地理本體驅(qū)動的面向?qū)ο蠡伦R別

魏家旺，惠文華，程夢真，李海

(長安大學(xué) 地質(zhì)工程與測繪學(xué)院，西安 710064)

0 引言

滑坡災(zāi)害具有突發(fā)性強、分布范圍廣泛、危害性大、難以進行準(zhǔn)確的預(yù)測預(yù)報等特點[1]。鑒于滑坡地質(zhì)災(zāi)害帶來的嚴(yán)峻后果，有效調(diào)查監(jiān)測滑坡分布狀況與活動情況，正確評估滑坡的潛在危險，對防災(zāi)減災(zāi)有重要意義。而遙感技術(shù)以其視點高、視域廣、時效性、數(shù)據(jù)的綜合性和可比性等特點,在滑坡研究中也發(fā)揮著越來越重要的作用。

目前，用于滑坡災(zāi)害信息的遙感自動提取方法主要有：基于像素的影像分類法[2-4]和面向?qū)ο蟮挠跋穹诸惙╗5-10]。前者在分類時主要依據(jù)地物的影像光譜特征，而無法利用其形狀、位置等空間特征，且分類結(jié)果比較細碎，難以準(zhǔn)確地獲取滑坡的整體信息。后者以影像對象作為分類單元，除光譜特征外還可以較好地利用遙感影像上豐富的地物空間信息來進行分析判斷；分類過程也更接近于人的邏輯思維方式，便于實現(xiàn)滑坡信息的自動化提取。然而現(xiàn)階段使用面向?qū)ο蠓椒ㄟM行滑坡信息的提取實踐中對專家知識的利用還非常有限，仍不能脫離傳統(tǒng)的數(shù)據(jù)驅(qū)動的模式識別范疇，存在“分類過程中專家分析不同帶來的分類結(jié)果不一致”的問題[11-14]，自動化程度較低。

針對上述問題，顧海燕等[15]嘗試進行了地理本體驅(qū)動的滑坡識別實驗，但該研究僅構(gòu)建了分類器模型，沒有完整構(gòu)建出滑坡地理本體；而本文通過地理本體建模的一系列步驟和方法，構(gòu)建了完整的滑坡地理本體，實現(xiàn)基于高分遙感影像及專家知識的滑坡面向?qū)ο笞詣有畔⑻崛　?/p>

1 地理本體驅(qū)動的滑坡識別框架

地理本體指把有關(guān)地理科學(xué)領(lǐng)域的知識、信息和數(shù)據(jù)抽象成一個個具有共識的對象，并按照一定的關(guān)系組成體系，同時通過概念化處理和明確定義建立概念模型，最后進行形式化表達的理論與方法。從地理本體概念出發(fā)，采用“滑坡地理本體概念描述—滑坡地理本體建模—滑坡識別”解譯框架[15]進行滑坡識別，如圖1所示。

圖1 地理本體驅(qū)動的滑坡識別框架

1.1 滑坡地理本體概念描述

滑坡地理本體表述的步驟為：先確定一些滑坡相關(guān)概念的表達，構(gòu)建滑坡知識體系，進行滑坡概念本體模型描述。

滑坡知識體系主要有：地理知識、遙感影像特征、影像對象特征、專家知識等。

1)滑坡地理知識。滑坡地理知識主要分為空間分布、滑坡類別、地層巖性、地質(zhì)構(gòu)造、地形地貌、坡型、坡度坡向、起伏度、誘發(fā)因素9個部分。

中國滑坡主要分布西南、西北地區(qū)，其次分布在中南及東南地區(qū)，按滑體巖性物質(zhì)分為堆積層(土質(zhì))滑坡，巖質(zhì)滑坡，變形體3類。在各種松散堆積的易滑地層中[16]、凸形坡、坡度為10°～60°(其中認(rèn)為10°～20°坡度上產(chǎn)生的滑坡是人類活動造成影響)、分水嶺地段的陰坡、公路及鐵路沿線人工開挖形成的陡峭山坡邊坡、局部陡峭斜坡凹陷地段、河道突然出現(xiàn)異常變異的偏移彎曲部位或者突然變窄，侵蝕基準(zhǔn)面急劇變化的主、支溝交匯地段及其源頭、斷裂帶、中高山常處于地表徑流的沖刷之下等地方易發(fā)生滑坡。

滑坡發(fā)生內(nèi)在原因主要有易滑巖組、軟弱結(jié)構(gòu)面和有效臨空面；外界環(huán)境因子主要有地下水位、降雨、地震及人為活動等。

2)滑坡遙感影像特征。遙感影像具有空間、時間、光譜、輻射四大分辨率，根據(jù)這些分辨率選擇合適的遙感影像對識別滑坡有重要作用。如在具備滑坡發(fā)育基本條件地區(qū)，影像上最小可識別的滑坡為覆蓋10像元×2像元大小的滑坡體，覆蓋2 000個像元的滑坡才能識別其要素的細部特征[17]。大多數(shù)滑坡因其規(guī)模有限，一般情況下在空間分辨率低于5 m的遙感圖像上解譯效果顯著降低。

