基于面向對象的云南永勝縣金官盆地東緣古滑坡群識別

陶真鵬，徐宗恒，張 宇，牛福長

（1.云南師范大學地理學部，云南昆明 650500；2.云南省高原地理過程與環境變化重點實驗室，云南昆明 650500；3.云南省玉龍納西族自治縣氣象局，云南麗江 674100；4.北京師范大學地理科學學部，北京 100875）

引言

地處青藏高原東南緣的滇西北永勝-賓川地區位于滇西北地幔隆起的邊緣，緊靠川滇菱塊體西部邊界，是該塊體邊界上典型強震多發區［1］。發育于該區域的程海-賓川斷裂帶是一條古老而活動強烈的斷裂帶，以左旋走滑拉張運動為主，同時伴隨垂直錯動，地質構造活躍，再加上該區山高谷深，滑坡、崩塌等地質災害發育較多。其中以程海-賓川斷裂帶為典型的區域活動構造在云南永勝-賓川沿線區域誘發了不同規模的滑坡群，高發的滑坡事件帶來的地質災害鏈時刻威脅著程海-賓川斷裂帶沿線生活的人民群眾生命和財產安全，利用一定技術手段對滑坡群進行有效識別與判析，對區域防災減災具有重要意義。

傳統的滑坡識別主要以目視解譯和野外調查為主，此方法具有直接方便、漏判錯判率低等優勢，但又存在費時耗力、效率低和主觀性強等缺點［2-4］，常不作為獨立方法對滑坡進行識別。遙感對地觀測具有快速、覆蓋范圍廣和周期性等特點［5］，隨著傳感器的發展和遙感影像分辨率的不斷提高，越來越被廣泛運用于滑坡的識別［6-7］。起初，國內外研究者主要基于遙感影像像元光譜分類的方法對滑坡進行識別并取得了一定成果［8-9］。但該方法處理單位為單個像元點，未考慮滑坡在遙感影像上的形態、紋理和空間特征等信息［10］，導致基于像元的滑坡識別具有一定局限性。近年來，隨著高分辨率遙感影像的廣泛使用，基于高分辨率遙感影像的面向對象分析方法應運而生。面向對象的遙感圖像分類方法于1999年由Baatz等［11］首次提出。該方法除依靠其豐富的紋理、幾何和空間等特征外，充分利用多源、多時相等遙感數據的結合比單個數據更能較好地識別滑坡。國內外眾多研究者基于多源、多時相等遙感數據，采用面向對象的分類方法對滑坡進行識別提取，均取得了較好的研究成果［3，12-16］。不可否認，遙感技術和識別方法的進步為快速有效地獲取滑坡信息提供極大的便利，但如何提高滑坡識別效率和準確率一直是國內外研究者研究的重要內容。

基于高分辨率遙感影像的面向對象分類方法在新滑坡上有較好的運用且效率較高。但古滑坡因年代久遠，滑坡體有一定植被覆蓋，“滑傷疤”地表特征受人類活動、氣候、地貌演化等影響已不明顯，以上因素限制了該方法在古滑坡研究上的運用，研究成果相對較少。例如劉筱怡［17］，宿方睿等［18］采用該方法并結合目視解譯，提取了大渡河流域和川藏鐵路沿線的古滑坡；張路路等［19］提出一種基于DEM提取古滑坡的方法，并提取出四川理縣的3處古滑坡。針對古滑坡的識別和調查，僅依靠遙感影像是不夠的，往往還需要野外實地調查和其他技術相結合［20-22］，但有的滑坡位于山高谷深區又極大地限制了野外工作的開展。近年來，光學遙感與雷達遙感相結合對古滑坡的識別與監測也取得了較好的成果［23-25］，該方法對小尺度范圍的古滑坡進行“點對點”監測，效率較高，但研究區較大時數據量大，處理困難，對計算機性能要求較高。文中在基于以往面向對象識別新滑坡的方法上探討古滑坡的識別思路和方法，建立識別特征規則集并用于區域古滑坡滑源區識別，為在大尺度范圍內對潛在危害較大的古滑坡進行細節特征深入剖析奠定基礎，可為古滑坡穩定性評價、復活隱患判別和實時實地的精準監測預警等工作提供參考。

