同震崩塌滑坡的光學(xué)遙感影像多特征融合解譯方法

韓征，方振雄，傅邦杰，吳斌暉，李艷鴿,3，李常麗，陳光齊

（1. 中南大學(xué)土木工程學(xué)院，湖南 長沙 410075；2. 軌道交通工程結(jié)構(gòu)防災(zāi)減災(zāi)湖南省重點實驗室，湖南 長沙 410075；3. 重載鐵路工程結(jié)構(gòu)教育部重點實驗室，湖南 長沙 410075；4. 九州大學(xué)工學(xué)府，福岡 819-0372，日本）

0 引言

我國是世界上受地震災(zāi)害影響最為嚴重的國家之一。尤其是青藏高原、四川盆地、云貴高原等第一、第二級階梯艱險山區(qū)，地震不僅能夠在震時造成嚴重的破壞，同時也引發(fā)大量的同震崩塌滑坡，造成嚴重的破壞[1]。以2014 年8 月3 日云南魯?shù)榈貐^(qū)6.5 級地震為例，同震崩塌滑坡災(zāi)害所造成的死亡和失蹤人數(shù)約占總?cè)藬?shù)的30%[2?4]。此外，同震崩塌滑坡形成的堰塞壩和松散堆積物也是導(dǎo)致潰壩洪水、次生泥石流等鏈生災(zāi)害的主要誘因[5?6]，使得主震后一段時間內(nèi)地質(zhì)災(zāi)害發(fā)災(zāi)趨勢顯著增強。因此，如何準確、快速地對同震崩塌滑坡進行識別和定位是災(zāi)后恢復(fù)與建設(shè)所需優(yōu)先解決的問題之一。

在遙感技術(shù)廣泛運用于地質(zhì)災(zāi)害領(lǐng)域前，同震崩塌滑坡的調(diào)查通常以人工踏勘為主。雖然識別結(jié)果詳細準確，但效率較低，且震后區(qū)域地形陡峭、人力難至、危險性較高，因此覆蓋面和適用性受限[7?8]。隨著遙感技術(shù)逐漸成熟，星載和機載的光學(xué)遙感影像等數(shù)據(jù)獲取成本顯著降低，基于光學(xué)遙感影像提取區(qū)域內(nèi)同震崩塌滑坡、泥石流等災(zāi)點信息的技術(shù)已成為主要手段。例如，汶川地震之后，遙感手段就廣泛用于同震地質(zhì)災(zāi)害的解譯中，為同震地質(zhì)災(zāi)害的快速編目提供了有力支撐[9]?？傮w而言，現(xiàn)有的識別方法可以分為三類：（1）變化檢測方法。這種方法需要有同一位置的兩期或多期遙感數(shù)據(jù)，找出因同震崩塌滑坡引起的變化區(qū)域，數(shù)據(jù)源可以是二維光學(xué)影像，也可以是三維地形數(shù)據(jù)[10?11]。變化檢測對新生崩塌體的應(yīng)用效果較好，但是需要具有時間序列的遙感數(shù)據(jù)，通常此類數(shù)據(jù)較難獲?。唬?）機器學(xué)習(xí)方法。常用的有貝葉斯、邏輯回歸、支持向量機和人工神經(jīng)網(wǎng)絡(luò)等算法[12?13]。這類方法在數(shù)據(jù)準備部分需要提取所使用數(shù)據(jù)的各類相關(guān)特征，然后使用各種分類器進行同震崩塌滑坡識別，其自動化程度相較于前述方法更高。但機器學(xué)習(xí)方法的特征選擇和超參數(shù)調(diào)試工作量較大；（3）特征閾值方法。這種方法多使用基于像素的方法或基于對象的多尺度分割方法，對同震崩塌滑坡區(qū)域的光譜、紋理、地貌或地形等特征進行統(tǒng)計，設(shè)置一種或者多種閾值進行崩塌體識別[14?16]。其判斷精度高，工作量相對較小，但是由于其判斷標準為特定區(qū)域特定特征的統(tǒng)計值，目前，無論是規(guī)范還是已有研究都未形成統(tǒng)一標準。

