地震型滑坡灾害遥感快速识别方法研究

李松，邓宝昆，徐红勤，王治福

（1.贵州师范学院资源环境与灾害研究所，贵阳550018；2.中国科学院遥感与数字地球研究所，北京100101）

地震型滑坡灾害遥感快速识别方法研究

李松1，2，邓宝昆1，徐红勤1，王治福1

（1.贵州师范学院资源环境与灾害研究所，贵阳550018；2.中国科学院遥感与数字地球研究所，北京100101）

滑坡快速识别对抗震救灾具有重要的影响。针对目前目视解译是滑坡识别的基本模式效率低下的问题，以受地震影响严重的北川县以例，以2008年6月3日（震后）中国台湾福卫2号遥感影像为数据源，试验基于支持向量机的地震型滑坡信息快速提取方法。以目视解译方法提取研究区的滑坡、河流、建筑用地、植被、耕地为样本，训练支持向量机的分类参数，并进一步以河流、建筑用地、植被和耕地为背景信息，提取滑坡信息。结果表明：支持向量机作为一种滑坡快速分类方法，能显著提高次生灾害的识别效率，分类结果的Kappa系数达到0.82。

地震型滑坡；遥感；快速识别；支持向量机；目视解译；汶川

0 引 言

2008年5月12日的汶川Ms8.0级地震，据四川地震台网，到2009年12月31日，汶川余震累计67264次，其中5.0级以上43次，最大余震6.4级。强烈的地震及连续不断的余震诱发大量滑坡灾害，共计超过197000处［1］，给地震抢险救灾及其震后重建带来巨大的困难。这次灾害覆盖空间范围广，涉及受地震影响巨大的汶川、北川、绵竹、茂县、安县、什邡等县，而且数量极大，尤其是在重要的交通线两侧和河流沿岸；持续时间长，在地震及其余震发生的时间内，不断有新的滑坡灾害发生。为数众多的滑坡灾害影响了这次地震受灾区地面的稳定状况，滑坡灾害是灾区灾后重建不得不考虑和解决的重要问题。

面对沉重的灾难，利用遥感数据，提高灾害的识别效率，能够对抗震救灾发挥积极的作用。由于汶川地震灾区的滑坡典型性较好，滑坡遥感识别相对比较容易，加之地震发生时，抗震救灾和抢救生命的时效性需要，以及此次滑坡波及范围特别广，滑坡目视解译和信息提取的效率相当低下。滑坡次生灾害是地震的主要破坏源，在这样的背景下，为提高滑坡信息提取的效率，为灾后重建提供及时而有效的信息支持，采取一些提高解译效率的自动半自动方法，是非常必要的。由于滑坡复杂性，滑坡信息尤其边界信息主要靠目视解译提取［1］。在图像增强处理基础上，研究者利用变化检测［2－3］、计算机分类［4－6］、谱抠图［7］等方法，提高滑坡识别效率的自动半自动方法，开展了一些积极的探索性研究。

在国内外的研究中，植被指数是其他自动半自动识别方法的基础。在伊拉克库尔德斯坦地区，通过对QuickBird影像目视解译的3000多个滑坡编目数据，分析滑坡及背景区的光谱差异，研究干旱半干旱山区的滑坡遥感自动识别方法［8］。Zhan等［9］提出了基于植被检测、多视觉约束和地形连续性的滑坡识别点云算法。在台湾南部花果山流域，利用贝叶斯方法［10］对滑坡后的影像进行分类，综合遥感和地形数据，进行滑坡的半自动识别。杨文涛等［11］利用NDVI序列数据，结合坡度信息进行汶川地震灾区滑坡识别。汶川抗震救灾中，由于抗震救灾工作特殊的时效需求，采用了自动半自动的快速提取方法提高滑坡识别效率。本文在抗震救灾工作的基础上，利用支持小样本的统计学习理论——支持向量机［12］进行滑坡信息的监督分类，实验讨论滑坡信息快速识别的方法。

