遙感技術在滑坡識別中的應用探討

馬玉林，吳 華，張文海

（1.西藏大學 工學院，西藏 拉薩 850012；2.中科院重慶綠色智能技術研究院，重慶 400714）

全球范圍內，滑坡是最頻發的自然災害之一，滑坡、崩塌在我國分布非常廣泛。據統計，自1949 年以來，東起遼寧、浙江、福建，西至西藏、新疆，北起內蒙古，南到廣東、海南，全國范圍內至少22 個省、市、自治區不同程度地遭受過滑坡、崩塌的侵擾和危害。滑坡的發生往往具有突發性，不可預料性，且分布分散，傳統的實地勘察具有效率低、費時費力等缺點。遙感技術的發展為滑坡的識別提供了快速、準確、簡便的解決方案。隨著不同類別和更高分辨率的遙感影像更易獲取，滑坡的識別技術也發生了顯著變化。文章對此進行綜述，對滑坡遙感識別技術進行了歸納總結，并對未來可能的發展趨勢進行展望。

1 滑坡及其遙感解譯標志

1.1 滑坡的定義與分類

滑坡是地質體在重力作用下，沿地質弱面向下向外滑動的現象。滑坡通常具有雙重含義，指重力滑動過程，或重力滑動地質體和所形成的堆積體。

國內外眾多學者在長期對滑坡的調查研究中積累了大量資料，他們依據各自對滑坡的認識以及不同部門滑坡防治的需要，從不同的角度提出了不同的滑坡分類方法。依據不同的分類要素（如運動形式、發生原因等）也可將滑坡劃分為不同的類別。根據中國地質調查局制定的《滑坡防治工程勘察規范》（GB/T 32864-2016），滑坡可以按照滑體厚度、運動形式、發生原因、發生年代、穩定程度和滑坡體積進行不同分類。其中按照滑坡體體積可以分為五級（表1）：

表1 依據滑坡體積分類

1.2 滑坡的遙感解譯標志

在遙感影像上顯示為特定的色調、紋理及幾何形態組合，被稱為滑坡的直接解譯標志；而滑坡造成的地形地貌、植被、水系及景觀生態等的異常突變，可以為滑坡的判定提供某種信息，則被稱為間接解譯標志[1]。

1.2.1 直接解譯標志

（1）平面形態

滑坡后壁、滑坡體、滑動面、滑動帶、滑坡床和滑坡邊界是所有滑坡都具備的基本要素，在進行遙感圖像解譯時，由于不能直接見到滑坡的地下部分，只能看見滑坡后壁、滑坡體和滑坡邊界3 個地形要素，所以就遙感方法而言，稱該3 個要素為滑坡基本地形（形態）要素[2]。滑坡的平面形態標志主要有弧形、椅形、馬蹄形、新月形、梨形、漏斗形和葫蘆形、舌形等各種形態[3]。

（2）顏色標志

新發生的滑坡其滑坡后壁土體裸露，色調較淺與裸土相似；后緣洼地由于積水的緣故常常呈深色調。滑坡發生一段時間后，滑坡土體上往往呈淺綠色。無論是新滑坡還是老滑坡，滑坡土體的顏色與周圍環境色調有顯著差異。

（3）結構標志

滑坡多呈扇形或圓弧狀結構，影像紋理較粗，滑坡體上常有斑點狀影紋出現。

1.2.2 間接解譯標志

滑坡識別的間接解譯標志主要是斜坡地形特征、植被特征以及水文特征。具體表現在山坡溝谷出現突然改道、橫斷面變淺；土體上的植被表現為馬刀樹、醉漢林等現象；不正常的河流彎曲、局部河道突然變窄等[4]。

2 基于遙感影像的滑坡識別方法

從數據源來看，基于遙感技術滑坡識別包括衛星遙感技術和航空遙感技術。其中衛星遙感技術又分為光學遙感和成像雷達衛星遙感，航空遙感包括航空攝影測量技術和機載LiDAR 技術。本文從滑坡識別的技術手段分別進行闡述。

