基于孕灾敏感性分析的高植被覆盖区滑坡地质灾害遥感解译

张 为,李远耀,张泰丽,桂 蕾,周 超

(1.中国地质大学(武汉)地质调查研究院，湖北 武汉 430074；2.中国地质调查局南京地质调查中心，江苏 南京 210016；3.中国地质大学(武汉)工程学院，湖北 武汉 430074；4.中国地质大学(武汉)地理与信息工程学院，湖北 武汉 430074)

遥感技术具有时效性好、宏观性强、信息丰富等显著特点，目前已成为地质灾害调查评价和灾情评估的一种重要技术手段。随着遥感技术的发展，高分辨率遥感影像逐渐被应用到滑坡地质灾害遥感解译工作中[1-2]。

利用遥感影像信息对滑坡地质灾害进行解译的方法主要分为三类：人工目视解译、计算机自动解译和人机交互解译[3]。长期以来，人工目视解译是生产和研究中利用遥感影像获取地质灾害信息的基本手段；同时，一部分学者对计算机自动解译也进行了探索和研究，并取得了一些研究成果[4-7]。然而，在地质灾害遥感解译中，人工目视解译存在成本高、效率低且对解译人员主观经验要求高等问题[8]；计算机自动解译只能对地表信息进行分析，难以获取多种滑坡孕灾地质环境信息，特别是对于高植被覆盖下的滑坡隐患的识别能力有限，解译精度较低；而人机交互解译是一种结合GIS空间分析等自动化技术，在个人与专家经验主导下的遥感影像人工解译方法，人机交互解译使人与计算机相互配合,充分发挥各自的优势，可以较准确、有效地对遥感图像进行解译。众多学者对人机交互解译的方法和应用进行了探索和研究，由于其具有快捷、高效的优点已被广泛应用于单体及区域地质灾害的调查评价中。如张明华[9]应用遥感技术并结合地理信息技术对西藏墨脱公路工程地质灾害进行了全面解译分析；唐小明等[10]提出了基于虚拟GIS和水文空间分析的遥感解译方法，并应用于区域小流域泥石流地质灾害的调查评价中；许冲等[11-13]基于GIS与遥感技术对汶川地震、玉树地震、芦山地震等重大地质灾害进行了快速解译、灾情评估和灾害发育特征及其分布规律等方面的研究。

综上可知，遥感技术在地质灾害调查中应用成功区域的共同特点是：地表裸露程度较高，地质灾害发育规模普遍较大，灾害体在遥感影像上的解译标志比较明显，较易以人工目视解译或人机交互解译的方式进行识别。然而，我国东南沿海丘陵地区植被十分发育，滑坡地质灾害规模较小且多数滑坡为浅层滑坡，仅凭人工目视解译难以获得准确的滑坡及其隐患信息。因此，本文以浙江省飞云江流域南田、雅梅图幅为典型研究区，首先在分析研究区内滑坡地质灾害的孕灾地质环境条件的基础上，开展了区域滑坡孕灾敏感性分区，确定出滑坡极高孕灾敏感区；然后根据区内滑坡解译标志，通过人机交互解译方法对滑坡灾害及隐患点进行遥感解译。该方法不仅克服了传统人工目视解译难以准确提取高植被覆盖区内滑坡地质灾害信息以及难以综合分析滑坡孕灾环境的缺点，同时又极大地缩小了解译范围，提高了解译效率和精度，为大范围高植被覆盖区内滑坡地质灾害信息的快速、高效提取提供了新的思路和方法。

1 研究区概况及滑坡特征

研究区浙江省飞云江流域南田、雅梅图幅地处我国东南沿海丘陵地区，面积约为840 km2，地跨浙江温州文成、泰顺两县，见图1。在地貌分区上研究区大致以飞云江为界，分为江北、江南两大地区，其中江北地区属洞宫山脉罗山支脉，山势高峻陡峭；江南地区为南雁荡山脉分支，从泰顺入境沿飞云江南岸延伸，山势较为平缓，地貌类型主要以山地、丘陵为主，河谷平原较少，植被发育。研究区由于靠近东海，受季风气候影响，每年都会遭受台风气候带来的强降雨或持续降雨，多年平均降雨量约为1 884 mm，雨量分布不均，多集中在4～9月份，以春雨、梅雨和台风雨为主，雨季降雨量占全年降雨量的80%左右，降雨型滑坡地质灾害广泛发生。

