環(huán)境減災二號A/B衛(wèi)星在地震次生地質(zhì)災害識別中的應用

王鑫 竇愛霞 袁小祥,2 丁玲 王曉青

(1 中國地震局地震預測研究所，北京 100036)(2 中國地震局工程力學研究所，哈爾濱 150080)

我國地處世界上最活躍的2個地震帶——環(huán)太平洋地震帶和亞歐地震帶，是世界上地震活動較為頻繁的國家[1]。地震災害通常具有持續(xù)性，主震發(fā)生后余震不斷，加上震后經(jīng)常出現(xiàn)連續(xù)的強降雨天氣，導致震區(qū)巖土體穩(wěn)定性下降，極易出現(xiàn)滑坡、崩塌、泥石流、堰塞湖等一系列的次生地質(zhì)災害[2]。地震次生地質(zhì)災害具有形成時間短、突發(fā)性強、破壞性大、誘導性強等特點，能夠加劇地震破壞效應，嚴重阻礙災后應急救援工作的開展[3]。2008年5月12日，四川省汶川縣發(fā)生8.0級特大地震，人員傷亡極為慘重。強震引發(fā)的地質(zhì)災害15 000多處，崩塌、滑坡形成壩高超過100 m的高危堰塞湖33處，潛在隱患點1000多處，地震次生地質(zhì)災害直接造成人員死亡約2萬人[4]。2010年4月14日，青海玉樹藏族自治州發(fā)生7.1級地震，地震后形成崩塌77處，滑坡29處，泥石流溝66處，地裂縫13處[5]。山體崩塌、滑坡、泥石流等損毀道路、橋梁、電力、通信等基礎(chǔ)設(shè)施，阻塞河道迫使水位急劇上升形成堰塞湖。這些地震后經(jīng)常出現(xiàn)的次生地質(zhì)災害阻礙了災區(qū)救援通道，切斷了外界與災區(qū)的信息傳輸，導致相關(guān)部門無法在第一時間了解災情，做出合理的應急處置方案，嚴重威脅著災區(qū)人民的生命財產(chǎn)安全[6]。因此，快速、準確掌握災區(qū)受災情況，明確次生災害發(fā)展狀況并制定出合理的應急救援方案，對于地震應急、救援及災后重建工作具有十分重要的意義。

2020年9月27日11時23分，我國在太原衛(wèi)星發(fā)射中心用長征四號乙運載火箭，以“一箭雙星”的方式成功發(fā)射環(huán)境減災二號A/B衛(wèi)星。這2顆衛(wèi)星均配置16 m相機、高光譜成像儀、紅外相機與大氣校正儀4種載荷。其中：16 m相機通過視場拼接可實現(xiàn)16 m分辨率、800 km幅寬、5譜段成像；高光譜成像儀可實現(xiàn)48 m/96 m分辨率、96 km幅寬、可見至短波譜段高光譜成像；紅外相機可實現(xiàn)48～96 m分辨率、720 km幅寬、紅外多譜段成像；大氣校正儀可在軌同步獲取與16 m相機同視場的大氣多譜段信息，進行氣溶膠和水汽柱濃度校正，提高輻射定量化應用精度[7]。環(huán)境減災二號A/B衛(wèi)星可以識別災害事故影響范圍、發(fā)展動態(tài)、損毀情況等關(guān)鍵要素[8]，將為我國應急減災、災害事故調(diào)查與評估、生態(tài)環(huán)境、自然資源、水利、農(nóng)業(yè)農(nóng)村、森林草原、地震等領(lǐng)域提供持續(xù)業(yè)務應用，進一步拓展我國應急減災監(jiān)測技術(shù)手段，對于構(gòu)建空天地一體化全域覆蓋的災害事故監(jiān)測系統(tǒng)，全面提升我國防災減災救災和應急管理能力水平具有重大戰(zhàn)略意義[9]。

