在50-53之间时，提取效果较好，最终设定阈值为0.578，聚合值为52。
以81处滑坡为检测目标，图像差值法滑坡识别结果与实际滑坡空间分布比较和局部两处细节（图7），图中黄色区域表示利用图像差值法自动识别的滑坡，红色线框表示目视解译结合现场勘查核实得到的实际滑坡边界。可见自动识别结果和实际滑坡二者空间分布吻合程度较高，并且在形态上有较高的相似度。
3.2非监督分类识别结果与精度评价
通过非监督分类方法对遥感影像进行分类，首先要获得两幅影像的差值图（图8）。在获得差值图像后，利用主成分分析法提取特征向量，之后将使用K-means分类器进行非监督分类。在分类中，需要设定k值。 k值表示非监督分类时的类别数。此方法是将变化值最高的一类像素标记成255灰度值，其余类别灰度值为0，最终生成二值图。k值越大，所分类的类别就越多，变化值最高的一类像素的范围就越少，最终显示的变化区域也就越少，而产生滑坡发生区域像素变化值属于最大的一类，即变化值最大的这部分区域表示发生滑坡的区域，故可以调节k值来区分滑坡引起的变化和其他地物变化。当k值取k=2或k=3时分类结果对比（图9），可以看出，在k=2时图中更多的区域被认定为变化值最大类，即滑坡引起变化的一类，显然达不到分类效果，没有对滑坡进行很好的区分；而k=3时排除了许多非滑坡变化区域，并将大部分滑坡变化保留，可达到较为理想的效果。
分类图中有许多冗余斑点，由非滑坡因素的细微变化形成，在Python中可以利用opencv2代码包中cv2.erode腐蚀函数去除这些斑点。腐蚀函数中的参数Lit值越大，对斑点祛除能力越强，这里注意到Lit参数只能取整数。经过调整分类值k和参数Lit后，最终选择取k=4，Lit=1。最后对图像进行后处理，通过计算面积清除面积较小的斑点，得到最终分类结果。
将81处目视解译的滑坡图作为对比，非监督分类滑坡识别结果与实际滑坡空间分布比较及两处局部细节（图10），图中黄色区域表示利用非监督分类法自动识别的滑坡区域，红色线框表示目视解译结合现场勘查核实得到的实际滑坡边界，可见二者仅在空间分布上较吻合，但形态上与真实滑坡存在一定差异，并且道路沿线周围的滑坡难以被自动识别。
3.3 比较分析
3.3.1 两种方法识别结果比较分析
将预处理后的遥感影像通过两种自动识别滑坡的方法所得结果进行对比（图11）。黄色区域表示图像差值法自动识别滑坡的结果，红色线框表示非监督分类法自动识别滑坡的结果。
为进一步比较两种方法的差异，选取三处典型部位对二者滑坡识别结果进行对比（图12），其中黄色区域表示自动识别的结果，红色线框表示目视解译结合现场勘查确定的真实滑坡。可见，在图12 (a)和图12 (d)所示同一位置降雨诱发新生滑坡光学特征显著，两种方法均可以准确地识别滑坡。在图12 (b)和图12 (e)所示位置，对于因滑坡影响面积范围较小的情况，两种方法都较难准确识别，而对于道路沿线和靠近房屋的滑坡，图像差值法相对于非监督分类法可以更准确地识别出滑坡；对于图12 (c)和图12 (f)所示同一位置，在历史滑坡上再次滑坡，图像差值法自动识别的效果相对较好。
3.3.2 影像预处理前后识别结果比较分析
未经过预处理遥感影像按两种变化检测方法进行滑坡识别，进一步分析可以发现，未经影像预处理的滑坡识别结果，虽因滑坡漏判数略低表现为精确率稍高，但因不能有效地区分道路和滑坡，造成大量误判滑坡，由于滑坡误判数大幅增加而召回率大为降低。而对经预处理后的影像滑坡识别能大大降低滑坡误判，提高召回率，F1值比较，图像差值法由0.604增大到0.721，非监督分类法由0.530增大到0.730，表明两种方法的效果均得到明显提升。
将未经过预处理的影像取局部典型区域放大，结果如下所示（图13），其中黄色区域表示自动识别分类的结果，红色线框实际滑坡。经对比分析，未经预处理的影像两种方法在道路和房屋位置均更容易误判为滑坡，经预处理后的影像在两种方法均有较为理想的识别效果，很大程度上降低了误判数量与缩小了误判区域。这种情况与影像中地物反射率差异有关系，道路和房屋的反射率跟滑坡的反射率客观存在差异，而波段处理是将其差异扩大，使滑坡更容易被区分。
3.4 滑坡识别误判漏判原因分析
如前所述，两种识别方法均存在滑坡的误判和漏判，原因分析如下。
1）在历史滑坡的位置上产生新滑坡。这种在历史滑坡的位置上复发新滑坡的特征不明显，因为历史滑坡与新产生的滑坡所处位置均无植被覆盖，并且灾前灾后光谱信息较为相似，滑坡区域像素亮度值差别不大，容易被漏判，图14中(a)图上方的滑坡发生在历史滑坡的基础上，在变化检测中较难分辨。
2）人类活动因素对变化检测自动识别的精度造成影响。虽然通过影像预处理，已经降低了大部分道路和房屋的变化特征，但是对于个别新修建的地面建筑物、道路变迁、生活垃圾和建筑残骸的堆放或者耕地的影响都不可避免地产生误判，图14中(a)图下方的耕地区域亮度值与新产生的滑坡亮度值较为接近，所以较难识别新产生的滑坡；图15中将地面建筑物的修建和道路变迁产生的变化误判为滑坡。
3）与方法参数取值有关。如前所述，两种方法均存在漏判和误判，其原因，对于图像差值法主要是阈值参数的影响，而对于非监督分类决定于k和的Lit值，二者只能取整数，在一定程度上影响了滑坡识别的精度。
4 结束语
针对降雨诱发较大范围内的群发滑坡，利用波段比值处理方法对遥感影像数据进行增强处理，进一步突出滑坡特征，同时降低道路、房屋变化带来的影响，可将滑坡变化和道路、房屋变化有效地区分，再结合变化检测和阈值分割，得到了较好的滑坡识别结果。
两种遥感影像变化检测自动识别方法各有优缺点。在图像差值法中，很难识别一些宽度较窄的滑坡，但自动识别滑坡的结果其形状较为完整，与真实滑坡接近；非监督分类法中，对道路沿线的滑坡较难分辨，但产生误判的情况较少。
研究中使用的两种变化检测自动识别方法，结合遥感影像波段比值预处理方法，均提高了滑坡识别精度。后续研究可以将这种波段运算处理技术应用到其他自动分类方法中，或者对波段处理算法进行深入研究，进一步增强滑坡的特征。同时，可以结合多源遥感数据和深度学习变化检测模型，提高滑坡自动识别精度。
（原文有删减）
引用本文：文海家,宋宸昊,向学坤,熊凤光.强降雨诱发滑坡群识别的光学遥感变化检测方法[J].测绘科学,2022,47(05):193-202.DOI:10.16251/j.cnki.1009-2307.2022.05.024.
作者简介：文海家（1971—），男，教授，博士，主要研究方向为岩土工程和地质工程。
E-mail: jhw@cqu.edu.cn
基金项目：国家重点研发计划项目(2018YFC1505501, 2018YFC1505504)