高光譜成像特征重構下的巖土體斜坡結構滑坡敏感區自動識別技術

摘"要：研究了高光譜成像特征重構下的巖土體斜坡結構滑坡敏感區自動識別技術，以改善滑坡識別效果，為滑坡危害預防提供數據支持。提取巖土體斜坡結構高光譜圖像像元的LBP特征并計算其特征值后，確定像元的空間鄰域塊，依據標簽信息剔除高光譜圖像背景，再根據光譜距離計算各空間鄰接塊像素點權值，獲得中心像素點空間重構特征值，將其與獲取的LBP特征值作融合處理，實現高光譜圖像特征重構，將其與反映滑坡敏感性特征的影響指標一起輸入構建的基于DETR的滑坡敏感區識別模型中，通過改進后的ResNet26網絡提取巖土體斜坡結構滑坡特征圖，由位置編碼單元對已切割的各正方形圖像塊作位置編碼，通過Transformer編解碼器對其作訓練后，由前饋神經網絡輸出滑坡敏感區的定位識別結果。實驗結果表明：該技術可實現巖土體斜坡結構滑坡敏感區識別，ω取值為6時，滑坡敏感區識別效果最優。

關鍵詞：高光譜成像；特征重構；滑坡敏感區識別；LBP特征；空間鄰域塊；Transformer編碼器

中圖分類號：P642.2""""""文獻標識碼：A

Automatic"Identification"Technology"for"Landslide

Sensitive"Areas"of"Rock"Slope"Structures"under"Hyperspectral

Imaging"Feature"Reconstruction

HUANG"Xin，"MENG"Liang，"WEI"Yaoyang

（Guangxi"Nonferrous"Surveyamp;Design"Institute，"Nanning，Guangxi"530031，"China）

Abstract：To"study"the"automatic"identification"technology"of"landslide"sensitive"areas"in"rock"slope"structures"under"hyperspectral"imaging"feature"reconstruction，"in"order"to"improve"the"effectiveness"of"landslide"identification"and"provide"data"support"for"landslide"hazard"prevention."After"extracting"the"LBP"features"of"rock"slope"structure"hyperspectral"image"pixels"and"calculating"their"eigenvalues，"the"spatial"neighborhood"blocks"of"the"pixels"are"determined."The"background"of"the"hyperspectral"image"is"removed"based"on"label"information，"and"the"pixel"weights"of"each"spatial"adjacent"block"are"calculated"based"on"spectral"distance"to"obtain"the"spatial"reconstruction"feature"values"of"the"central"pixel"points."They"are"fused"with"the"obtained"LBP"feature"values"to"achieve"hyperspectral"image"feature"reconstruction，"It"is"input"into"the"landslide"sensitive"area"recognition"model"based"on"DETR"together"with"the"impact"indicators"reflecting"the"landslide"sensitivity"characteristics."The"landslide"feature"map"of"rock"slope"structure"is"extracted"through"the"improved"ResNet26"network."The"position"coding"unit"encodes"the"positions"of"the"cut"square"image"blocks."After"training"them"through"the"Transformer"codec，"the"Feedforward"neural"network"outputs"the"positioning"recognition"results"of"the"landslide"sensitive"area."The"experimental"results"show"that"this"technology"can"achieve"the"identification"of"landslide"sensitive"areas"in"rock"slope"structures."When"the"value"of"ω"is"6，"the"identification"effect"of"landslide"sensitive"areas"is"the"best.