本文以2014年魯?shù)榈卣鹬貫膮^(qū)為研究區(qū)，以環(huán)境減災二號A/B衛(wèi)星和高分一號、六號衛(wèi)星遙感影像為數(shù)據(jù)源，根據(jù)滑坡的光譜異常、分布形態(tài)、地形與周圍環(huán)境等解譯標志，對魯?shù)榈貐^(qū)現(xiàn)有的滑坡進行解譯與識別，通過對比分析闡述環(huán)境減災二號A/B衛(wèi)星在地震次生地質(zhì)災害中的應用能力。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

2014年8月3日16時30分，在云南省昭通市魯?shù)榭h(27.10°N，103.34°E)發(fā)生6.5級地震，震源深度12 km，震中位于昭通市西南約46 km，距離魯?shù)榭h約27 km。地震造成昭通市魯?shù)榭h、巧家縣、昭陽區(qū)、永善縣和曲靖市會澤縣108.84萬人受災，其中，617人死亡、112人失蹤、3143人受傷[10]。災區(qū)房屋、交通、電力、通信、教育、衛(wèi)生等基礎(chǔ)設(shè)施遭到嚴重破壞，直接經(jīng)濟損失近200億元人民幣。地震災區(qū)主要為山區(qū)，極災區(qū)海拔高度在1000～2700 m，地勢總體上由呈北東向分布，同時受河流深切形成北西向的溝谷，相對高度超過1000 m。該區(qū)地處川滇菱形塊體東側(cè)，屬于揚子準地臺滇東臺褶帶的滇東北臺褶束。北東向、斷裂、褶皺發(fā)育，并伴有北西向斷裂分布。區(qū)內(nèi)復雜的地質(zhì)條件使得地震后易發(fā)滑坡、崩塌等地質(zhì)災害，造成人員生命財產(chǎn)和工程結(jié)構(gòu)的重大損失。本文研究區(qū)選擇魯?shù)榈卣馂膮^(qū)Ⅷ度以上重災區(qū)，如圖1所示。

圖1 魯?shù)榈卣餠III度以上重災區(qū)Fig.1 Hardest hit area of Ludian earthquake with degree VIII or higher

1.2 數(shù)據(jù)源

本文研究主要采用了環(huán)境減災二號A/B衛(wèi)星多光譜數(shù)據(jù)，數(shù)據(jù)如表1所示，影像覆蓋范圍如圖2所示。此外，還使用高分一號、六號等其他衛(wèi)星存檔或同期觀測數(shù)據(jù)，數(shù)據(jù)如表2所示，影像覆蓋范圍如圖3所示。

表1 環(huán)境減災二號A衛(wèi)星數(shù)據(jù)Table 1 HJ-2A satellite data

表2 高分一號、六號等衛(wèi)星數(shù)據(jù)Table 2 GF-1，6 and other satellites data

圖2 環(huán)境減災二號A衛(wèi)星數(shù)據(jù)覆蓋范圍Fig.2 HJ-2A satellite data coverage

圖3 高分一號、六號衛(wèi)星數(shù)據(jù)覆蓋范圍Fig.3 GF-1，6 satellites data coverage

2 研究方法

本文基于環(huán)境減災二號A/B衛(wèi)星影像，通過目視解譯方法對研究區(qū)內(nèi)滑坡體的識別能力進行研究，采用定性評價與定量評價相結(jié)合的方法，基礎(chǔ)評價與應用評價相結(jié)合的方式。定性評價采用ENVI和ERDAS軟件影像相同窗口2維和3維目視比較，定量評價使用ArcGIS軟件的統(tǒng)計功能，對各滑坡的面積進行統(tǒng)計，分析其各等級的識別率。

本文研究收集了魯?shù)榈卣鹬貫膮^(qū)2021年的環(huán)境減災二號A/B衛(wèi)星影像、分辨率相近的高分一號衛(wèi)星寬幅相機(WFV)影像，采用目視解譯方法，提取重特大地震造成的大尺度滑坡、崩塌等次生地質(zhì)災害，處理過程如圖4所示。

