国外基于遥感的滑坡灾害研究方法进展

吕　鹏, 牛　琳, 张　炜, 李逸川, 李万伦

(1.中国地质图书馆，北京100083； 2.中国地质调查局地学文献中心，北京100083； 3.华东有色地质矿产勘查开发院，江苏南京210007)

国外基于遥感的滑坡灾害研究方法进展

吕鹏1,2, 牛琳3, 张炜1,2, 李逸川1,2, 李万伦1,2

(1.中国地质图书馆，北京100083； 2.中国地质调查局地学文献中心，北京100083； 3.华东有色地质矿产勘查开发院，江苏南京210007)

摘要：滑坡是世界上最严重的自然灾害之一，遥感技术可用于滑坡的识别、填图、监测和评价。与实地调查方法相比，遥感可以快速获取大区域数据，减少野外工作量和成本。因此，它能更经济地了解较大范围的滑坡分布，评估滑坡灾情。目前，国外在滑坡调查中使用遥感技术的新进展主要有：利用合成孔径雷达、高空间分辨率的便携式无人机、多时相遥感数据、面向对象的图像处理方法等。通过对这些新方法及其实例介绍，分析这些滑坡调查新方法的进展以及未来发展方向。

关键词：滑坡；遥感；识别；填图；敏感性；监测；国外

中图分类号：P694；X87

文献标识码：A

文章编号：1674-3636(2015)03-0495-06

收稿日期：2015-06-12；编辑：陆李萍

基金项目：中国地质调查项目“国外地质文献资料集成服务与分析研究(1212011220914)”

作者简介：吕鹏(1979—)，男，高级工程师，博士，主要从事地质文献情报研究工作，E-mail：lvpeng@cgl.org.cn

0引言

滑坡是世界上最严重的自然灾害之一，滑坡灾害造成的人员伤亡以及经济和环境破坏日益严重。过去几十年，利用遥感进行滑坡识别、编录、敏感性和危险性分区技术的发展，使其成为改善土地利用规划、防治灾害、减少人员伤亡的有效和经济的技术手段。特别是计算机和卫星遥感技术的发展为分析、评估和确定滑坡的形成条件及其特征提供了重要信息。一般情况下，遥感技术，如航片解译、立体图像分析、干涉测量研究和激光探测及测距系统(LiDAR)可用于滑坡的识别、监测和分类。在评估边坡不稳定性的常规方法中使用遥感系统，可以快速便捷地获取、更新大区域数据，减少野外工作和成本(Aksoy et al，2012)。

对已发生的滑坡灾害或滑坡敏感性填图研究通常使用传统的航空照片。20世纪90年代后期，立体航空照片的解译是测绘和监测滑坡特征和触发因子最常见的遥感工具。过去十几年，研究人员对在滑坡评价中使用卫星图像的兴趣越来越大。这归因于SPOT-5 HRG、ASTER、WorldView-Ⅱ、QuickBird、IKONOS等卫星传感器的空间分辨率和立体分辨能力的提升，可以获取与航空照片的地形图像分辨率相近的二维和三维图像，并具有测绘覆盖面积大的优势。虽然航空拍摄的照片能够准确识别滑坡的细节特征，但难以及时获取世界范围内众多滑坡易发地区的照片，且往往需要进行耗时的目视分析。相反，卫星图像已经逐步成为替代数据源，因为它在评估较大滑坡受灾地区时更经济，特别是针对土地覆盖的动态变化，同时对滑坡发生时的天气背景要求不高。

近年来，国外在边坡稳定性调查中使用的各种遥感技术和分析方法取得了一些新进展，如利用合成孔径雷达(SAR)数据对地表形变的监测(Ventura et al，2011)、利用高空间分辨率的便携式无人机对滑坡进行填图(Niethammer et al，2012)、利用多时相遥感数据对滑坡进行研究(Yang et al，2010)、面向对象的图像处理方法应用于滑坡识别和分类(Aksoy et al，2012)等。通过对这些可行的新方法进行分析，总结这些方法的优势和在使用过程中值得注意的问题以及未来的发展方向。

