一種面向?qū)ο蟮幕伦兓瘷z測方法

宋小莎

（1.國家測繪地理信息局 重慶測繪院，重慶 400015）

一種面向?qū)ο蟮幕伦兓瘷z測方法

宋小莎1

（1.國家測繪地理信息局 重慶測繪院，重慶 400015）

滑坡作為常見多發(fā)的地質(zhì)災(zāi)害，危害人民生命財(cái)產(chǎn)與國家基礎(chǔ)建設(shè)，若能夠?qū)撛诨逻M(jìn)行監(jiān)測，則可以最大限度地減少它所造成的損失。以某水壩為實(shí)驗(yàn)區(qū)進(jìn)行了研究，通過建立檢測規(guī)則，梳理各滑坡對象層間的層次關(guān)系，對滑坡變化情況進(jìn)行了檢測。

滑坡；面向?qū)ο?；eCognition；變化檢測

滑坡調(diào)查傳統(tǒng)手段是將遙感圖像的目視解譯與野外調(diào)查相結(jié)合，根據(jù)滑坡及其要素的形態(tài)特征，通過人工判讀，將滑坡信息繪制到專題地圖上。但這種傳統(tǒng)方法已經(jīng)不能滿足嚴(yán)峻的滑坡災(zāi)害災(zāi)情和滑坡災(zāi)害綜合防治的需要[1,2]。因此，滑坡災(zāi)害識(shí)別的新方法不斷涌現(xiàn)。利用面向?qū)ο蟮姆治鏊枷耄治鰠^(qū)域內(nèi)滑坡信息的動(dòng)態(tài)變化是管理和防治滑坡災(zāi)害的新手段[3-6]。本文擬采用面向?qū)ο蟮姆椒?，基于灰度共生矩陣紋理特征[7]進(jìn)行監(jiān)督分類，分選出滑坡單元和非滑坡單元。圍繞一對多時(shí)相遙感影像，構(gòu)建其層次關(guān)系，開展滑坡變化檢測，分析面向滑坡對象的變化檢測在滑坡災(zāi)害信息識(shí)別和監(jiān)測中的作用。

1 原理與方法

1.1 變化檢測

20世紀(jì)80年代，發(fā)展了基于變化檢測的方法來識(shí)別遙感數(shù)據(jù)在不同時(shí)間所記錄的地表實(shí)體變化信息，涉及遙感圖像處理中的輻射校正、幾何校正、配準(zhǔn)、分類、特征提取等方面[8]。用于滑坡信息提取與變化檢測的主要步驟包括：①預(yù)處理后遙感圖像的對象分割；②分選出滑坡對象和非滑坡對象；③構(gòu)建多時(shí)相影像對的層次關(guān)系，設(shè)立相應(yīng)規(guī)則實(shí)施變化檢測；④ 結(jié)果分析。具體流程如圖1。

圖1 變化檢測流程圖

1.2 多尺度分割

影像分割是面向?qū)ο蠓治龅幕A(chǔ)，分割質(zhì)量直接決定隨后滑坡分選的精度。eCognition提供的多尺度分割方法是一種區(qū)域增長的分割算法，它始于獨(dú)立像元，通過標(biāo)識(shí)這個(gè)像元為一個(gè)對象，并根據(jù)相關(guān)的同質(zhì)性標(biāo)準(zhǔn)與它們相鄰的對象進(jìn)行合并，直至達(dá)到用戶所設(shè)定的尺度閾值，而這個(gè)同質(zhì)性標(biāo)準(zhǔn)就是光譜和形狀所占權(quán)重的結(jié)合。通過控制同質(zhì)性標(biāo)準(zhǔn)和分割尺度的閾值，得到合適的對象。由于生成的每個(gè)對象都保持著同質(zhì)性，我們能夠直接得到這些對象的屬性，包括形狀、尺寸、結(jié)構(gòu)、紋理、空間關(guān)系等，為下一步的滑坡劃分提供了條件。

1.3 滑坡對象的識(shí)別和提取

滑坡對象的識(shí)別有很多方法，而影像紋理對滑坡識(shí)別有著比光譜更廣的適應(yīng)性[9]，通過紋理識(shí)別滑坡主要包括2個(gè)步驟：①建立滑坡對象的紋理特征庫；②進(jìn)行模式識(shí)別。

