基于多光譜遙感影像的巫峽滑坡災(zāi)害識(shí)別技術(shù)研究

郭 健，張 鵬，張 全，黃波林，秦 臻

（三峽大學(xué)土木建筑學(xué)院防災(zāi)減災(zāi)湖北省重點(diǎn)實(shí)驗(yàn)室，湖北宜昌443002）

三峽庫(kù)區(qū)地質(zhì)結(jié)構(gòu)復(fù)雜，尤其是巫峽等高陡岸坡發(fā)育區(qū)歷來(lái)是滑坡等災(zāi)害高發(fā)區(qū)域，對(duì)三峽庫(kù)區(qū)的安全運(yùn)行造成威脅。 伴隨著傳感器的發(fā)展，遙感正在蓬勃發(fā)展期，經(jīng)歷著技術(shù)不斷完善、能力不斷增強(qiáng)、應(yīng)用領(lǐng)域不斷擴(kuò)大的發(fā)展過(guò)程[1-2]。 遙感優(yōu)勢(shì)在于能夠頻繁持久地提供地表的面狀信息，具有宏觀、動(dòng)態(tài)、精確地監(jiān)測(cè)地表環(huán)境的變化的特點(diǎn)，能夠與區(qū)域地質(zhì)災(zāi)害很好的結(jié)合，有很好的發(fā)展前景。

在滑坡遙感解譯方面，近年來(lái)很多研究人員做了大量研究工作。如魯學(xué)軍等提出滑坡高分辨率遙感多維解譯方法[3]，丁輝對(duì)黃土高原地區(qū)進(jìn)行基于遙感技術(shù)滑坡災(zāi)害區(qū)劃研究[4-5]，馮杭建提出了隱性滑坡遙感解譯技術(shù)方法并對(duì)我國(guó)東南地區(qū)淺層滑坡進(jìn)行識(shí)別[6]。 張雅莉?qū)⑦b感技術(shù)應(yīng)用于古滑坡的識(shí)別[7]，宿方睿提出滑坡遙感信息量判別 （GVI） 模型，區(qū)分古滑坡和新生滑坡[8]；許石羅利用數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)方法，建立了單個(gè)滑坡體和區(qū)域范圍的滑坡災(zāi)害空間預(yù)測(cè)模型[9]。 由于滑坡在各個(gè)地區(qū)的形態(tài)特征不同，目前還缺少三峽高陡峽谷區(qū)滑坡災(zāi)害的遙感解譯實(shí)驗(yàn)，而且解譯效率和識(shí)別精度有待加強(qiáng)。

為此，本文針對(duì)三峽高陡峽谷區(qū)的滑坡，進(jìn)行遙感解譯實(shí)驗(yàn)，將多尺度分割實(shí)驗(yàn)和ESP 工具結(jié)合應(yīng)用到研究區(qū)滑坡的解譯工作，快速準(zhǔn)確的對(duì)滑坡對(duì)象分割、分類，并用已有資料驗(yàn)證準(zhǔn)確性，提取到研究區(qū)滑坡的特征信息，為三峽高陡峽谷區(qū)滑坡災(zāi)害的識(shí)別、調(diào)查、防治和預(yù)測(cè)提供依據(jù)。

1 研究區(qū)概況與遙感數(shù)據(jù)

1.1 研究區(qū)概況

三峽庫(kù)區(qū)斜坡地形地貌特征有明顯的差異性，可以清楚的劃分為高陡峽谷區(qū)和平緩寬谷區(qū)。相對(duì)高差大于500 m 且平均坡角≥45°的岸坡可歸為高陡岸坡[10-11]。 高陡岸坡在三峽庫(kù)區(qū)巫峽局部庫(kù)岸段廣泛發(fā)育，該庫(kù)岸段長(zhǎng)42 km，庫(kù)岸段內(nèi)河谷狹窄，岸坡陡峭，屬于中低峽谷地貌。發(fā)育有橫石溪、神女溪、抱龍河、鳊魚溪、鏈子溪幾條大的次級(jí)支流。 因受三峽庫(kù)區(qū)水庫(kù)調(diào)水的影響，河面寬度呈周期性變化。 兩岸岸坡坡度多為 40°～60°， 局部達(dá)到 75°以上。巫峽岸坡結(jié)構(gòu)為斜向、橫向結(jié)構(gòu)，構(gòu)造上該段主要由巫山向斜、橫石溪背斜、神女溪-官渡口向斜構(gòu)成，出露地層主要以三疊系灰?guī)r、白云巖為主，植被在巫峽兩岸岸坡發(fā)育較好。

