地震型滑坡災害遙感快速識別方法研究

李松，鄧寶昆，徐紅勤，王治福

（1.貴州師范學院資源環境與災害研究所，貴陽550018；2.中國科學院遙感與數字地球研究所，北京100101）

地震型滑坡災害遙感快速識別方法研究

李松1，2，鄧寶昆1，徐紅勤1，王治福1

（1.貴州師范學院資源環境與災害研究所，貴陽550018；2.中國科學院遙感與數字地球研究所，北京100101）

滑坡快速識別對抗震救災具有重要的影響。針對目前目視解譯是滑坡識別的基本模式效率低下的問題，以受地震影響嚴重的北川縣以例，以2008年6月3日（震后）中國臺灣福衛2號遙感影像為數據源，試驗基于支持向量機的地震型滑坡信息快速提取方法。以目視解譯方法提取研究區的滑坡、河流、建筑用地、植被、耕地為樣本，訓練支持向量機的分類參數，并進一步以河流、建筑用地、植被和耕地為背景信息，提取滑坡信息。結果表明：支持向量機作為一種滑坡快速分類方法，能顯著提高次生災害的識別效率，分類結果的Kappa系數達到0.82。

地震型滑坡；遙感；快速識別；支持向量機；目視解譯；汶川

0 引 言

2008年5月12日的汶川Ms8.0級地震，據四川地震臺網，到2009年12月31日，汶川余震累計67264次，其中5.0級以上43次，最大余震6.4級。強烈的地震及連續不斷的余震誘發大量滑坡災害，共計超過197000處［1］，給地震搶險救災及其震后重建帶來巨大的困難。這次災害覆蓋空間范圍廣，涉及受地震影響巨大的汶川、北川、綿竹、茂縣、安縣、什邡等縣，而且數量極大，尤其是在重要的交通線兩側和河流沿岸；持續時間長，在地震及其余震發生的時間內，不斷有新的滑坡災害發生。為數眾多的滑坡災害影響了這次地震受災區地面的穩定狀況，滑坡災害是災區災后重建不得不考慮和解決的重要問題。

面對沉重的災難，利用遙感數據，提高災害的識別效率，能夠對抗震救災發揮積極的作用。由于汶川地震災區的滑坡典型性較好，滑坡遙感識別相對比較容易，加之地震發生時，抗震救災和搶救生命的時效性需要，以及此次滑坡波及范圍特別廣，滑坡目視解譯和信息提取的效率相當低下。滑坡次生災害是地震的主要破壞源，在這樣的背景下，為提高滑坡信息提取的效率，為災后重建提供及時而有效的信息支持，采取一些提高解譯效率的自動半自動方法，是非常必要的。由于滑坡復雜性，滑坡信息尤其邊界信息主要靠目視解譯提取［1］。在圖像增強處理基礎上，研究者利用變化檢測［2－3］、計算機分類［4－6］、譜摳圖［7］等方法，提高滑坡識別效率的自動半自動方法，開展了一些積極的探索性研究。

在國內外的研究中，植被指數是其他自動半自動識別方法的基礎。在伊拉克庫爾德斯坦地區，通過對QuickBird影像目視解譯的3000多個滑坡編目數據，分析滑坡及背景區的光譜差異，研究干旱半干旱山區的滑坡遙感自動識別方法［8］。Zhan等［9］提出了基于植被檢測、多視覺約束和地形連續性的滑坡識別點云算法。在臺灣南部花果山流域，利用貝葉斯方法［10］對滑坡后的影像進行分類，綜合遙感和地形數據，進行滑坡的半自動識別。楊文濤等［11］利用NDVI序列數據，結合坡度信息進行汶川地震災區滑坡識別。汶川抗震救災中，由于抗震救災工作特殊的時效需求，采用了自動半自動的快速提取方法提高滑坡識別效率。本文在抗震救災工作的基礎上，利用支持小樣本的統計學習理論——支持向量機［12］進行滑坡信息的監督分類，實驗討論滑坡信息快速識別的方法。

