汶川縣震后崩塌滑坡遙感信息提取

陳勇國謝 蓮彭述剛張 勇陳 賓吳 淼

（1.湖南科技大學建筑與城鄉規劃學院，湖南 湘潭 411201；2.湖南省地質測繪院信息中心，湖南 衡陽 421001；3.湘潭大學能源工程學院，湖南 湘潭 411100）

汶川縣震后崩塌滑坡遙感信息提取

陳勇國1謝 蓮2彭述剛1張 勇1陳 賓3吳 淼3

（1.湖南科技大學建筑與城鄉規劃學院，湖南 湘潭 411201；2.湖南省地質測繪院信息中心，湖南 衡陽 421001；3.湘潭大學能源工程學院，湖南 湘潭 411100）

崩塌、滑坡、泥石流是震后最常見的三類次生地質災害，震后災區崩塌、滑坡極度發育，同時為泥石流災害提供豐富的物源，極大的危害人類生產生活。文章結合TM影像和DEM地形數據，通過決策樹模型建立了汶川縣震后崩塌滑坡遙感判識標志庫，自動提取了該縣2009年、2010年、2013年3期崩塌滑坡災害體，分類精度明顯優于最大似然監督分類法。結果表明該縣崩塌滑坡災害體主要集中分布在斷裂帶沿線5km范圍內、海拔1200m～3000m內的中高山中上部位、坡度25°～70°之間的中陡坡地帶。該自動提取模型方法解決了低分辨影像提取地質災害體方法單一、精度不高、效果不佳的問題，且模型可拓性強，適用于地質災害體自動提取。

崩塌滑坡；決策樹；信息提取；ETM；汶川縣

“5.12”特大地震波及大半個中國，受災面積達 50× 104km2，強震引發了大量的崩塌、滑坡、泥石流的發生[1]，據國土部門調查，災區84個受災縣（市）主要崩塌、滑坡、泥石流和不穩定斜坡等災害隱患點有16644處[2]。在強震和次生地質災害的影響下，造成了87149人死亡和失蹤，80%的交通干線和大部分橋梁、隧道受損，全線中斷 110天，直接經濟損失總計9121.4108元[3]。強震引發的崩塌、滑坡不僅給當地災后重建、交通運輸、生產生活和安全帶來極大阻礙和威脅，同時為泥石流的形成提供了豐富的固體物質來源，引發了“紅椿溝泥石流”、“舟曲泥石流”等特大泥石流災害，造成極大傷亡和損失。對災區震后崩塌、滑坡的發生機制和原理、分布和演化規律進行深入研究，不僅為重建改建工作和人民生命安全提供有力保障，同時對地質災害的深入研究和防災減災管理工作具有重要意義。

迅速發展的遙感技術成為地質災害調查和監測的重要手段。國外，Mantovani利用TM影像和SPOT進行了滑坡的監測和確認[4]；Lina CW開始利用Spot影像對震后爆發的次生泥石流物源崩塌滑坡進行解譯，并建立了泥石流發生與松散物源類型、數量的統計模型[5]；Chadwick等通過多時相高分辨率影像進行了工人解譯，研究滑坡的地表形態位移量[6]。國內，傅文杰等人研究了向量機模型實現地質災害信息提取的研究，并通過實例分析，確定了該方法的可行性[7]。2007年，葉潤青通過影像分類方法，實現了三峽庫區歸州老城滑坡的光譜識別與特征提取[8]。2008年，胡德勇分析了熱帶雨林內的滑坡遙感圖像特點，建立了高分遙感影像的滑坡檢測知識庫[9]。總體而言，國內外對于崩塌、滑坡、泥石流的監測和信息提取技術已比較成熟，成果也相對豐富，但大部分學者采用高分辨率影像進行地質災害信息提取，成本太高且數據量很大。也有部分學者運用面向對象和重分類的方法對 TM影像進行災害提取，但其模型方法不適合低分辨率影像。本文以汶川縣為研究區，通過資料收集和遙感調查，提出震后泥石流決策樹判識模型和自動提取方法，分析了震后崩塌滑坡分布規律，為震后防災減災提供依據。

1 研究區概況

汶川縣位于四川省阿壩藏族羌族自治州境內東南部，地處四川盆地向川西高原過渡地帶。縣域東西寬88km、南北長105km，總面積4084km2，G213、G317和都汶高速穿行境內。該縣位于鄧峽山系和龍門山系之間，三面環山，山脈的走向與斷裂帶線一致，呈北東-南西走向 ，其間山高坡陡、切割強烈、溝床比降大，為崩塌、滑坡、泥石流等次生山地災害的發育提供了良好條件。研究區地處龍門山構造帶，地震活動強烈，地質構造復雜，氣候四季分明，南濕北旱，垂直分帶明顯。