Key"words：hyperspectral"imaging;"feature"reconstruction;"identification"of"landslide"sensitive"areas;"LBP"features;"spatial"neighborhood"blocks;"transformer"encoder

巖土體斜坡結構穩定性會隨著地形、巖體結構等因素的變化而發生改變[1]，當向下、向外運動發展到一定程度便會引發滑坡危害，給人類生命財產安全帶來極大威脅的同時，容易引發堰塞湖等次生災害，進一步提高災害風險和災害損失[2-4]。滑坡形成原因較多，災害時間、災害具體位置均難以確定，這對滑坡災害防范提出了巨大挑戰[5]。各類型滑坡往往存在地貌形態特征差異，利用高光譜遙感技術對存在滑坡風險的巖土體斜坡結構進行探測，可實現高分辨率高光譜圖像的采集[6，7]。高光譜圖像包含大量有價值地物信息，如何有效利用這些信息，實現滑坡敏感區的精準識別服務是當下學術領域的研究熱點[8，9]。

郭健等人為提高滑坡早期識別效果，將多光譜遙感影像作為數據源，在利用ESP工具對其進行最佳尺度分割后，通過對獲取樣本作最近鄰分類實現滑坡區域的識別，該技術確定的滑坡敏感區難以滿足精度要求，存在錯誤識別問題[10]；簡小婷等人在對Faster"RCNN網絡進行設計后，將福貢縣城區的影像數據作為其輸入，實現了滑坡敏感區的自動化識別，該技術所用網絡在目標識別方面具有較高的應用性，但未能實現高光譜圖像空間信息的有效利用，使得滑坡隱患識別結果差強人意[11]。高光譜成像特征重構能夠通過空間信息的高效利用，達到地物信息增強的目的，從而提高圖像地物分辨度，對滑坡敏感區的精準識別具有重要意義[12]。因此，本文研究高光譜成像特征重構下的巖土體斜坡結構滑坡敏感區自動識別技術，提高滑坡敏感區識別效果，為滑坡危害預防提供可靠數據支持。

1"巖土體斜坡結構滑坡敏感區自動識別

高光譜遙感技術是目前遙感領域的熱門技術，它克服了多光譜遙感光譜分辨率受限的問題，在完整獲取地物目標空間數據信息的同時，能夠實現地物目標輻射、光譜信息的高分辨率采集，因此，在礦物識別、農業遙感等領域均有較廣泛的應用[13]。巖土體斜坡結構滑坡具有高隱蔽性、突發性以及識別困難的問題，故本文將高光譜遙感技術應用到巖土體斜坡結構滑坡敏感區識別中，高光譜圖像具有數據規模龐大、光譜波段多的特點，為實現巖土體斜坡結構滑坡敏感區的精準識別，本文在對高光譜圖像機進行特征重構的基礎上，選取坡度、歸一化植被指數等巖土體斜坡結構滑坡影響指標作為滑坡敏感性特征，將其與特征重構后的巖土體斜坡結構高光譜圖像一同輸入DETR網絡中，實現巖土體斜坡結構滑坡敏感區的自動化識別。

1.1"高光譜成像特征重構

為實現巖土體斜坡結構滑坡敏感區的準確識別，需對高光譜圖像進行特征重構處理。特征重構的基本原理是基于采集的巖土體斜坡結構高光譜圖像，在對像元LBP特征進行獲取的基礎上，實現LBP特征值的確定，在對像元的空間鄰域塊進行選擇后，將標簽信息作為依據，達到除掉不相關背景的目的，然后根據光譜距離，完成各空間鄰接塊像素點權值的計算后，確定中心像素點空間重構特征值，將其與獲取的LBP特征值作融合處理，實現高光譜圖像特征重構。

對于巖土體斜坡結構高光譜圖像，劃定一個空間區域Ω（xij），設定區域中心像元為xij，區域大小為i×j，其中i，j為奇數，且大于0；像元xij的空間鄰域塊可通過下式進行描述：