(1)數(shù)據(jù)收集與預處理。選擇云量小于10%的L1A級環(huán)境減災二號A/B衛(wèi)星影像，基于地面系統(tǒng)提供的幾何成像模型(RPC)參數(shù)和地形數(shù)據(jù)對其進行正射校正，在此基礎(chǔ)上對照參考影像進行配準。高分一號、六號采用加拿大PCI公司的地理影像集成軟件系統(tǒng)(GXL)，以陸地衛(wèi)星-8(Landsat-8)陸地成像儀(OLI)全色影像為參考影像進行幾何精校正。

(2)宏觀地震次生地質(zhì)災害信息提取。首先，在影像預處理的基礎(chǔ)上分析歷史地震滑坡影像、同期高分衛(wèi)星影像及環(huán)境減災二號A/B衛(wèi)星影像上滑坡影像特征，建立滑坡解譯標志。然后，利用地震后亞米級高分衛(wèi)星影像解譯極震區(qū)滑坡分布，對照與環(huán)境減災二號A/B衛(wèi)星同期米級高分衛(wèi)星影像，選取研究區(qū)內(nèi)的大型、中型、小型各類滑坡，對選取的滑坡逐個研判環(huán)境減災二號A/B衛(wèi)星影像上的可識別性。最后，統(tǒng)計分析環(huán)境減災二號A/B衛(wèi)星影像上可識別出的滑坡的面積等信息，通過與高分衛(wèi)星對比分析評價環(huán)境減災二號A/B衛(wèi)星在地震地質(zhì)災害調(diào)查評估中的應用精度和業(yè)務滿足度。

圖4 處理過程Fig.4 Processing process

3 試驗與分析

3.1 影像幾何特征分析

環(huán)境減災二號A/B衛(wèi)星影像采用ENVI RPC正射校正，DEM為12.5 m，具體參數(shù)設(shè)置如表3所示。

表3 環(huán)境減災二號A/B衛(wèi)星影像正射校正方法及參數(shù)Table 3 HJ-2A/B satellites image orthorectification methods and parameters

定位精度分析首先基于RPC參數(shù)將L1A產(chǎn)品進行正射校正，對正射校正后的環(huán)境減災二號A/B衛(wèi)星影像與2景Landsat-8 OLI全色鑲嵌影像進行配準，配準使用ENVI 5.3軟件中自動配準工具Geometric Correction/Registration/Image Registration Workflow。在自動化配準過程中，ENVI軟件總共找到473個控制點，共有23個點誤差超過1像元，2個點誤差超過2像元，總誤差為0.59，刪除誤差超過1像元的控制點后，共450個控制點，總誤差為0.52。精校正前后對比如圖5所示，校正前2個影像同名點相關(guān)約100多米，精校正后環(huán)境減災二號A衛(wèi)星影像與Landsat-8 OLI全色影像無明顯偏移，與高分一號、六號衛(wèi)星影像對比(分別見圖6和圖7)，無明顯偏移。自動匹配的環(huán)境減災二號A/B衛(wèi)星幾何精校正后，誤差在1像元以內(nèi)，完全能夠滿足地震地質(zhì)災害識別的應用需求。

圖5 幾何精校正前后對比Fig.5 Comparison before and after geometric correction

圖6 高分一號衛(wèi)星融合影像Fig.6 GF-1 satellite fusion image

圖7 高分六號衛(wèi)星融合影像Fig.7 GF-6 satellite fusion image

3.2 重特大地震地質(zhì)災害識別

地震地質(zhì)災害包括滑坡、崩塌、泥石流、堰塞湖等，其中以滑坡、崩塌尤為多發(fā)。本文研究以滑坡為研究對象，對環(huán)境減災二號A/B衛(wèi)星影像的滑坡識別能力進行應用評價。

