基于SHALSTAB模型與面向?qū)ο筮b感影像分析的 地震滑坡信息快速檢測

王曉波 魯恒 劉雪梅 楊正麗 項霞 蔡詩響

摘要：滑坡是最為常見的地震次生災(zāi)害之一，對其進行有效監(jiān)測一直都是業(yè)界研究的熱點?；诖耍岢隽艘环N高分遙感影像地震滑坡信息快速檢測方法，該方法將SHALSTAB模型與面向?qū)ο笥跋穹治鱿嘟Y(jié)合，首先對遙感影像進行多尺度分割，并根據(jù)穩(wěn)定性模型賦權(quán)，然后根據(jù)深度學習機制對滑坡對象進行檢測，最后對檢測結(jié)果進行過濾，并將該方法應(yīng)用于2013年蘆山地震滑坡檢測，與目視解譯結(jié)果進行對比。結(jié)果表明：該方法能快速檢測高分遙感影像上滑坡，滑坡檢測正確率達85%以上。

關(guān)鍵詞：坡度穩(wěn)定性模型;面向?qū)ο?高分遙感影像;滑坡;快速檢測

中圖分類號：P315.942，P231.5 ??文獻標識碼：A ??文章編號：1000-0666（2019）02-0273-07

0 引言

遙感技術(shù)作為一種有效的對地觀測手段，已經(jīng)廣泛應(yīng)用于土地利用調(diào)查、測繪以及地理國（?。┣楸O(jiān)測等領(lǐng)域，特別是高分遙感影像以其空間分辨率高、視場范圍廣等優(yōu)點，得到了廣泛的應(yīng)用，在地震災(zāi)害快速檢測及災(zāi)害評估等方面具有得天獨厚的優(yōu)勢。但目前，基于高分遙感影像的災(zāi)害檢測以目視解譯為主，耗時耗力，是災(zāi)害檢測評估應(yīng)用中的瓶頸（Saha et al，2016;Debella-gilo，Kb，2012）。

隨著遙感技術(shù)的發(fā)展，部分學者研究了計算機半自動解譯方法，主要包括滑坡光譜信息法、紋理信息法、神經(jīng)網(wǎng)絡(luò)法、面向?qū)ο蠓诸惙ǖ?。其中，光譜和紋理信息法主要是基于滑坡體與其周圍環(huán)境的光譜、紋理特征差異明顯這一特征實現(xiàn)的，適用于一些新滑坡，而對于光譜、紋理特征和發(fā)育背景不明顯的區(qū)域應(yīng)用效果不明顯（沈永林等，2011）。半自動解譯方法主要針對中、低分辨率影像。隨著支持向量機與人工神經(jīng)網(wǎng)絡(luò)方法的出現(xiàn)，遙感滑坡信息提取也有了新的發(fā)展。由于高分辨率影像光譜、幾何信息均比較豐富，已有的滑坡信息提取方法已不能滿足需求，于是面向?qū)ο蟮姆诸惙椒☉?yīng)運而生（Cheng et al，2013;胡德勇等，2008;Scaioni et al，2014;郭加偉等，2018;魯學軍等，2014），該方法難點在于分類規(guī)則的挖掘。

針對上述高分影像地震滑坡信息提取中面臨的問題，本文提出了一種淺層滑坡穩(wěn)定模型（SHAllow Landlide STABility model，簡稱SHALSTAB）與面向?qū)ο笥跋穹治鱿嘟Y(jié)合的高分遙感影像地震滑坡信息快速檢測方法，該方法以地表坡度穩(wěn)定性模型、面向?qū)ο笥跋穹治龅睦碚撝R為基礎(chǔ)，首先對遙感影像進行多尺度分割，并根據(jù)穩(wěn)定性模型賦權(quán)，然后根據(jù)深度學習機制對滑坡對象進行檢測，最后對檢測結(jié)果進行過濾。