3)滑坡影像對象特征。面向?qū)ο蠓治鲋校ㄟ^分割算法可得到影像對象，對應(yīng)于滑坡區(qū)域的影像對象具有明顯的特征。

①光譜特征。滑坡壁顏色與巖性有關(guān)，多呈淺色調(diào)或接近灰白，無植被，有時呈深色調(diào)，滑坡體植被覆蓋稀少顯示較亮。

②紋理特征。不同的遙感影像上滑坡會顯示不同的顏色。在TM遙感影像假彩色合成圖像上，老滑坡體為較均勻粉紫色，新滑坡體為紫色帶墨綠色彩。

③幾何特征。滑坡多呈圍椅狀、馬蹄形、舌形、橢圓形、簸箕形、圓形或長圓形的圍椅狀、長椅形、倒梨形、牛角形、平行四邊形、菱形、樹葉形、疊瓦形或不規(guī)則狀、長舌形、三角形等形態(tài)。

④類相關(guān)特征。滑坡體后部出現(xiàn)平臺洼地、鏡面、峭壁或陡峭地形、絕壁、陡坎等，存在明顯的地形變異線和色調(diào)異常線，有時在滑坡壁后方可見后緣拉張裂隙。

⑤專題指數(shù)特征。滑坡體內(nèi)部常形成相對獨立封閉的匯水區(qū)和特殊的水網(wǎng)系統(tǒng)，或與鄰近區(qū)域不協(xié)調(diào)的網(wǎng)紋結(jié)構(gòu)。常見滑坡體上有“醉林”“馬刀樹”等。

4)滑坡解譯專家知識。滑坡解譯時，除了利用光學(xué)遙感影像數(shù)據(jù)，也能利用其他非光學(xué)遙感影像數(shù)據(jù)。例如：DEM、坡度數(shù)據(jù)、梯度數(shù)據(jù)、合成孔徑雷達干涉測量(synthetic aperture radar interferometry，InSAR)滑坡速率圖、滑坡敏感性圖、地震圖、氣象圖、災(zāi)害編目圖等。

1.2 滑坡地理本體模型構(gòu)建

在滑坡地理本體概念描述的基礎(chǔ)上，進行滑坡地理本體的模型構(gòu)建，包括滑坡知識建模和分類器建模兩部分。其中，滑坡知識建模有遙感影像本體建模、滑坡解譯類別本體建模、遙感影像對象本體建模等，可利用網(wǎng)絡(luò)本體語言(web ontology language，OWL)表述。分類器本體建模可利用基于語義Web規(guī)則語言(semantic web rule language，SWRL)進行表述，共同構(gòu)建滑坡地理本體模型，形成滑坡地理本體語義網(wǎng)絡(luò)模型。

1.3 滑坡對象語義分類

基于上述構(gòu)建好的滑坡地理本體語義網(wǎng)絡(luò)模型，根據(jù)SWRL規(guī)則進行語義分類。

SWRL規(guī)則分類。遙感影像進行分割得到對象，獲取每個對象的各個特征值，導(dǎo)入到構(gòu)建好的滑坡地理本體中，利用SWRL規(guī)則進行語義分類，得到滑坡對象的語義信息。

2 滑坡識別實驗

2.1 研究區(qū)和數(shù)據(jù)

本研究區(qū)為甘肅黑方臺，坐落于甘肅省臨夏回族自治州所轄永靖縣鹽鍋峽鎮(zhèn)，東離蘭州市約40 km，南離永靖縣城約20 km[18]。

由于受長期農(nóng)業(yè)灌溉水入滲軟化的影響，黑方臺地區(qū)自20世紀(jì)60年代以來，不斷發(fā)生滑坡，每年發(fā)生3～6次滑坡[19]。該類滑坡機制受泥巖力學(xué)性質(zhì)的控制，具有低速近程和復(fù)活性的特點[20]。

本文使用的數(shù)據(jù)是WorldView-2高分辨率遙感影像，獲取時間為2015年11月29日。采用多光譜影像，如圖2所示。

圖2 研究區(qū)遙感影像

2.2 滑坡地理本體概念描述

1)空間分布。研究區(qū)內(nèi)的滑坡位于黨川鄉(xiāng)地界的臺塬邊，滑坡上部有大量耕地，滑坡下部分布著大量工廠和住宅區(qū)。

2)坡型及坡度坡向。坡體上陡下緩，滑坡大多數(shù)集中發(fā)生在10°～30°的斜坡上，黑方臺滑坡主滑方向以南偏東向為主，陽坡滑坡發(fā)育多于陰坡。

3)誘發(fā)因素。黑方臺地區(qū)每年的7月份為雨季且也是臺塬灌溉量最大的月份，3月份氣溫開始升高，塬邊層地下水融化，這些都導(dǎo)致研究區(qū)地下水位的不斷抬升，黃土強度降低，滑坡失穩(wěn)。

