基于無人機遙感的湖南金童山保護區滑坡監測

童榮瑜，李 營，李 儒，吳 強，梁子豪

（1.中國礦業大學（北京）地球科學與測繪工程學院，北京 100083；2.生態環境部衛星環境應用中心，北京 100094；3.中國科學院 空天信息創新研究院，北京 100094；4.中國人民大學環境學院，北京 100872）

我國特殊的地質環境條件決定了地質災害呈長期高發態勢[1]，如何從高分辨率影像中快速、準確、低成本地提取出山區公路兩側中小規模滑坡信息，已成為遙感技術應用于滑坡防治需要解決的重要工程問題之一。近些年無人機遙感技術迅速發展，可以機動靈活、低成本、快速及時的獲取監測區域高空間分辨率影像數據。基于無人機一次飛行獲取的數據，可以同步生產高精度的數字正射影像、數字地表模型產品，這些為構建滑坡監測區域高精度三維模型提供了現實條件。因此，針對如何解決遙感技術應用于中小規模滑坡信息快速準確提取的問題，本文采用旋翼無人機搭載相機，使用傾斜攝影的拍攝方式，獲取監測區域圖像并完成數字地表模型與數字正射影像數據生產。使用面向對象分類方法充分利用無人機數據，引入可見光差異植被指數、坡度、形狀等特征作為分類參數，運用了隸屬度函數與決策樹分類等方法實現了中小規模滑坡信息的提取。

1 研究區概況與數據獲取

本文以城步苗族自治縣境內湖南金童山國家級自然保護區內某條山區公路修建區域為研究區，經度范圍為110.177°E ～110.219°E，緯度范圍為26.173°N～26.228°N。研究區長約6 km，寬約1.3 km，面積約7.8 km2，海拔范圍約為540～1 750 m。湖南金童山國家級自然保護區是一個以保護中亞熱帶常綠闊葉林生態系統及其保護區內棲息的生物物種為主要保護對象的森林生態類型自然保護區[2]，研究區內主要為山地地形，地勢起伏較大，且有一條山區道路經過。因公路建設對生態與地質環境造成破壞，滑坡風險較高。根據2019 年國家重點生態功能區縣域生態環境質量考核工作要求，對自然保護區內縣域生態環境變化與人類活動信息均需重點關注。對保護區內公路及其他基礎設施建設引發的滑坡監測既關系到保護區基礎設施安全，也是保護區生態監測的重要工作之一。具體研究區位置與數據獲取如圖1 所示。

圖1 研究區與數據獲取示意圖

高空間分辨率影像數據、高精度三維數據是滑坡監測的重要數據源，因此本文采用多旋翼無人機開展研究區域航飛數據獲取，一次飛行可以完成光學影像與三維地表模型的數據生產。此外，研究區地處山區，地形起伏大，為構建高精度三維數據和保留地物的側面紋理信息，無人機搭載雙鏡頭，采用傾斜攝影進行數據獲取，同時保證旁向重疊度在70%以上，航向重疊度在80%以上。為保證數據成果的測繪精度，同步實地布設并量測像控點。內業處理方面，經數據整理-空三解算-像控點刺點-空三建模-成果輸出步驟，并經過成果質量檢查，獲取研究區高精度數字正射影像與數字地表模型產品，其中數字正射影像空間分辨率為0.1 m，具有可見光波段紅、綠、藍波段光譜信息，成像清晰，能真實反映實際地物分布；數字地表模型（DSM）是指包含了地表建筑物、橋梁和樹木等高度的地面高程模型，是在數字高程模型基礎上進一步涵蓋了除地面以外的其他地表信息的高程。本文獲取的數字地表模型空間分辨率為0.1 m，可以真實地刻畫地面起伏情況，在其基礎上，可以對地表形態進行地形屬性計算及特征提取。

2 研究方法

2.1 面向對象分類方法

面向對象的分類方法通過設置分割尺度、形狀因子、光譜特征、波段權重、光滑度等參數將相同特征的像元歸為同質對象，根據目標地類的特征屬性建立模糊判別規則，對同質性對象進行影像分類及信息提取。該方法突破了傳統影像分類方法，利用像元的光譜信息，將對象作為最基本的空間表達方式，綜合考慮對象的光譜、形狀、坡度、相鄰關系等，實現多層次遙感圖像分類與目標地物提取。

本文基于無人機遙感數據，利用面向對象的方法提取中小規模滑坡，首先根據無人機影像高分辨率的特點與提取地物的特征，對傳統面向對象方法先分割再分類的流程進行改變，在初次較小尺度分割并提取植被信息后，再次對分割結果進行優化，使分割與分類流程相結合。這樣的改變使初次植被信息提取更好的利用了影像的光譜信息，而分割優化更好的保留了人工構筑物的形狀特征。本文所采用的方法除了充分利用面向對象方法外，還加入了無人機航拍影像生產的高空間分辨率的數字正射影像和與其高匹配度的三維數字地表模型，這是以往航天和有人機航空遙感數據所不具備的，方法基本流程如圖2 所示，關鍵步驟包括影像分割、特征選取、建立規則集并分類。

