基于多源遙感數(shù)據(jù)的滑坡易發(fā)區(qū)域識別

摘要：滑坡災害的早期識別和易發(fā)生區(qū)域的監(jiān)控是防災減災的重要工作。本文以山東省沂源縣為研究區(qū)域，將HJ2A CCD光學影像和ASTER GDEM地形數(shù)據(jù)進行數(shù)據(jù)處理形成多源異構數(shù)據(jù)，利用決策樹方法提取2022年和2023年同時期滑坡易發(fā)生區(qū)域，并通過面積變化和空間疊加分析對提取結果進行了時間和空間變化分析，結果表明：本文所使用的多源遙感數(shù)據(jù)和提取方法能夠較好的識別是滑坡易發(fā)生區(qū)域，總體精度為90%，Kappa系數(shù)為0.802；相較于2022年易發(fā)生滑坡區(qū)域面積17.526km2，2023年滑坡易發(fā)生區(qū)域面積為24.875km2，增長7.35km2，變化率41.94%；在空間一致性分析中，無風險區(qū)域面積為1611.60km2，低風險區(qū)域面積為2.24km2，新風險區(qū)域面積為9.59km2，高風險區(qū)域面積為15.29km2。研究成果可為滑坡易發(fā)生區(qū)域提取和山東省沂源縣的滑坡地質災害預防提供參考。

關鍵詞：滑坡識別；多源數(shù)據(jù)；決策樹；山東沂源

收稿日期：20240222；修訂日期：20240322；編輯：陶衛(wèi)衛(wèi)

基金項目：2023年山東省地勘項目，山東省沂水縣泉莊地區(qū)旅游地質調查（SDGP370000000202302001263）

作者簡介：衛(wèi)石印（1988—），男，山東曹縣人，工程師，主要從事工程測量、地理信息應用等工作；Email：413397063@qq.com

中圖分類號：P237""" 文獻標識碼：A""" doi：10.12128/j.issn.16726979.2024.10.008

引文格式：衛(wèi)石印，李忠涵，張啟慧，等.基于多源遙感數(shù)據(jù)的滑坡易發(fā)區(qū)域識別——以山東省沂源縣為例［J］.山東國土資源，2024，40（10）：6065. WEI Shiyin， LI Zhonghan， ZHANG Qihui， et al. Identification of Landslide Easy Happening Areas Based on Multi-source Remote Sensing Data——Taking Yiyuan County in Shandong Province as an Example［J］.Shandong Land and Resources，2024，40（10）：6065.

0" 引言

滑坡作為地質災害的一種，對人類的生命和財產(chǎn)安全產(chǎn)生較大威脅。對滑坡隱患的識別和調查是防災減災的一項關鍵工作［14］。山東省因長期受強烈的差異性構造運動的影響，從而形成了山高谷深、崖陡壁峭的地理形勢，而不同巖性組合，加劇了斜坡的不穩(wěn)定性；同時山間河谷支流眾多、暴雨時常發(fā)生，這些因素導致魯中南和魯東山區(qū)為滑坡的易發(fā)、多發(fā)區(qū)［56］。因此本文選擇山東省沂源縣作為研究區(qū)域進行滑坡易發(fā)區(qū)域的提取。

傳統(tǒng)的滑坡識別主要是通過對遙感影像的目視解譯和實地考察，需要花費大量的人力物力，隨著衛(wèi)星傳感器性能的提升，遙感技術在滑坡早期識別的研究中有了極大的進展［7］。近年來，滑坡的早期識別與監(jiān)測已取得了眾多研究成果。如蘇寶成等［8］依托新一輪1∶5萬地質災害風險普查，結合高精度DEM、構造、工程地質和水文地質、降雨及植被等數(shù)據(jù)，利用信息量法和層次分析法，分別對崩滑泥石流和巖溶塌陷易發(fā)性評價；李永鑫等［9］利用知識圖譜邏輯驅動，對“光學遙感+InSAR”組合識別的滑坡隱患區(qū)域進行提取分析。

