基于SHALSTAB模型與面向對象遙感影像分析的 地震滑坡信息快速檢測

王曉波 魯恒 劉雪梅 楊正麗 項霞 蔡詩響

摘要：滑坡是最為常見的地震次生災害之一，對其進行有效監測一直都是業界研究的熱點。基于此，提出了一種高分遙感影像地震滑坡信息快速檢測方法，該方法將SHALSTAB模型與面向對象影像分析相結合，首先對遙感影像進行多尺度分割，并根據穩定性模型賦權，然后根據深度學習機制對滑坡對象進行檢測，最后對檢測結果進行過濾，并將該方法應用于2013年蘆山地震滑坡檢測，與目視解譯結果進行對比。結果表明：該方法能快速檢測高分遙感影像上滑坡，滑坡檢測正確率達85%以上。

關鍵詞：坡度穩定性模型;面向對象;高分遙感影像;滑坡;快速檢測

中圖分類號：P315.942，P231.5 ??文獻標識碼：A ??文章編號：1000-0666（2019）02-0273-07

0 引言

遙感技術作為一種有效的對地觀測手段，已經廣泛應用于土地利用調查、測繪以及地理國（省）情監測等領域，特別是高分遙感影像以其空間分辨率高、視場范圍廣等優點，得到了廣泛的應用，在地震災害快速檢測及災害評估等方面具有得天獨厚的優勢。但目前，基于高分遙感影像的災害檢測以目視解譯為主，耗時耗力，是災害檢測評估應用中的瓶頸（Saha et al，2016;Debella-gilo，Kb，2012）。

隨著遙感技術的發展，部分學者研究了計算機半自動解譯方法，主要包括滑坡光譜信息法、紋理信息法、神經網絡法、面向對象分類法等。其中，光譜和紋理信息法主要是基于滑坡體與其周圍環境的光譜、紋理特征差異明顯這一特征實現的，適用于一些新滑坡，而對于光譜、紋理特征和發育背景不明顯的區域應用效果不明顯（沈永林等，2011）。半自動解譯方法主要針對中、低分辨率影像。隨著支持向量機與人工神經網絡方法的出現，遙感滑坡信息提取也有了新的發展。由于高分辨率影像光譜、幾何信息均比較豐富，已有的滑坡信息提取方法已不能滿足需求，于是面向對象的分類方法應運而生（Cheng et al，2013;胡德勇等，2008;Scaioni et al，2014;郭加偉等，2018;魯學軍等，2014），該方法難點在于分類規則的挖掘。

針對上述高分影像地震滑坡信息提取中面臨的問題，本文提出了一種淺層滑坡穩定模型（SHAllow Landlide STABility model，簡稱SHALSTAB）與面向對象影像分析相結合的高分遙感影像地震滑坡信息快速檢測方法，該方法以地表坡度穩定性模型、面向對象影像分析的理論知識為基礎，首先對遙感影像進行多尺度分割，并根據穩定性模型賦權，然后根據深度學習機制對滑坡對象進行檢測，最后對檢測結果進行過濾。

1 研究方法

1.1 基于SHALSTAB模型的地表坡度穩定性評價

淺層滑坡是對人類生命財產安全存在影響的眾多危害中的一種。學者們對于斜坡的穩定性預測提出了各自的評估模型，其中由Montgomery和Dietrich（1994）提出的SHALSTAB模型應用較廣泛，該模型耦合了穩態水文假定模型和無限斜坡穩定性模型，主要用于評價淺層滑坡穩定性的時空分布和發展趨勢。在假設穩定狀態的降雨事件下，將土壤、植物特性和近地表水流與邊坡穩定性模型結合，以坡度和比積水面積作為主要參數，同時考慮土壤深度與植物特性影響，進行邊坡穩定性評估。無限斜坡滑動面如圖1所示。

1.2 面向對象多尺度分割滑坡快速檢測

1.2.1 滑動窗口檢測與分割檢測

目前常規的滑坡檢測方法是滑動窗口檢測，通過移動、縮放檢測窗口，遍歷整個待檢測區域，對目標進行檢測。一方面滑坡通常有大有小，采用多尺度檢測更加合理;另一方面采用分割的方法，將圖像劃分為若干有意義的圖像區域，在分割的基礎上進行檢測，不僅可以避免大量的冗余檢測，而且使得檢測對象的語義信息更加明確。

與滑動窗口檢測相比，分割檢測的待搜索空間明顯縮小，時間效率提高，但仍然存在2個問題：一是冗余檢測，在待檢測圖像中，災害屬于極少數情況，大量分割區域的檢測屬于冗余檢測;二是虛警率（錯誤檢測），在單純依靠光學影像的災害檢測中，所提供的信息難以區分出真實災害與影像中類似災害的地物（Fiorucci et al，2011;Cheng et al，2013）。

1.2.2 面向對象影像分析與SHALSTAB模型結合

針對分割檢測存在的問題，將多尺度分割結果與SHALSTAB模型穩定性評價結果結合，為待檢測分割結果賦權。在檢測階段，權重可以過濾待檢測區域，用于加速檢測過程;在處理階段，基于權重可以過濾錯誤檢測，提高檢測準確度。