2 數據來源與處理

2.1數據來源

本研究采用的數據為30m分辨率的DEM數據和Landsat 5 TM和landsat8遙感影像數據，以上數據均可在地理空間數據云平臺免費下載。Landsat5 TM影響包含7個分辨率為30m的波段，landsat 8包含9個波段，除新增一個B6波段和一個分辨率為15m的全色波段外，其他波段與landsat 5 TM波段相同。其中Landsat5 TM影像包括2009-6-3、2010-3-8共2期影像，Landsat 8影像則為2013-8-17共1期影像，其軌道號分別是P130R038和 P130R039。

2.2數據處理

為削弱遙感影像普遍存在的同譜異物、同物異譜對信息提取的影響，更好的提取研究目標，需要對圖像進行預處理，增強某種地物的波段特征值。本研究影像經過校正、鑲嵌、裁剪、去云、NDVI計算、纓帽變換和主成分分析等預處理和圖像增強處理。消除了影像坐標誤差、大氣干擾，增強了地物信息和影像辨識度。

圖1　汶川縣2009～2013年TM遙感影像

3 研究方法

3.1決策樹模型

決策樹是數據挖掘與知識發現領域基于邏輯的經典的分類預測方法之一，又稱為判定樹[10-13]。由一個根節點、多個分支和最終的葉節點構成，每一個分支結點（內部結點）有多個子結點和唯一的父結點，結點與子結點之間形成分支（如圖2）。其中樹的每個內部結點表示一個決策過程所要測試的屬性；每個分支表示測試的一個結果，不同屬性值形成不同分支；而每個葉節點代表一個類別，即圖像的分類結果。樹的最高層節點稱為根節點，是整個決策樹的開始[14～15]。運用決策樹模型進行遙感信息提取的主要過程如圖3所示。

圖2　決策樹分類結構圖

圖3　決策樹模型遙感信息提取主要過程

3.2崩塌滑坡遙感判識標志庫的建立

崩塌、滑坡是一種塊體運動，它的發育和活動嚴重破壞了原有的地表結構，所有可以通過遙感影像影像光譜、地貌形態、植被分布、生長和地形數據建立崩塌滑坡遙感判識標志庫。通過訓練樣本，提取各地物波譜信息最大值、最小值、均值，并利用均值建立如圖4所示的典型地物波譜響應曲線，輔助建立判識標志庫。

圖4　典型地物的波譜響應曲線

圖5　地質災害決策樹提取模型

3.3崩塌滑坡遙感信息提取

通過試驗研究發現（如圖5）：利用非研究區在TM影像第1波段上的值為0的特點，建立了TM1=0的規則，去除汶川縣影像范圍以外的區域；TC3波段上積雪與其他地物的區分度較大，當TC3>20時可以實現積雪地物類型的提取；在剔除了積雪的基礎上，利用TM1波段上積雪和云的平均灰度值與其他地物的平均灰度值差異較大，可以有效提取云，即TM1>200；PC1波段上利用陰影與其他地物的平均灰度值最小相差 70的基礎上可以實現陰影的提取，該臨界值為PC1<-15；建立改正歸一化差異水體指數（MNDWI），波段運算 表達 式 為 (TM2- TM5)/(TM2+ TM5)， 發 現 當0-0.16時能較好的提取地質災害居民地、灘地和耕地等在內的地物信息。通過對震后汶川縣地質災害調查結果的規律探討分析、及地質災害發生機理可知，地質災害易發生在坡度大于15°和高程小于3500m區間上，利用DEM數據，建立了Slope>15°、DEM<3500，同時也有效的排除了居民地、灘地及耕地等區域，最終得到較為準確的崩塌滑坡信息提取結果（圖6）。

圖6　汶川縣2009（a）、2010（b）、2013（c）年崩塌滑坡提取結果

經分析發現，震后汶川縣境內崩塌滑坡災害體廣泛分布，主要集中分布在映秀-北川斷裂帶和茂汶斷裂帶沿線5km范圍內、海拔1200～3000m的中高山中上部位、坡度25°～70°的中陡坡地帶。2009年，崩塌滑坡災害體大量分布，災害體面積達73.73 km2,到2010和2013年，災害體有所減少，穩定在50 km2左右，僅岷江沿線有分布，災害體總體變化率逐年減少。

表1　汶川縣震后崩塌滑坡總體變化統計表

3.4分類精度評價

為探究決策樹模型提取崩塌滑坡的效果，本研究采用監督分類中效果最好的最大似然法對研究區的崩塌滑坡進行了信息提取，以供對比。同時采用混淆矩陣方法來對分類結果進行精度評價。根據研究區的實際情況，結合野外調查和高分辨率遙感解譯數據，采用隨機抽樣的方法，分別確定了不同年份的樣本點數及對應的象元數量。分別對最大似然和決策樹方法的分類結果進行精度評價，結果如表2所示。

表2　崩塌滑坡圖像分類精度

從表2可知：決策樹模型的生成精度和用戶精度都在90%以上，Kappa系數都在0.9以上，而最大似然法的生成精度僅在75%左右，用戶精度平均值僅為88.95%，Kappa系數介于0.64～0.76之間。基于決策樹模型方法提取崩塌滑坡信息的精度明顯高于最大似然法分類，且模型可拓性強，可以結合多種數據自動提取目標信息。