滑坡是巫峽段岸坡失穩(wěn)主要地質(zhì)災(zāi)害之一，主要受降雨和庫(kù)水位波動(dòng)影響，如紅巖子滑坡和龔家坊不穩(wěn)定斜坡等（圖1）。

1.2 遙感數(shù)據(jù)

研究實(shí)驗(yàn)采用的遙感影像數(shù)據(jù)為高景衛(wèi)星影像， 兩景遙感影像的成像時(shí)間分別為2018 年7 月24 日和8 月14 日（圖 2），具有全色波段和四個(gè)標(biāo)準(zhǔn)多光譜波段：藍(lán)色、綠色、紅色和近紅外波段（紅波段的波長(zhǎng)范圍為450 ～520 nm，綠波段的波長(zhǎng)范圍為520 ～590 nm， 藍(lán)波段的波長(zhǎng)范圍為630 ～690 nm，近紅外的波長(zhǎng)范圍為770 ～890 nm），全色分辨率為0.5 m，多光譜分辨率為2 m，具有豐富的光譜信息和較高的空間分辨率。

圖1 研究區(qū)地理位置Fig.1 Geographical location of the study area

2 研究方法

區(qū)域滑坡災(zāi)害遙感解譯與識(shí)別的過(guò)程主要包括影像預(yù)處理、解譯標(biāo)志的建立、影像分割、影像分類和精度評(píng)價(jià)五個(gè)部分。 本研究的影像預(yù)處理在ENVI 軟件中進(jìn)行，影像的分割、分類和精度評(píng)價(jià)在eCogniton 軟件中進(jìn)行完成。 具體的基于高陡峽谷區(qū)滑坡災(zāi)害遙感解譯與識(shí)別的過(guò)程如圖3 所示。

2.1 遙感影像預(yù)處理

圖2 多光譜和全色影像數(shù)據(jù)Fig.2 Multi-spectral and panchromatic image

圖3 高陡峽谷區(qū)滑坡災(zāi)害遙感識(shí)別過(guò)程Fig.3 Remote sensing identification process of landslide disaster in high-steep canyon area

遙感成像時(shí)，由于各種因素的影像，使得遙感影像存在一定的幾何變形和輻射變化等現(xiàn)象，不利于遙感影像的分析，所以遙感影像的預(yù)處理是對(duì)影像進(jìn)行分析前非常重要的工作。影像預(yù)處理的過(guò)程主要包括正射校正、幾何配準(zhǔn)、影像鑲嵌、影像融合和影像裁剪。由于研究區(qū)為高陡峽谷區(qū)且超出單幅遙感圖像所覆蓋的范圍 ， 所以對(duì)圖像預(yù)處理工作精度要求很高， 利用遙感專業(yè)軟件ENVI 和輔助DEM 資料進(jìn)行影像預(yù)處理得到實(shí)驗(yàn)影像（圖4）。

2.2 解譯標(biāo)志的建立

滑坡遙感識(shí)別是基于遙感圖像，利用人機(jī)交互和目視解譯方式來(lái)獲取滑坡相關(guān)信息的技術(shù)方法，其原理是基于滑坡體與其背景地質(zhì)體之間存在的色調(diào)、形狀、陰影、紋理及圖形的差異，在遙感圖像上顯示為特定的色調(diào)、紋理及幾何形態(tài)組合，被稱為滑坡識(shí)別的直接解譯標(biāo)志[12]。