1 研究區概況

文中研究區位于長江上游云南省西北部麗江市永勝縣城西北的金官盆地東緣山地地區（圖1）。金官盆地地處麗江市市區東南部，大理賓川縣北部，寧蒗縣南部和永勝縣城西北部，距縣城10 km左右，距市區約103 km。盆地東西兩側為山地地區，其地勢大致呈北西-南向型長帶狀分布。盆地內地形平坦、水資源豐富、土壤肥沃、氣候溫和，屬低緯山地季風氣候，具有夏秋多雨、冬春干旱、干濕分明等特點，農業生產條件較好。

金官盆地東緣山地地區地處程海-賓川斷裂帶北端，該斷裂帶發育古老且運動強烈，以左旋走滑拉張運動為主，并伴隨垂直錯動。程海-賓川斷裂帶總體呈NS走向，北起金官盆地最北端，向南延伸經程海、期納鎮、賓川縣一帶，長約130 km，寬約數公里至數十公里不等。程海-賓川斷裂帶從第三紀-第四紀期間經歷了由擠壓-拉張的變形過程，在第四紀時期形成了諸如金官盆地、程海等一系列的張性盆地和斷陷湖泊［26］。金官盆地內主要以沖積物和湖相堆積物為主，古環境信息豐富。在其東緣山地地區受斷裂帶兩側的擠壓、逆推與拉張等作用，形成較大規模的陡崖、飛來峰和推覆體，巖層大致向盆地內傾斜，具有一定的臨空面，再加之該區地質構造活躍，地震多發，著名的“紅石崖天坑”古地震遺址發育在此。所以，內外力條件的交互作用使得在該區形成了規模不一的滑坡群。

2 數據源及典型古滑坡遙感特征

2.1 數據源

文中采用來源于中國資源衛星應用中心（http：//www.cresda.com/CN/）的GF-2遙感影像數據（成像時間為：2019年1月4日）和來源于地理空間數據云（http：//www.gscloud.cn/）下載的DEM（Digital Elevation Model）數據作為主要的基礎數據源。GF-2遙感影像包含全色波段（450～900 nm，空間分辨率為1 m）和4個多光譜波段（R：630～690 nm，G：520～590 nm，B：450～520 nm，NIR：770～890 nm，空間分辨率為4 m），星下點空間分辨率為0.8 m，具有亞米級空間分辨率、影像幅寬大等特點；通過輻射定標、大氣校正、影像融合等預處理消除大氣對地物光譜的影響，并得到空間分辨率為1 m的多光譜遙感影像。其中，DEM數據空間分辨率為30 m。

2.2 典型古滑坡遙感特征分析

金官盆地東緣巨型古滑坡群受斷裂帶、地質構造、巖性、地形地勢、氣候以及人類活動等因素的影響，主要發育大型-巨型古滑坡，在大型-巨型古滑坡之上又發育有一些小滑坡，多沿金官盆地東緣山區山體邊坡發育，滑坡災害呈帶狀密集分布，具有群發性，且滑坡體滑面移動方向大致與巖層產狀傾斜方向一致，滑動方位角約200°，滑動面傾角30°～50°之間。雖是古滑坡群，發生年代久遠，但滑坡遺留痕跡依然比較明顯，無論從野外實地調查或從遙感影像上看，金官盆地東緣地區古滑坡群的滑坡色調較淺，滑坡體周界、形狀、滑坡后壁、紋理等特征清晰，滑坡體后緣斷壁高陡，拉裂特征明顯，多以弧狀、圈椅狀為主，易辨識，為其遙感識別奠定基礎。