目前基于光學(xué)遙感影像解譯同震崩塌滑坡已逐漸發(fā)展成為一種較為可行的解決方案。我們在前期研究[17?19]中，針對傳統(tǒng)二值化分割方法[20?21]在遙感影像解譯中所存在的受高灰度地物干擾等問題，提出了基于蒙特卡洛迭代來對全色波段影像進行隨機分塊，并對局部影像采用大津（Otsu）方法進行二值化分割，從而區(qū)分震裂物源前景與其他地物背景。該方法能夠克服目前基于全局閾值二值化分割方法在區(qū)域影像光照不均、山體陰影遮擋或復(fù)雜地物背景等因素對解譯結(jié)果的干擾。但是，該方法依然存在誤報率（或假陽率）較高的問題，即一些相似灰度的地物被誤判為同震崩塌滑坡。我們在研究[19]中發(fā)現(xiàn)，以2008 年汶川地震北川地區(qū)的解譯結(jié)果為例，誤判為同震崩塌滑坡的地物通常是一些裸露的河漫灘、開墾的斜坡等與同震崩塌滑坡具有相似的灰度特征的地物，尤其是在地形DEM 模型分辨率較低時，無法利用我們所提出的光學(xué)影像與地形坡度的融合方法進行區(qū)分。因此，如何進一步降低解譯結(jié)果中的假陽性問題，從而提高同震崩塌滑坡解譯精度是目前需要研究與解決的關(guān)鍵問題。

圍繞上述問題，本研究針對復(fù)雜艱險山區(qū)地質(zhì)災(zāi)害區(qū)域遙感影像特點和已有解譯方法中產(chǎn)生的假陽性地物幾何特征進行了分析，進而提出了一種遙感影像多特征策略融合的同震崩塌滑坡解譯方法。該方法在我們已提出的局部閾值二值化識別分析的方法基礎(chǔ)[18]上，進一步引入歸一化植被指數(shù)（NDVI）特征[22?25]和主軸特征[26?27]，通過融合地形坡度特征、主軸軸向特征、NDVI特征，來排除灰度特性與同震崩塌滑坡相似的平緩區(qū)域?qū)庾g結(jié)果的干擾、河岸邊裸露的河漫灘等沿水系流向的長條形地物的干擾以及植被區(qū)對識別結(jié)果的干擾，從而實現(xiàn)高精度同震崩塌滑坡的檢測解譯識別。最后，以2014 年云南魯?shù)榈卣瘕堫^山鎮(zhèn)區(qū)域為研究區(qū)，利用震后獲取的高分一號（GF-1）衛(wèi)星影像數(shù)據(jù)及數(shù)字高程模型對該區(qū)域同震崩塌滑坡進行了解譯識別，從而驗證本文所提出的方法的準確性和可行性。

1 方法與模型

本研究首先利用局部閾值二值化方法對影像同震崩塌滑坡進行初步解譯，再針對識別結(jié)果出現(xiàn)的假陽性地物，通過坡度信息、主軸特征因子和NDVI指數(shù)進行二次分析與判斷。通過目標區(qū)域的坡度篩選，排除灰度特性與同震崩塌滑坡相似的平緩區(qū)域?qū)庾g結(jié)果的干擾；輔以目標區(qū)域的主軸分析，排除長條形地物對解譯結(jié)果的干擾；最后結(jié)合目標區(qū)域的NDVI指數(shù)特征，避免將高植被覆蓋區(qū)域誤檢為同震崩塌滑坡，進而提高同震崩塌滑坡解譯精度。方法具體操作流程見圖1。

圖1 方法流程示意圖Fig.1 Schematic diagram of the proposed method

1.1 局部閾值二值化

同震崩塌滑坡識別的本質(zhì)是對光學(xué)影像中潛在的物源區(qū)域進行分割操作。針對同一幅影像上不同部分具有不同灰度的現(xiàn)象，利用單一的全局閾值無法對影像細節(jié)做出較好地分割。因此，本研究采用局部閾值二值化方法對影像進行初步分割，來進行同震崩塌滑坡識別。