图1 滑坡要素示意图（根据文献［14］改编）

图2 汶川地震灾区典型地区光谱及Formosat－2波段设置

1 研究方法

1.1 滑坡遥感地学分析

滑坡是指斜坡局部稳定性遭到破坏以后，在重力的作用下，岩土体沿一个或多个破裂滑动面向下整体滑动的过程［13］。滑坡具有滑坡体、滑坡壁、滑坡周界等要素，详见图1。滑坡壁、滑坡体和滑坡周界是利用遥感技术进行滑坡识别的基本要素，高分辨率影像还能识别大滑坡的滑坡台阶、后缘洼地等要素。滑坡堆积体和滑坡壁是遥感识别滑坡的两个基本要素，它们在遥感影像上，共同构成了滑坡周界的范围。按年代分，滑坡可分为现代滑坡（晚全新世以来）、老滑坡（中早全新世）和古滑坡（更新世）［13］，遥感能识别的滑坡主要是现代滑坡中有影像记录以来发生的滑坡，主要是卫星遥感记录的滑坡。本研究所采用的遥感数据源为Formosat－2，包含0.45μm～0.90μm的4个多光谱波段。由于实验区北川县地震前植被覆盖率高达80%，其中森林覆盖率56.3%。地震诱发滑坡破坏原有的植被，滑坡区下垫面主要类型变成植被、建筑物、水域、耕地（有绿色作物覆盖）和滑坡灾害。因此，综合利用影像的光谱和空间信息，能用计算机分类方法提取滑坡区域。

1.2 支持向量机

传统机器学习方法下，复杂模型拟合有限样本会出现过学习现象，导致泛化性能下降。对此，支持向量机采用结构风险最小化思想，即将函数集构造为一个函数子集序列，使各个子集按照VC维的大小顺序排列，在各子集中寻找较小经验风险，使子集间折中考虑经验风险和置信度，以取得最小的实际风险。支持向量机采用的结构风险最小化（SRM）原则，在最小化样本误差的同时又缩小模型泛化误差的上界，从而提高了模型的泛化能力。支持向量机的数学形式和示意图参见文献［12］。

1.3 典型地物遥感地学分析

地物光谱特征的差异是遥感地学信息提取的基础。汶川地震灾区的地物类型以植被为主，除了植被外，还有水域、滑坡区的新鲜岩土地表、混凝土建筑物。滑坡体下滑导致的基岩或土壤裸露，相对于新鲜的裸土或裸岩，目标信息与植被以及水体为主体的背景信息对比明显。以ASTER波谱库和文献［15］为基础，通过绘制并分析植被、水体、土壤、岩石和混凝土五种地物波谱曲线，根据地物波谱曲线的特征对比，进行滑坡灾害提取的遥感地学分析，如图2所示。植被的波谱范围一般为0.38nm～2.5μm，健康的绿色植物在可见光波段有一个小反射峰，在0.676μm附近呈强吸收，而在0.776μm附近呈强反射特征，也即植被的“红边”现象。水体由于极低的反射率，常常被近似为黑体。地表水由于所含物质的差异，反射率明显高于纯净水，光谱特征也表现出不同的特点。地震中的灾区水体泥沙含量增加，可见光波段的反射率有所提高。水体的反射主要发生在蓝绿波段，地震灾区由于泥沙的散射，反射峰值移动到了黄波段。水体反射率在0.7μm处有一个小峰值，并在之后迅速下降，0.73μm～1μm之间，平均反射率降到0.042。研究区土壤以黄棕壤为主，在可见光波段，反射率随着波长的增加而剧烈增长，在红外波段趋于平缓，在0.786μm处出现一个小峰值。在福卫2号的波段范围内，表现为背景信息的地表水总体反射率最低，植被反射率变化最大，并存在“红边”现象。混凝土和背景信息植被、水体对比度明显，和岩土表信息容易混分，因此，采用波段对比明显的432波段组合，从背景中分离出目标信息。对于可能造成混分的人工混凝土建筑，因为其矩形和线状的特殊形状和规则纹理特征，滑坡信息识别中，综合纹理特征和形状指数过滤这些伪滑坡信息。

2 结果与分析

本文采用台湾福卫2号（全色2m）进行滑坡及其发育环境信息提取试验，数据时相为2008年6月3日，影像区域为北川县，影像中心为地震灾害最严重的映秀镇。影像的数据格式为Geotiff，大小1571像素×1546像素，其中有效像素2428766，覆盖155.4km2。根据国际交换站的数据，影像成像时灾区天气晴朗。影像东部（研究区外）有薄云覆盖，采用432假彩色波段组合，再利用暗目标方法进行相对辐射校正。利用1∶5万地形图对其进行3次多项式几何校正。由于地震的影响，研究区地表位移显著，因此对整景影像进行几何校正，在相对稳定的区域选取控制点，如图3（a）所示。为了过滤掉滑坡信息中混分的人工建筑物，考虑实验区人工建筑物倾斜方向延伸的特点，提取灰度共生矩阵（GLCM）的熵（entropy）和相关性（correlation）［17］纹理信息：维数为256，延伸方向45°、135°、225°和315°。