圖1 滑坡要素示意圖（根據文獻［14］改編）

圖2 汶川地震災區典型地區光譜及Formosat－2波段設置

1 研究方法

1.1 滑坡遙感地學分析

滑坡是指斜坡局部穩定性遭到破壞以后，在重力的作用下，巖土體沿一個或多個破裂滑動面向下整體滑動的過程［13］。滑坡具有滑坡體、滑坡壁、滑坡周界等要素，詳見圖1。滑坡壁、滑坡體和滑坡周界是利用遙感技術進行滑坡識別的基本要素，高分辨率影像還能識別大滑坡的滑坡臺階、后緣洼地等要素。滑坡堆積體和滑坡壁是遙感識別滑坡的兩個基本要素，它們在遙感影像上，共同構成了滑坡周界的范圍。按年代分，滑坡可分為現代滑坡（晚全新世以來）、老滑坡（中早全新世）和古滑坡（更新世）［13］，遙感能識別的滑坡主要是現代滑坡中有影像記錄以來發生的滑坡，主要是衛星遙感記錄的滑坡。本研究所采用的遙感數據源為Formosat－2，包含0.45μm～0.90μm的4個多光譜波段。由于實驗區北川縣地震前植被覆蓋率高達80%，其中森林覆蓋率56.3%。地震誘發滑坡破壞原有的植被，滑坡區下墊面主要類型變成植被、建筑物、水域、耕地（有綠色作物覆蓋）和滑坡災害。因此，綜合利用影像的光譜和空間信息，能用計算機分類方法提取滑坡區域。

1.2 支持向量機

傳統機器學習方法下，復雜模型擬合有限樣本會出現過學習現象，導致泛化性能下降。對此，支持向量機采用結構風險最小化思想，即將函數集構造為一個函數子集序列，使各個子集按照VC維的大小順序排列，在各子集中尋找較小經驗風險，使子集間折中考慮經驗風險和置信度，以取得最小的實際風險。支持向量機采用的結構風險最小化（SRM）原則，在最小化樣本誤差的同時又縮小模型泛化誤差的上界，從而提高了模型的泛化能力。支持向量機的數學形式和示意圖參見文獻［12］。

1.3 典型地物遙感地學分析

地物光譜特征的差異是遙感地學信息提取的基礎。汶川地震災區的地物類型以植被為主，除了植被外，還有水域、滑坡區的新鮮巖土地表、混凝土建筑物。滑坡體下滑導致的基巖或土壤裸露，相對于新鮮的裸土或裸巖，目標信息與植被以及水體為主體的背景信息對比明顯。以ASTER波譜庫和文獻［15］為基礎，通過繪制并分析植被、水體、土壤、巖石和混凝土五種地物波譜曲線，根據地物波譜曲線的特征對比，進行滑坡災害提取的遙感地學分析，如圖2所示。植被的波譜范圍一般為0.38nm～2.5μm，健康的綠色植物在可見光波段有一個小反射峰，在0.676μm附近呈強吸收，而在0.776μm附近呈強反射特征，也即植被的“紅邊”現象。水體由于極低的反射率，常常被近似為黑體。地表水由于所含物質的差異，反射率明顯高于純凈水，光譜特征也表現出不同的特點。地震中的災區水體泥沙含量增加，可見光波段的反射率有所提高。水體的反射主要發生在藍綠波段，地震災區由于泥沙的散射，反射峰值移動到了黃波段。水體反射率在0.7μm處有一個小峰值，并在之后迅速下降，0.73μm～1μm之間，平均反射率降到0.042。研究區土壤以黃棕壤為主，在可見光波段，反射率隨著波長的增加而劇烈增長，在紅外波段趨于平緩，在0.786μm處出現一個小峰值。在福衛2號的波段范圍內，表現為背景信息的地表水總體反射率最低，植被反射率變化最大，并存在“紅邊”現象。混凝土和背景信息植被、水體對比度明顯，和巖土表信息容易混分，因此，采用波段對比明顯的432波段組合，從背景中分離出目標信息。對于可能造成混分的人工混凝土建筑，因為其矩形和線狀的特殊形狀和規則紋理特征，滑坡信息識別中，綜合紋理特征和形狀指數過濾這些偽滑坡信息。

2 結果與分析

本文采用臺灣福衛2號（全色2m）進行滑坡及其發育環境信息提取試驗，數據時相為2008年6月3日，影像區域為北川縣，影像中心為地震災害最嚴重的映秀鎮。影像的數據格式為Geotiff，大小1571像素×1546像素，其中有效像素2428766，覆蓋155.4km2。根據國際交換站的數據，影像成像時災區天氣晴朗。影像東部（研究區外）有薄云覆蓋，采用432假彩色波段組合，再利用暗目標方法進行相對輻射校正。利用1∶5萬地形圖對其進行3次多項式幾何校正。由于地震的影響，研究區地表位移顯著，因此對整景影像進行幾何校正，在相對穩定的區域選取控制點，如圖3（a）所示。為了過濾掉滑坡信息中混分的人工建筑物，考慮實驗區人工建筑物傾斜方向延伸的特點，提取灰度共生矩陣（GLCM）的熵（entropy）和相關性（correlation）［17］紋理信息：維數為256，延伸方向45°、135°、225°和315°。