局部閾值二值化方法首先利用蒙特卡洛迭代來對影像進行隨機分塊，對分塊后的局部影像采用經(jīng)典大津（Otsu）二值化方法來區(qū)分識別目標的前景與背景。根據(jù)蒙特卡洛迭代結(jié)果的置信度來判斷像元是否屬于崩塌體?；谌跋衽c地形數(shù)據(jù)融合的崩塌體識別方法具體操作思路如下：

（1）對H×W大小的影像進行蒙特卡洛隨機分塊，共設(shè)置N步蒙特卡洛計算步，H和W分別指代影像隨機分塊的高度和寬度。

（2）通過每次計算步獲得的蒙特卡洛隨機分塊圖像(大小為H×W)。

（3）對上述圖像塊進行經(jīng)典大津（Otsu）二值化閾值處理，獲得每個像元在第k次蒙特卡洛計算步的二值化分割結(jié)果fk(x,y)，其中k

（4）對每次蒙特卡洛計算步獲得的像元分割結(jié)果進行二值化概率分布統(tǒng)計。

（5）設(shè)置置信度TP為 概率閾值，大于TP為前景目標，小于TP則 為背景雜波。我們在研究[18]中發(fā)現(xiàn)，當TP=0.80具有較好的效果，即假設(shè)100 次蒙特卡洛迭代計算中，某像元有80 次以上被判識為目標前景，則該像元在最終結(jié)果中被判為同震崩塌滑坡。

基于局部閾值二值化的全色影像同震崩塌滑坡識別方法的具體思路如圖2 所示。

圖2 全色影像局部閾值二值化初步檢測流程圖Fig.2 Flow chart of collapse identification for panchromatic image based on local threshold binarization

1.2 多特征策略融合

同震崩塌滑坡的影像灰度特征與裸露的土壤極為相似，但裸露的土壤不一定是同震崩塌滑坡，如裸露的河漫灘、開墾的斜坡地、泥土道路等地物。這些地物很難有效地與同震崩塌滑坡進行區(qū)分，致使我們在研究[17]中提出的方法在同震崩塌滑坡解譯結(jié)果上假陽率偏高，導(dǎo)致檢測的準確性受到影響。

為了排除這些誤判為同震崩塌滑坡的假陽性地物干擾，研究首先引入地形坡度策略對初步識別結(jié)果進行篩選。但是，受數(shù)字高程模型DEM 精度的限制，地形坡度策略雖然能夠去除少部分地形的干擾，但在河漫灘、坡腳等處仍然可能存在誤判。因此，在地形坡度策略的基礎(chǔ)上，研究引入了主軸特征對識別方法加以補充。最后，考慮到植被區(qū)對最終結(jié)果的影響，研究嘗試結(jié)合以下特征策略（地形坡度、主軸軸向、NDVI指數(shù)）對初步的檢測結(jié)果進行二次篩選，嘗試進一步降低同震崩塌滑坡識別假陽率。

1.2.1 地形坡度特征

地形坡度表征每個像元到與其相鄰的像元方向上的最大高程變化率。通常來說，坡度值越小，地勢越平坦；坡度值越大，地勢越陡峭。考慮到同震崩塌滑坡的發(fā)育特征，即通常發(fā)育在坡度較陡的山體，我們沿用已有研究[18]所建議的5°坡度作為閾值分界，對初步檢測結(jié)果進行過濾，去掉坡度較緩的區(qū)域。

1.2.2 主軸軸向特征

同震崩塌滑坡的滑移方向多為由高到低的滑流，因此，其主軸軸向應(yīng)當具有明顯的方向性。同震崩塌滑坡受重力因素影響，其發(fā)生移動一般表現(xiàn)為從山坡到山谷的運動，多為從上到下的直線式滑行，通常軸向特征表現(xiàn)為近豎直向。沿山道路的主軸軸向則多以橫向為主，為此通過目標體的主軸軸向可以有效區(qū)分同震崩塌滑坡與道路。此外，河岸邊裸露的河漫灘的主軸方向也多為橫向。因此，可以根據(jù)地物的主軸軸向特征降低裸露泥土道路、河漫灘對同震崩塌滑坡檢測識別檢測的影響。