Ω（xij）={xyz|y∈［i－r，i+r］，

z∈［j－r，j+r］}（1）

其中：在Ω（xij）區域內，像元總數為ω2，不包括xij的一個隨機近鄰點表示為xyz，其半徑表示為r，通過r=ω－12計算得到。

一般是將方塊的像素區域整體視為Ω（xij），然而巖土體斜坡結構高光譜圖像背景像素點的鄰域塊內不包含任何可識別的滑坡敏感區，因此，在空間鄰域塊確定時，需先將背景像素點予以剔除。Blabel表示像素點標簽，當其值等于0時，將其從Ω（xij）中剔除，反之，留存該像素點。以xij為中心像元的空間鄰域塊，其尺寸為3×3，巖土體斜坡結構高光譜圖像像素點用方格表示，當xij位于邊緣或角落處，位于Ω（xij）內，則包含很多背景點，此時要去除Blabel等于0的背景點，只留存標簽值不等于0的像素點，這將會對巖土體斜坡結構滑坡敏感區的精準識別產生有利影響。

剔除空間鄰域塊中的背景像素點后，對xij的空間重構特征值進行確定，計算公式描述為：

ij=∑xyz∈Ω（xij）vxyz∑xyz∈Ω（xij）v"（2）

其中：像素點權值表示為v，通過公式v=exp"（－‖xij－xyz‖）計算得到，用于描述像元xij與xyz的相似性大小，二者相似性大小與v成正比。巖土體斜坡結構高光譜圖像特征重構方法加強了數據空間信息的有效利用的同時，降低了高光譜圖像背景以及不同類型鄰近像元對巖土體斜坡結構滑坡敏感區識別的影響。另外，通過鄰近像元完成高光譜圖像中心像元的特征重構，對提高巖土體斜坡結構滑坡敏感區識別效果具有重要意義。

像元xij的特征重構結果通過下式進行描述：

Cxij=Cxij，LBP，Cxij，"（3）

其LBP特征值表示為Cxij，LBP；其空間重構特征值表示為Cxij，。

1.2"巖土體斜坡結構滑坡影響因素分析

影響巖土體斜坡結構滑坡敏感性的因素較多[14]，本文從巖土體斜坡結構地形、植被角度進行分析，以實現巖土體斜坡結構滑坡敏感區特征的提取。

（1）與河流的距離。該因素決定了巖土體斜坡結構的含水性，當巖土體斜坡結構與河流相距較小時，其含水性相對較高，發生滑坡危害的概率較大。本文通過ArcGIS確定巖土體斜坡結構與河流之間的歐氏距離。

（2）與道路的距離。當巖土體斜坡結構位于道路一側，且距離較近時，其穩定性將大幅下降。

（3）高程。巖土體斜坡結構高程對滑坡危害具有控制作用，其高程信息通過DEM（Digital"Elevation"Model，數字高程模型）得到。

（4）坡度。巖土體斜坡結構的坡度與滑坡的發生具有緊密聯系，是影響滑坡敏感性的重要因素。

（5）歸一化植被指數（NDVI）用于反映巖土體斜坡結構表面植被覆蓋情況，通過下式進行計算：

NDVI=NIR－RNIR+R（4）

其中：近紅外波段用NIR表示，紅波段用R表示，NDVI在[-1，1]區間取值。

（6）波段比值（BR）可反映巖土體斜坡結構的植被濃度，其計算公式描述為：

BR=IRR"（5）

其中：紅外波段像素值表示為IR。

（7）植被指數（VI）用于區分巖土體斜坡結構在紅外、紅波段內的土壤覆蓋情況，其公式描述為：

VI=NIR－R（6）

1.3"基于DETR的巖土體斜坡結構滑坡敏感區

識別模型

1.3.1"基于DETR的滑坡敏感區識別模型結構

卷積神經網絡是一種最具代表性的深度學習模型，它在對輸入信息不斷學習過程中，實現了輸入圖像特征的深層次提取，解決了人工特征提取存在的諸多弊端與不足[15]。因此，在圖像處理與識別領域受到廣泛關注。隨著卷積神經網絡應用領域的不斷延伸，其弊端也逐步顯露。卷積神經網絡感受野具有一定局限性，若擴大其感受野，必然要以增加網絡深度為代價，這將加大有用信息損失風險，造成全局與局部信息邏輯關系的捕捉能力的弱化，不利于巖土體斜坡結構滑坡敏感區的精準識別。為此，本文引入Transformer網絡，利用其并行計算性能以及突出的全局信息捕捉能力，以彌補卷積神經網絡存在的不足。本文構建的基于DETR的巖土體斜坡結構滑坡敏感區識別模型結構如圖1所示。