滑坡信息是本研究關注的信息，所以提取過程中以滑坡信息提取效果為主要根據。研究區降雨充沛，植被覆蓋率高。由于地震的破壞，滑坡地形典型，滑坡體變形明顯，導致滑坡區植被變為裸地，并且由于滑動造成的特殊地形，將滑坡區作為一個地類進行分類。由于滑坡區容易與城鎮建設用地混淆，也可能與無植被覆蓋的耕地相混。因此，利用SVM將研究區影像分為5類：滑坡、河流、房屋、植被、耕地，先用目視解譯方法選取5類待分類地物的訓練樣本，并分別賦屬性為1～5，其中：1是滑坡，由于影像紋理和構造差異較大，光譜變化范圍比較大，提取滑坡周界范圍內的39樣本點，樣本點覆蓋4029像素。2是河流，由于光譜差異較小，且影像特征較為光滑，提取12個樣本點，共1422像素。3是房屋，影像呈格狀紋理及構造特征，光譜較一致，提取11個樣本點，共覆蓋4067個像素。4是植被，由于災區植被覆蓋率極高，光譜變化范圍也相對較大，影像紋理和構造也較為復雜，本文提取85個樣本點，共覆蓋7641個像素。5是耕地，由于研究時段內耕地和植被的影像特征相似，分類容易混淆，但不影響本研究，選取18個樣本點，共覆蓋1973個像素。選取2類、3類、4類和5類屬性的樣本點，經過SVM參數訓練后，發現5類屬性樣本點，多項式核函數及d等于4的情況下提取效果最佳。將1（滑坡）設為目標區，2～5類地物設為背景，加以屏蔽，結果如圖3（b）所示。圖3疊加了滑坡前的1∶5萬等高線地形圖。

從提取結果看，汶川地震中滑坡災害呈現群發性的特點，很難明確界定單個滑坡體的滑坡周界。如圖3（b），唐家山是汶川地震受災最嚴重的區域，唐家山滑坡群也是汶川災區呈連續分布的規模最大的滑坡群，如圖中條帶狀區域湔江，被唐家山滑坡堵塞形成堰塞湖。圖3（b）中曲山鎮和石巖村的影像是連續的建筑區，其中曲山鎮北部的滑坡，給北川縣城帶來極大的生命和財產損失。為了分析滑坡識別的精度，在圖3（b）的影像區生成100個隨機點，并結合集群采樣方法，保證滑坡區不少于40個點，實際為49個點。這些點將滑坡識別分為幾種情況：滑坡漏檢區（沒有被識別的滑坡）5個點，滑坡正確分類45個點，正確分類的無滑坡區46個點，滑坡錯分類（將未滑坡區分類為滑坡）4個點。滑坡分類的制圖精度為91%，滑坡識別的Kappa系數0.82。圖4為唐家山大滑坡和實景［16］對比。

圖3 地震后福衛二號影像和滑坡檢測結果圖

圖4 唐家山滑坡識別結果和實景對比（文獻［16］）

3 結論和討論

滑坡識別是一件非常困難而復雜的工作，需要豐富的專業知識。遙感只能識別很少一部分滑坡，基本局限在有影像記錄以來的滑坡。對于滑坡發生的區域，有些滑坡發生在干旱半干旱地區，滑坡識別的效果會顯著降低。對于老滑坡和古滑坡，由于滑坡體及其發育環境的光譜特征差異不明顯，解譯的主要依據是獨特的滑坡地貌特征，比如雙溝同源地貌，使得古滑坡和老滑坡的自動提取相當困難，其信息的成功提取也是需要進一步研究的難點。與目視解譯相比，滑坡災害快速識別方法能夠顯著提高滑坡識別效率，為抗震救災贏得寶貴的時間。汶川地震型滑坡是新滑坡，滑坡壁的光譜特征和周圍差異顯著，而且滑坡形態特征完整，顯著提高滑坡信息提取的精度。本文的滑坡信息提取方法適用于新滑坡，主要是植被覆蓋較好的區域。此外，對于滑坡更詳細要素的遙感識別，比如滑坡壁、滑坡堆積體等，是一件非常困難的工作，將在后續工作中進一步探討和研究。

［1］ 許沖，徐錫偉，吳熙彥，等.2008年汶川地震滑坡詳細編目及其空間分布規律分析［J］.工程地質學報，2013，21（1）：25－44.

［2］ 李松，李亦秋，安裕倫.基于變化檢測的滑坡災害自動識別［J］.遙感信息，2010，25（1）：27－31.