图1 研究区地理位置图Fig.1 Geographical location of the study area

研究区地处丘陵山区，局部地形陡峭，地质构造活动频繁，岩石风化强烈，区内地质灾害类型有滑坡、崩塌和泥石流，但以滑坡为主。相关统计资料显示，截止2015年底，研究区内共有滑坡灾害及隐患70处，均为浅层土质滑坡，70%的滑坡面积小于2 000 m2，具有规模小、分布广的特点，加之研究区植被覆盖率高，通过传统人工目视解译的方法识别区内滑坡灾害及隐患存在一定的困难，且遥感解译精度和效率较低。

2 区域滑坡孕灾敏感性分析

2.1 研究思路

本文的研究思路是：在综合整理分析研究区基础地质资料的基础上，通过遥感影像处理和ArcGIS空间分析等技术手段，获取研究区地形地貌、地层岩性、地表覆盖和水文环境等孕育地灾发育的环境背景因子；然后通过频率比法分析滑坡灾害与各类环境因子之间的相关性，确定研究区滑坡孕灾敏感性分区，并提取出研究区内滑坡极高孕灾敏感区，进而通过对研究区历史滑坡发育、变形和遥感影像等特征的分析，建立了区域滑坡解译标志；最后根据解译标志，利用人机交互的解译方法解译出极高孕灾敏感区内的滑坡灾害及隐患点，详见图2。

图2 研究思路图Fig.2 Methodology of the paper

2.2 数据来源

本文主要采用30 m分辨率的Landsat TM8遥感影像1景和分辨率为1 m的航空遥感数据资料作为主要遥感信息源。其中，Landsat TM8遥感影像用于提取地表覆盖因子，1 m分辨率的航片用于滑坡灾害体的识别。此外，1∶5万比例尺地形图和30 m分辨率的DEM数据用于提取地形地貌、水系分布等环境因子，而区域工程地质图、水文地质图和岩土类型图等则用于反映滑坡地质灾害的基础地质信息。

2.3 滑坡孕灾环境因子分析

2.3.1 滑坡孕灾环境因子的频率比分析

本文通过分析研究区内滑坡灾害的发育分布特征，结合相关研究[14-16]可知，影响研究区滑坡孕灾的基础环境因子主要为地形地貌、基础地质、水文环境和地表覆盖因子四大类，从高精度遥感影像、数字高程模型、基础地质图和野外调查资料中获取高程、坡度、坡向、剖面曲率、平面曲率、地形起伏度、地层岩性、地表粗糙度、归一化植被指数(NDVI)、归一化建筑物指数(NDBI)、地表湿度指数(NDWI)和距水系距离12个与滑坡灾害发生相关性较大的孕灾环境因子，经过相关性检验，发现地表粗糙度、地表湿度指数这两个因子与其余因子的相关性较大，因此剔除这两个相关性较大因子，确定其余10个相对独立的孕灾环境因子用于研究区滑坡孕灾敏感性分析。

此外，栅格单元大小对滑坡孕灾敏感性评价的精度有较大的影响，选择合适的栅格大小能有效地表达滑坡灾害孕灾敏感性的空间特征[17]。由于本文所用的DEM数据和遥感影像的分辨率为30 m，30 m×30 m的栅格既能有效地表征研究区地形地貌的特征，也不会因栅格数量太多而导致计算量过大，因此本文选择30 m×30 m的栅格单元作为评价单元，开展研究区滑坡孕灾敏感性评价。

目前用于研究滑坡灾害的发生与基础因子间非线性关系的方法主要有滑坡数量百分比、频率比法等[18-19]。其中，频率比法是基于滑坡灾害的分布与相关环境因子之间的关系，利用滑坡频率比(FR值)来揭示滑坡灾害的发生与各孕灾环境因子的相关程度，FR值=(某区间内滑坡栅格数/全区内滑坡栅格总数)/(某区间内因子栅格数/全区内该因子栅格总数)。由于该方法原理明确，操作简单，且能较好地体现孕灾环境因子各属性区间对滑坡灾害敏感性的影响程度，因而被大量运用于滑坡灾害敏感性和易发性分析中[20]。因此，本文采用频率比法来研究已发生的滑坡灾害与相关环境因子之间的关系，其中各因子分级方法采用自然间断法。研究区共有70个历史滑坡点，本次随机选择50个包含各指标属性的历史滑坡点作为样本滑坡点，其余20个滑坡点作为验证滑坡点，用以验证滑坡孕灾敏感性分区的准确性。研究区滑坡孕灾环境因子的频率比(FR值)分析结果，见表1。