敏感區識別模型基本結構

該模型由四部分內容構成，分別為特征提取網絡單元、位置編碼單元、編解碼器單元以及前饋神經網絡單元，其中特征提取網絡選用ResNet26網絡。為提高巖土體斜坡結構滑坡敏感區識別精度，本文將特征重構后的高光譜圖像與反映滑坡敏感性特征的七個影響指標作為基于DETR的滑坡敏感區識別模型的輸入，通過ResNet26網絡對重構后的巖土體斜坡結構高光譜圖像進行學習，即可完成巖土體斜坡結構滑坡特征圖的提取，然后對特征圖作切割處理，由位置編碼單元對具有相同尺寸的正方形圖像塊進行位置編碼處理后，將其傳輸到Transformer編碼器單元中完成訓練，最后由前饋神經網絡對各矩形框的位置信息進行定位，并完成不同滑坡敏感區的有效識別。

1.3.2"特征提取網絡結構

對卷積神經網絡層數進行提升，有利于其識別效果的改善，但網絡深度并不是越大越好，網絡層數過高，可能會導致網絡性能退化。另外，卷積神經網絡訓練過程中容易發生梯度消失問題。殘差網絡ResNet有效解決了卷積神經網絡存在的不足，其深度殘差單元基本結構如圖2所示。

ResNet網絡的原理是通過直連通道不斷對前一網絡輸出結果的殘差進行學習，以降低網絡訓練難度。通過H（x）=F（x）+x表示網絡隱含層，將殘差函數F（x）=H（x）－x作為ResNet網絡學習目標，當F（x）=0時，就獲得一個H（x）=x的映射，網絡訓練的目標即是不斷降低殘差值，使其無限趨近于0。

每個殘差單元通過其內的BN（Batch"Norm）層、Scale層實現輸入數據的標準化處理，以獲取歸一化權重系數，將若干個卷積層的級聯輸出與輸入信息作累加處理后，將其輸入ReLU激活層中，經再次級聯即可得到ResNet網絡輸出。ResNet網絡的連接方式不僅可避免新參數的生成，而且減少了池化層的使用，其優勢在于：在網絡深度增加的前提下也能滿足數據處理效率要求；網絡各層特征具有階梯增長趨勢，層級性明顯；避免出現梯度消失問題，極大提升了網絡特征提取性能。

為實現巖土體斜坡結構滑坡敏感區識別精度提升目標，本文對ResNet網絡進行改進處理，表1為ResNet26網絡所用具體參數。

ResNet26網絡輸入的高光譜圖像尺寸為192×192×3，首層按傳統ResNet結構設計，采用的卷積核尺寸為7×7，64通道，以2步長對輸入圖像作采樣，該層與3×3尺寸最大池化層相連，其步長也為2。本文通過重疊池化以使巖土體斜坡結構滑坡形變的魯棒性獲得提升。然后依次接入8個殘差單元、一個平均池化層和一個全連接層，網絡深度為26層。殘差單元的基本結構如圖3所示。

該殘差單元中含有兩個1×1卷積層和一個3×3卷積層，其中前者可實現輸入圖像維度的變化，后者具有VGG網絡特點，各卷積層在對輸入圖像進行正則化處理后，再通過ReLU激活函數并作卷積處理。此結構使得網絡參數量降低的同時提升了網絡訓練速度。

1.3.3"Transformer網絡結構

Transformer在自然語言處理方面具有突出優勢，其結構主要包含兩部分內容，分別為編、解碼器，Selfattention是其結構中最重要部分，Transformer網絡包含若干個編、解碼器，前者除含有Selfattention部分外，還包含一個前饋神經網絡；多頭注意力機制、編解碼注意力機制存在于后者基本結構中。輸入信息進入編碼器后，由自注意力機制對其進行處理，獲得加權特征向量Z，計算公式描述為：