1滑坡识别与分类

使用遥感传感器数据，可以通过分类后比较法(Post-classification)和分类前比较法(Pre-classification)来识别和绘制滑坡。前者已经颇为流行，它涉及到单个或多个时相图像的手动解译或自动分类。在一个面积比较大的范围内进行数字数据的处理时，自动分类优于手工解译。目前已经开发出不同的图像处理和模式识别策略，使用监督、非监督或混合分类器对滑坡进行识别和分类。这些自动分类器显示出不同程度的成功率。分类后检测法的主要缺陷是很难将相似光谱的土地覆盖排除出去，如人类居住地、道路、河床或休耕土地。另外，分类后比较法需要使用大量的地面真实数据和其他数据，如数字高程模型和水流网络，以达到令人满意的结果(Yang et al，2010)。

基于对象的图像分析(OBIA)及其扩展方法(如基于地理对象的图像分析)是常用的滑坡分类方法。这类方法是由知识驱动的，即可以通过专家知识整合对象的光谱、形态和环境识别特征(Aksoy et al，2012)。它允许用户针对分析对象应用局部差异策略，使光谱信息(色调、颜色)和空间排列(大小、形状、质地、图案和与邻近物体的关系)的分析过程更接近人们对航拍照片目视解译信息的方式。与传统的基于像素的分类方法不同，OBIA对对象进行处理，除了光谱信息，这些对象还包含形状、大小、相邻关系、纹理特征。Aksoy等(2012)提出了一个数据驱动的基于对象的图像分析和模糊逻辑方法的半自动分类系统，并应用于土耳其西部黑海地区选定的滑坡易发区。具体步骤包括：利用研究区Landsat ETM+卫星图像进行多尺度分割处理。通过分割过程建立了由5 235个图像对象组成的模型。分析过程中共使用70个滑坡点和10个输入参数(包括归一化植被指数、坡度、曲率、亮度、蓝波段中值、偏度系数，形状指数，长宽比，灰度共生矩阵，红外波段均差)。隶属函数通过5种模糊运算(即和、或、算术平均、几何平均和代数积)对研究区进行分类。最后用700个模型没有使用的图像对象对该模型的性能进行了评估。通过结果对比，“模糊和”运算的分类结果优于其他模糊运算(Aksoy et al，2012)。

2滑坡填图与编录

滑坡编录图显示滑坡的位置和范围以及区域内可辨别的痕迹，也可显示由单一滑坡触发因子，例如地震、降雨和雪的快速消融引起的边坡失稳。滑坡编录对于记录滑坡灾害的范围、开展地貌和侵蚀研究以及为滑坡敏感性模型的建立奠定基础和进行验证都很重要(Mondini et al，2011)。

从20世纪70年代末的第一代Landsat卫星数据起，卫星图像就开始用于滑坡的填图。同一地区一系列存档卫星图像在进行滑坡活动的回顾性分析时特别有用，而且卫星图像全天候覆盖的优势适合进行区域性滑坡分布研究。最近，随着遥感技术的创新，新一代航天传感器具有更高的空间分辨率和敏捷成像能力。从这些最新的传感器获得的数据，如高分辨率卫星图像、雷达成像或航空LiDAR点云，适合进行滑坡填图(Yang et al，2010)。

2.1　森林覆盖区

在人烟稀少或无植被地区，可以使用各种滑坡填图技术，例如使用单个或多时相航拍照片、高空间分辨率的卫星图像或星载合成孔径雷达图像来完成。但是在森林地区，这些技术无法有效地识别滑坡。在封闭森林冠层中，对滑坡的形态特征进行目视解译也受到限制(Razak et al，2011)。森林地形中对复杂滑坡进行填图需要适当质量的、保留了进行滑坡分类所需的细微识别特征，如主要和次要陡坎、裂缝和位移结构(流动性和刚性的)的数字地形模型(DTM)。