表1 研究区滑坡孕灾环境因子的频率比(FR值)分析表

注：变量值的分区范围为左闭右开区间，例如距水系距离中变量值0～150表示距水系距离≥0 m且<150 m的区间，依此类推，以下同。

(1) 地形地貌因子：地形地貌因子主要从高精度遥感影像生成的DEM中获取，包括高程、坡度、坡向、剖面曲率、平面曲率和地形起伏度6个因子。本文选取坡度因子为例具体说明,研究区坡度在8°～35°范围内时，滑坡灾害发生的FR值大于1；当坡度小于8°和大于(等于)35°时，滑坡灾害发生的FR值均小于1(见图3和表1)，表明研究区的滑坡灾害主要发生在中等坡度的边坡上。

图3 滑坡灾害分布与地形坡度的关系图Fig.3 Relation between landslide hazard distribution and the slope

(2) 基础地质因子：地层岩性是影响滑坡孕灾敏感性的基础环境因子之一，岩性对坡体岩石和堆积体的物理力学性质具有重要的影响，因此本文采用地层岩性来表征研究区的基础地质条件。研究区的地层岩性主要包括火山沉积岩类岩组、火山碎屑岩和火山熔岩类岩组、侵入岩和潜火山岩类岩组三大类地层岩性单元，火山沉积岩类岩组中发生滑坡灾害的FR值为2.26，其余两类岩组中发生滑坡灾害的FR值均小于1(见图4和表1)，表明火山沉积岩类岩组对区域滑坡灾害的发生具有较大的影响，而其余两类岩组则不利于滑坡灾害的发育。

图4 滑坡灾害分布与地层岩性的关系图Fig.4 Relation between landslide hazard distribution and the formation lithology

(3) 水文环境因子：水文环境因子对滑坡灾害的发生及分布具有重要的影响，本文通过ArcGIS软件的缓冲区分析工具来获取研究区内栅格单元距水系的距离，用以表征水文环境对滑坡灾害发育的影响。研究区大约有75.88%的滑坡单元发生于距水系300 m的距离范围内，且距水系的距离由近及远发生滑坡灾害的FR值分别为1.5、1.18、0.45和0.52(见图5和表1)，说明距水系越近，发生滑坡灾害的频率越高。

图5 滑坡灾害分布与距水系距离的关系图Fig.5 Relation between the distance from water system and landslide hazard distribution

(4) 地表覆盖因子:从Landsat TM8遥感影像中获NDVI值和NDBI值用于反映人类工程活动、植被等因素对滑坡灾害发育的影响。当研究区NDBI值的变化范围为0～255时，FR值随NDBI值的增加逐渐增大，表明人类工程活动越频繁，滑坡灾害发生的频率越高；当研究区NDVI值的变化范围为70～192时，FR值大于1，表明NDVI值在此范围内变化时滑坡灾害发生的频率较高(见图6、图7和表1)。

图6 滑坡灾害分布与NDVI值的关系图Fig.6 Relation between NDVI and landslide hazard distribution

2.3.2 滑坡孕灾敏感性分区及精度验证

本文在获取滑坡灾害发育的相关环境因子的基础上，开展了滑坡孕灾敏感性分区。FR值反映了相对应的环境因子的不同数据区间对滑坡灾害发生的影响程度，FR值越大，表示对滑坡灾害发生的影响越大，因此利用ArcGIS软件的叠加功能，可将研究区滑坡各孕灾环境因子的FR值相叠加，即可得到研究区滑坡孕灾敏感性分区图，见图8。采用自然间断法将滑坡孕灾敏感性划分为极低孕灾敏感区(占全区8.16%)、低孕灾敏感区(占全区23.00%)、中等孕灾敏感区(占全区32.02%)、高孕灾敏感区(占全区25.34%)和极高孕灾敏感区(占全区11.48%)5个等级。在滑坡极高和高孕灾敏感区中包含82.09%的滑坡栅格单元数，且滑坡极高和高孕灾敏感区的FR值占FR值的89.97%，表明运用频率比法所得到的滑坡孕灾敏感性分区结果较准确。

图7 滑坡灾害分布与NDBI值的关系图Fig.7 Relation between NDBI and landslide hazard distribution

图8 研究区滑坡孕灾敏感性分区图Fig.8 Zoning map of landslide hazard sensitivity of the study area