首先進行待檢測區域的多尺度分割，然后基于SHALSTAB模型穩定性評價結果為分割結果賦權重，賦權過程基于GIS空間區域統計實現，標識該區域的斜坡穩定性。實驗中在賦權時，區域定性評價指標統計量選取最小值指標（受限于DEM分辨率及精度，最大化災害發生的概率）。圖2即為分割區域賦權模型。

基于深度學習機制（付蕭等，2018）得到滑坡災害檢測模型，如圖3所示。在多個尺度上對帶權待檢測分割結果進行檢測，最后對檢測結果進行后處理、合并、消除等，得到最終滑坡檢測結果。

2 實驗結果

本文選取2013年四川蘆山7.0級地震震區為研究區，面積約為16 km2，研究對象為震區內發生的地震滑坡。該次地震發生在龍門山斷裂帶，研究成果可以進一步應用于周邊山區的地質災害防治、規劃重建等，具有較好的應用價值。

選取300，400，500，600共4個分割尺度，對研究區進行多尺度面向對象分割，分割結果如圖4所示。

基于SHALSTAB模型，對檢測結果進行賦權，結果如圖5所示。從圖5可以看出，經過賦權后疑似滑坡區域對象都屬于不穩定區域或長期不穩定區域。

根據已構建的深度學習滑坡信息檢測模型，進行分割檢測，結果如表2所示。通過結合分割區域賦權結果，在檢測階段可以減少檢測次數，加速檢測。分析表2可發現，基于SHALSTAB模型進行賦權檢測，隨著分割尺度的增加，加速效果逐漸減弱，但檢測次數在總體上比直接檢測減少約40%。在檢測后的處理過程中，基于SHALSTAB模型結合分類器概率輸出可進行過濾檢測，提高檢測精度。

圖6a為基于分割結果的完全檢測，研究區左上角出現大量誤檢。將SVM分類器概率輸出閾值取0.8，對原始檢測結果進行過濾（圖6b），從圖6b可以看出部分誤檢被剔除，但仍有與災害類似的地物被錯誤地識別為災害。針對研究區穩定區域發生災害可能性低的特點，基于SHALSTAB模型評價結果，剔除位于穩定區域lgq/T >-2.5的檢測結果，并進行過濾（圖6c），從圖6c可見，剔除了大量穩定區域誤檢。

將最終檢測結果與目視解譯結果進行疊加，如圖7所示。從圖中可以看出，研究區中目視解譯57個滑坡，檢測結果覆蓋了其中53個，個別小規模滑坡被漏檢，但也識別出許多未被解譯出的災害;理論上選取合適的SVM分類器概率輸出閾值，以及SHALSTAB評價閾值，或融合多尺度檢測結果，都可以實現災害檢測，但可能會導致大量的誤檢。

圖8為隨機選取的檢測結果局部放大圖，可以看出檢測結果基本覆蓋整個災害區域，但也存在一些問題：檢測結果邊界不清晰，災害周圍地物

被誤檢較多，這是由于基于分割檢測獲取分割區域外包絡矩形圖像作為待檢測圖像，災害周圍分割區域也往往覆蓋災害導致被誤檢;類似災害的區域（如帶狀裸地）被誤檢，主要是因為基于純粹的光譜信息可能不足以完全解決災害的解譯問題，通過融合多光譜或者專題信息可以進一步改善檢測結果。

3 結論

本文結合地表坡度穩定性模型與面向對象影像分析，提出高分遙感影像地震滑坡快速檢測方法。將該方法應用于2013年蘆山地震發現，分割尺度越大越具有較快的災害檢測速度，但也會導致檢測結果不精細、邊界不清晰、小型災害被遺漏等問題;分割尺度越小，大型災害檢測結果容易破碎，小型災害能夠被檢測。

基于SHALSTAB模型和面向對象的快速滑坡檢測，既可以在大尺度情況下實現快速檢測，也可以在小尺度情況下實現精細檢測;在應急情況下前者可以用于快速定位災害，如大型滑坡;而在災情量化評過程中，可以在小尺度情況下定位災害范圍，同時定量評估災害。

參考文獻：

付蕭，郭加偉，劉秀菊，等.2018.無人機高分辨率遙感影像地震滑坡信息提取方法[J].地震研究，41（2）：186-191.

郭加偉，李永樹，王洪蜀，等.2018.基于遷移學習的無人機高分影像地震泥石流信息檢測[J].地震研究，41（2）：180-185.

胡德勇，李京，趙文吉，等.2008.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，12：42-46.

魯學軍，史振春，尚偉濤，等.2014.滑坡高分辨率遙感多維解譯方法及其應用[J].中國圖象圖形學報，14（1）：141-149.

沈永林，李曉靜，吳立新.2011.基于航空影像和LiDAR數據的海地地震滑坡識別研究[J].地理與地理信息科學，27（1）：16-20.