由于金官盆地東緣巨型古滑坡群的滑前影像無法獲取，所以，掌握好目前滑坡的自身特征和在遙感影像上展現出的光譜、紋理、空間、形態特征以及地形特征等對滑坡的識別至關重要。通過對遙感影像采用假彩色組合方式可看出（圖2（a）、（b）），滑坡體后壁位于高陡邊坡的上部或頂部［27］，與兩側周界清晰，滑坡體內色調、光譜等與周圍地物有一定差異，但滑坡體前緣周界由于常年耕作、采石、建筑房屋和修路等人類活動已變得比較模糊，不易區分；從色調上看，滑坡體內植被較稀疏，與周圍地物形成較鮮明的對比，呈淡灰黃色，形狀上多呈圈椅狀負地形。從兩個滑坡所呈現的地形剖面特征可看出（圖2（c）、（d）），滑坡的滑源區物質主要以碳山坪組灰巖、爛泥篝組白云質灰巖為主，程海-賓川斷裂帶主斷裂帶從滑坡滑移區位置穿過，滑坡堆積體的水平位移均大于堆積體垂直位移的2倍以上，具有水平方向遠程滑動的特點，同時方量巨大且受斷裂帶控制明顯。可推測金官盆地東緣巨型古滑坡群以地震滑坡為主，且受降水下滲侵蝕、斜坡坡面地貌特征［28］、巖性等的影響，產生震裂-順層滑動-堆積的現象。同時，在滑坡體水平移動距離為0～0.5 km左右，海拔參數變化較大，坡度較陡，且從遙感影像上可看出滑源區紋理相對光滑；在滑源區與滑移區交界處，由于各滑體運動速度不一在滑坡體上形成滑坡錯臺（滑坡臺階）或中間低四周高的反坡地形（滑坡洼地）；在滑坡前部的堆積區地形坡度趨于平緩，常形成凸出的斜坡地形（滑坡舌）。

圖2 典型滑坡影像特征及剖面示意圖（GF-2，2019.01.04）（單位：m）Fig.2 Image characteristics and cross-sectional schematic diagram of a typical landslide（GF-2，2019.01.04）（Unit：m）

3 滑坡解譯方法

基于上述對金官盆地東緣巨型古滑坡群特征分析，文中以GF-2遙感影像數據和DEM數據為數據源，采用面向對象遙感圖像分類方法，對研究區古滑坡群的滑源區進行識別。首先，對GF-2遙感影像數據進行大氣校正、輻射校正、幾何校正、圖像融合以及建立統一坐標系和地圖投影等預處理，在此基礎上提取紋理、植被覆蓋度、地表粗糙度、地形起伏度和坡度等特征信息；其次，利用ESP尺度參數評價工具選取潛在的最優分割尺度，后采用多尺度分割將遙感影像分割成多個同質性較強且不重疊的對象，構建古滑坡滑源區對象；然后結合分割對象的光譜、紋理、幾何和地形等特征，通過試驗，選取最優特征建立古滑坡群滑源區識別特征規則集；最后，在已得出的識別結果基礎上，通過目視解譯、野外實地調查對識別結果進行檢查和驗證，得出遙感識別古滑坡滑源區的精度評價分析，并完成制圖，總體技術路線圖如（圖3）所示。

圖3 古滑坡群滑源區遙感識別技術路線圖Fig.3 Map of remote sensing identification technology for landslide source areas of ancient landslide swarms

3.1 影像分割

影像分割是面向對象分類的關鍵階段，其分割質量與信息提取精度呈線性關系。由于金官盆地東緣的巨型古滑坡群滑源區單元各異，具有形態不一、結構復雜、面積大小不一等特點，單一影像特征和單一分割尺度難以對復雜的滑坡群進行正確描述和分割，以致于影響滑坡識別準確性。基于此，文中采用eCognition軟件中的多尺度分割算法（Multiresolution Segmentation）對遙感影像進行多層次分割。

多尺度分割算法是一種基于異質性最小原則，采用自下而上的區域合并算法［29，30］。該算法從像元層開始，基于異質性最小原則，逐步合并，其目的是為實現影像分割后，同一對象內部特征和屬性等具有較高的同質性，不同對象之間具有較高的異質性。為選取能正確描述地物邊界與分割后的對象邊界基本一致的最優分割尺度，本項研究借助Dragut等［31］基于eCognition軟件所提出的ESP（Estimation of Scale Parameter）尺度參數評價工具來自動獲取地物潛在的最優分割尺度參數，通過計算不同分割尺度參數下影像對象異質性的局部變化（local variance，LV）為分割對象層的平均標準差，并以LV的變化率值ROC-LV（rates of change of LV）為基礎選擇影像的最優分割尺度參數。經多次試驗后發現，當ROC-LV出現峰值時所對應的尺度即為遙感影像上某種地物潛在的最優分割尺度。計算LV的變化率值（ROC-LV）如式（1）所示［31］：