灰度共生矩陣紋理特征有很多，為了減少計(jì)算負(fù)擔(dān)，挑選出幾種常用的特征參數(shù)，包括對比度（Con.）、相關(guān)系數(shù)（Cor.）、熵（Ent）、標(biāo)準(zhǔn)差（Stdv.）和平均值（Mean.）。選定特征參數(shù)后，配合人工目視判讀，獲取一定數(shù)量的滑坡對象樣本和典型的非滑坡對象樣本，從而建立滑坡對象的紋理特征庫。

eCognition采用的模式識(shí)別方法是決策支持下的模糊分類，其基本思想是將邏輯狀態(tài)“是”與“非”轉(zhuǎn)化到0到1這個(gè)連續(xù)區(qū)間上，即定義了對象關(guān)于所有類型的隸屬度，決定了對象的類型歸屬。常用的分類算法是最近鄰法，算法法則是在特征空間中尋找每一個(gè)影像對象最近的樣本對象，并將此對象劃分為所屬的類別。在已建立的樣本庫的基礎(chǔ)上，通過最鄰近法的監(jiān)督分類，從而識(shí)別和提取滑坡對象，最后將相同的對象進(jìn)行合并得到專題圖層。

1.4 影像對的變化檢測

eCognition擁有強(qiáng)大的類層次分析能力，允許多圖層間形成等級(jí)結(jié)構(gòu)以便管理，通過建立圖層間“父子”關(guān)系，使得在垂直層次上關(guān)聯(lián)起來。由于影像多尺度分割而生成的滑坡專題圖層，在圖斑邊界上總是存在著不一致，所以必須使用同步函數(shù)對圖層間關(guān)系進(jìn)行梳理，通過將對象信息梳理到同一個(gè)圖層，以滿足變化檢測分析的前提。

不同于像元級(jí)變化檢測，需要先設(shè)置變化檢測閾值，然后從差值影像中判別出變化像元。面向?qū)ο蟮淖兓瘷z測直接建立判別規(guī)則，如表1，在已建立圖層間關(guān)系的基礎(chǔ)上，利用建立的規(guī)則進(jìn)行變化檢測。

表1 判別滑坡變化的3個(gè)規(guī)則

2 實(shí)驗(yàn)實(shí)例

2.1 數(shù)據(jù)源

本文實(shí)驗(yàn)數(shù)據(jù)選取了位于長江流域某段來自北京一號(hào)小衛(wèi)星所攝的一組2個(gè)時(shí)相的全色數(shù)據(jù)以及該區(qū)域的DEM數(shù)據(jù)，其中，全色數(shù)據(jù)分辨率為4 m，一景攝于2006-05-17；另一景攝于2007-11-23，DEM數(shù)據(jù)的分辨率為30 m。所選區(qū)域位于三峽大壩上游，隨著2006-05-20大壩主體工程全面竣工，蓄水期大壩蓄水高度得到提升，因此可認(rèn)為該區(qū)域兩個(gè)時(shí)相遙感數(shù)據(jù)變化明顯，適合進(jìn)行變化檢測。

2.2 多尺度分割

按照變化檢測的步驟，數(shù)據(jù)經(jīng)過預(yù)處理后，第一步是對其進(jìn)行多尺度分割。由于全色影像的分辨率為4 m，而DEM分辨率為30 m，本文將全色影像層權(quán)重設(shè)為7.5，DEM層權(quán)重設(shè)為1。為確定分割尺度，本文選取10、20、30、40、50、60對同一幅影像進(jìn)行分割實(shí)驗(yàn)，部分分割效果見圖2，分割特征見表2。分析比較后，認(rèn)為當(dāng)分割尺度為40時(shí)，生成對象大小比較適合滑坡識(shí)別。

圖2 部分分割結(jié)果比較（s為分割尺度）

表2 不同分割尺度下的影像特征

2.3 面向?qū)ο蟮谋O(jiān)督分類

在上一步所生成的滑坡對象基礎(chǔ)上，選取滑坡對象和非滑坡對象的樣本，建立樣本對象紋理特征庫，然后根據(jù)最鄰近分類器分選出滑坡。

為了選取訓(xùn)練樣本，需要截取出部分區(qū)域作為樣本訓(xùn)練區(qū)，在此區(qū)域中挑選出有代表性的滑坡和非滑坡樣本。在訓(xùn)練區(qū)選取滑坡樣本時(shí)，考慮到滑坡坡向的各不相同，盡量選擇不同坡向的滑坡作為滑坡樣本（如圖3）。而選取非滑坡樣本時(shí)，除了選取明顯的非滑坡對象，還需選取容易與滑坡對象混淆的對象（如圖4），以減少滑坡識(shí)別誤差。