3.2.1 滑坡解譯標志

地震具有突發(fā)性，破壞性大，其誘發(fā)的滑坡地質(zhì)災害大都在短時間完成，對地表巖石、土壤、植被、水體等破壞嚴重，因而在遙感影像上光譜特征非常明顯，對于區(qū)域性地質(zhì)災害點的識別較為容易。通過對高分衛(wèi)星影像的解譯，一些地貌、色調(diào)反映明顯的滑坡地質(zhì)災害，可以根據(jù)影像確定其類型和范圍。地震滑坡遙感解譯常依據(jù)其在遙感影像上的形狀、大小、紋理、色調(diào)、地形和周圍環(huán)境。云南魯?shù)?.5級地震牛欄江紅巖石村大型滑坡附近的滑坡區(qū)影像如圖8所示，牛欄江紅巖石村大型滑坡影像如圖9所示。

圖8 牛欄江紅巖石村附近滑坡區(qū)影像Fig.8 Image of landslide area near Hongyan Village of Niulanjiang

圖9 牛欄江紅巖石村大型滑坡影像Fig.9 Image of a large-scale landslide in Hongyan Village of Niulanjiang

(1)形態(tài)特征?；乱话憔哂斜容^明顯的形態(tài)及結(jié)構(gòu)特征，多呈簸箕形、舌形、橢圓形、疊瓦形或復合形。

(2)色調(diào)紋理特征?；乱话銜茐牡乇碇脖唬l(fā)生滑坡的區(qū)域土地裸露，與周圍未發(fā)生滑坡的區(qū)域形成鮮明的對比，影像上地表植被的破壞造成其與周邊地物的色調(diào)差異，滑坡后緣發(fā)育凹形異常色調(diào)影像，滑坡前緣向谷地凸出，呈長條形分布，滑坡體部分反射率較高，影像呈亮白色、淺白色、土黃色等較亮的異常光譜特征。

(3)地形與周圍環(huán)境特征。滑坡多分布于溝谷、河流等陡峭邊坡地段，地形是滑坡解譯的重要標志之一，包括高度、坡度、坡向、凹坡、凸坡等滑坡所處地形條件的綜合表現(xiàn)，能夠反映出滑坡對區(qū)域地形的改變，滑坡區(qū)域與非滑坡區(qū)域之間形成反差。周圍環(huán)境能夠幫助研判滑坡的類型和結(jié)構(gòu)、滑床的高度和周圍存有的斷層等信息。

3.2.2 影像滑坡解譯

基于魯?shù)榈卣鸷蟾叻忠惶栃l(wèi)星影像、Google影像，結(jié)合地震前歷史影像解譯魯?shù)橹貫膮^(qū)的滑坡，共1025處，分布如圖10所示。

圖10 高分一號衛(wèi)星影像解譯魯?shù)橹貫膮^(qū)滑坡分布Fig.10 GF-1 satellite image interpretation of landslide distribution in the hardest hit area in Ludian

依據(jù)色調(diào)、形態(tài)與地形等解譯標志，分別在2維和3維場景下采用目視解譯方式對2021年3月18日獲取的高分六號衛(wèi)星2 m全色與多光譜融合影像上滑坡進行解譯，共有104處滑坡，分布如圖11所示。其中：紫色區(qū)域為魯?shù)榈卣鸹路植?；紅色標志的滑坡為魯?shù)榈卣鸹轮械侥壳叭源嬖谇以? m影像上能夠識別出的滑坡區(qū)域。

圖11 高分六號衛(wèi)星影像解譯魯?shù)橹貫膮^(qū)滑坡分布Fig.11 GF-6 satellite image interpretation of landslide distribution in the hardest hit area in Ludian

在同期高分衛(wèi)星2 m影像滑坡解譯的基礎(chǔ)上，基于2021年3月19日獲取的環(huán)境減災二號A衛(wèi)星16 m影像上的滑坡，依據(jù)其光譜、形態(tài)、地形及周邊環(huán)境等特征，在2維和3維場景下，對滑坡進行目視解譯。高分六號衛(wèi)星影像上共解譯104處滑坡，環(huán)境減災二號A衛(wèi)星影像目視解譯滑坡17處，分布如圖12中黃色標志區(qū)域所示。