巫峽為典型的高陡峽谷區(qū)，高差較大，附近有少量居民聚集，植被覆蓋率高。 根據(jù)野外實(shí)地調(diào)查資料，選取較典型滑坡，進(jìn)行解譯標(biāo)志的建立，然后根據(jù)遙感影像，歸納高陡峽谷區(qū)滑坡遙感特征。

通過(guò)對(duì)比野外調(diào)查資料，選取了典型滑坡分析其發(fā)育特征（圖5）。 滑坡多數(shù)都為涉水滑坡，沿江兩岸分布，最終確定研究區(qū)的滑坡災(zāi)害解譯標(biāo)志為光譜特征和形狀特征。 光譜特征主要表現(xiàn)為：滑坡體表面植被較發(fā)育，同時(shí)零星分布小型崩塌或人類建筑；滑坡底部為三峽庫(kù)區(qū)消落帶（145 ～175 m 庫(kù)岸岸坡），無(wú)植被發(fā)育。根據(jù)滑坡兩側(cè)明顯的沖溝可以看出滑坡發(fā)育的形狀特征， 其主要表現(xiàn)為倒U型、倒V 型、簸箕狀。 滑坡體表面的小型崩塌和人類建筑與植被的光譜信息有差異，會(huì)造成一定的干擾，邊界沖溝使得形狀特征較為明顯。

圖4 預(yù)處理后實(shí)驗(yàn)影像Fig.4 Preprocessed experimental images

圖5 巫峽典型滑坡地貌特征及其邊界Fig.5 Geomorphologic features and boundary of typical landslide in wuxia gorge

2.3 影像多尺度分割

滑坡在遙感影像上是一個(gè)個(gè)影像對(duì)象，其分類利用對(duì)象的光譜特征和幾何特征，所以滑坡遙感解譯采用面向?qū)ο笥跋竦姆诸愃枷?。面向?qū)ο笥跋穹诸愔饕殖蓛刹糠郑河跋駥?duì)象構(gòu)建和對(duì)象的分類。

滑坡影像的構(gòu)建采用e－Cogniton 軟件中的多尺度分割算法對(duì)研究區(qū)影像進(jìn)行分割處理實(shí)驗(yàn)。進(jìn)行分割實(shí)驗(yàn)之前，可進(jìn)行影像的波段組合，可以綜合選取各波段的特點(diǎn)提高地物的可判讀性，使判讀結(jié)果更為科學(xué)合理。本次采用的波段組合（R、G、B）為 3、2、1，用近紅外波段對(duì)綠波段做增強(qiáng)（圖 6）。

多尺度分割算法是一種自下而上的方法，通過(guò)合并相鄰的像素或小的分割對(duì)象，在保證對(duì)象與對(duì)象之間平均異質(zhì)性最小、 對(duì)象內(nèi)部像元之間同質(zhì)性最大的前提下，基于區(qū)域合并技術(shù)實(shí)現(xiàn)影像分割[13－14]。在多尺度分割算法中需要考慮影響影像異質(zhì)性的兩種因子即光譜因子和形狀因子，而形狀因子又包括光滑度異質(zhì)性與緊致度異質(zhì)性兩個(gè)因子。由于多尺度分割算法耗費(fèi)的時(shí)間較長(zhǎng)，所以選取研究區(qū)滑坡代表區(qū)域。 為了確定分割尺度（Scale）、形狀因子（Shape）和緊致度因子（Compactness）三種參數(shù)對(duì)分割結(jié)果的影響，采用簡(jiǎn)單比較法分別控制尺度因子（一組）、形狀因子（二組）和緊致度因子（三組）改變，其他因素不變，在滑坡代表區(qū)域進(jìn)行多尺度分割實(shí)驗(yàn)（表 1、圖 7）。