式中：LV（L）為L層的平均標準差，LV（L-1）是L層的下一層（L-1層）的平均標準差。

由于影像內不同的地物具有不同的最優分割尺度，則ESP計算得到的潛在最優分割尺度就不止一個。經多次分割試驗對比后，文中在ROC-LV曲線上根據出現峰值時所對應的尺度即為潛在最優分割尺度的原則，并利用潛在最優分割尺度進行多次分割試驗后，分別選取129、99和342為第1層、第2層、第3層，這3層次最優分割尺度（圖4、圖5），形狀因子和緊致度因子分別為0.4和0.6。如圖5所示，結合這3個尺度得到影像分割結果，整體上可看出，分割尺度較小，其分割結果較破碎，分割后的對象面積小且數量較多，當分割尺度較大時則反之；由于研究區地物類別較多，分布稀散，經過多次試驗后發現，當分割尺度為99和129時比較適合區分水體和植被；當分割尺度為342時，影像分割結果表現出的滑坡體滑源區邊界分割得較為清晰，古滑坡滑源區對象突出，有利于對目標信息的提取。

圖4 ROC-LV變化曲線圖Fig.4 ROC-LV change curve

圖5 不同尺度分割結果對比Fig.5 Comparison of segmentation results at different scales

3.2 對象屬性特征選擇

不同地物都有其特定的屬性特征用以區分其他地物，選擇合適的地物屬性特征是有效區分目標地物與其他地物的重要步驟。識別古滑坡滑源區的特征信息除了在遙感影像上待反演的特征，還有地形特征。童立強等［32］認為對發生時間較長的老滑坡或古滑坡進行遙感識別時，滑坡體的紋理及色調與背景環境在宏觀上的不協調可成為重要的參考。雖然滑坡體在影像上不同于其他地物的色調、形狀、紋理等屬性特征對其識別固然很重要，但如果是識別發生年代較久遠的老滑坡或古滑坡時，更應從滑坡發生學上去考慮滑坡體的自身特征，如滑坡體的坡度分布、海拔變化參數、高差等特征。根據前述關于研究區古滑坡群特征的分析，文中選取運用的光譜特征主要是對遙感影像進行一系列預處理后計算得到的歸一化水指數NDWI（Normalized Difference Water Index）和植被覆蓋度FVC（Fractional Vegetation Cover）為主；紋理特征主要是用融合后的遙感影像計算出的灰度共生矩陣中的同質性特征（GLCM-Homogeneity）；因研究區滑坡分布密集，體積面積較大且呈帶狀分布，長寬比較小，所以幾何特征選則選取長寬比（Length/width）特征為主；地形特征主要使用DEM數據經預處理后，利用ArcMap空間分析功能生成的坡度（Slope）、海拔變化參數（Ls_shape）［15］、地形起伏度、地表粗糙度等地形特征。

3.3 植被覆蓋度計算

考慮到古滑坡群發生年代久遠，植被、紋理等信息已恢復，且滑前影像無法獲得，采用前人們區分植被和非植被后進行滑坡識別的方法不可行。結合野外實地調查發現，金官盆地東緣滑坡群的滑面、堆積體上雖普遍發育有植被，但植被覆蓋度較低，均以雜草、細小樹木為主，植被生長高度大多為0～1.5 m左右。因此，文中提出一種基于植被覆蓋度區分出非植被與中低植被區、高植被與較高植被區后，再結合紋理、幾何以及古滑坡的地形地貌等特征對古滑坡群滑源區進行識別的方法，從而降低對古滑坡的遺漏識別率。

植被覆蓋度是衡量地表植被生長、覆蓋狀況的重要指標。目前利用遙感技術監測地表植被覆蓋度的方法較多，但大多操作復雜，效率較低，不易推廣。李苗苗等［33］于2004年提出的基于像元二分法模型利用NDVI估算植被覆蓋度，可在一定程度上彌補NDVI受氣候、同譜異物、植被類型等因素影響的不足而被廣泛使用。具體公式如下：