利用多源數(shù)據(jù)進行滑坡早期識別已形成趨勢，特別是利用多源遙感數(shù)據(jù)，對滑坡潛在隱患區(qū)域和滑坡易發(fā)區(qū)域的識別已然成為研究熱點［1012］。如彭志忠等［13］利用光學遙感、合成孔徑雷達、機載LiDAR等數(shù)據(jù)進行多源融合，對研究區(qū)內的典型滑坡區(qū)域進行提取并進行分類；戴妹誼等［14］利用Sentinel1、DEM和Landsat8 OLI等多源遙感數(shù)據(jù)提取了稀土礦區(qū)的潛在滑坡點；白石等［15］使用高分辨率遙感影像和數(shù)字高程模型數(shù)據(jù)2種數(shù)據(jù)，利用面向對象多特征變化向量分析法進行滑坡識別。基于此，本文采用光學遙感影像、DEM數(shù)據(jù)構建滑坡易發(fā)生區(qū)域識別的多源數(shù)據(jù)集，利用決策樹方法對山東省沂源縣滑坡易發(fā)區(qū)域進行提取，為滑坡易發(fā)生區(qū)域提取和山東省沂源縣的滑坡地質災害預防提供參考。

1" 研究區(qū)概況與數(shù)據(jù)

1.1" 研究區(qū)概況

沂源縣地處淄博市最南端、山東省中部（圖1），縣域總面積約為1638km2。沂源縣多山地，屬中低山丘陵區(qū)，整體地勢沿沂河流向傾斜，形成西北高，東南低的特征。最高點位于縣域北部的沂山南側的泰薄頂山、海拔約為916m，最低點東北部、海拔約為101m。地貌類型有中山、低山、丘陵、山前傾斜平地等［16］。

沂源縣屬暖溫帶季風氣候區(qū)，由于地形復雜，沂源縣區(qū)域的山地氣候特征明顯，氣象災害頻發(fā)，時常會有局地雷雨、冰雹、大風等災害性天氣［17］。因此易產(chǎn)生滑坡和泥石流等自然災害。

1.2" 數(shù)據(jù)及預處理

（1）光學遙感數(shù)據(jù)。根據(jù)沂源縣區(qū)域和云量篩選了2022—2023年3景HJ2A CCD4遙感數(shù)據(jù)。HJ2A衛(wèi)星采用CAST 2000平臺，為保證主要探測要素時效性，雙星配置載荷相同，各裝載4種遙感載荷，包括寬覆蓋多光譜CCD相機、高光譜成像儀、紅外相機和大氣校正儀。本次使用的CCD相機獲取的影像，空間分辨率16m，擁有5譜段成像功能［18］。其中紅邊譜段對農作物生長狀態(tài)監(jiān)測意義重大，可更準確反映植物遭受病害的程度及健康狀態(tài)。

（2）地形數(shù)據(jù)。本次使用的地形數(shù)據(jù)是先進星載熱發(fā)射和反射輻射儀全球數(shù)字高程模型（ASTER GDEM），該數(shù)據(jù)是由日本METI和美國NASA聯(lián)合研制并免費面向公眾分發(fā)［19］。該數(shù)據(jù)是根據(jù)NASA的新一代對地觀測衛(wèi)星Terra的詳盡觀測結果制作完成的。其數(shù)據(jù)覆蓋范圍為北緯83°到南緯83°之間的所有陸地區(qū)域，達到了地球陸地表面的99%。論文所用數(shù)據(jù)的具體情況見表1。

所有數(shù)據(jù)通過ENVI軟件進行地形校正和FLAASH大氣校正［20］，裁剪和重采樣。對于影像中少量厚云影響區(qū)域，由于無法利用光譜信息進行分類，采用臨近時間的影像進行填補，如利用2023年6月15日的影像填補2023年8月23日影像的小部分厚云區(qū)域。由于多元異構數(shù)據(jù)空間分辨率不同，可能會導致結果產(chǎn)生誤差，因此在最后的數(shù)據(jù)處理分析階段將光學遙感數(shù)據(jù)也重采樣至30m分辨率，以減小空間分辨率帶來的誤差。