圖12 環(huán)境減災二號A衛(wèi)星影像解譯魯?shù)橹貫膮^(qū)滑坡分布Fig.12 HJ-2A satellite image interpretation of landslide distribution in the hardest hit area in Ludian

圖12中方框1范圍內(nèi)的滑坡如圖13所示。圖13(a)為2021年3月18日高分六號衛(wèi)星2 m融合影像上仍存在的滑坡，圖中2個箭頭所指的2處較大的滑坡中，黑色箭頭所指示滑坡在環(huán)境減災二號A衛(wèi)星16 m影像上表現(xiàn)如圖13(b)所示，在高分一號衛(wèi)星16 m影像上表現(xiàn)如圖13(c)所示，均呈現(xiàn)出光譜異?，F(xiàn)象。紅色箭頭所指滑坡因被新植被覆蓋，從高分六號衛(wèi)星2 m影像結(jié)合3維地形特征，根據(jù)滑坡邊緣、頂部崩塌區(qū)及其形態(tài)等特征，綜合判定為滑坡。在環(huán)境減災二號A衛(wèi)星與相同分辨率的高分一號衛(wèi)星影像上，該滑坡僅上緣存在崩塌區(qū)及其邊界處有線性異常，因此未能識別出，但是若為地震后新發(fā)生的滑坡，其范圍較大，光譜異常特征突出，該規(guī)模的滑坡較容易識別。

圖13 魯?shù)榻庾g區(qū)域方框1范圍內(nèi)滑坡特征對比Fig.13 Comparison of landslide characteristics in box 1 of Ludian interpretation area

圖12中方框2范圍內(nèi)的滑坡如圖14所示。圖14(a)為高分六號2 m影像解譯滑坡分布，共22處；圖14(b)為環(huán)境減災二號A衛(wèi)星16 m影像解譯滑坡分布，共4處；圖14(c)為2021年3月28日獲取的高分一號衛(wèi)星16 m影像解譯滑坡分布，共4處。其中：圖14(b)和圖14(c)中的下面2處滑坡呈現(xiàn)高亮色，較容易識別；上面2處部分表現(xiàn)出光譜異常，比較識別與未識別出的滑坡，發(fā)現(xiàn)影像呈現(xiàn)光譜異常，且分布范圍較大的滑坡目視才被解譯出來。

圖14 魯?shù)榻庾g區(qū)域方框2范圍內(nèi)滑坡特征對比Fig.14 Comparison of landslide characteristics in box 2 of Ludian interpretation area

圖12中方框3范圍內(nèi)的滑坡為牛欄江紅巖石村附近的多處滑坡，如圖15所示。其中：2處大型滑坡導致牛欄江堰塞湖，以及附近村莊的淹沒。在圖15(a)2021年3月13日高分六號2 m影像上，可以清晰看到多處地表呈現(xiàn)白色或亮土黃色，地表表現(xiàn)出與周圍明顯光譜異常。在圖15(b)環(huán)境減災二號A衛(wèi)星16 m影像上標示規(guī)模較大的位置1處和位置3處滑坡，其光譜異常較明顯，較容易判識；位置2處滑坡規(guī)模較小，光譜上呈現(xiàn)不太明顯的亮色異常，結(jié)合地形，其形態(tài)呈現(xiàn)從高處向低處分布，可判斷為滑坡。在圖15(c)高分一號衛(wèi)星16 m影像上也僅這3處滑坡能夠識別出。

圖15 牛欄江紅巖石村大型滑坡對比Fig.15 Comparison of large-scale landslides in Hongyan Village of Niulanjiang