式中：FVC為植被覆蓋度；NDVIsoil為完全是裸土或無植被覆蓋區域的NDVI值；NDVIveg則代表純植被像元的NDVI值。

在沒有實測數據的情況下利用NDVI估算植被覆蓋度，常運用NDVI值像元統計表確定致信區間后確定NDVIsoil值和NDVIveg值。通過計算，如圖6（a）所示為研究區窩棚滑坡滑源區局部植被覆蓋度拉伸圖，黃線區為滑源區目視解譯區域，結合野外實地調查（圖6（c）），圖中植被覆蓋度提取與實際植被分布基本一致，且滑源區內具有一定的植被覆蓋。通過對植被覆蓋度進行分類分級后，窩棚滑坡滑源區內的植被覆蓋度度主要集中于0.4～0.6以下（圖6（b）），為后續區分非植被與中低植被區、高植被與較高植被區后，結合古滑坡相關地貌特征對其識別奠定了基礎。

圖6 窩棚滑坡植被覆蓋度Fig.6 Vegetation coverage of Wopeng landslide

3.4 建立識別規則集

由于研究區地物瑣碎復雜，采用單一尺度對遙感影像分割后利用對象屬性特征進行目標對象的識別存在一定難度，故而在建立古滑坡群滑源區的特征識別規則集中，采用多層次分類、閾值法分類和模糊分類的方法在eCognition軟件上建立金官盆地東緣古滑坡群滑源區的特征識別規則集合（圖7）。依據前文對研究區影像分割結果和滑坡對象屬性特征的分析，首先，第1層采用129的分割尺度對遙感影像進行分割后，利用NDWI水體指數進行模糊分類區分出水體和非水體。其次，第2層采用99的分割尺度對遙感影像進行分割后，并將第1層的非水體類繼承至第2層，利用已計算出的植被覆蓋度將非水體類區分為非植被與中低植被區和高植被與較高植被區，同時在非植被與中低植被區利用坡度區分出滑坡易發坡度區和“非”滑坡易發坡度區。再次，在區分出滑坡易發坡度區后，將此類包含滑坡對象的類別進行合并后再分割，采用342的較大尺度對合并后包含滑坡對象的地物進行再分割；最后，使用同質性、地表粗糙度、長寬比、海拔變化參數、地形起伏度等特征提取出古滑坡群的滑源區對象。

圖7 古滑坡群滑源區識別規則集合Fig.7 A collection of rules for identifying the source area of ancient landslide swarms

如圖7所示的古滑坡群識別規則集中，第1層區分水體與非水體時以NDWI為提取特征，運用模糊分類中的大于隸屬度函數進行分類，當對象的NDWI值越接近閾值0.935時，對象隸屬于水體的隸屬度就越接近1，當對象的NDWI值越接近閾值0.893 3時，對象隸屬于水體的隸屬度就越接近0。在第2層區分非植被與中低植被區和高植被與較高植被區時，根據丁美青等［34］、譚清梅等［35］的研究成果，將植被覆蓋度大于0.5的閾值分為高植被與較高植被區，小于等于0.5的閾值則分為非植被與中低植被區。同時，為更準確地劃定出滑坡候選對象的范圍，根據杜國梁等［36］對藏東南地區滑坡易發性評價的研究，該區滑坡主要發生在坡度大于10°以上的區域，且陳天博等［37］指出發生滑坡的坡度主要在30°～40°之間，基于此，文中在第2層已區分出的非植被與中低植被區中，將坡度大于等于10°的區域分為滑坡易發坡度區，而小于10°的區域則劃分為“非”滑坡易發坡度區。最后，在滑坡易發坡度區里根據研究區古滑坡的滑源區特征對其進行提取。