2" 研究方法

2.1" 決策樹分類

決策樹分類法層次邏輯結構清晰、處理速度快且運算方式靈活，可根據(jù)多源數(shù)據(jù)的特點，能夠基于已有先驗知識選取最優(yōu)閾值，從而提高數(shù)據(jù)分類結果的精度［21］。本文通過確定最佳的植被指數(shù)閾值，結合DEM生成坡度閾值將研究區(qū)分為植被區(qū)域、其他區(qū)域和滑坡易發(fā)區(qū)域。由于滑坡多發(fā)生在坡度小于50°的斜坡上，且?guī)r層傾角在20°～30°之間時發(fā)生滑坡較多，傾角大于30°一般會發(fā)生滑坡，因此將坡度的閾值定為大于30°［22］。

為確定最佳的植被指數(shù)閾值，通過目視解譯確定研究區(qū)影像中30個植被點，以NDVI（式1）［23］和EVI（式2）［24］的均值作為參考確定最優(yōu)閾值，最終確定的NDVI和EVI的閾值分別為0.6和1.0。

NDVI=ρNIR-ρREDρNIR+ρRED（1）

EVI=2.5×ρNIR-ρREDρNIR+6×ρRED-7.5×ρBLUE+1（2）

式中：ρNIR為HJ2A的第5波段；ρRED為的第3波段;ρBLUE為的第1波段。

為盡量減少閾值變化對2年提取結果的影響，本文僅采用統(tǒng)一的閾值提取研究區(qū)的滑坡易發(fā)區(qū)域，以減少傳統(tǒng)的監(jiān)督分類和機器學習等方法因選取訓練樣本不平均等原因而導致結果出現(xiàn)的誤差，具體流程如圖2所示。

2.2" 精度驗證

為確定滑坡易發(fā)區(qū)域的提取精度，在研究區(qū)內隨機采集樣本點，根據(jù)Google Earth衛(wèi)星影像進行目視判讀，確定檢驗樣本點所在區(qū)域分類，以此判斷提取結果的精度。精度驗證采用Kappa系數(shù)和混淆矩陣作為指標。通過混淆矩陣可以總體分類精度（Overall Accuracy， OA）、用戶精度（User Accuracy， UA）和生產(chǎn)者精度（Producer Accuracy， PA）等一系列的精度評價指標。而Kappa系數(shù)被廣泛應用于遙感分類的精度評價，Kappa 介于0～1 之間，Kappa值越大表示分類精度越高［25］。

2.3" 空間分布分析

為直觀比較2022—2023年研究區(qū)滑坡易發(fā)區(qū)域的空間變化，對提取出的結果進行空間疊加分析，獲得2年滑坡易發(fā)區(qū)域的空間對應關系，按照重疊次數(shù)分為高風險區(qū)域、低風險區(qū)域、新風險區(qū)域、無風險區(qū)域［26］。高風險區(qū)域為2年的提取結果均顯示該區(qū)域為滑坡易發(fā)區(qū)域，低風險區(qū)域表示該區(qū)域2022年的滑坡易發(fā)區(qū)域2023年轉變?yōu)榉腔乱装l(fā)生區(qū)域，新風險區(qū)域則相反表示為2022年為非滑坡易發(fā)區(qū)域轉變?yōu)?023年滑坡易發(fā)區(qū)域，無風險區(qū)域表示兩年提取結果均不是滑坡易發(fā)生區(qū)域。

3" 結果與討論

3.1" 提取精度分析

本文在研究區(qū)內隨機采集100個檢驗樣本點，根據(jù)Google Earth 高分辨率的影像對研究區(qū)內的樣本點進行目視判讀，得到樣本點真實的所屬區(qū)域。利用檢驗樣本點對分類結果進行混淆矩陣分析，得出生產(chǎn)者精度、用戶精度、總體精度和Kappa系數(shù)。提取結果的各類精度評價指標如表2所示。