2.1 人工目視解譯

遙感影像能夠客觀、真實地記錄地質體的多種特征，包括幾何特征和光譜特征。一方面，不同的地物由于其各自物質成分、結構構造、物理化學性質以及所處的環境不同，呈現出不同的外表特征，在遙感影像上呈現出形狀、大小、影紋圖案的差異。另一方面，不同地物發射、反射電磁波的能力不同，人們根據需要，有針對性地選擇不同的傳感器和探測波段，將地物反射、輻射的能量記錄下來，在影像上表現為色調或色彩的差別。除此之外，我們還可以結合斜坡地形特征、植被特征、水文特征等這些間接解譯標志從滑坡可能出現地和出現后的景觀異常表征來識別滑坡。間接解譯標志有助于我們了解滑坡發生地區的整體地質環境，而直接解譯標志則可以讓我們更準確地發現滑坡發生的確切位置。

人工目視解譯是遙感技術于滑坡識別初期廣泛應用的技術，它依賴于有經驗的專業人員進行判讀。隨著衛星技術的發展，越來越多的高分辨率影像用于遙感解譯，而滑坡識別的模式也從之前的人工目視解譯向人機交互解譯和計算機自動識別方向發展。

2.2 基于變化檢測滑坡提取

變化檢測技術發展于20 世紀80 年代，被用來識別遙感數據在不同時相所記錄的地表實體變化信息，涉及遙感圖像處理中的輻射校正、幾何校正、配準、分類、特征提取等方面[5]。D.Lu 等人[6]將變化檢測分為代數運算法（algebra）、轉換法（transformation）、分類法（classification）、高級模型法（advanced models）、GIS 法（Geographical Information System）、目視分析法（visual analysis）、其他方法（other approaches）共7 個類別。具體的遙感變化檢測方法包括貝葉斯網絡分類法、自適應參數估計法、正交變換法、線性特征法、目標匹配法、ICA 法、特征匹配法、紋理分析法等。變化檢測的操作對象有兩種，一種是基于像元的變化檢測，另外一種是先對像元進行分類，然后對類別對象進行變化檢測。前者速度更快、更簡單，而后者在去除“椒鹽”現象方面很有優勢。基于變化檢測滑坡提取總體思路是利用同一地區不同時期的遙感影像經影像預處理（幾何校正、輻射校正等）后，通過各種算術運算（比如差值運算）得到滑坡發生前后該地區的影像差異圖，從而提取該地區滑坡，但人為施工開挖、工程建設而造成的遙感影像光譜差異會對滑坡識別結果的準確性造成影響。

2.3 基于面向對象滑坡提取

人眼對看到的事物往往不是簡單直接的反映，而是基于已有經驗的重構，看到認知對象的部分可以推測其全部。基于對象影像分析（object-based images analysis，OBIA）模仿人類目視解譯過程，不是以單個像素，而是以均質像素組成的影像對象為分析單元。基于像素的分類只能依靠像素的光譜信息，而基于影像對象的分類除了應用了遙感影像光譜信息，還運用了形狀信息、紋理信息和上下文信息[7]。滑坡本身并不具備確定的光譜信息，部分滑坡表面植被光譜特征與周邊地物差別不明顯，在進行滑坡識別時僅僅依靠光譜特征很難對滑坡進行準確提取。此外，傳統的基于像元的分類手段會出現“椒鹽”現象。而基于對象的分類技術不僅可以減少對象邊緣的混合像素，還可以消除對象內部的光譜變異，從而大大提高遙感影像分類精度。當前應用于滑坡提取較為常用的方式是使用eCognition 軟件對圖層進行多尺度分割，然后基于分割的對象使用機器學習算法進行滑坡分類識別。基于面向對象的滑坡提取一般有以下流程，數據預處理、多尺度分割、影像分類、分類后優化以及精度評定。