4)影像對象特征。

①光譜特征。在WorldView-2遙感影像上，滑坡具有清晰的后壁和鏡面擦痕，其后壁往往呈光滑弧面狀，但比較細小，滑坡體亮度稍暗。

②紋理特征。黃土滑坡由于物質(zhì)單一，植被稀少，紋理比較細膩。

③幾何特征。黑方臺地區(qū)滑坡體形狀多為輻射狀[15]，滑坡整體細長。

④專題指數(shù)特征。由于黃土滑坡一般位于植被稀疏地域，可利用NDVI輔助判讀；黃土泥流滑坡后壁可見地下水出露，利用NDWI進行識別。

5)專家知識。利用其他非光學(xué)遙感影像數(shù)據(jù)。例如：DEM及其衍生的Relief特征和坡度數(shù)據(jù)、InSAR滑坡速率圖等。

2.3 滑坡地理本體建模

根據(jù)滑坡地理本體概念描述，利用OWL構(gòu)建影像對象特征模型，然后進行滑坡提取規(guī)則SWRL本體表達，形成滑坡地理本體語義網(wǎng)絡(luò)模型(表1)。

1)滑坡解譯類別本體構(gòu)建。利用自上而下的方法定義滑坡解譯類別，分為5大類：水(water)，人工表面(artificial surface)、形變物(deformation)、碎石土(gravel soil)、滑坡(landslide)。再對碎石土繼續(xù)往下細分，分為碎石土1(gravel soil1)、碎石土2(gravel soil2)。

2)影像對象特征本體構(gòu)建。采用自上而下的方法對影像特征進行定義，主要分為光譜特征、幾何特征、紋理特征、類相關(guān)特征、專題指數(shù)特征。往下繼續(xù)細分，如專題指數(shù)有NDVI、NDWI等。

3) 滑坡識別規(guī)則SWRL本體表達。滑坡識別規(guī)則是先找到滑坡待分區(qū)，采用逐步剔除的策略，從而進行滑坡識別。

滑坡識別用到的主要特征為Mean_SAR、Mean_Slope、NDVI、Relief、NDWI。用SWRL本體語言將規(guī)則集描述出來。

4) 語義網(wǎng)絡(luò)模型。在影像對象特征本體構(gòu)建和滑坡識別規(guī)則SWRL本體的基礎(chǔ)上，構(gòu)建語義網(wǎng)絡(luò)模型，如圖3所示。

表1 滑坡易發(fā)區(qū)規(guī)則集SWRL本體表達

圖3 滑坡地理本體語義網(wǎng)絡(luò)模型

2.4 滑坡對象識別

1)影像分割。對影像數(shù)據(jù)進行多尺度分割。經(jīng)過多次實驗得出，當(dāng)尺度參數(shù)設(shè)置為414，形狀因子設(shè)置為0.3，緊致度因子為0.7時，有利于滑坡的識別。

2)特征計算及選擇。將所選特征保存為逗號分隔值表格形式(comma-separated values，CSV)。

3)特征格式轉(zhuǎn)換。將CSV格式轉(zhuǎn)換為OWL格式[21]。

4)對象語義分類。利用Pellet推理機，根據(jù)各個類別的SWRL規(guī)則，推理出每個對象的類別。

5)分類結(jié)果展示。分類結(jié)果不僅可以用滑坡識別圖(圖4)展示，還可以在Protégé軟件中直接查詢出各個對象的語義信息。

圖4 滑坡識別圖

2.5 結(jié)果分析

從視覺效果上分析，該方法得到了很好的分類結(jié)果，能夠?qū)⒒掠行崛〕鰜恚贿^部分地方有基巖和滑坡混分的現(xiàn)象。從定量上分析，正確識別滑坡區(qū)域占驗證滑坡區(qū)域的88.86%，占提取總滑坡區(qū)域的75.02%，即滑坡識別率、滑坡提取準(zhǔn)確率分別為88.86%、75.02%。該分類方法得到了較為滿意的分類結(jié)果。

3 結(jié)束語

本文引入知識工程中的本體概念，通過概念描述、模型構(gòu)建，確定了滑坡地理本體的語義網(wǎng)絡(luò)模型，并對黑方臺地區(qū)利用高分影像進行了滑坡識別的實驗，取得了比較好的效果。該方法的好處在于所建立的滑坡概念本體，保證了滑坡領(lǐng)域知識的準(zhǔn)確客觀一致性，實現(xiàn)滑坡領(lǐng)域知識共享，最大限度地避免了因為滑坡專家知識不一致引起滑坡識別結(jié)果不一樣的問題。該方法構(gòu)建的滑坡地理本體為后續(xù)學(xué)者構(gòu)建本體提供參考，可以根據(jù)各個滑坡特點修改利用，同時實現(xiàn)滑坡地理本體語義信息表達。該方法為滑坡識別提供了一種新思路，為滑坡自動化、智能化研究進行了有益的嘗試。