根據(jù)提取結果的各項精度指標分析，提取結果的精度較高，總體精度為90%，Kappa系數(shù)為0.802，這顯示了提取結果與實際情況的一致性較好。提取結果的總體精度較高，但不同區(qū)域和類別的精度存在一定差異，其他區(qū)域的提取精度最高。其生產(chǎn)者精度和用戶精度均超過了92%，這在很大程度上得益于該區(qū)域在總體面積中的占比最大，因此隨機生成的樣本點數(shù)量也最多。盡管錯分的樣本點個數(shù)最多，但由于基數(shù)大，相對誤差比例較低，因此分類精度依然是最高的。植被區(qū)域的提取精度較好，生產(chǎn)者和用戶精度均達到了84%。與其他區(qū)域的提取精度相比其精度略差，這是由于道路兩旁的樹木或城市綠化對光學遙感影像的遮擋造成的。這種遮擋現(xiàn)象使得光學遙感獲取的影像在識別植被覆蓋的道路和建設用地時存在一定的困難，從而影響了分類的精度。在所有類別中，滑坡易發(fā)區(qū)域的提取精度最低。這主要是因為該區(qū)域在總體面積中的占比極小，因此生成的樣本點數(shù)量也最少，僅有9個。雖然這9個樣本點中僅有1個被錯分，但由于基數(shù)小，相對誤差比例較高，因此分類精度表現(xiàn)為最低。盡管如此，其用戶精度依然達到了88.89%，這在一定程度上說明了提取結果的穩(wěn)定性。

3.2" 時間變化分析

通過決策樹分類法對2022—2023年同時期影像進行滑坡易發(fā)區(qū)域提取，提取結果如圖3所示?？梢园l(fā)現(xiàn)，滑坡分布區(qū)域主要集中在沂源縣北部的鳳凰山區(qū)域和中南部的唐山、翠屏山區(qū)域。2022年提取結果中求他區(qū)域主要為中央縣城區(qū)域和沂河周邊區(qū)域，2023年其他區(qū)域在沂源縣西部大量增加，由原來的植被區(qū)域轉變?yōu)槠渌麉^(qū)域，主要原因是縣城周邊的村莊進行外擴建設。

圖3" 滑坡易發(fā)區(qū)域提取結果

表3詳細展示了2022年與2023年各區(qū)域的面積統(tǒng)計結果，從這些數(shù)據(jù)中，可以觀察到明顯的區(qū)域面積變化趨勢。從2022—2023年，隨著城市化的推進，植被區(qū)域面積減少，滑坡易發(fā)區(qū)域和其他區(qū)域面積增加。

2022年，植被區(qū)域面積為492.269km2，占據(jù)總面積的30.04%。2023年，植被區(qū)域面積減少至346.337km2，占比下降至21.13%。隨著城市建設的不斷推進，大量的植被區(qū)域被轉化為建設用地、道路和其他不透水面。其他區(qū)域（包括水域、居民區(qū)和道路等）的面積在兩年間發(fā)生了顯著變化。從2022年的1128.92km2增加至2023年的1267.503km2，占比也從68.89%提升至77.35%。這一增長趨勢同樣與城市化進程密切相關。隨著人口的增長和經(jīng)濟的發(fā)展，對住房、交通等基礎設施的需求也在不斷增加，導致了這一區(qū)域面積的迅速擴張?；乱装l(fā)區(qū)域從2022年的17.526km2增加至2023年的24.875km2，但其整體占比仍然較低，分別為1.07%和1.52%。但變化率相對較高，達到了41.94%，這一變化在實際影響上可能并不顯著，但仍然值得關注。

3.3" 空間變化分析

為直觀比較2022—2023年研究區(qū)滑坡易發(fā)區(qū)域的空間變化，對提取出的結果進行空間疊加分析，并對疊加分析的結果進行數(shù)據(jù)統(tǒng)計，以獲得四類風險區(qū)域的面積變化和空間變化，疊加分析結果如圖4所示。

通過對空間疊加分析結果進行數(shù)據(jù)統(tǒng)計，可以發(fā)現(xiàn)無風險區(qū)域面積為1611.60km2，低風險區(qū)域面積為2.24km2，新風險區(qū)域面積為9.59km2，高風險區(qū)域面積為15.29km2。高風險區(qū)域主要分布在沂源縣南部的唐山、翠屏山區(qū)域的中北部，西部圣佛山區(qū)域的南部和北部鳳凰山區(qū)域的南部。這些區(qū)域由于植被的減少，使得地面穩(wěn)定性降低，從而產(chǎn)生了新的滑坡風險。高風險區(qū)域表示該區(qū)域不同等級的風險區(qū)域互相交錯，這意味著這些區(qū)域不僅面臨著滑坡等自然災害的風險，還可能受到其他環(huán)境因素的影響，如水土流失、地面沉降等。低風險區(qū)域主要分布在溶洞群和鳳凰山區(qū)域的東部，這些區(qū)域的植被覆蓋率相較于2022年有所增加，減少了滑坡災害的風險。