机载激光扫描(ALS)方法适用于研究茂密植被覆盖区的滑坡活动。ALS具有穿透森林冠层的能力。ALS独立于太阳入射角，使它在森林地形中获取高分辨率DTM优于基于图像的摄影技术(Razak et al，2011)。Razak等利用甚高密度(点密度140点/m2)的ALS数据，获得了法国南部阿尔卑斯山Barcelonnette地区森林地形中的滑坡填图所需的高品质DTM，同时定量评估了保存的滑坡形态特征，并定性评估了ALS生成的DTM的可视化效果。结果表明，进行滑坡填图时大于6点/m2的ALS数据点密度就适合于滑坡形态特征的详细分析(Razak et al，2011)。

2.2　无人机

近年来，在测绘和遥感研究中越来越普遍应用无人机系统。20世纪70年代末，固定翼遥控飞机被用于无人机摄影测量实验。Eisenbeiss等使用自主控制的无人直升机制作了第一个高分辨率数字地形模型(Niethammer et al，2012)。目前，有各种类型的无人机系统，例如机动滑翔伞、飞艇、风筝和气球。然而，这些系统容易受大风的影响而无法使用，或比较难以应用在多山地形中。小型高品质数码相机的出现使得无线电控制的无人机系统成为实惠又实用的遥感平台，但同时也存在一些挑战，例如为了利用标准的航空摄影测量处理软件，无人机照片需要通过优化的分区对齐(Optimal Block Configuration Alignment)方法获得，并使用光学畸变最小的内部稳定摄像系统。以前，解决这些问题需要使用固定镜头的单反相机、昂贵的自动驾驶无人机导航系统和专用摄影测量软件包。2006年，相对稳定的四旋翼直升机系统成为开放源码的公共项目，这些系统适合应用于高山地形，且与商业无人机系统相比成本低得多。

Niethammer等(2012)通过一架无线控制的小型四旋翼无人机获取了法国Super-Sauze滑坡的图像，用来产生整个滑坡的高分辨率正射镶嵌图像和几个区域的DTM。四旋翼系统与传统的直升机相比更稳定，飞行中的振动小，机械组成上的优势是不需要大的变螺距转子单元(图1)。该无人机通过惯性测量单元(IMU)来保持稳定，包括3个加速度传感器、3个陀螺仪、2个3轴罗盘和1个压力传感器，使用容量为5.0 Ah的锂聚合物电池，飞行耐力(无人机系统的盘旋时间)达到12 min。无人机总体开发时间为1人年左右。图像采集使用了支持手动相机设置的重量轻、成本低的小型数码相机(PRAKTICA Luxmedia 8213)。飞行中将感光度、变焦和光圈设置为固定值，曝光时间为1/800 s。由于没有使用自动驾驶导航系统控制图像采集，所以所有照片采用自动图像序列模式获得，每3 s获得1幅图像，以确保全覆盖。该无人机需要由高度熟练的飞行员进行操作，控制范围并限制在几百米范围。该研究说明无人机系统可以成为滑坡填图的常规数据来源。

图1　用于遥感的四旋翼无人机系统(据Niethammer et al，2012)Fig.1　The four rotor UAV system for remote sensing(after Niethammer et al, 2012)

2.3　半自动填图

在基于像素和面向对象的方法来识别和绘制滑坡的过程中，高分辨率(HR)和甚高分辨率(VHR)光学图像比较常用，这需要能够获得受灾地区滑坡发生前后的图像。仅依靠经验丰富的地貌学家通过目视解译来发现单个滑坡和滑坡群，难以提高大范围滑坡填图的效率。另一方面，目前各类滑坡的自动识别方法在准确性上还需要进一步提高，而半自动滑坡填图方法能够达到二者的平衡。