目標區(qū)域主軸軸向的計算過程如圖3 所示。

圖3 計算主軸特征示意圖Fig.3 Schematic diagram of calculating spindle characteristics

設(shè)影像中的目標區(qū)域為R，一共有N個像素，(x,y)處的像素值為f(x,y)。則目標的質(zhì)心定義為目標像素坐標的均值(,)：

其中，i為x軸方向的階數(shù)，j為y軸方向的階數(shù)。

目標的慣性矩定義為：

其中，慣性主軸定義慣性矩I(θ)為最小的方向，對I(θ)求導(dǎo)：

令I(lǐng)′(θ)=0可得：

可以發(fā)現(xiàn)，式（2）—（7）有兩個解

為了區(qū)別最大值和最小值，求I(θ)的二階導(dǎo)數(shù)，得

將θ1和θ2分別代入式（9）中進行計算，當I′′(θ)>0時，θi即為所求的慣性主軸方向，主軸軸向示意圖如圖4 所示。

圖4 主軸軸向特征示意圖Fig.4 Schematic diagram of spindle axial characteristics

利用主軸特征對解譯結(jié)果進行修正的步驟中，關(guān)鍵在于如何得到主軸的位置以及確定主軸端點的坐標和高程。文中方法具體如下：首先計算得到目標區(qū)域的主軸軸向[28?30]，再對主軸進行遍歷即可解算出主軸線與圖形的交點，此交點即為主軸的端點，進而獲得主軸線在圖像中的坐標位置、求解出圖形的長短主軸、對應(yīng)圖形頂點以及軸向。再與高程數(shù)據(jù)圖融合即可求得主軸端點的坐標以及高程，計算得到目標高度差、縱橫比、方向走勢等信息參數(shù)。通過規(guī)定目標區(qū)域長短軸比值和高差比的閾值，對同震崩塌滑坡和長條形的地物進行區(qū)分，從而解譯出同震崩塌滑坡的位置，其中設(shè)定的閾值針對不同研究區(qū)域應(yīng)單獨考慮確定閾值。

1.2.3NDVI指數(shù)特征

通常，當山體在地震作用下形成同震崩塌滑坡時，由于山體瞬時發(fā)生整體失穩(wěn)，導(dǎo)致失穩(wěn)區(qū)域地表的植被會被大面積破壞，使得植被覆蓋度顯著降低，與周邊環(huán)境形成明顯差異。同震崩塌滑坡區(qū)域與周邊環(huán)境在植被稀疏覆蓋度的顯著差異，可以從一定程度上反映出同震崩塌滑坡的分布情況[31?32]。由于植被對近紅外波段具有較強的反射性，而在紅光波段則具有較強的吸收性，因此，可以利用該特性來區(qū)分植被區(qū)與非植被區(qū)。

目前，歸一化植被指數(shù)NDVI（Normalized Difference Vegetation Index）是衡量植被稀疏覆蓋度常用的度量方式，還可以反映出植物冠層的背景情況[33?35]，如土壤潮濕地面、雪、巖石等。其值表征可見光紅光波段與近紅外波段的反射率差值與二者之和的比值：