4" 結論

本文以山東省沂源縣為研究區(qū)域，將HJ2A CCD光學影像和ASTER GDEM地形數(shù)據(jù)進行數(shù)據(jù)處理形成多源異構數(shù)據(jù)，利用決策樹方法提取2022年和2023年同時期滑坡易發(fā)生區(qū)域，并通過面積變化和空間疊加分析對提取結果進行了時間和空間變化分析。

（1）本文所使用的多源遙感數(shù)據(jù)和提取方法能夠較好的識別是滑坡易發(fā)生區(qū)域，總體精度為90%，Kappa系數(shù)為0.802。

（2）2022年易發(fā)生滑坡區(qū)域面積17.526km2，2023年滑坡易發(fā)生區(qū)域面積為24.875km2，增長7.35km2，變化率41.94%。

（3）在空間一致性分析中，無風險區(qū)域面積為1611.60km2，低風險區(qū)域面積為2.24km2，新風險區(qū)域面積為9.59km2，高風險區(qū)域面積為15.29km2。

本文僅利用光學遙感影像和地形數(shù)據(jù)形成多源異構數(shù)據(jù)對沂源縣的滑坡易發(fā)區(qū)域進行提取，未利用降水、地質結構等數(shù)據(jù)構成包含更多參數(shù)的多源異構數(shù)據(jù)，如何通過技術手段體現(xiàn)多源異構數(shù)據(jù)的優(yōu)勢，克服多源數(shù)據(jù)的歸一化處理，提高滑坡易發(fā)生區(qū)域的識別效率，是今后研究中需要探索的問題。

參考文獻：

［1］" 辛魯斌，韓玲，李良志.基于多源數(shù)據(jù)融合的滑坡智能識別［J］.地球科學與環(huán)境學報，2023，45（4）：920928.

［2］" 孫萍萍，張茂省，賈俊，等.中國西部黃土區(qū)地質災害調查研究進展［J］.西北地質，2022，55（3）：96107.

［3］" 朱智富，甘淑，張薦銘，等.結合SBASInSAR技術及信息熵的蒼山地質滑坡隱患識別［J］.測繪通報，2022（11）：1319.

［4］" 高峰，孟凡奇，張麗霞，等.山東省地質災害調查工作回顧與展望［J］.山東國土資源，2022，38 （10）：3541.

［5］" 常允新，宋長斌，馮在敏，等.山東省崩塌、滑坡、泥石流災害發(fā)育現(xiàn)狀與趨勢分析［J］.山東地質，2000，16（4）：3944.

［6］" 韓學林，王秀芬，郭寶奎，等.山東省砂石資源遙感解譯成果及應用［J］.山東國土資源，2023，39（11）：5968.

［7］" CHEN Y，MING D，XIAO L，et al.Landslide Susceptibility Mapping Using Feature FusionBased CPCNNML in Lantau Island， Hong Kong［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2021（14）：36253639.DOI：10.1109/JSTARS.2021.3066378.

［8］" 蘇寶成，郝騏，伊麗，等.基于GIS分析的泰安市地質災害風險評價［J］.山東國土資源，2023，39（6）：4451.

［9］" 李永鑫，王德富，馬志剛，等.知識圖譜驅動下的多源遙感滑坡隱患識別［J］.測繪通報，2024（1）：1218.

［10］" 張勤，趙超英，陳雪蓉.多源遙感地質災害早期識別技術進展與發(fā)展趨勢［J］.測繪學報，2022，51（6）：885896.

［11］" 王小葵，李美艷，葛朝民，等.基于多源數(shù)據(jù)的地表覆蓋制圖與分析：以廣東省廣州市為例［J］.山東國土資源，2023，39（5）：6771.

［12］" 李國庭，王德強，趙德良，等.基于多源異構數(shù)據(jù)的糧食作物種植面積提?。跩］.山東國土資源，2022，38（8）：5155.

［13］" 彭志忠，袁飛云，肖鋒，等.多源遙感數(shù)據(jù)融合調查的復雜山區(qū)滑坡易發(fā)性評價方法研究［J］.地質災害與環(huán)境保護，2023，34（1）：17.

