遙感影像滑坡災(zāi)害識(shí)別應(yīng)用研究

胡芳馳 樊雅婧

摘要 遙感衛(wèi)星應(yīng)用于滑坡災(zāi)害識(shí)別有30多年的歷史，衛(wèi)星遙感是進(jìn)行滑坡識(shí)別的重要手段，在滑坡治理監(jiān)測(cè)方面中有著重要的應(yīng)用，遙感影像也在向高分辨率過渡，滑坡識(shí)別方法從目視解譯向人機(jī)交互和自動(dòng)識(shí)別發(fā)展，提高了滑坡識(shí)別精度。總結(jié)了滑坡特征以及近些年來國(guó)內(nèi)外利用遙感影像對(duì)滑坡識(shí)別的方法和優(yōu)缺點(diǎn)，針對(duì)存在的不足對(duì)未來研究方向提出展望。

關(guān)鍵詞 遙感衛(wèi)星;滑坡識(shí)別;遙感影像

中圖分類號(hào)：P642.22 文獻(xiàn)標(biāo)識(shí)碼：B 文章編號(hào)：2095–3305（2021）04–0098–02

1 滑坡災(zāi)害解譯

1.1 滑坡特征

1.1.1 形態(tài)特征 滑坡比較明顯的特征就是形狀，主要有以下11種：舌形、橢圓形、長(zhǎng)椅形、倒梨形、牛角形、平行四邊形等，并與周圍地物色差較大[1]。

1.1.2 光譜特征 滑坡光譜與周圍巖土有明顯的差異，滑坡體地表起伏不平，巖土多呈現(xiàn)為粉紅色或淺白色。

1.1.3 紋理特征 滑坡的紋理比較細(xì)致，土地分布緊湊，且與周圍裸地顏色不同，甚至有些還會(huì)存在滑坡線條，在某些滑坡體上還會(huì)有道路等一些紋理[2]。

1.1.4 植被特征 植被的變化特征也可以側(cè)面反映出滑坡災(zāi)害信息。滑坡周圍植被遭到破壞，植被覆蓋率較低。

1.1.5 上下文特征 由于滑坡與普通巖土極為相似，兩者區(qū)分較難，這時(shí)就需要根據(jù)周圍上下文特征來判別是否是滑坡。

1.2 滑坡識(shí)別方法

遙感影像解譯在上世紀(jì)50年代開始興起，具有多學(xué)科交叉的特點(diǎn)，利用遙感影像提取滑坡信息從最初目視判讀發(fā)展為現(xiàn)在計(jì)算機(jī)智能識(shí)別。目視判讀能與某些圖像的顏色、光譜和上下文特征結(jié)合，并能與專業(yè)人員的知識(shí)經(jīng)驗(yàn)和非遙感數(shù)據(jù)相結(jié)合，且所需硬件設(shè)備少，操作簡(jiǎn)單，掌握信息較全面[3]。但同時(shí)目視解譯技術(shù)也存在以下局限：（1）存在主觀因素，此方法依賴研究人員的知識(shí)經(jīng)驗(yàn);（2）遙感影像中的信息沒有充分利用，遙感技術(shù)優(yōu)勢(shì)沒有充分體現(xiàn);（3）工作量龐大、耗時(shí)耗力、遙感數(shù)據(jù)較多，處理大數(shù)據(jù)時(shí)效率低下;（4）主要是定性描述，與如今數(shù)字時(shí)代的定量描述不相適應(yīng)。

計(jì)算機(jī)自動(dòng)判讀技術(shù)又可分為兩類：一類是基于像素分類方法;另一類是面向?qū)ο蠓诸惙椒??；谙裨诸惙椒ㄖ皇呛?jiǎn)單地利用一個(gè)像素點(diǎn)的特征對(duì)地物進(jìn)行識(shí)別，并沒有考慮與周圍像素的關(guān)系，并且隨著影像分辨率越來越高，所含光譜的一些特征信息更少，該方法效率低下，同時(shí)，容易出現(xiàn)同譜異物和同物異譜等現(xiàn)象，此外，處理結(jié)果中會(huì)出現(xiàn)較多噪聲，使影像模糊，地物與之間不易區(qū)分，對(duì)最后精度造成影響[4]。