［3］ JAVIER H，JOSE I B，PAUL L R，et al.Monitoring landslides from optical remotely sensed imagery：The case history of tessina landslide，Italy［J］.Geomorphology，2003，54（1－2）：63－75.

［4］ MONDINI A C，GUZZETTIA F，PREICHENBACHA P，et al.Semi－automatic recognition and mapping of rainfall induced shallow landslides using optical satellite images［J］.Remote Sensing of Environment，2011，115（7）：1743－1757.

［5］ 魏星.基于SVM的山體滑坡災害圖像識別方法［J］.電子測量技術，2013，36（8）：65－70.

［6］ 葉潤青，鄧清祿，王海慶.基于圖像分類方法滑坡識別與特征提取——以歸州老城滑坡為例［J］.工程地球物理學報，2007，4（6）：574－577.

［7］ 王世博，張大明，羅斌，等.基于譜摳圖的遙感圖像滑坡半自動提取［J］.計算機工程，2012，38（2）：195－197，200.

［8］ OTHMAN A，GLOAGUEN R.Automatic extraction and size distribution of landslides in kurdistan region，ne iraq［J］.Remote Sensing，2013，5（5），2389－2410.

［9］ ZHAN Z，LAI.A novel DSM filtering algorithm for landslide monitoring based on multiconstraints［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2015，8（1）：324－331.

［10］ ALESSANDRO C M，IVAN M，MAURO R，et al.Bayesian framework for mapping and classifying shallow landslides exploiting remote sensing and topographic data［J］.Geomorphology，2013，201：135－147.

［11］ 楊文濤，汪明，史培軍.利用NDVI時間序列識別汶川地震滑坡的分布［J］.遙感信息，2012，27（6）：45－48.

［12］ VAPNIK V N.Statistical Learning theor［M］.New York：Wiley，1998.

［13］ 晏同珍，楊順安，方云.滑坡學［M］.武漢：中國地質大學出版社，2000.

［14］ DAVID K K，MATTHEW C L.Assessing landslide hazards［J］.Science，2007，316：1136－1138.

［15］ 王錦地，張立新，柳欽火，等.中國典型地物波譜知識庫［M］.北京：科學出版社，2009.

［16］ 胡卸文，朱海勇，呂小平，等.唐家山堰塞湖庫區（北川～禹里段）地震地質災害觸發效應研究［J］.四川大學學報（工程科學版），2009，41（3）：63－71.

［17］ 李松.滑坡信息遙感識別和空間分析研究［D］.北京：中國科學院研究生院，2009.

Fast Interpretation Methods of Landslides Triggered by Earthquake Using Remote Sensing Imagery

LI Song1，2，DENG Bao－kun1，XU Hong－qin1，WANG Zhi－fu1
（1.Institute of Resources，Environment and Disasters，Guizhou Normal College，Guiyang550018；2.Institute of Remote Sensing and Digital Earth，Chinese Academy of Sciences，Beijing100101）

Landslide is an important cause of earthquake damage and casualties，and fast recognition of landslide is important for earthquake relief.Currently，visual interpretation is the basic method of landslide recognition.Due to the inefficiency of visual interpretation，it is necessary to study an effective method to identify the landslides triggered by earthquake.A large number of landslides occurred during M8.0Wenchuan earthquake.These landslides caused by the earthquake did great damage to the local region.Because of bad weather conditions，it was difficult for us to capture eligible remote sensing images，which lagged far behind the earthquake.In order to study a more effective approach of landslide fast recognition，this paper took Beichuan where the earthquake disaster was worst as a test area to study a more effective approach of landslide fast recognition based on Support Vector Machine（SVM）classifiers in the Formosat－2image acquired on June 3，2008.The vegetation coverage in the study area was up to 80percent.There was an obvious difference between a landslide and environmental background area of the remote sensing image.Firstly，this paper identified land use，including rivers，buildings，vegetation，farmland and landslides using visual interpretation.Secondly，SVM kernel functions were trained using the five samples.The results showed that SVM is a rapid recognition method，and classification Kappa coefficient is 0.82.

landslide triggered by earthquake；fast identification；Support Vector Machine；visual interpretation；Wenchuan

10.3969／j.issn.1000－3177.2015.04.005

P315.63；TP79

A

1000－3177（2015）140－0025－04

2014－07－02

2014－10－20

國家十二五科技支撐重大項目（2011BAC09B01）；貴州科技廳項目（J20112343）；貴州教育廳項目（13GH069）；烏當科技局項目（［2012］烏科技合同字第48號）。

李松（1980—），男，博士，副教授，主要從事環境和災害遙感應用研究。

E－mail：zhijinese＠163.com