Z=Attention（Q，K，V）=

soft"max"QKT（dK）12V（7）

再通過包含激活函數ReLU層和線性激活函數的前饋神經網絡模塊對確定的Z進行處理，計算公式描述為：

FFN（Z）=max"（0，ZW1+b1）W2+b2"（8）

其中：權值參數分別表示為W1、W2；偏置量分別表示為b1、b2。

在網絡解碼部分，采用并行方式對其N個輸入信息進行解碼，利用sin函數對切割后特征圖進行位置編碼后，將其傳輸到注意力層，通過解碼器實現處理結果的轉換輸出。

2"實驗分析

以某地區的5個巖土體斜坡結構為研究對象，分別標記為A-E，采集各巖土體斜坡結構的高光譜圖像，構建數據集，其中高光譜圖像總量為1000，其尺寸為500像素×320像素，波段范圍以及分辨率分別為[0.40，0.25]μm、20m/像素。在PyTorch深度學習框架下構建A斜坡結構滑坡敏感區識別模型，設定ResNet26網絡學習率為10-5，最高訓練次數為500次，利用sin函數實現特征圖的位置編碼，編解碼器總層數為6。以4∶1比例劃分訓練樣本、測試樣本，采用本文技術對該斜坡進行滑坡敏感區識別，分析本文技術的識別效果。

為分析巖土體斜坡結構高光譜圖像特征重構對后續其滑坡敏感區識別效果的影響，選取精確率（P）、召回率（R）作為最終識別效果的評價指標，采用本文技術對巖土體斜坡結構的滑坡敏感區進行識別，通過對高光譜圖像特征重構前后的兩指標值的變化，研究高光譜圖像特征重構的必要性，實驗結果如表2所示。

分析表2可知，對巖土體斜坡結構的高光譜圖像進行特征重構，可有效提升滑坡敏感區識別效果，P、R兩指標值得到較大幅度提升，這是由于本文技術在關注高光譜圖像像元LBP紋理特征的同時，通過對中心像素空間鄰域塊進行優化處理，發揮了抑制高光譜圖像背景對后期滑坡敏感區識別效果影響的作用，極大降低了像元誤識別概率，實現了巖土體斜坡結構滑坡敏感區的精準識別。實驗結果表明，高光譜圖像特征重構有利于巖土體斜坡結構滑坡敏感區識別效果的提升。

空間鄰域塊尺寸ω是影響巖土體斜坡結構滑坡敏感區識別的重要參數。任意選擇50張高光譜圖像作為訓練樣本，鄰近點總量設定為1，通過對不同ω下P指標變化曲線進行分析，研究空間鄰域塊尺寸對滑坡敏感區識別的影響，實驗結果如圖4所示。

識別的影響分析

分析圖4可知，斜坡結構滑坡敏感區識別效果隨著ω的增大呈現先增后降變化規律，ω取值較小，空間鄰域塊只含有斜坡結構少量空間信息，P指標值將難以滿足設計要求；ω取值較大，則會有過多與斜坡結構無關信息涵蓋在空間鄰域塊中，不利于滑坡敏感區的準確識別；當ω取值為6時，P指標值最大，此時滑坡敏感區識別效果最優。

采用本文技術對測試樣本的滑坡敏感區進行識別，將ResNet模型、ResNet+Transformer模型作為對比識別模型，通過對比分析滑坡敏感區識別模型改進前后的識別精度差異，驗證本文技術的優越性，實驗結果如表2所示。

分析表2可知，通過對巖土體斜坡結構滑坡敏感區識別模型進行改進處理，可有效提升滑坡敏感區識別精度，本文技術的P、R指標值均高于ResNet模型、ResNet+Transformer模型；ResNet+Transformer模型專注于高光譜圖像滑坡敏感區特征的捕捉，使得識別效果獲得明顯提升。實驗結果表明，對滑坡敏感區識別模型進行改進，可有效提升P、R指標值。