1 研究方法

1.1 基于SHALSTAB模型的地表坡度穩(wěn)定性評價

淺層滑坡是對人類生命財產(chǎn)安全存在影響的眾多危害中的一種。學者們對于斜坡的穩(wěn)定性預(yù)測提出了各自的評估模型，其中由Montgomery和Dietrich（1994）提出的SHALSTAB模型應(yīng)用較廣泛，該模型耦合了穩(wěn)態(tài)水文假定模型和無限斜坡穩(wěn)定性模型，主要用于評價淺層滑坡穩(wěn)定性的時空分布和發(fā)展趨勢。在假設(shè)穩(wěn)定狀態(tài)的降雨事件下，將土壤、植物特性和近地表水流與邊坡穩(wěn)定性模型結(jié)合，以坡度和比積水面積作為主要參數(shù)，同時考慮土壤深度與植物特性影響，進行邊坡穩(wěn)定性評估。無限斜坡滑動面如圖1所示。

1.2 面向?qū)ο蠖喑叨确指罨驴焖贆z測

1.2.1 滑動窗口檢測與分割檢測

目前常規(guī)的滑坡檢測方法是滑動窗口檢測，通過移動、縮放檢測窗口，遍歷整個待檢測區(qū)域，對目標進行檢測。一方面滑坡通常有大有小，采用多尺度檢測更加合理;另一方面采用分割的方法，將圖像劃分為若干有意義的圖像區(qū)域，在分割的基礎(chǔ)上進行檢測，不僅可以避免大量的冗余檢測，而且使得檢測對象的語義信息更加明確。

與滑動窗口檢測相比，分割檢測的待搜索空間明顯縮小，時間效率提高，但仍然存在2個問題：一是冗余檢測，在待檢測圖像中，災(zāi)害屬于極少數(shù)情況，大量分割區(qū)域的檢測屬于冗余檢測;二是虛警率（錯誤檢測），在單純依靠光學影像的災(zāi)害檢測中，所提供的信息難以區(qū)分出真實災(zāi)害與影像中類似災(zāi)害的地物（Fiorucci et al，2011;Cheng et al，2013）。

1.2.2 面向?qū)ο笥跋穹治雠cSHALSTAB模型結(jié)合

針對分割檢測存在的問題，將多尺度分割結(jié)果與SHALSTAB模型穩(wěn)定性評價結(jié)果結(jié)合，為待檢測分割結(jié)果賦權(quán)。在檢測階段，權(quán)重可以過濾待檢測區(qū)域，用于加速檢測過程;在處理階段，基于權(quán)重可以過濾錯誤檢測，提高檢測準確度。

首先進行待檢測區(qū)域的多尺度分割，然后基于SHALSTAB模型穩(wěn)定性評價結(jié)果為分割結(jié)果賦權(quán)重，賦權(quán)過程基于GIS空間區(qū)域統(tǒng)計實現(xiàn)，標識該區(qū)域的斜坡穩(wěn)定性。實驗中在賦權(quán)時，區(qū)域定性評價指標統(tǒng)計量選取最小值指標（受限于DEM分辨率及精度，最大化災(zāi)害發(fā)生的概率）。圖2即為分割區(qū)域賦權(quán)模型。

基于深度學習機制（付蕭等，2018）得到滑坡災(zāi)害檢測模型，如圖3所示。在多個尺度上對帶權(quán)待檢測分割結(jié)果進行檢測，最后對檢測結(jié)果進行后處理、合并、消除等，得到最終滑坡檢測結(jié)果。

2 實驗結(jié)果

本文選取2013年四川蘆山7.0級地震震區(qū)為研究區(qū)，面積約為16 km2，研究對象為震區(qū)內(nèi)發(fā)生的地震滑坡。該次地震發(fā)生在龍門山斷裂帶，研究成果可以進一步應(yīng)用于周邊山區(qū)的地質(zhì)災(zāi)害防治、規(guī)劃重建等，具有較好的應(yīng)用價值。

選取300，400，500，600共4個分割尺度，對研究區(qū)進行多尺度面向?qū)ο蠓指?，分割結(jié)果如圖4所示。

基于SHALSTAB模型，對檢測結(jié)果進行賦權(quán)，結(jié)果如圖5所示。從圖5可以看出，經(jīng)過賦權(quán)后疑似滑坡區(qū)域?qū)ο蠖紝儆诓环€(wěn)定區(qū)域或長期不穩(wěn)定區(qū)域。