2.4 基于LiDAR 技術滑坡識別

激光雷達（Light Detection And Ranging，LiDAR）技術是一種主動對地觀測技術，它通過激光測距和差分GPS 等技術，直接得到帶地表三位坐標的點云數據。具有常規測量方法和攝影測量技術無法取代的優勢，時間、空間分辨率很高，探測范圍廣，具有一定的植被穿透能力，可以快速獲取高精度的真實地表信息。濾除地表植被點云的LiDAR 影像很適合用于滑坡的精細識別，例如滑坡發生的初始階段，邊坡上巖土體處于蠕滑變形、植被覆蓋下滑坡后緣的拉張裂縫，通過LiDAR 影像可以通過目視解譯快速獲取以上特征。總而言之，當傳統的光學影像難以獲取真實的地表特征且難以對其進行實地勘察，從而判斷邊坡穩定性時，LiDAR 技術往往可以發揮重要作用。得益于對地形的高精度表達，LiDAR 影像還可以用于識別滑坡堆積物，以及通過構建模型測算堆積物儲量，可以為后續其他地質災害的防治提供支持。激光雷達技術目前較多用于對小范圍或單體滑坡進行分析，這是由于雷達平臺需要掛載在無人機平臺之上，相較于衛星影像雷達影像需要耗費更多的物力和人力成本，因此雷達技術常常搭配傳統衛星遙感手段進行滑坡識別。

2.5 基于InSAR 技術滑坡識別

合成孔徑雷達干涉測量（Interferometric Synthetic Aperture Radar，InSAR）結合了干涉測量以及雷達成像技術以獲取地表高程信息。其基本原理是利用雷達向目標區發射微波，接收目標反射的回波，得到同一目標區域成像的SAR 復圖像對，利用圖像對共軛相乘得到干涉圖，依據干涉圖的相位值可以得到兩次成像中微波的路程差，以厘米級甚至是毫米級精度計算出目標地區的地形、地貌以及表面的微小變化。因此，該方法可以通過監測地表形變進而發現不穩定邊坡，實現大區域潛在不穩定邊坡識別。InSAR 數據的處理流程分為以下幾個步驟。首先以其中一幅影像作為主影像，另一幅作為從影像，然后依次進行SAR 影像配準、生成干涉圖、去平地相位、干涉相位濾波、相位解纏、相位向高程的轉換及地理編碼。

InSAR 技術具有高空間分辨率和時間分辨率，在滑坡的變形監測方面具有其他常規遙感技術無可比擬的優勢。但該技術也有一些問題亟待解決，例如SAR 影像對的失相干問題，雖然眾多學者已經提出了一些解決方案，但該問題尚未形成公認成熟有效的方法。

2.6 基于人工智能算法滑坡提取

近年來隨著人工智能算法的突破以及計算機硬件水平的提高，深度學習技術取得了長足的發展，已不限于計算機領域，成為各個領域研究的熱點。目前，在圖片分類、圖片檢索、目標檢測、目標分割、目標跟蹤、視頻分類、姿態估計等圖像視頻相關領域已有較為成功的應用。

人工智能算法涵蓋范圍較廣，目前常用的人工智能算法有最鄰近、樸素貝葉斯、邏輯回歸、決策樹、支持向量機、隨機森林和神經網絡等。就滑坡識別而言，大致可以分為基于傳統的機器學習算法和深度學習算法。基于遙感的地物識別都可以大致分為兩個步驟，即特征選取和閾值設定。傳統的方式是依靠人工進行理論分析、對比分析等經過多次試驗最終確定。機器學習算法僅僅需要輸入可以體現滑坡與周邊地物差異的特征圖層以及訓練樣本，特征閾值由算法自動獲取而無需人為干預，相較于傳統方式更為智能。深度學習算法輸入的是原始影像圖層，無需設定用于滑坡提取的特征及其閾值，深度學習算法的實現依托深層卷積神經網絡以及大量的訓練樣本，因此可以提取深層次語義信息，滑坡的識別精度也大大提高。孫曉敏等人[8]基于U-Net 的“高分五號”衛星高光譜影像對土地類型進行分類，該模型分類精度和Kappa 系數均高于SVM 和CNN 方法的分類結果。用于滑坡識別的深度學習技術主要包括目標檢測技術以及語義分割技術。LeCun 等[9]提出OverFeat，采用多尺度滑動窗口來做分類、定位和檢測，這是目標檢測技術的雛形。2014-2016年間，R-CNN、Fast-RCNN、Faster-RCNN、Yolo、SSD 算法模型相繼出現，目標檢測技術進入了快速發展階段[10]。目標檢測主要是對待識別目標的定位，識別的理想結果為目標的最小外接矩形框。圖像分割技術不僅要求能夠識別圖像類別和目標的位置，而且要求在像素級別對圖像中的每一個像元進行分類。