Mondini等(2011)利用滑坡前后的VHR全色和HR多光谱卫星图像来发现降雨诱发的滑坡，并用于编制精确的滑坡事件编录图。首先，获取事前和事后研究区内的QuickBird卫星图像，并通过解译事后获得的航拍照片来确定滑坡位置和类型。然后，创建一套地形分类模型，该模型根据每个像素包含(或不包含)新的降雨诱发的滑坡的概率，对每个像元(像素)进行分类。最后，建立了包含下列5个步骤的模型验证方法。

(1) 对事前和事后的图像进行全色增强融合、正射纠正、配准、大气扰动纠正。

(2) 选择描述滑坡引起的事前和事后的图像之间变化的变量。

(3) 在训练区对3个使用不同多元统计技术的分类模型进行校准。

(4) 使用相同的1组独立变量和相同的统计方法对验证区应用校准后的模型。

(5) 完成训练和验证区的联合地形分类模型。

该方法可以方便、快速、准确地制作覆盖大面积的滑坡编录。

3滑坡敏感性评价

滑坡敏感性分析是对一个地区孕灾禀赋的评价，在缺少时间序列观测资料地区，敏感性分析往往比危险性分析更具科学性，因而得到了广泛的应用。目前，灾害的敏感性评价方法大体分为3类：经验模型、概率模型与物理模型。在滑坡敏感性分析过程中，一般只需要环境影响因子，如坡度、坡向、数字高程模型(DEM)、岩性等，利用遥感数据能够快速地直接或间接获得这些数据。

3.1　Terra ASTER

Terra ASTER数据(L3A DEM及其衍生产品)的DEM是目前公认的在区域尺度和无法获取详细地质岩性和地形图的地区进行滑坡敏感性填图价格便宜的卫星数据类型之一(Santini et al，2009)。Nefeslioglu等(2012)利用ASTER对土耳其黑海地区西部的Kelemen集水区进行了滑坡敏感性填图，该研究基于人工神经网络使用卫星传感器获得的光谱信息、从Terra ASTER L3A DEM获得的地形数据集以及用作参考的HGK DEM，生成Kelemen集水区的滑坡敏感性评价图。分析过程分为下列2个评价阶段。

(1) 对比从Terra ASTER L3A数据与传统的地形数据获取DEM之间的差异，并讨论了它们的第一级和第二级派生数据：归一化植被指数、土地利用、高度、坡度、坡向、剖面曲率、平面曲率、沉积物运输能力指数、河流功率指数、地形湿润指数。

(2) 利用从卫星传感器获取的光谱信息以及从2个数据源获取的DEM和地形属性产生不同的敏感性评价图。根据比较评价的结果，Terra ASTER L3A的DEM与传统的地形数据之间具有很强的相关性，使用2个数据源所产生的滑坡敏感性地图的最终模型性能、预测能力与空间性能统计的相关性非常高。

3.2　AMSR-E

卫星遥感技术可以提供区域和全球范围土壤水分的空间集成信息，遥感的土壤湿度数据可以提供开展滑坡预测必需的边坡环境的新方法。目前，已经有各种主动微波传感器(如气象业务卫星计划(METOP)、高级散射测定计(ASCAT))和被动微波传感器(如高级微波扫描辐射计(AMSR-E)、热带降雨测量任务(TRMM))被用来测量不同的时间和空间分辨率的土壤水分，但大部分卫星的土壤水分数据是粗分辨率的。然而，正在进行中的主动和被动的土壤水分测量任务(SMAP)可以提供更高分辨率的土壤水分产品(Ray et al，2010)。

Ray等(2010)建立了一个需要土壤水分数据的基于物理的边坡稳定性动态模型，并以美国加利福尼亚州Cleveland Corral滑坡区为研究对象，将采用高级微波扫描辐射计(AMSR-E)获得的表层土壤水分制作的滑坡敏感图与使用可变渗透能力模型(VIC-3L)获得的土壤水分制作的滑坡敏感图进行了对比，发现尽管AMSR-E土壤水分的估计受到雪盖层的影响，但是尺度降级的AMSR-E的表层土壤水分与VIC-3L模型土壤水分之间具有明显的相关性。AMSR-E土壤水分平均值(0.17 cm3/cm3)和标准差(0.02 cm3/cm3)非常接近VIC-3L模型估计的土壤水分的平均值(0.21 cm3/cm3)和标准差(0.09 cm3/cm3)，且绘制的滑坡易发地区的位置和范围与定性结果十分相似。