圖3 部分滑坡對象樣本

圖4 部分非滑坡對象樣本

選取完訓(xùn)練樣本后，利用訓(xùn)練與測試區(qū)掩膜（TTA）功能，將所選樣本以影像對象層的形式存儲(chǔ)到本地磁盤，接著打開完整研究區(qū)域的影像，加載已存儲(chǔ)的TTA，逆向生成樣本，并以此樣本在整個(gè)研究區(qū)域內(nèi)進(jìn)行最近鄰分類，生成滑坡專題圖（如圖5），圖中紅色是滑坡對象，綠色為非滑坡對象。

圖5 滑坡對象專題圖

2.4 變化檢測

對2個(gè)時(shí)相的影像進(jìn)行滑坡識(shí)別后，接下來根據(jù)建立的規(guī)則進(jìn)行變化檢測。首先分別將兩時(shí)相圖層的滑坡對象和非滑坡對象進(jìn)行同類合并，并把前一時(shí)相的對象層命名為Pre，后一時(shí)相的對象層命名為Post，然后復(fù)制Pre到Post所在的地圖中，構(gòu)成上下層次關(guān)系，并經(jīng)由同步函數(shù)（Synchronize）梳理其層間關(guān)系，最后根據(jù)已有規(guī)則判斷層間關(guān)系，將變化結(jié)果顯示到新創(chuàng)建的變化層上，生成滑坡變化如圖6所示。圖中桔色為新生滑坡；藍(lán)色為滑坡變化區(qū)域；綠色為未變化區(qū)域。

圖6 滑坡變化專題圖

由以上結(jié)果得到了在研究區(qū)內(nèi)，2006-05～2007-11滑坡變化分布圖。相比于2006-05，2007-11河岸滑坡數(shù)量減少，部分滑坡位置上移。鑒于研究區(qū)位于三峽大壩上游，且2006年影像攝于大壩主體全線竣工之前，因大壩此后又進(jìn)行了蓄水水位提升，可以認(rèn)定研究區(qū)內(nèi)滑坡的變化趨勢符合結(jié)果預(yù)期。

3 結(jié) 語

本文提出一種面向?qū)ο蟮幕伦兓瘷z測的新思路，為實(shí)現(xiàn)滑坡動(dòng)態(tài)監(jiān)測提供了新方法。與野外調(diào)查相比，通過人機(jī)交互的方式獲取滑坡變化信息，效果良好也更有效率。由于遙感圖像滑坡識(shí)別的效果直接決定變化檢測的質(zhì)量，而滑坡對象的識(shí)別受數(shù)據(jù)源、識(shí)別方法等諸多因素影響，因此，更完善的滑坡變化檢測技術(shù)體系的構(gòu)建有待于更多滑坡識(shí)別技術(shù)的實(shí)現(xiàn)與相關(guān)研究。

[1] Galli M, Ardizzone F, Cardinali M,et al. Comparing LandslideInventory Maps [J]. Geomorphology, 2008, 94(3-4): 268–289

[2] 李松,李亦秋,安裕倫.基于變化檢測的滑坡災(zāi)害自動(dòng)識(shí)別[J].遙感信息,2010(1): 27-30

[3] 葉潤青,鄧清祿,王海慶.基于圖像分類方法滑坡識(shí)別與特征提取——以歸州老城滑坡為例[J].工程地球物理學(xué)報(bào),2007,4(6):475-477

[4] 付文杰,洪金益.基于支持向量機(jī)的滑坡災(zāi)害信息遙感圖像提取研究[J].水土保持研究,2006,13(4):120-122

[5] Giles P,Franklin S E.An Automated Approach to the Classification of Slope Units Using Digital Data [J].Geomorphology, 1998,21(3-4):251-264

[6] 胡德勇,李京,趙文吉,等.基于對象的高分辨率遙感圖像滑坡檢測方法[J].自然災(zāi)害學(xué)報(bào),2008,17(6):42-46

[7] Stumpf A, Kerle N. Object-oriented Mapping of Landslides Using Random Forests [J]. Remote Sensing of Environment, 2011, 115(10): 2 564-2 577

[8] Singh A. Digital Change Detection Techniques Using Remotely-sensed Data [J]. International Journal of Remote Sensing, 1989, 10(6): 989-1 003

[9] 萬保峰,袁水華,蘇建平.基于紋理分析的滑坡遙感圖像識(shí)別[J].地礦測繪, 2009,25(2):11-14

P237.9

B

1672-4623（2015）04-0151-03

10.3969/j.issn.1672-4623.2015.04.054

宋小莎，研究方向?yàn)楣こ虦y繪、基礎(chǔ)地理信息系統(tǒng)工程。

2015-02-09。