式中，ρnir表 示近紅外波段反射率，ρred表 示紅光波段反射率。一般來說，NDVI取值在?0.1～0.1 的區(qū)間內(nèi)。

關(guān)于確定NDVI區(qū)分植被、土壤、巖石或雪的閾值，目前通常根據(jù)經(jīng)驗確定，張華等[36]為了反映NDVI的動態(tài)變化，按照等間距法，將NDVI進行分級，分別為：植被覆蓋低取值在(0,0.2]、中低(0.2,0.4]、中(0.4,0.6]、中高(0.6,0.8]和高(0.8,1]。統(tǒng)計表明，當NDVI處于[?1,0)一般指示地面覆蓋類型為云、水、雪等，這些地物通常對可見光表現(xiàn)出高反射；當NDVI接近0 時表示和兩者幾乎相等，指示沒有植被覆蓋，地表被裸露的土壤或者巖石覆蓋；當NDVI處于(0,1]通常指示該地有植被，其植被覆蓋度與該值呈現(xiàn)正相關(guān)[37]。本研究取NDVI數(shù)值在[?0.1,0.1]區(qū)間內(nèi)的區(qū)域為同震崩塌滑坡區(qū)域，從而降低植被覆蓋高的區(qū)域被誤檢為同震崩塌滑坡區(qū)域的可能性。

2 實例驗證

2.1 研究區(qū)概況

以2014 年8 月云南魯?shù)榈卣瘕堫^山鎮(zhèn)區(qū)域為研究案例，文中開展同震崩塌滑坡的解譯識別方法的驗證。該研究區(qū)位于云南省昭通市魯?shù)榭h。該區(qū)域曾于北京時間2014 年8 月3 日16 時30 分發(fā)生了6.5 級地震，震源深度達12 km[38?39]。地震的震區(qū)屬于高山峽谷地貌，由于正處在雨季，地震引發(fā)了嚴重的滑坡、泥石流、滾石以及堰塞湖等次生災(zāi)害，同震崩塌滑坡較為發(fā)育。

2.2 數(shù)據(jù)來源

區(qū)內(nèi)地形環(huán)境復(fù)雜、地物類型多樣、山體破壞顯著，存在著多處局部型同震崩塌滑坡物源。原始數(shù)據(jù)包括：震后魯?shù)榈貐^(qū)高分一號衛(wèi)星影像數(shù)據(jù)及魯?shù)榈貐^(qū)數(shù)字高程模型（http://glovis.usgs.gov/)，影像拍攝日期為2014年8 月20 日，本研究使用的原始數(shù)據(jù)參數(shù)信息如表1所示。

表1 原始數(shù)據(jù)參數(shù)信息表Table 1 Information of the input data

2.3 解譯結(jié)果分析

本研究以魯?shù)榈卣馂閷嶒灠咐炞C局部閾值二值化結(jié)合特征策略的同震崩塌滑坡解譯方法的可行性。圖5 為魯?shù)榭h龍頭山鎮(zhèn)區(qū)域地理位圖。

圖5 魯?shù)榭h龍頭山鎮(zhèn)影像（影像數(shù)據(jù)來源于高分一號衛(wèi)星2014 年8 月20 日影像數(shù)據(jù)）Fig.5 Image of Longtoushan Town,Ludian County (Image from GF-1 dataset,on August 20,2014)

首先，運用局部閾值二值化分割方法對該研究區(qū)域全色影像進行50 次蒙特卡洛步計算，設(shè)定置信概率TP=0.80，獲得該研究區(qū)域的局部二值化分割結(jié)果圖，如圖6 所示。經(jīng)過局部閾值二值化分割之后，高分一號全色影像被分為前景和背景兩部分。從分割結(jié)果來看，前景中包含較多細小斑塊，且存在大量的假陽性崩塌解譯結(jié)果，與實際情況不符。究其原因，可能是該研究區(qū)的全色影像數(shù)據(jù)中地物整體偏暗，地物間色差并不明顯，局部閾值二值化方法不能有效的區(qū)分出同震崩塌滑坡目標與周圍背景，導(dǎo)致檢測結(jié)果中存在著大量的雜波噪聲。

圖6 局部閾值二值化分割結(jié)果Fig.6 Local threshold binarization segmentation results

因此，本研究在初步分割結(jié)果基礎(chǔ)上引入多特征策略融合方法。首先結(jié)合研究區(qū)DEM 數(shù)據(jù)引入?yún)^(qū)域坡度信息，獲得融合坡度信息的改進二值化局部閾值分割的同震崩塌滑坡識別結(jié)果，如圖7 所示。

