地理本体驱动的面向对象滑坡识别

魏家旺，惠文华，程梦真，李海

(长安大学 地质工程与测绘学院，西安 710064)

0 引言

滑坡灾害具有突发性强、分布范围广泛、危害性大、难以进行准确的预测预报等特点[1]。鉴于滑坡地质灾害带来的严峻后果，有效调查监测滑坡分布状况与活动情况，正确评估滑坡的潜在危险，对防灾减灾有重要意义。而遥感技术以其视点高、视域广、时效性、数据的综合性和可比性等特点,在滑坡研究中也发挥着越来越重要的作用。

目前，用于滑坡灾害信息的遥感自动提取方法主要有：基于像素的影像分类法[2-4]和面向对象的影像分类法[5-10]。前者在分类时主要依据地物的影像光谱特征，而无法利用其形状、位置等空间特征，且分类结果比较细碎，难以准确地获取滑坡的整体信息。后者以影像对象作为分类单元，除光谱特征外还可以较好地利用遥感影像上丰富的地物空间信息来进行分析判断；分类过程也更接近于人的逻辑思维方式，便于实现滑坡信息的自动化提取。然而现阶段使用面向对象方法进行滑坡信息的提取实践中对专家知识的利用还非常有限，仍不能脱离传统的数据驱动的模式识别范畴，存在“分类过程中专家分析不同带来的分类结果不一致”的问题[11-14]，自动化程度较低。

针对上述问题，顾海燕等[15]尝试进行了地理本体驱动的滑坡识别实验，但该研究仅构建了分类器模型，没有完整构建出滑坡地理本体；而本文通过地理本体建模的一系列步骤和方法，构建了完整的滑坡地理本体，实现基于高分遥感影像及专家知识的滑坡面向对象自动信息提取。

1 地理本体驱动的滑坡识别框架

地理本体指把有关地理科学领域的知识、信息和数据抽象成一个个具有共识的对象，并按照一定的关系组成体系，同时通过概念化处理和明确定义建立概念模型，最后进行形式化表达的理论与方法。从地理本体概念出发，采用“滑坡地理本体概念描述—滑坡地理本体建模—滑坡识别”解译框架[15]进行滑坡识别，如图1所示。

图1 地理本体驱动的滑坡识别框架

1.1 滑坡地理本体概念描述

滑坡地理本体表述的步骤为：先确定一些滑坡相关概念的表达，构建滑坡知识体系，进行滑坡概念本体模型描述。

滑坡知识体系主要有：地理知识、遥感影像特征、影像对象特征、专家知识等。

1)滑坡地理知识。滑坡地理知识主要分为空间分布、滑坡类别、地层岩性、地质构造、地形地貌、坡型、坡度坡向、起伏度、诱发因素9个部分。

中国滑坡主要分布西南、西北地区，其次分布在中南及东南地区，按滑体岩性物质分为堆积层(土质)滑坡，岩质滑坡，变形体3类。在各种松散堆积的易滑地层中[16]、凸形坡、坡度为10°～60°(其中认为10°～20°坡度上产生的滑坡是人类活动造成影响)、分水岭地段的阴坡、公路及铁路沿线人工开挖形成的陡峭山坡边坡、局部陡峭斜坡凹陷地段、河道突然出现异常变异的偏移弯曲部位或者突然变窄，侵蚀基准面急剧变化的主、支沟交汇地段及其源头、断裂带、中高山常处于地表径流的冲刷之下等地方易发生滑坡。

滑坡发生内在原因主要有易滑岩组、软弱结构面和有效临空面；外界环境因子主要有地下水位、降雨、地震及人为活动等。

2)滑坡遥感影像特征。遥感影像具有空间、时间、光谱、辐射四大分辨率，根据这些分辨率选择合适的遥感影像对识别滑坡有重要作用。如在具备滑坡发育基本条件地区，影像上最小可识别的滑坡为覆盖10像元×2像元大小的滑坡体，覆盖2 000个像元的滑坡才能识别其要素的细部特征[17]。大多数滑坡因其规模有限，一般情况下在空间分辨率低于5 m的遥感图像上解译效果显著降低。