以A巖土體斜坡結構為例，其所處地形地貌特征差異較大，其高差超過500"m，平均坡角不低于45o，為三疊系灰巖、白云巖地質結構，斜坡表面有植被覆蓋。應用本文技術對其滑坡敏感區進行識別，識別結果如圖5所示。

分析圖5可知，本文技術可實現A斜坡結構滑坡敏感區的識別，識別結果為紅色線條標記區域，該區域地質主要以三疊系灰巖、白云巖為主，斜坡表層黏土量高、斜坡陡峭，植被量少，穩定性差，故更易發生滑坡危害。實現結果表明，本文技術具有滑坡敏感區識別能力，可投入實際應用。

3"結"論

將本文技術應用到某地區巖土體斜坡結構滑坡敏感區識別中，通過對光譜圖圖像特征重構結果、滑坡敏感區識別結果等進行分析，驗證本文技術的應用性能，實驗結果表明：該技術可實現巖土體斜坡結構滑坡敏感區識別，高光譜圖像特征重構后，P、R指標值顯著提升；ω取值為6時，滑坡敏感區識別效果最優。

參考文獻

［１］"曹鵬，黎應書，李宗亮，等.西藏昌都白格滑坡斜坡地質結構特征及成因機制[J].地球科學，2021，46（9）：3397-3409.

[2]"段曉峰，韓峰，杜陽陽.基于無人機影像的滑坡自動識別技術[J].蘭州交通大學學報，2020，39（6）：1-4.

[3]"何欣，賀占勇.深度學習技術應用于自動識別崩塌滑坡體初探[J].四川地質學報，2021，41（3）：508-511.

[4]"廖軍，吳彩燕，王立娟，等.基于時序InSAR的滑坡早期識別——以貴州省水城縣為例[J].自然災害學報，2022，31（3）：251-260.

[5]"劉排英，賀少帥，王鵬生，等.基于升降軌Sentinel1A"SBAS"InSAR的西南山區滑坡隱患早期識別研究[J].大地測量與地球動力學，2022，42（9）：892-897.

[6]"楊歡，羅斌，張晗，等.基于高光譜成像技術和IRIV算法的玉米種子品種純度識別[J].江蘇大學學報（自然科學版），2023，44（2）：159-165.

[7]"劉嘉敏，楊松，黃鴻.基于局部重構Fisher分析的高光譜遙感影像分類[J].中國激光，2020，47（7）：390-401.

[8]"張慧敏，張林生.深度學習方法應用于邊坡滑坡圖像識別技術研究[J].科技與創新，2021，169（1）：1-2.

[9]"梁懿文，張毅，蘇曉軍，等.基于InSAR的潛在滑坡人工智能識別——以延安寶塔區為例[J].蘭州大學學報（自然科學版），2022，58（2）：212-221.

[10]"郭健，張鵬，張全，等.基于多光譜遙感影像的巫峽滑坡災害識別技術研究[J].華南地質與礦產，2020，36（1）：38-45.

[11]"簡小婷，趙康，左小清，等.基于Faster"RCNN目標檢測的滑坡隱患識別——以福貢縣城區為例[J].化工礦物與加工，2022，51（12）：19-24+29.

[12]"劉嘉敏，鄭超，張麗梅，等.基于圖像重構特征融合的高光譜圖像分類方法[J].中國激光，2021，48（9）：203-212.

[13]"張炎，華文深，黃富瑜，等.聯合空間信息的改進低秩稀疏矩陣分解的高光譜異常目標檢測[J].半導體光電，2020，41（1）：141-145.

[14]"桂先剛，梁收運，趙紅亮，等.基于分形的巴謝河流域滑坡空間分布格局及其影響因素分析[J].地震工程學報，2020，42（1）：250-258.

[15]"胡年宗，伍世虔，張亦明.基于卷積神經網絡的SLAM回環檢測算法研究[J].計算機仿真，2020，37（5）：282-286.