圖7 融合坡度信息的判定結(jié)果Fig.7 Judgment result of fusion slope information

從圖中可知，引入坡度信息之后，去除了少量地勢平坦區(qū)域的虛假雜波結(jié)果。通過對比分析，前景中仍然包含有長條形地物和植被區(qū)導(dǎo)致的假陽性結(jié)果，整體識別效果有待進一步提升。

以融合坡度信息的局部閾值二值化分割結(jié)果為基礎(chǔ)，繼續(xù)引入主軸軸向特征對同震崩塌滑坡進行識別篩選，獲得結(jié)果如圖8 所示。從圖中可看出，基于主軸軸向特征的同震崩塌滑坡識別方法進一步去除了細小斑點噪聲，一定程度上抑制了長條形地物和細小斑點噪聲對識別結(jié)果的影響。但本質(zhì)上依然還存在高植被覆蓋區(qū)域?qū)е碌恼`報率偏高問題。為了解決這個問題，本研究引入NDVI指數(shù)特征對上述結(jié)果進一步篩選。以[?0.1,0.1]為NDVI指數(shù)閾值，對上述判定結(jié)果進行修正，獲得融合NDVI指數(shù)特征的同震崩塌滑坡分割效果圖，如圖9 所示。

圖8 融合主軸軸向特征的判定結(jié)果Fig.8 Judgment result of fusion spindle axial feature

圖9 融合NDVI 指數(shù)特征的判定結(jié)果Fig.9 Judgment result of fusion of NDVI index features

觀察以上的判定結(jié)果可得，局部閾值二值化的結(jié)果經(jīng)過融合地形坡度特征，主軸特征以及NDVI指數(shù)特征判定后，圖像的干擾噪聲明顯減少。其中融合坡度特征，主要去除坡度低于5%的緩坡區(qū)域干擾；針對崩塌體的主軸特征為縱向，而沿山道路、裸露河漫灘等干擾地物主軸特征多為橫向的特點，引入主軸特征，實現(xiàn)了排除橫向主軸地物干擾的目的；針對高植被覆蓋地區(qū)發(fā)生山體震裂崩塌概率相對較小的特點，引入NDVI指數(shù)篩選，主要去除此類高植被覆蓋區(qū)域?qū)ψR別結(jié)果的影響。

2.4 精度驗證

為驗證同震崩塌滑坡的識別結(jié)果，對光學(xué)遙感影像進行了人工目視解譯。同震崩塌滑坡在光學(xué)遙感影像上具有與非災(zāi)害地形不同的影像特征，可以從三個方面進行判斷：顏色、色調(diào)特征，同震崩塌滑坡會破壞原始地表覆蓋，在遙感圖像上表現(xiàn)為地表覆蓋的顏色連續(xù)性發(fā)生變化，對于新發(fā)生的崩塌山體，山體表面無植被覆蓋且物質(zhì)構(gòu)成疏松，地表反射率較強，在影像上的色調(diào)較淺；圖像紋理方面，紋理是圖像上色調(diào)的變化頻率，崩塌體不同部位的形態(tài)、色調(diào)都有所差異，所以崩塌體在紋理上呈現(xiàn)出無規(guī)則狀態(tài)；形狀特征，在遙感圖像上，崩塌體通常表現(xiàn)為雙溝同源、圈椅、橢圓等特殊的平面形態(tài)。

基于以上特征，并結(jié)合地形的高程數(shù)據(jù)，我們對檢測區(qū)域進行了人工目視解譯，同時為保證目視解譯結(jié)果的準確性，文中以研究區(qū)發(fā)生震裂崩塌災(zāi)害前的影像數(shù)據(jù)（圖10）作為參照進行目視解譯。共識別出該區(qū)域內(nèi)16 個同震崩塌滑坡，識別結(jié)果如圖11 中的紅色區(qū)域所示。其中，標記為藍色的3 處道路沿線的小型巖土裸露區(qū)域由于其遙感影像特征與同震滑坡的特征相似，無法確定其是同震崩塌滑坡或是施工產(chǎn)生的挖方邊坡，且由于時間較久無法現(xiàn)場核實和篩查。因此，為了更合理地說明文中提出方法的有效性，文中將這三處疑似區(qū)域作為假陽性地物進行考慮。