根據(jù)已構(gòu)建的深度學習滑坡信息檢測模型，進行分割檢測，結(jié)果如表2所示。通過結(jié)合分割區(qū)域賦權(quán)結(jié)果，在檢測階段可以減少檢測次數(shù)，加速檢測。分析表2可發(fā)現(xiàn)，基于SHALSTAB模型進行賦權(quán)檢測，隨著分割尺度的增加，加速效果逐漸減弱，但檢測次數(shù)在總體上比直接檢測減少約40%。在檢測后的處理過程中，基于SHALSTAB模型結(jié)合分類器概率輸出可進行過濾檢測，提高檢測精度。

圖6a為基于分割結(jié)果的完全檢測，研究區(qū)左上角出現(xiàn)大量誤檢。將SVM分類器概率輸出閾值取0.8，對原始檢測結(jié)果進行過濾（圖6b），從圖6b可以看出部分誤檢被剔除，但仍有與災(zāi)害類似的地物被錯誤地識別為災(zāi)害。針對研究區(qū)穩(wěn)定區(qū)域發(fā)生災(zāi)害可能性低的特點，基于SHALSTAB模型評價結(jié)果，剔除位于穩(wěn)定區(qū)域lgq/T >-2.5的檢測結(jié)果，并進行過濾（圖6c），從圖6c可見，剔除了大量穩(wěn)定區(qū)域誤檢。

將最終檢測結(jié)果與目視解譯結(jié)果進行疊加，如圖7所示。從圖中可以看出，研究區(qū)中目視解譯57個滑坡，檢測結(jié)果覆蓋了其中53個，個別小規(guī)?；卤宦z，但也識別出許多未被解譯出的災(zāi)害;理論上選取合適的SVM分類器概率輸出閾值，以及SHALSTAB評價閾值，或融合多尺度檢測結(jié)果，都可以實現(xiàn)災(zāi)害檢測，但可能會導(dǎo)致大量的誤檢。

圖8為隨機選取的檢測結(jié)果局部放大圖，可以看出檢測結(jié)果基本覆蓋整個災(zāi)害區(qū)域，但也存在一些問題：檢測結(jié)果邊界不清晰，災(zāi)害周圍地物

被誤檢較多，這是由于基于分割檢測獲取分割區(qū)域外包絡(luò)矩形圖像作為待檢測圖像，災(zāi)害周圍分割區(qū)域也往往覆蓋災(zāi)害導(dǎo)致被誤檢;類似災(zāi)害的區(qū)域（如帶狀裸地）被誤檢，主要是因為基于純粹的光譜信息可能不足以完全解決災(zāi)害的解譯問題，通過融合多光譜或者專題信息可以進一步改善檢測結(jié)果。

3 結(jié)論

本文結(jié)合地表坡度穩(wěn)定性模型與面向?qū)ο笥跋穹治?，提出高分遙感影像地震滑坡快速檢測方法。將該方法應(yīng)用于2013年蘆山地震發(fā)現(xiàn)，分割尺度越大越具有較快的災(zāi)害檢測速度，但也會導(dǎo)致檢測結(jié)果不精細、邊界不清晰、小型災(zāi)害被遺漏等問題;分割尺度越小，大型災(zāi)害檢測結(jié)果容易破碎，小型災(zāi)害能夠被檢測。

基于SHALSTAB模型和面向?qū)ο蟮目焖倩聶z測，既可以在大尺度情況下實現(xiàn)快速檢測，也可以在小尺度情況下實現(xiàn)精細檢測;在應(yīng)急情況下前者可以用于快速定位災(zāi)害，如大型滑坡;而在災(zāi)情量化評過程中，可以在小尺度情況下定位災(zāi)害范圍，同時定量評估災(zāi)害。

參考文獻：

付蕭，郭加偉，劉秀菊，等.2018.無人機高分辨率遙感影像地震滑坡信息提取方法[J].地震研究，41（2）：186-191.

郭加偉，李永樹，王洪蜀，等.2018.基于遷移學習的無人機高分影像地震泥石流信息檢測[J].地震研究，41（2）：180-185.

胡德勇，李京，趙文吉，等.2008.基于對象的高分辨率遙感圖像滑坡檢測方法[J].自然災(zāi)害學報，12：42-46.

魯學軍，史振春，尚偉濤，等.2014.滑坡高分辨率遙感多維解譯方法及其應(yīng)用[J].中國圖象圖形學報，14（1）：141-149.

沈永林，李曉靜，吳立新.2011.基于航空影像和LiDAR數(shù)據(jù)的海地地震滑坡識別研究[J].地理與地理信息科學，27（1）：16-20.