［14］" 戴妹誼，李恒凱，龍北平，等.融合多源數(shù)據(jù)的稀土礦區(qū)滑坡危險性定量識別方法［J］.中國礦業(yè)大學學報，2024，53（1）：198210.

［15］" 白石，唐攀攀， 苗朝，等.基于高分辨率遙感影像和改進UNet模型的滑坡提取：以汶川地區(qū)為例［J］.自然資源遙感，2024（1）：112.

［16］" 朱睿，潘潔晨，龍洋，等.MapGIS在地籍數(shù)據(jù)庫建設中的應用：以山東省沂源縣為例［J］.測繪與空間地理信息，2012，35（3）：159162.

［17］" 張啟良，胡光輝，馬素萍.沂源縣冰雹氣候特征與防雹作業(yè)［J］.山東氣象，2003（3）：1415.

［18］" 白照廣， 汪春濤，董筠，等.環(huán)境與災害監(jiān)測光學衛(wèi)星技術與發(fā)展［J］.航天器工程，2021，30（6）：1322.

［19］" 張朝忙，劉慶生，劉高煥，等.SRTM 3與ASTER GDEM數(shù)據(jù)處理及應用進展［J］.地理與地理信息科學，2012，28（5）：2934.

［20］" 袁金國，牛錚，王錫平.基于FLAASH的Hyperion高光譜影像大氣校正［J］.光譜學與光譜分析，2009，29（5）：11811185.

［21］" 朱江濤， 艾金泉，陳曉勇，等.基于多源光學遙感數(shù)據(jù)的湖泊濕地分類結果一致性分析［J］.地理與地理信息科學，2021，37（4）：4550.

［22］" 郭芳芳，楊農，孟暉，等.地形起伏度和坡度分析在區(qū)域滑坡災害評價中的應用［J］.中國地質，2008（1）：131143.

［23］" HILL M J .Vegetation index suites as indicators of vegetation state in grassland and savanna： An analysis with simulated SENTINEL 2 data for a North American transect［J］.Remote Sensing of Environment， 2013，147：94111. DOI：10.1016/j.rse.2013.06.004.

［24］" 李文梅，覃志豪，李文娟，等.MODIS NDVI與MODIS EVI的比較分析［J］.遙感信息，2010（6）：7378.

［25］" 朱江濤.基于GEE的鄱陽湖濕地植被長期變化特征及影響因素研究［D］.南昌：東華理工大學，2022：115.

［26］" 胡云鋒，張千力，戴昭鑫，等.多源遙感土地覆被產(chǎn)品在歐洲地區(qū)的一致性分析［J］.地理研究，2015，34（10）：18391852.

Identification of Landslide Easy Happening Areas Based on Multi-source Remote Sensing Data——Taking Yiyuan County in Shandong Province as an Example

WEI Shiyin， LI Zhonghan， ZHANG Qihui， BIAN Baowen， DONG Yufen， ZHAO Baoli

（No.1 Exploration Brigade of Shandong Coalfield Geological Bureau， Shandong Qingdao 266400， China）

Abstract：Early identification of landslide hazards and monitoring of easy happening areas are important work in disaster prevention and mitigation. In this paper， taking Yiyuan county in Shandong province as the research area， the HJ" 2A CCD optical image and ASTER GDEM terrain data have been processed to form multi-source heterogeneous data. The decision tree method has used to extract landslide prone areas in the same period in 2022 and 2023. The extraction results have been analyzed for temporal and spatial changes through area change and spatial superposition analysis. It is showed that the multi-source remote sensing data and extraction method used in this paper could identify landslide prone areas well， with an overall accuracy of 90% and a Kappa coefficient of 0.802. Comparing with the landslide easy happening area of 17.526km2 in 2022， landslide easy happening area is 24.875km2 in 2023， which has increased 7.35km2， and the change rate is 41.94%. In spatial consistency analysis， the area of the risk-free zone is 1611.60km2， the area of the low-risk zone is 2.24km2， the area of the new risk zone is 9.59km2， and the area of high-risk zone is 15.29km2. The research results can provide reference for extracting landslide easy happening areas and preventing landslide geological disasters in Yiyuan county in Shandong province.

Key words：Landslide identification; multi-source data; decision tree; Yiyuan county in Shandong province