圖10 研究區(qū)震前影像（影像數(shù)據(jù)來源于WorldView-2 衛(wèi)星2011 年12 月6 日影像數(shù)據(jù)）Fig.10 Pre-earthquake images in the study area (Image from WorldView-2 dataset,on December 6,2011)

圖11 目視解譯結(jié)果示意圖（紅色區(qū)域為同震崩塌滑坡，藍色區(qū)域為挖方邊坡等疑似地物）Fig.11 Schematic diagram of visual interpretation results (pink polygons are the co-seismic collapses,red polygons are the suspected objects due to excavation)

針對上節(jié)基于局部二值化結(jié)合多特征策略的同震崩塌滑坡識別結(jié)果與目視解譯結(jié)果進行統(tǒng)計量化對比分析，由對比結(jié)果可知，基于局部二值化結(jié)合多特征策略（地形坡度特征、主軸軸向特征、NDVI特征）的方法準確的識別出了所有同震崩塌滑坡目標，去除了假陽性地物的干擾，提高了檢測準確性，有效地提高了同震崩塌滑坡解譯識別的精度。

由表2 可知，基于全色影像局部閾值二值化和地形坡度特征的同震崩塌滑坡識別真陽率已達100%，而假陽率高達156.3%。主軸軸向特征的引入，進一步將同震崩塌滑坡假陽率降低至112.5%，在地形坡度特征基礎(chǔ)上對同震崩塌滑坡誤檢數(shù)量進行了有效控制。NDVI指數(shù)特征的引入將同震崩塌滑坡假陽率從112.5%降低至23.1%?？梢钥闯霰痉椒ㄗ罱K的解譯結(jié)果，無法識別出同期影像中存在的道路挖方邊坡等疑似區(qū)域，有必要通過現(xiàn)場勘察進行進一步篩查。

表2 檢測解譯效果統(tǒng)計Table 2 Detection and interpretation effect statistics

可以發(fā)現(xiàn)，從所去除假陽性結(jié)果的數(shù)量上看，利用NDVI指數(shù)是更為有效的手段，表明相比地形坡度特征以及解譯目標幾何形態(tài)的主軸特征，本案例中同震崩塌滑坡在植被稀疏覆蓋度上的差異更為顯著，植被區(qū)對同震崩塌滑坡識別的影響較大。但對于其他區(qū)域而言，通過NDVI指數(shù)特征去除假陽性結(jié)果是否最為有效仍有待進一步研究。因此，在實際工作中，應(yīng)該將地形坡度特征、主軸特征、NDVI特征進行綜合考慮，從而盡可能地去除解譯結(jié)果中假陽性地物干擾，對結(jié)果進行修正，提高同震崩塌滑坡的識別精度。

3 討論

（1）文中運用多特征融合策略來對同震崩塌滑坡識別結(jié)果開展進一步的判定分析，特征策略的獲取精度可能對識別結(jié)果精度產(chǎn)生一定影響，主要表現(xiàn)為識別結(jié)果與真實同震崩塌滑坡邊界不統(tǒng)一。因數(shù)據(jù)資源有限，本文采用的DEM 數(shù)據(jù)分辨率為30 m，其分辨率相對于影像數(shù)據(jù)（分辨率2 m）較低且不匹配，故在系統(tǒng)計算主軸端點高程時，無法實現(xiàn)1 m 級別的高程計算。采用更高精度DEM 數(shù)據(jù)能夠較為準確的描述特征位置的高程信息，或許能夠進一步提高同震崩塌滑坡解譯的精度。因此，在后續(xù)的工作研究中將開展嘗試運用高精度的DEM 數(shù)據(jù)來參與同震崩塌滑坡識別工作，進一步驗證DEM 精度對識別效果的影響。