进一步在滑坡孕灾敏感性分区评价结果中提取出滑坡极高孕灾敏感区(见图9)，将前文中用于验证的20个滑坡点用以验证研究区滑坡孕灾敏感性分区的精度，验证结果表明：有70%的验证滑坡点分布在极高孕灾敏感区，25%的滑坡点分布在高孕灾敏感区，表明滑坡孕灾敏感性分区结果是较为准确、可靠的。

图9 研究区滑坡极高孕灾敏感区分布及滑坡解译图Fig.9 Extremely high sensitivity distribution and land- slide interpretation in the study area

3 人机交互式滑坡地质灾害的遥感解译

3.1 滑坡地质灾害解译标志的建立

在提取滑坡地质灾害信息前，首先对滑坡灾害体的发育、变形、影像等特征进行系统地分析和研究，以避免解译时的盲目性。滑坡地质灾害的主要解译标志有形态、大小、色调、阴影、纹理及其周边的地形地貌。滑坡灾害在遥感图像上显示的特定色调、纹理及几何形态组合，称为滑坡地质灾害识别的直接解译标志；而滑坡灾害造成的地形地貌、植被、水系及景观生态等的异常突变，称为滑坡地质灾害识别的间接解译标志。通过分析研究区70个历史滑坡灾害的发育、变形及影像等特征，总结出了研究区滑坡地质灾害的主要解译标志见表2。

3.2 滑坡地质灾害信息的提取

由于潜在滑坡灾害及隐患更容易发生在滑坡极高孕灾敏感区内，因此在对其进行识别时主要从所获得的滑坡极高孕灾敏感区着手。本文在ArcGIS软件平台上，根据所建立的滑坡地质灾害解译标志，利用人机交互的解译方法对研究区滑坡极高孕灾敏感区内的滑坡灾害及隐患进行解译，具体圈定滑坡灾害及隐患的边界及运动方向。

表2 研究区滑坡地质灾害的主要解译标志

研究区滑坡极高孕灾敏感区的面积为96.323 km2，占全区面积的11.476%，在滑坡极高孕灾敏感区内解译滑坡可大大降低解译工作量，提高解译的效率和精度。最终，在研究区的滑坡极高孕灾敏感区内共解译出40处滑坡灾害及隐患(见图9)。通过现场验证发现，研究区40处滑坡均为浅层土质滑坡，大多属于中小型滑坡，平均面积为1 768.26 m2,其中70.9%的滑坡灾害及隐患的面积在2 000 m2以下，滑坡灾害的最小面积仅约30 m2，最大面积约为13 000 m2，所解译出的滑坡灾害的规模和分布面积与区内历史滑坡灾害基本一致，现场验证结果也表明该解译结果较为准确、可靠。

4 结 论

(1) 研究区具有植被覆盖率高、滑坡灾害规模小等特点，传统的人工目视解译或计算机自动解译遥感解译方法对此类滑坡地质灾害的解译存在困难。因此，本文将研究区内滑坡地质灾害及其孕灾环境作为研究对象，提出了基于孕灾敏感性分析和人机交互相结合的滑坡地质灾害遥感解译方法。

(2) 通过频率比法分析滑坡灾害与各孕灾环境因子之间的相关性，将研究区滑坡孕灾敏感性划分为极低孕灾敏感区(占全区8.16%)、低孕灾敏感区(占全区23.00%)、中等孕灾敏感区(占全区32.02%)、高孕灾敏感区(占全区25.34%)和极高孕灾敏感区(占全区11.48%)5个等级，并在遥感解译图上提取出滑坡极高孕灾敏感区，作为人机交互解译的范围，极大地缩小了滑坡灾害的解译范围。

(3) 通过分析研究区内历史滑坡灾害的发育、变形和影像等特征，建立了区内滑坡地质灾害解译标志，并根据滑坡地质灾害解译标志，利用人机交互的解译方法在滑坡极高孕灾敏感区(面积约为96.323 km2)内解译出40处滑坡灾害及隐患。经野外现场验证，该解译结果较准确，所解译出的滑坡灾害规模和分布面积等特征与区内历史滑坡灾害基本一致。

(4) 本文提出的遥感解译方法克服了传统人工目视解译难以准确识别高植被覆盖区地质灾害信息以及难以综合分析各类孕灾环境的缺点，通过确定滑坡极高孕灾敏感区来缩小滑坡地质灾害的解译范围，提高了解译的效率和精度，可为大范围高植被覆盖区内滑坡地质灾害信息的快速、高效提取提供新的思路和方法。