由于遙感影像分辨率越來越高，基于像元分類方法不能有效識(shí)別高分辨率遙感圖像中的滑坡，面向?qū)ο笥跋穹治龇椒疵嫦驅(qū)ο蠓诸惙椒☉?yīng)運(yùn)而生，面向?qū)ο笥跋穹治龇椒ǎ∣bject Based Image Analysis， OBIA），又稱面向?qū)ο蠓诸?，這種方法是Baatz M和Schape A[5]在1999 年提出來的，它其實(shí)是將光譜、紋理、形狀等特征相似的像元組合在一起，形成一個(gè)對(duì)象，然后根據(jù)地物在實(shí)際生活中的分布情況和在遙感影像中的分布狀況，選擇分割后對(duì)象的特征，建立分類規(guī)則體系;最后以對(duì)象為基本單元，綜合實(shí)際情況，選取恰當(dāng)?shù)姆诸愃惴?，?duì)滑坡進(jìn)行分類識(shí)別。綜上可知，面向?qū)ο笥跋穹治黾夹g(shù)主要包括3部分：影像分割，對(duì)象特征提取和規(guī)則集的構(gòu)建，其中核心技術(shù)分別是對(duì)影像進(jìn)行分割和分類。相比基于像元的方法，能有效避免“椒鹽現(xiàn)象”，充分利用遙感影像的細(xì)節(jié)特征，具有很好的可行性和推廣性。

1.3 遙感影像滑坡災(zāi)害分類算法

遙感影像滑坡災(zāi)害從最初依靠人工特征描述符分類，向機(jī)器學(xué)習(xí)逐步發(fā)展，然而機(jī)器學(xué)習(xí)算法也存在一些問題，在數(shù)據(jù)集較大時(shí)，容易出現(xiàn)錯(cuò)分漏分現(xiàn)象。但隨著深度學(xué)習(xí)的發(fā)展和遙感數(shù)據(jù)的增加，深度學(xué)習(xí)脫穎而出，深度學(xué)習(xí)在2006年被Hinton和SalakututiNo首次提出，是一種端到端的學(xué)習(xí)方法，即我們把原始圖像輸入網(wǎng)絡(luò)，可以直接得到輸出結(jié)果，不再人為進(jìn)行特征提取[7]。特征由神經(jīng)網(wǎng)絡(luò)提取，將深度學(xué)習(xí)引入到遙感領(lǐng)域，對(duì)于深度學(xué)習(xí)理論來說是一小步，但對(duì)于遙感影像來說是一大步。其中，卷積神經(jīng)網(wǎng)絡(luò)（CNN）在遙感影像上得到了廣泛應(yīng)用，在遙感場(chǎng)景分類，震害建筑物提取等領(lǐng)域取得了豐碩成果，研究表明用深度學(xué)習(xí)網(wǎng)絡(luò)模型能更好的提取地物特征，分類精度更高，但由于網(wǎng)絡(luò)模型對(duì)輸入數(shù)據(jù)有限，且滑坡特征復(fù)雜，需根據(jù)上下文特征來判定滑坡，所以將深度學(xué)習(xí)應(yīng)用于滑坡災(zāi)害識(shí)別遠(yuǎn)少于應(yīng)用于遙感影像識(shí)別領(lǐng)域。李堯采用約束條件下DBN與CNN的滑坡檢測(cè)模型對(duì)高光譜數(shù)據(jù)的高維特征進(jìn)行提取，提高滑坡檢測(cè)精度[8]。張倩熒等采用YOLO、Faster RCNN和SSD對(duì)滑坡影像進(jìn)行檢測(cè)，討論了3種算法的特點(diǎn)以及檢測(cè)過程中參數(shù)的應(yīng)用，獲取更好的檢測(cè)效果[9];Ullo S L等使用哨兵2號(hào)滑坡數(shù)據(jù)用8層卷積神經(jīng)網(wǎng)絡(luò)對(duì)滑坡進(jìn)行檢測(cè)，平均平衡精度達(dá)到0.624[10]。