（2）文中選取NDVI的閾值為[?0.1,0.1]，此閾值是針對魯?shù)樯襟w震裂崩塌地區(qū)，經(jīng)過實驗比選以及參考相關(guān)文獻最終確定，對于其他山體震裂崩塌區(qū)域并不具有準確適用性，但仍可作為參考，在此閾值基礎(chǔ)上加以調(diào)整，確定不同區(qū)域的NDVI劃分閾值。由于時間和資源的限制，本研究并未能夠針對不同研究區(qū)域進行NDVI特征分析，后續(xù)可開展不同研究區(qū)域NDVI特征的對比分析。

（3）文中案例研究所采用的云南魯?shù)榭h龍頭山鎮(zhèn)的同震崩塌滑坡影像，研究區(qū)實際覆蓋區(qū)域面積10.5 km2，大型同震崩塌滑坡共16 處。利用文中提出的光學(xué)遙感影像多特征融合解譯方法能夠有效識別該區(qū)域內(nèi)的同震崩塌滑坡。而對于更廣區(qū)域的遙感影像，考慮到其背景更為復(fù)雜，所包含的崩塌滑坡也不僅限于同震所產(chǎn)生的，因此本方法是否有效仍有待進一步驗證。一種可行思路是將整幅高分一號影像分割為若干幅10 km2的子圖像，并分別對每個子圖像利用本文所述方法進行同震崩塌滑坡解譯，但文中建議的NDVI指數(shù)閾值[?0.1,0.1]是否適合各子圖像，還需要進行研究和論證，這也是下一步研究中所需要重點解決的問題。

（4）研究主要從同震崩塌滑坡的發(fā)育地形、幾何形態(tài)以及植被分布差異三個考量出發(fā)，選擇地形坡度特征、主軸特征、NDVI指數(shù)特征來進行同震崩塌滑坡的遙感影像解譯。除此之外，高山峽谷地區(qū)地震誘發(fā)崩塌滑坡的一些典型規(guī)律理論上也可以作為附加特征進行融合解譯。例如，許強等[40?41]指出汶川地震誘發(fā)滑坡具有“背坡面效應(yīng)”，即在與發(fā)震斷裂帶近于垂直的溝谷斜坡中,在地震波傳播的背坡面一側(cè)的滑坡發(fā)育密度明顯大于迎坡面一側(cè)。這些前期研究所得到的同震崩塌滑坡分布的規(guī)律，也可為遙感影像解譯結(jié)果的進一步修正提供支撐。

4 結(jié)論

文中針對目前同震崩塌滑坡的光學(xué)遙感影像識別方法中存在假陽率偏高的問題，開展了基于多源遙感數(shù)據(jù)融合的同震崩塌滑坡識別方法研究，相比于傳統(tǒng)同震崩塌滑坡識別方法，有效提升了識別精度。具體結(jié)論如下：

（1）針對傳統(tǒng)的全局閾值二值化導(dǎo)致的識別精度低、前景和背景區(qū)分不明顯等問題，本研究介紹了基于全色影像局部閾值二值化的同震崩塌滑坡識別方法，利用了該方法對大尺度影像進行分割操作，避免了利用單一的全局閾值無法對影像細節(jié)做出較好的分割的問題。

（2）針對局部閾值二值化方法識別假陽率仍然較高等問題，本研究引入了多特征策略組（地形坡度特征、主軸軸向特征、NDVI指數(shù)特征）來進行同震崩塌滑坡的識別。通過多特征策略，有效地排除了灰度特性與同震崩塌滑坡相似的平緩區(qū)域、長條形地物以及植被覆蓋區(qū)對識別結(jié)果的影響，進一步降低假陽率，提高識別準確性。

（3）文中研究依托2014 年云南魯?shù)榈卣瘕堫^山鎮(zhèn)區(qū)域，對同震崩塌滑坡識別方法進行實例例證。結(jié)果表明，基于蒙特卡洛迭代計算的局部閾值二值化結(jié)合多特征策略方法，能夠有效避免傳統(tǒng)二值化方法識別精度低、無法區(qū)分同震崩塌滑坡區(qū)與非同震崩塌滑坡區(qū)的問題，可以有效提升同震崩塌滑坡的識別精度。