圖6 波段組合影像Fig.6 Band composite image

通過(guò)尺度分割實(shí)驗(yàn)發(fā)現(xiàn)適宜滑坡的分割尺度范圍在650 ～950，形狀因子和緊致度都為0.5。 為了在保證滑坡對(duì)象同質(zhì)性較大的情況下，確定最優(yōu)分割尺度，借用 ESP（Estimation of Scale Parameter）尺度評(píng)價(jià)工具[15-17]，該工具通過(guò)計(jì)算不同分割尺度參數(shù)下影像對(duì)象同質(zhì)性的局部變化（local variance，LV），作為分割對(duì)象層的平均標(biāo)準(zhǔn)差（standard deviation），以此來(lái)判別分割效果是否最佳。并用變化率值ROC-LV（rates of change of LV）來(lái)指示對(duì)象分割最佳尺度參數(shù)， 當(dāng)變化率值最大即呈現(xiàn)峰值時(shí)，該點(diǎn)對(duì)應(yīng)的分割尺度值即為最佳分割尺度。并通過(guò)目視判別分割效果并與矢量圖匹配效果來(lái)選擇地物的最優(yōu)分割尺度參數(shù)。 通過(guò)對(duì)比分析（圖8），選取720，790，830，890 四個(gè)分割尺度進(jìn)行對(duì)比，確定最優(yōu)分割參數(shù)為720，最終確定的多尺度分割參數(shù)分別為分割尺度（S）720，形狀因子（A）和緊致度（C）都為0.5，分割結(jié)果如圖9 所示。

表1 多尺度分割實(shí)驗(yàn)Table 1 Multiscale segmentation experiment

3 研究結(jié)果

3.1 影像對(duì)象分類和信息提取

滑坡的分類方法采用基于樣本的最近鄰分類方法，選擇分割后的代表滑坡對(duì)象做為樣本，通過(guò)對(duì)選擇的樣本對(duì)象構(gòu)建其特征空間，并根據(jù)對(duì)象間最小距離作為判別依據(jù)進(jìn)行分類。具體過(guò)程是通過(guò)在構(gòu)建的特征空間中計(jì)算待分類影像對(duì)象與各確定類別的訓(xùn)練樣本之間的距離，然后將該待分類對(duì)象判定為其最近距離樣本對(duì)象所在的類別。

面對(duì)滑坡的最近鄰分類在分割尺度720，形狀因子和緊致度都為0.5 的研究區(qū)影像基礎(chǔ)上，選取滑坡特征樣本， 采用e-Coniton 軟件中的最鄰近（nearst neighbor）算法對(duì)分割后影像進(jìn)行分類，得到結(jié)果如圖10。

圖7 不同分割參數(shù)的影像分割結(jié)果Fig.7 Image segmentation results with different segmentation parameters

圖8 形狀因子及緊致度因子為0.5時(shí)計(jì)算得到的最優(yōu)分割尺度Fig.8 The optimal segmentation scale calculated when the shape factor and the compactness factor are 0.5

確定了利用高分辨率多光譜遙感影像的解譯高陡峽谷區(qū)滑坡災(zāi)害特征值，最鄰近分類選取的滑坡光譜特征主要為各波段均值、 標(biāo)準(zhǔn)差和亮度，幾何特征為面積和形狀指數(shù)。滑坡對(duì)象亮度值范圍為450 ～600，紅波段均值為 650 ～950，標(biāo)準(zhǔn)差為 60～ 170， 綠波段均值為 250 ～ 300， 標(biāo)準(zhǔn)差為 30 ～60，藍(lán)波段的均值為 400 ～ 500，標(biāo)準(zhǔn)差為 30 ～ 55。面積范圍為100000 ～1500000（像素個(gè)數(shù)），形狀指數(shù)為 1.8 ～ 4.5。

通過(guò)遙感影像自動(dòng)識(shí)別滑坡災(zāi)害技術(shù)得到的研究區(qū)滑坡災(zāi)害分布結(jié)果與滑坡野外調(diào)查結(jié)果進(jìn)行對(duì)比（圖11），二者結(jié)果吻合性較好。

3.2 遙感影像分類精度評(píng)價(jià)