2 結(jié)語(yǔ)

隨著遙感衛(wèi)星、計(jì)算機(jī)技術(shù)和無人機(jī)發(fā)展，滑坡提取精度將會(huì)越來越高，效率也會(huì)進(jìn)一步提升，今后希望能在以下幾方面展開工作：（1）由于滑坡特征復(fù)雜性，目前滑坡識(shí)別主要采用機(jī)器學(xué)習(xí)分類算法，運(yùn)用深度學(xué)習(xí)進(jìn)行滑坡識(shí)別的研究較少，現(xiàn)有的研究只使用幾層的卷積神經(jīng)網(wǎng)絡(luò)識(shí)別滑坡[8-10]，目前較流行的大型網(wǎng)絡(luò)模型，例如Google Net、U-net和U-net++等網(wǎng)絡(luò)還沒有應(yīng)用于滑坡災(zāi)害識(shí)別中，因此應(yīng)用大型的網(wǎng)絡(luò)模型對(duì)滑坡進(jìn)行識(shí)別提高滑坡識(shí)別率是非常有必要的;（2）由于大型網(wǎng)絡(luò)有上百層，其參數(shù)量龐大，因此對(duì)硬件要求比較高，所以有必要設(shè)計(jì)緊湊高效的網(wǎng)絡(luò)模型。

參考文獻(xiàn)

[1] 鄧飛，竇愛霞，吳瑋瑩，等.基于無人機(jī)遙感的四川九寨溝地震極災(zāi)區(qū)災(zāi)情快速調(diào)查[J].災(zāi)害學(xué)，2018，33（3）：210-215.

[2] 麻鳳海，陳霞，季峰，等.滑坡預(yù)測(cè)預(yù)報(bào)研究現(xiàn)狀與發(fā)展趨勢(shì)[J].徐州工程學(xué)院學(xué)報(bào)：自然科學(xué)版，2018，33（2）：30-33，63.

[3] 吳玄.面向?qū)ο蟮木矸e神經(jīng)網(wǎng)絡(luò)Landsat8影像分類方法研究[D]武漢：武漢大學(xué)， 2019.

[4] Scaioni M， Longoni L， Melillo V， et al. Remote sensing for landslide inves-tigations： an overview of recent achi-evements and perspectives[J]. Remote Sensing， 2014， 6（10）： 9600-9652.

[5] Baatz M， Sch?pe A. Object-oriented and multi-scale image analysis in sem-antic networks[C]//2nd international symposium： operationalization of remote sensing， 1999， 16（20）： 7-13.

[6] 傅剛.高分辨率遙感影像分割方法綜述[J].西部資源， 2016（6）： 135-137.

[9] Hinton G E， Salakhutdinov R R. Reducing the dimensionality of data with neural networks[J]. Science， 2006. 313： 504–507.

[8] 李堯. 基于深度學(xué)習(xí)的滑坡檢測(cè)算法研究[D]. 成都：成都理工大學(xué)， 2018.

[9] 張倩熒，王俊英，雷冬冬.基于深度學(xué)習(xí)目標(biāo)檢測(cè)算法的滑坡檢測(cè)研究[J].信息通信， 2019（1）： 16-18.

[10] Ullo S L， Langenkamp M S， Oikarinen T P， et al. Landslide geohazard assessment with convolutional neural networks using sentinel-2 imagery data[C]// IGARSS 2019 - 2019 IEEE International Geoscience and Remote Sensing Symposium. IEEE， 2019.

責(zé)任編輯：黃艷飛