4 結論與討論

（1）本文采用TM影像數據和DEM地形數據，基于決策樹模型建立了汶川縣崩塌滑坡災害體遙感判識規則庫，自動提取了汶川縣2009年、2010年、2013年3期崩塌滑坡災害體，分類精度達 90%以上，明顯高于監督分類中效果最好的最大似然法，解決了低分辨影像提取崩塌滑坡災害體方法單一、精度不高、效果不佳的問題。但該模型建立的規則庫有區域性和局限性，不同的研究區、不同時相或色差明顯的遙感影像所對應的規則庫都是不同的，需修改參數重新建立規則庫。

（2）對汶川縣崩塌滑坡災害體分布規律進行了研究和分析，發現該縣崩塌滑坡災害體主要集中分布在映秀-北川斷裂帶和茂汶斷裂帶沿線5km范圍內、海拔1200-3000m的中高山中上部位、坡度25°～70°的中陡坡地帶，災害體總體變化率逐年減少，為災區防災減災工作提供指南。由于災害演化是一個漫長的過程，短時間內難以下定論，本研究未能很好的探究災害的演化規律。

[1] 韓用順,梁川,崔鵬,等.地形條件對次生山地災害易發性分析[J].四川大學學報(工程科學版),2010,(S1):15-21.

[2] 殷躍平.汶川八級地震地質災害研究[J].工程地質學報,2008,16(4):433-444.

[3] 韓用順,崔鵬,朱穎彥,等.汶川地震危害道路交通及其遙感監測評估—以都汶公路為例[J].四川大學學報(工程科學版),2009,(3):273-283.

[4] Mantoviani F,Soeters R,Van Westen C J.Remote sensing techniques for landslide studies and hazard zonation in Europe[J].Geomorphology,1996,15(3/4):213-225.

[5] Mukherjee S.Microzonation of seismic and landslide prone areas for alternate highway alignment in a part of Western Coast of India using remote sensing techniques[J].Journal of the Indian Society of Remote Sensing,1999,27(2):81-90.

[6] Chadwick J,Dorsch S,Glenn N,et al. Application of multitemporal high-resolution imagery and GPS in a study of the motion of a canyon rim landslide[J].Journal of Photogrammetry and Remote Sensing,2005,59(4):212-221.

[7] 傅文杰,洪金益.基于支持向量機的滑坡災害信息遙感圖像提取研究[J].水土保持研究,2006,13(4):120-122.

[8] 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):475-477.

[9] 胡德勇,李京,趙文吉,等.基于對象的高分辨率遙感圖像滑坡檢測方法[J].自然災害學報,2008,17(6):42-46.

[10] 白秀蓮.基于決策樹方法的遙感影像分類研究[D].呼和浩特:內蒙古師范大學,2012.

[11] 楊凱.城市土地利用/覆蓋分類及其空間格局分析[D].湖南:中南大學,2008.

[12] Weiss E,Marsh E.E,Pfirman E.S.Application of NOAAAVHRR NDVI Time-serial Data to Assess Change in Saudi Arabia,s rangelands[J].International Journal of Remote Sensing,2001,22(6):1005-1027.

[13] 劉勇洪,牛錚,王長耀.基于 MODIS數據的決策樹分類方法研究與應用[J].遙感學報,2005,9(4):405-412.

[14] 李國清.南方山地丘陵森林主要樹種遙感信息提取研究[D].福州:福建農林大學,2009.

[15] 潘琛,杜培軍,張海榮.決策樹分類法及其在遙感圖像處理中的應用[J].測繪科學,2008,(5):22-26.

Remote sensing information extraction of landslide in Wenchuan County

Collapse, landslide and debris flow are the three most common types of secondary geological disasters, which are very common in the earthquake disaster area. Based on TM image and DEM terrain data, the paper established the remote sensing identification mark database of landslide in Wenchuan County in 2009, 2010 and 2013. The classification accuracy was better than the maximum likelihood supervised classification method. The results show that the landslide hazard in the county is mainly concentrated in the middle and steep slope of the middle and upper part of the fault zone, which is located in the middle and upper part of the middle and upper part of the middle and high mountain ranges from 25 degrees to 70 degrees above the middle part of the fault zone along the 3000m range. The method of automatic extraction of the model is a simple, accurate and effective method for the extraction of geological hazard in low resolution images, and the model can be applied to geological hazard body.

Decision tree; decision tree; information extraction; ETM; Wenchuan County

P315

A

1008-1151(2015)09-0026-04

2015-08-10

交通運輸部科技計劃項目（2015 316 T19 060），湖南省學位與研究生教育教學改革研究課題（JG2013B048），湖南省研究生科研創新項目（CX2015B471）。

陳勇國（1973－），湖南科技大學建筑與城鄉規劃學院碩士研究生，從事災害遙感與3S技術及應用研究；謝蓮（1980－），湖南省地質測繪院信息中心工程師，從事航測成圖和土地開發整理工作。