滑坡信息是本研究关注的信息，所以提取过程中以滑坡信息提取效果为主要根据。研究区降雨充沛，植被覆盖率高。由于地震的破坏，滑坡地形典型，滑坡体变形明显，导致滑坡区植被变为裸地，并且由于滑动造成的特殊地形，将滑坡区作为一个地类进行分类。由于滑坡区容易与城镇建设用地混淆，也可能与无植被覆盖的耕地相混。因此，利用SVM将研究区影像分为5类：滑坡、河流、房屋、植被、耕地，先用目视解译方法选取5类待分类地物的训练样本，并分别赋属性为1～5，其中：1是滑坡，由于影像纹理和构造差异较大，光谱变化范围比较大，提取滑坡周界范围内的39样本点，样本点覆盖4029像素。2是河流，由于光谱差异较小，且影像特征较为光滑，提取12个样本点，共1422像素。3是房屋，影像呈格状纹理及构造特征，光谱较一致，提取11个样本点，共覆盖4067个像素。4是植被，由于灾区植被覆盖率极高，光谱变化范围也相对较大，影像纹理和构造也较为复杂，本文提取85个样本点，共覆盖7641个像素。5是耕地，由于研究时段内耕地和植被的影像特征相似，分类容易混淆，但不影响本研究，选取18个样本点，共覆盖1973个像素。选取2类、3类、4类和5类属性的样本点，经过SVM参数训练后，发现5类属性样本点，多项式核函数及d等于4的情况下提取效果最佳。将1（滑坡）设为目标区，2～5类地物设为背景，加以屏蔽，结果如图3（b）所示。图3叠加了滑坡前的1∶5万等高线地形图。

从提取结果看，汶川地震中滑坡灾害呈现群发性的特点，很难明确界定单个滑坡体的滑坡周界。如图3（b），唐家山是汶川地震受灾最严重的区域，唐家山滑坡群也是汶川灾区呈连续分布的规模最大的滑坡群，如图中条带状区域湔江，被唐家山滑坡堵塞形成堰塞湖。图3（b）中曲山镇和石岩村的影像是连续的建筑区，其中曲山镇北部的滑坡，给北川县城带来极大的生命和财产损失。为了分析滑坡识别的精度，在图3（b）的影像区生成100个随机点，并结合集群采样方法，保证滑坡区不少于40个点，实际为49个点。这些点将滑坡识别分为几种情况：滑坡漏检区（没有被识别的滑坡）5个点，滑坡正确分类45个点，正确分类的无滑坡区46个点，滑坡错分类（将未滑坡区分类为滑坡）4个点。滑坡分类的制图精度为91%，滑坡识别的Kappa系数0.82。图4为唐家山大滑坡和实景［16］对比。

图3 地震后福卫二号影像和滑坡检测结果图

图4 唐家山滑坡识别结果和实景对比（文献［16］）

3 结论和讨论

滑坡识别是一件非常困难而复杂的工作，需要丰富的专业知识。遥感只能识别很少一部分滑坡，基本局限在有影像记录以来的滑坡。对于滑坡发生的区域，有些滑坡发生在干旱半干旱地区，滑坡识别的效果会显著降低。对于老滑坡和古滑坡，由于滑坡体及其发育环境的光谱特征差异不明显，解译的主要依据是独特的滑坡地貌特征，比如双沟同源地貌，使得古滑坡和老滑坡的自动提取相当困难，其信息的成功提取也是需要进一步研究的难点。与目视解译相比，滑坡灾害快速识别方法能够显著提高滑坡识别效率，为抗震救灾赢得宝贵的时间。汶川地震型滑坡是新滑坡，滑坡壁的光谱特征和周围差异显著，而且滑坡形态特征完整，显著提高滑坡信息提取的精度。本文的滑坡信息提取方法适用于新滑坡，主要是植被覆盖较好的区域。此外，对于滑坡更详细要素的遥感识别，比如滑坡壁、滑坡堆积体等，是一件非常困难的工作，将在后续工作中进一步探讨和研究。

［1］ 许冲，徐锡伟，吴熙彦，等.2008年汶川地震滑坡详细编目及其空间分布规律分析［J］.工程地质学报，2013，21（1）：25－44.

［2］ 李松，李亦秋，安裕伦.基于变化检测的滑坡灾害自动识别［J］.遥感信息，2010，25（1）：27－31.

［3］ JAVIER H，JOSE I B，PAUL L R，et al.Monitoring landslides from optical remotely sensed imagery：The case history of tessina landslide，Italy［J］.Geomorphology，2003，54（1－2）：63－75.