圖2 基于面向對象的無人機數據分類基本流程圖

2.2 影像分割與分割參數

采用面向對象分類方法時，為獲得較好的分類結果，必須先對影像數據進行合適的分割[3]，其目的是將影像同質區域劃分出來，分割的算法和尺度直接決定是否會分割不足或者過度分割，進而會影響進一步分類提取的效果。由于研究區地勢起伏較大，并且受太陽高度角影響，影像上有較多光影區域，單一算法和尺度圖像分割難以將影像中不同地物清晰地區分。同時由于道路，建筑物等人工構筑物的外表形態與自然地物差別較大，加入了數字地表模型與坡度數據參與圖像分割。通過充分實驗，對比了不同分割算法與尺度下圖像分割結果，確定初次分割算法為多尺度分割方法，提取植被等自然地物信息后，采用光譜差異分割優化分割結果。多尺度分割（multiresolution segmentation）是最常用的分割算法，它是給定尺度下局部最小化影像對象的異質性，從單一像素對象開始的自下而上的區域合并技術[4]，具體參數如圖3 所示。光譜差異分割（spectral difference segmentation）是一種分割優化手段，在已有影像對象的基礎上，通過分析相鄰對象的均值層亮度值是否滿足給定的閾值，決定是否將臨近的對象進行合并[5]。提取植被等自然地物信息后，基于三維數字地表模型，根據高程與坡度屬性特征，采用光譜差異分割優化分割結果，使過度分割的細碎地物（如道路）得到一定合并，使其更大程度保留其形狀特征，具體優化效果如圖4 所示。

圖3 多尺度分割參數設置

圖4 多尺度分割結果與光譜差異分割優化結果

2.3 特征選取及規則建立及分類

影像分割將影像劃分成若干影像對象，包含許多可以用于分類的特征，如光譜特征、幾何特征、地形特征、空間關系等[6]。目前，特征選取大多依靠經驗與實驗，然后采用試錯法建立規則。研究區內感興趣地物主要類別為植被，道路，滑坡，通過實驗分析其對應特征如表1 所示。

表1 研究區內地物特征分析

根據研究區內主要地物特征，通過反復實驗與比較，本文計算了光譜特征包括可見光差異植被指數VDVI、歸一化綠-紅差值指數NGRDI，幾何特征包括密度（density），地形特征包括坡度（slope），空間關系包括距離（distance），運用了隸屬度函數與決策樹分類。其中VDVI 與NGRDI 計算方法見公式（1）與公式（2）所示，具體規則集如表2 所示。

表2 研究區分類規則集

3 提取結果與討論

通過前文介紹的基于面向對象方法的信息提取方法，本文將研究區內的植被、道路、滑坡區域提取出來，最終分類結果與滑坡信息提取結果如圖5 所示。通過實地驗證，其中滑坡區域為植被覆蓋度低的砂土地，同時坡度較高，最大坡度均超過40°。在強降雨或其他影響下發生再次滑坡風險很高，且滑坡區域均位于山區道路周邊，發生滑坡后會給行人帶來巨大的危險。

圖5 提取地物與真實地物分布圖

為檢驗研究區內信息提取的精度，以高精度數字正射影像為參考，通過目視解譯與結合實地考察確定地物具體詳細的分類情況，并通過手繪出研究區內3 種主要感興趣地物真實分布圖（見圖5）。通過混淆矩陣的方式對提取結果進行分析，得到混淆矩陣精度評價，如表3 所示。

由表3 可知，提取效果良好，總體精度為94.75%，滑坡區域提取生產者精度為81.46%，用戶精度為80.64%。滑坡提取數量為62 處，其中61 處驗證為真實滑坡，滑坡提取數量基本與實際相符，但由于受到周圍地物光照陰影等影響，提取范圍有所偏差。經實地驗證，滑坡規模在20 m2～1 700 m2不等，未發生小規模滑坡漏提現象，對中小規模滑坡提取表現出較大優勢。

表3 基于面向對象的無人機數據分類精度評價

隨著大規模基礎設施的建設，山區公路與鐵路修建越來越多，本文的方法同樣適用于其他山區滑坡提取。

4 結 語

本文以湖南省金童山國家級自然保護區內某條盤山公路修建區域為研究區，通過無人機航攝獲取高精度正射影像與數字地表模型，采用面向對象的方法對山區公路修建區域進行了滑坡提取。通過反復實驗獲取最優分割算法和參數，同時將傳統面向對象方法先分割再分類的流程進行創新，在植被信息提取后再次進行分割優化，將分割與分類流程結合，更好的提取出植被等自然地物，同時也最大程度保留了人工構筑物的形狀特征。本文方法適用于山區滑坡提取，可以達到對監測區域快速、低成本，準確的模滑坡提取，及時對滑坡地區及時進行邊坡治理，可以保障公路與鐵路基礎設施的安全，也可以避免山區內的生態環境破壞。

由于研究區地勢起伏較大，且受太陽高度的影響，無人機正射影像中有許多陰影區域，對影像光譜信息的利用存在一定干擾。同時，無人機影像數據量較大，在進行分割與分類實驗時，為獲取最優分割參數與分類規則集，需要耗費大量的時間進行反復實驗，且受制于無人機續航等因素，數據覆蓋范圍還比較小，有待今后進一步提高。