遙感影像進(jìn)行分類后要對(duì)分類結(jié)果進(jìn)行精度驗(yàn)證與評(píng)價(jià)。 通過(guò)對(duì)比已知滑坡資料，基于混淆矩陣法，采用生產(chǎn)精度、制圖精度、總體精度三個(gè)指標(biāo)來(lái)評(píng)價(jià)，評(píng)價(jià)結(jié)果如表2。 總體上，基于遙感影像自動(dòng)識(shí)別滑坡災(zāi)害技術(shù)得到的研究區(qū)滑坡災(zāi)害分布結(jié)果總體精度達(dá)到了0.8696。

4 結(jié)果與討論

以面對(duì)對(duì)象分類的方法為基礎(chǔ)，結(jié)合最優(yōu)分割算法，對(duì)巫峽高陡峽谷區(qū)進(jìn)行基于高分辨多光譜遙感影像的滑坡災(zāi)害解譯，提出了適合于識(shí)別高陡峽谷區(qū)滑坡災(zāi)害的方法和技術(shù)。

（1）通過(guò)對(duì)野外資料的研究，歸納了研究區(qū)滑坡災(zāi)害遙感解譯標(biāo)志主要為光譜特征和形狀特征，并通過(guò)分析地表特征，確定了光譜因子和形狀因子的大概比例；

（2）采用多尺度算法及ESP 最優(yōu)分割算法對(duì)研究區(qū)高精度遙感影像進(jìn)行分割， 確定適宜于高景衛(wèi)星多光譜影像的峽谷區(qū)滑坡解譯最優(yōu)分割尺度：分割尺度（S）720、形狀因子（A）0.5、緊致度因子（C）0.5；

圖9 研究區(qū)滑坡最優(yōu)多尺度分割圖Fig.9 Optimal multiscale segmentation map of landslide in study area

圖10 研究區(qū)滑坡分類結(jié)果Fig.10 Results of landslide classification in the study area

圖11 遙感解譯與野外調(diào)查結(jié)果對(duì)比Fig.11 Comparison of remote sensing interpretation and field investigation results

表2 滑坡分類精度評(píng)價(jià)Table 2 Accuracy evaluation of landslide classification

（3）結(jié)合野外調(diào)查資料，基于分割結(jié)果利用最鄰近的分類方法，完成區(qū)域滑坡識(shí)別及滑坡周界提取，確定了利用高分辨率多光譜遙感影像解譯高陡峽谷區(qū)滑坡災(zāi)害的特征值，最終獲取了研究區(qū)滑坡災(zāi)害分布范圍；

（4）對(duì)研究區(qū)滑坡災(zāi)害識(shí)別結(jié)果進(jìn)行了基于混淆矩陣法的精度評(píng)價(jià)。 總體上，基于遙感影像自動(dòng)識(shí)別滑坡災(zāi)害技術(shù)得到的研究區(qū)滑坡災(zāi)害分布結(jié)果總體精度達(dá)到了0.8696。通過(guò)對(duì)比已有滑坡災(zāi)害資料，吻合度較好。

滑坡的遙感解譯識(shí)別主要以自動(dòng)化解譯為主，但很多重要參數(shù)仍需人工判斷，解譯獲取的滑坡災(zāi)害邊界與實(shí)際邊界的吻合度存在一定的誤差。 同時(shí)，由于地區(qū)季節(jié)性變化，會(huì)導(dǎo)致滑坡的解譯標(biāo)志發(fā)生較大變化，進(jìn)而導(dǎo)致不同時(shí)間的遙感影像提取的滑坡對(duì)象信息也有很大差別，這一點(diǎn)對(duì)滑坡災(zāi)害的識(shí)別結(jié)果的準(zhǔn)確性造成了很大的阻礙。因此在后續(xù)研究工作中可根據(jù)遙感影像的時(shí)間序列及其質(zhì)量來(lái)進(jìn)一步提高滑坡災(zāi)害遙感解譯的精準(zhǔn)度、自動(dòng)化及時(shí)間序列識(shí)別，使得滑坡災(zāi)害遙感解譯成果在地方區(qū)域防災(zāi)減災(zāi)中得到更好更快的應(yīng)用。