［4］ MONDINI A C，GUZZETTIA F，PREICHENBACHA P，et al.Semi－automatic recognition and mapping of rainfall induced shallow landslides using optical satellite images［J］.Remote Sensing of Environment，2011，115（7）：1743－1757.

［5］ 魏星.基于SVM的山体滑坡灾害图像识别方法［J］.电子测量技术，2013，36（8）：65－70.

［6］ 叶润青，邓清禄，王海庆.基于图像分类方法滑坡识别与特征提取——以归州老城滑坡为例［J］.工程地球物理学报，2007，4（6）：574－577.

［7］ 王世博，张大明，罗斌，等.基于谱抠图的遥感图像滑坡半自动提取［J］.计算机工程，2012，38（2）：195－197，200.

［8］ OTHMAN A，GLOAGUEN R.Automatic extraction and size distribution of landslides in kurdistan region，ne iraq［J］.Remote Sensing，2013，5（5），2389－2410.

［9］ ZHAN Z，LAI.A novel DSM filtering algorithm for landslide monitoring based on multiconstraints［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2015，8（1）：324－331.

［10］ ALESSANDRO C M，IVAN M，MAURO R，et al.Bayesian framework for mapping and classifying shallow landslides exploiting remote sensing and topographic data［J］.Geomorphology，2013，201：135－147.

［11］ 杨文涛，汪明，史培军.利用NDVI时间序列识别汶川地震滑坡的分布［J］.遥感信息，2012，27（6）：45－48.

［12］ VAPNIK V N.Statistical Learning theor［M］.New York：Wiley，1998.

［13］ 晏同珍，杨顺安，方云.滑坡学［M］.武汉：中国地质大学出版社，2000.

［14］ DAVID K K，MATTHEW C L.Assessing landslide hazards［J］.Science，2007，316：1136－1138.

［15］ 王锦地，张立新，柳钦火，等.中国典型地物波谱知识库［M］.北京：科学出版社，2009.

［16］ 胡卸文，朱海勇，吕小平，等.唐家山堰塞湖库区（北川～禹里段）地震地质灾害触发效应研究［J］.四川大学学报（工程科学版），2009，41（3）：63－71.

［17］ 李松.滑坡信息遥感识别和空间分析研究［D］.北京：中国科学院研究生院，2009.

Fast Interpretation Methods of Landslides Triggered by Earthquake Using Remote Sensing Imagery

LI Song1，2，DENG Bao－kun1，XU Hong－qin1，WANG Zhi－fu1
（1.Institute of Resources，Environment and Disasters，Guizhou Normal College，Guiyang550018；2.Institute of Remote Sensing and Digital Earth，Chinese Academy of Sciences，Beijing100101）

Landslide is an important cause of earthquake damage and casualties，and fast recognition of landslide is important for earthquake relief.Currently，visual interpretation is the basic method of landslide recognition.Due to the inefficiency of visual interpretation，it is necessary to study an effective method to identify the landslides triggered by earthquake.A large number of landslides occurred during M8.0Wenchuan earthquake.These landslides caused by the earthquake did great damage to the local region.Because of bad weather conditions，it was difficult for us to capture eligible remote sensing images，which lagged far behind the earthquake.In order to study a more effective approach of landslide fast recognition，this paper took Beichuan where the earthquake disaster was worst as a test area to study a more effective approach of landslide fast recognition based on Support Vector Machine（SVM）classifiers in the Formosat－2image acquired on June 3，2008.The vegetation coverage in the study area was up to 80percent.There was an obvious difference between a landslide and environmental background area of the remote sensing image.Firstly，this paper identified land use，including rivers，buildings，vegetation，farmland and landslides using visual interpretation.Secondly，SVM kernel functions were trained using the five samples.The results showed that SVM is a rapid recognition method，and classification Kappa coefficient is 0.82.

landslide triggered by earthquake；fast identification；Support Vector Machine；visual interpretation；Wenchuan

10.3969／j.issn.1000－3177.2015.04.005

P315.63；TP79

A

1000－3177（2015）140－0025－04

2014－07－02

2014－10－20

国家十二五科技支撑重大项目（2011BAC09B01）；贵州科技厅项目（J20112343）；贵州教育厅项目（13GH069）；乌当科技局项目（［2012］乌科技合同字第48号）。

李松（1980—），男，博士，副教授，主要从事环境和灾害遥感应用研究。

E－mail：zhijinese＠163.com