4滑坡过程监测

变形测量在滑坡研究中非常重要，大地测量技术是获得亚厘米级精度信息的常用方法。如果空间或时间上的数据密度高，这些基于点的测量非常耗时。然而，使用DEM进行3D地面重建，是对滑坡和其来源边坡的形态分析的有力工具(Aksoy et al，2012)。在滑坡研究中，使用高分辨率DTM可以发现和分析与滑动活动有关的地貌的空间分布，如裂缝、陡坎和褶皱。为了监测滑坡活动所带来的危险，并认识相关过程，需要进行空间和时间测量，如位移速率和范围、地表形貌的变化。有多种遥感技术能够解决这些问题，如差分InSAR可以用于精细的位移分析，全色QuickBird卫星图像可以提供0.61 m的地面分辨率和3～4天的数据采集重复间隔，使用机载LiDAR的研究正快速增长(Ventura et al，2011)。LiDAR点云的质量主要是受表面粗糙度和反射率、测量入射角和观察范围的影响。利用点云可以得到亚米级的高分辨率DTM，且即使在植被覆盖环境下，仍可确定地表形貌。航拍照片可以提供重要的地表纹理数据，但摄影测量获得的DTM通常比基于机载LiDAR的DTM准确性和精确性要差，且无法重建茂密植被覆盖的地形。传统机载和星载遥感技术，适用于数平方千米地区的滑坡识别。多时相、高分辨率的DTM对监测滑坡的演化过程有优势，进一步提高了监测效果。

4.1　多时相LiDAR数据

Ventura等(2011)开展了对意大利Montaguto地区活动滑坡的多时相LiDAR研究，分别于2006年5月、2009年7月、2010年4月和2010年6月使用LiDAR获取了4个数字地形模型。对选定的形态参数(表面粗糙度、残余地形表面)的解译以及对这些参数的时空变化的统计分析对滑坡进行了重建，实现了滑坡边界监测，并估计了隆起和沉降区中迁移和堆积物质的体积、垂直和水平位移的平均速率。同时，该研究对不同时期影响滑坡的变形构造(陡坎、裂缝、褶皱)也进行了绘制，这些构造是即将发生的不稳定过程的前兆，或提供了移动机制的信息。

4.2　高分辨率航拍照片

从空中拍摄的照片所得的数字高程模型，其分辨率和精度适合用于开展滑坡运动建模。它们与LiDAR数据相配合获得的DEM质量较好。航拍照片的另一个优点是存档资料较多，许多国家可以获得过去50年左右的资料，且处理成本相对较低。因此，航空摄影测量能够用于准确重建历史上发生的滑坡，而且各种滑坡特征、基岩物质、地貌和植被之间的关系通过立体观察比从地面观察更为明显。

Prokešová等(2010)利用归档的数字摄影测量图像建立斯洛伐克中部新近纪火山活动区L’ubietová滑坡的历史地形，并对1969—1998年约30年的滑坡演变进行重建。研究过程中使用数字摄影测量工作站，对1969年(比例尺1∶1.6万)、1977年(比例尺1∶1.4万)、1988年(比例尺1∶1.7万)和1998年(比例尺1∶2.0万)获得的4套航拍照片进行了处理，提取了高程数据。然后对生成的4个高分辨率数字高程模型进行比较，通过前后2个DEM相减计算过去30年滑坡活动的分布和时空变化。根据其研究结果，1977年的活化事件在消减和积累区的山顶部位造成的垂直位移高达5～7 m，大量物质在此事件中重新分布。