3.3 地震地質(zhì)災害應用能力評價

根據(jù)DB/T 74-2018《地震災害遙感評估地震地質(zhì)災害》，地震滑坡可按滑坡面積分為4個等級。①巨型滑坡，單個滑坡體的面積不小于107 m2；②大型滑坡，單個滑坡體的面積為[106,107) m2；③中型滑坡，單個滑坡體的面積為[104,106) m2；④小型滑坡，單個滑坡體的面積小于104 m2。

魯?shù)榈卣鸹轮校叻至栃l(wèi)星2 m影像能識別出104處不同規(guī)模的滑坡，其中大型滑坡5處，中型滑坡38處，小型滑坡61處。環(huán)境減災二號A衛(wèi)星影像目視解譯出其中17處不同規(guī)模的明顯滑坡，其面積和等級如表4所示，根據(jù)面積統(tǒng)計，大型滑坡5處(其中2處被植被覆蓋，按該滑坡規(guī)模的光譜異常可識別出)，中型滑坡11處，小型滑坡1處。根據(jù)高分六號衛(wèi)星識別出的滑坡，環(huán)境減災二號A衛(wèi)星大型滑坡識別率100%，中型滑坡識別率29%，小型滑坡識別率2%。由于魯?shù)榈卣鸢l(fā)生在2014年，部分滑坡區(qū)已被新植被覆蓋，環(huán)境減災二號A衛(wèi)星上2處大型滑坡僅能看到滑坡邊緣亮線，而高分六號衛(wèi)星2 m影像上根據(jù)其形態(tài)可判斷為滑坡，因此實際地震后，根據(jù)光譜異常，大型滑坡能全部識別出。

表4 環(huán)境減災二號A衛(wèi)星目視解譯滑坡面積等級Table 4 HJ-2A satellite visual interpretation of landslide area grade

通過上述分析表明：對于大型滑坡，環(huán)境減災二號A衛(wèi)星識別能力較好，少部分中型滑坡也能識別出，若結(jié)合地震前影像進行比較識別，滑坡識別率將更高。因此，環(huán)境減災二號A衛(wèi)星能夠滿足重特大地震地質(zhì)災害監(jiān)測評估的應用需求。

4 結(jié)束語

本文以2014年魯?shù)榈卣鹬貫膮^(qū)為研究區(qū)，選擇2021年3月19日的環(huán)境減災二號A衛(wèi)星影像，經(jīng)幾何精校正后，結(jié)合2021年3月18日獲取的高分六號衛(wèi)星2 m影像，根據(jù)滑坡的光譜異常、分布形態(tài)、地形與周圍環(huán)境等解譯標志，對魯?shù)榈貐^(qū)現(xiàn)有的滑坡進行解譯。2014年高分六號衛(wèi)星影像解譯魯?shù)榈卣鸷笾貫膮^(qū)滑坡1024處，2021年高分六號2 m影像解譯滑坡104處，環(huán)境減災二號A衛(wèi)星解譯滑坡17處。在對滑坡面積、等級等信息統(tǒng)計的基礎(chǔ)上，發(fā)現(xiàn)環(huán)境減災二號A衛(wèi)星可識別出震后大型以上滑坡、部分中型滑坡和個別小型滑坡。由于魯?shù)榈卣鸢l(fā)生較早，部分滑坡區(qū)已被新植被所覆蓋，影像光譜異常特征消失，導致部分大型滑坡未能識別出。實際地震后，結(jié)合地震前影像對比分析，環(huán)境減災二號A衛(wèi)星對于滑坡的識別率會高于本次的研究結(jié)果。同時，與相同分辨率的高分一號衛(wèi)星16 m影像比較，環(huán)境減災二號A衛(wèi)星識別滑坡的能力相當。因此，對于重大地震地質(zhì)災害，環(huán)境減災二號A/B衛(wèi)星影像對大型滑坡具有較好的識別能力，并且具有幅寬較大的優(yōu)勢，能快速識別大型滑坡等地質(zhì)災害，確定極災區(qū)范圍，具有較好的應用前景。