深度學習技術依托數據量龐大的數據集，目前公開的用于滑坡識別的數據集相對較少，當前研究中所用到的滑坡數據集大多是從Google Earth 上的高清遙感影像上截取制作的。因此，基于深度學習的滑坡識別的發展受到了一定的限制，如何從較少的樣本中。更快地提取和學習目標的關鍵特征，加速損失函數收斂已是當前研究的方向之一。此外，建立滑坡數據集共享平臺是促進該技術快速應用于滑坡識別的另一重要途徑。

3 精度評定方法

對分類結果進行精度評定是評價模型優劣的重要手段，評價指標的數值直接表征該分類器對特定分類影像的適用性。目視評估是最簡單的評價方式，但往往具有主觀性且缺乏穩定性，是一種定性評價方式，不能定量地表示分類效果。以下介紹幾種滑坡識別常用的評價指標。

3.1 基于混淆矩陣的評價方法

混淆矩陣有時候也被稱為誤差矩陣，是一個用于表示分為某一類別的像素個數與地面檢驗為該類別像素的比較陣列，包含了當前分類和參考結果之間關聯的所有信息量。該矩陣常用來提取一些指數，常見的有全局精度（QA）、制圖精度（PA）、用戶精度（UA）以及最常用的Kappa 系數。

Kappa 系數是用來檢驗一致性的常用方法，也可以用來檢驗分類精度。Kappa 系數的數學表達式：

其中，po為總體分類精度，所有正確分類的樣本之和除以總樣本數。pe為每一類真實樣本數量分別乘以對應的預測樣本數量，把乘得的結果相加后除以總樣本個數的平方。k的范圍為-1～1，通常情況下大于0，Kappa 系數越接近1 表明該分類結果越好。

3.2 基于對象精度評價方法

紀小樂[11]提出用屬性、面積和形狀三個精度評價指標對面向對象影像的分類結果進行精度評定。基于對象的分類結果以對象為基本單元，分類對象具有屬性精度和幾何精度，并且兩種精度相互作用共同影響最終的分類精度。相較于kappa 系數，該方法不僅考慮了分類結果的屬性精度，而且兼顧了幾何精度。該評價方法分為兩種，第一種為面積加權誤差矩陣法，第二種為基于形狀相似性的分類精度評價。該方法主要適用于基于對象影像分類結果的分類精度評定。

3.3 深度學習評價指標

目標檢測算法需要大量的訓練樣本，由人工在圖像上標記的目標物體框稱為“真實物體框”（GroundTruth，GT），由訓練好的目標檢測模型預測出的物體框稱為“預測物體框”（DectionResult，DT）。IoU（Intersection over Union）是由“預測物體框”與“真實物體框”的交集與并集的比值，根據比值結果，IoU≥0.5 稱為正例，0.1

表2 評價指標

精確度（precison，R）是被預測為正例的樣本數與樣本中實際為正例的比例，其表達式為：

其中P的范圍為[0，1]，P值越大，模型的效果越好。除了精確度，召回率（recall，R）也是一項評判模型優劣的重要指標：

一般來說，精確度與召回率不能同時得到最優值，往往召回率越高，準確率越低。此外，當類別較多時常用AP（Average Precision）和mAP（mean Average Precision）來評價模型好壞。其中AP 衡量的是模型在單個類別分類的效果優劣，mAP 面向所有類別分類精度的評定。

4 結束語

當前影像分類技術已經取得很大進展，以上提到的遙感數據及技術手段在用于提取特定滑坡類型，達到特定識別目的方面都有各自的優勢。但基于遙感影像的滑坡識別技術還有很多問題亟待解決，如基于傳統的光學遙感影像可以大范圍地識別特征較為明顯的地震型滑坡，難以識別地表光譜特征變化不明顯的滑坡。激光雷達技術雖可以對滑坡做到精細化識別，但難以進行大區域滑坡的普查等。在現行技術手段下，不斷尋找滑坡區別于周邊地物的特征或者特征組合是提升滑坡識別精度的重要手段，有時甚至是多種遙感類型數據的組合。滑坡的智能化識別需要依托自動識別算法，人工智能算法尤其是深度學習算法最有望成為滑坡智能化識別的理想方案。