5结论

遥感和空间分析工具在滑坡研究中应用广泛，如滑坡监测、评价、填图、编录和敏感性分析。在应用过程中，针对研究对象的类型、大小确定所用的数据是关键工作。限制现有卫星数据可用性的最重要因素是图像的空间分辨率不足，而一些新部署的具有更高图像精度的卫星系统使遥感数据在滑坡调查中的使用不断增加。

目前，国外基于遥感的滑坡研究包括下列4个重点方向。

(1) 研究传统的航空和航天遥感数据在滑坡识别、填图、特征描述和监测过程中的优势和局限性。

(2) 进一步开发创新性地球观测和图像分析技术，以提高与滑坡相关的地面形变的监测效果。

(3) 研究航天观测系统内在的局限性和消除这些局限性的数据处理技术。

(4) 增强遥感技术在理解滑坡破坏多样性(规模、成因和触发因子、预警信号、机理、破坏后的演化)方面的应用。

参考文献：

AKSOY B, ERCANOGLU M.2012.Landslide identification and classification by object-based image analysis and fuzzy logic: An example from the Azdavay region (Kastamonu, Turkey)[J]. Computers & Geosciences， 38(1): 87-98.

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

NIETHAMMER U, JAMES M R, ROTHMUND S, et al. 2012. UAV-based remote sensing of the Super-Sauze landslide: Evaluation and results[J]. Engineering Geology, 128(3): 2-11.

NEFESLIOGLU H A, SAN B T, GOKCEOGLU C, et al.2012. An assessment on the use of Terra ASTER L3A data in landslide susceptibility mapping[J]. International Journal of Applied Earth Observation and Geoinformation, 14(1): 40-60.

RAY R L, JACOBS J M, COSH M H. 2010. Landslide susceptibility mapping using downscaled AMSR-E soil moisture: A case study from Cleveland Corral, California, US[J]. Remote Sensing of Environment, 114(11): 2624-2636.

RAZAK K A, STRAATSMA M W, VAN WESTEN C J, et al. 2011. Airborne laser scanning of forested landslides characterization: Terrain model quality and visualization[J]. Geomorphology, 126(1): 186-200.

SANTINI M, GRIMALDI S, NARDI F, et al. 2009. Pre-processing algorithms and landslide modelling on remotely sensed DEMs[J]. Geomorphology, 113(1): 110-125.

VENTURA G, VILARDO G, TERRANOVA C. 2011. Tracking and evolution of complex active landslides by multi-temporal airborne LiDAR data: The Montaguto landslide (Southern Italy)[J]. Remote Sensing of Environment, 115(12): 3237-3248.

YANG XIAOJUN, CHEN LIDING. 2010. Using multi-temporal remote sensor imagery to detect earthquake-triggered landslides[J]. International Journal of Applied Earth Observation and Geoinformation, 12(6): 487-495.

Foreign research progress of landslide hazard analysis methods based on remote sensing

LV Peng1,2, NIU Lin3, ZHANG Wei1,2, LI Yi-chuan1,2, LI Wan-lun1,2

(1.National Geological Library of China, Beijing 100083, China; 2.Geoscience Documentation Center, China Geological Survey, Beijing 100083, China; 3.Eastern China Institution of Geological and Mineral Exploration for Non-ferrous Metals, Nanjing 210007, Jiangsu, China)

Abstract：Landslide is a kind of slope failure events with a greater impact on environment, and the remote sensing technology can be used for landslide identification, mapping, monitoring and evaluation. Compared with the direct field survey methods, remote sensing can obtain large-scale data quickly, and reduce filed efforts and cost. Therefore, it is more economical to use remote sensing to assess a large-scale landslide-affected area without good weather. Nowadays, there is much new progress of various remote sensing techniques and analysis methods for the foreign slope stability survey, such as synthetic aperture radar, portable UAV with high spatial resolution, multi-temporal remote sensing data, and object-oriented image processing method. This paper introduces these new methods of landslide studies and illustrates some instances, and further summarizes the progress and future direction.

Keywords：landslides; remote sensing; identification; mapping; sensitivity; monitoring; foreign