4 解譯結果及野外驗證

通過以上的方法與試驗，得到金官盆地東緣古滑坡滑源區識別結果如圖8所示，共識別出金官盆地東緣古滑坡滑源區總面積為3.29 km2，主要密集分布于途經金官盆地東緣的程海-賓川斷裂帶北端下盤，受拉張錯動（正斷）效應明顯。結合野外實地調查和現場調研可得，滑坡點分布、滑源區邊界規模都具有較好的對應，以窩棚滑坡（圖8（a））和龍潭滑坡（圖8（b））為例，圈椅狀負地形特征明顯，滑坡后壁突出，二者滑坡后壁最大高程分別為2 215 m和2 360 m。其中，雖然窩棚滑坡滑源區上有一定植被覆蓋，但通過基于植被覆蓋度區分后的面向分類方法還是能較好地將該滑坡滑源區識別出來，證明文中提出的方法在識別植被、紋理等已恢復的古滑坡滑源區上具有一定可行性。

圖8 古滑坡滑源區識別結果圖Fig.8 Identification result of landslide source area of ancient landslide swarms

表1 古滑坡群滑源區識別結果精度Table 1 Accuracy of identification results of ancient landslide swarms sliding source area

在已得出的識別結果和野外實地調查基礎之上，精度評價指標采用Lee等［38］的方法，通過目視解譯對識別結果進行驗證修正和識別精度的檢驗，其精度評價結果如表1所示（序號（1）-（13）為自北向南識別出的滑源區）。由表1可看出，正確識別百分比（detection positive，DP）為91.54%，正確識別總面積為3.09 km2，即采用面向對象分類的方法可將研究區91.54%的古滑坡滑源區識別出來，質量百分比（quality percentage，QP）為86.26%，分歧因子（Bf）和遺漏因子（Mf）分別為0.06和0.09，其中，識別出的最大滑源區是龍潭滑坡，面積為0.71 km2，滑源區面積最小的為0.03 km2。為了對識別結果進行較直觀的展示和更細節的探討，對識別結果的正確識別、錯誤識別和遺漏識別進行整合可看出（圖9），每一單體古滑坡滑源區上均存在一定的錯誤識別和遺漏識別，可見影像的分割對古滑坡的提取至關重要，如能利用有效的分割尺度或分割方法對古滑坡邊界進行較為準確的分割，對古滑坡滑源區的識別效果和識別精度的提升將會有質的飛躍。通過上述分析表明，該方法對識別古滑坡滑源區具有較高的識別精度，整體識別效果較好，能達到識別需求，具有可行性，可為類似古滑坡分布研究、復活隱患點識別等工作提供理論指導和技術支持。

圖9 古滑坡群滑源區識別結果細節圖Fig.9 Details of the identification results of the ancient landslide swarms sliding source area

5 結論

（1）文中利用融合后空間分辨率為1 m的GF-2遙感影像數據和DEM數據，提出了一種在面向對象分類的基礎上基于植被覆蓋度區分植被后的古滑坡滑源區快速識別的方法。利用植被覆蓋度將高植被與較高植被區剔除后，在非植被與中低植被區里得到古滑坡滑源區候選對象，后利用紋理特征、幾何特征以及DEM生成的各項地形特征，對各類非古滑坡滑源區對象進行一一剔除，得到最終的需識別的目標對象，并建立規則集合。

（2）運用該方法，共識別出研究區13個古滑坡滑源區，經野外實地調查和目視解譯驗證后發現，古滑坡滑源區與滑坡點分布位置大體一致，主要沿金官盆地東緣程海-賓川斷裂帶北端下盤分布，古滑坡滑源區正確識別總面積為3.09 km2，正確識別精度達91.54%，識別質量百分比為86.26%。研究表明，該方法盡可能從滑坡發生學的角度出發，基于較簡潔的識別規則集，可快速有效地獲取古滑坡的分布位置、邊界等信息，為深入研究古滑坡的細節特征奠定基礎，為古滑坡復活隱患判別和穩定性評價等工作提供參考。

（3）基于古滑坡群滑源區的識別結果評價來看，雖然文中識別的整體效果較好，但仍存在一些問題，在未來的研究中需要進一步地改進完善。如該方法對古滑坡滑源區的識別與古滑坡位置的確定效果較好，但是對整個古滑坡周界的提取仍是未來研究需完善的難題。此外，文中所建立的古滑坡滑源區識別方法仍為半自動識別，未曾實現全自動化識別，在如何構建區分性更佳的識別規則集、實現基于計算機全自動識別和結合雷達數據、深度學習、人工智能（AI）識別等方法進行準確有效的古滑坡識別研究還有待改進和提高。