3)滑坡影像对象特征。面向对象分析中，通过分割算法可得到影像对象，对应于滑坡区域的影像对象具有明显的特征。

①光谱特征。滑坡壁颜色与岩性有关，多呈浅色调或接近灰白，无植被，有时呈深色调，滑坡体植被覆盖稀少显示较亮。

②纹理特征。不同的遥感影像上滑坡会显示不同的颜色。在TM遥感影像假彩色合成图像上，老滑坡体为较均匀粉紫色，新滑坡体为紫色带墨绿色彩。

③几何特征。滑坡多呈围椅状、马蹄形、舌形、椭圆形、簸箕形、圆形或长圆形的围椅状、长椅形、倒梨形、牛角形、平行四边形、菱形、树叶形、叠瓦形或不规则状、长舌形、三角形等形态。

④类相关特征。滑坡体后部出现平台洼地、镜面、峭壁或陡峭地形、绝壁、陡坎等，存在明显的地形变异线和色调异常线，有时在滑坡壁后方可见后缘拉张裂隙。

⑤专题指数特征。滑坡体内部常形成相对独立封闭的汇水区和特殊的水网系统，或与邻近区域不协调的网纹结构。常见滑坡体上有“醉林”“马刀树”等。

4)滑坡解译专家知识。滑坡解译时，除了利用光学遥感影像数据，也能利用其他非光学遥感影像数据。例如：DEM、坡度数据、梯度数据、合成孔径雷达干涉测量(synthetic aperture radar interferometry，InSAR)滑坡速率图、滑坡敏感性图、地震图、气象图、灾害编目图等。

1.2 滑坡地理本体模型构建

在滑坡地理本体概念描述的基础上，进行滑坡地理本体的模型构建，包括滑坡知识建模和分类器建模两部分。其中，滑坡知识建模有遥感影像本体建模、滑坡解译类别本体建模、遥感影像对象本体建模等，可利用网络本体语言(web ontology language，OWL)表述。分类器本体建模可利用基于语义Web规则语言(semantic web rule language，SWRL)进行表述，共同构建滑坡地理本体模型，形成滑坡地理本体语义网络模型。

1.3 滑坡对象语义分类

基于上述构建好的滑坡地理本体语义网络模型，根据SWRL规则进行语义分类。

SWRL规则分类。遥感影像进行分割得到对象，获取每个对象的各个特征值，导入到构建好的滑坡地理本体中，利用SWRL规则进行语义分类，得到滑坡对象的语义信息。

2 滑坡识别实验

2.1 研究区和数据

本研究区为甘肃黑方台，坐落于甘肃省临夏回族自治州所辖永靖县盐锅峡镇，东离兰州市约40 km，南离永靖县城约20 km[18]。

由于受长期农业灌溉水入渗软化的影响，黑方台地区自20世纪60年代以来，不断发生滑坡，每年发生3～6次滑坡[19]。该类滑坡机制受泥岩力学性质的控制，具有低速近程和复活性的特点[20]。

本文使用的数据是WorldView-2高分辨率遥感影像，获取时间为2015年11月29日。采用多光谱影像，如图2所示。

图2 研究区遥感影像

2.2 滑坡地理本体概念描述

1)空间分布。研究区内的滑坡位于党川乡地界的台塬边，滑坡上部有大量耕地，滑坡下部分布着大量工厂和住宅区。

2)坡型及坡度坡向。坡体上陡下缓，滑坡大多数集中发生在10°～30°的斜坡上，黑方台滑坡主滑方向以南偏东向为主，阳坡滑坡发育多于阴坡。

3)诱发因素。黑方台地区每年的7月份为雨季且也是台塬灌溉量最大的月份，3月份气温开始升高，塬边层地下水融化，这些都导致研究区地下水位的不断抬升，黄土强度降低，滑坡失稳。

4)影像对象特征。

①光谱特征。在WorldView-2遥感影像上，滑坡具有清晰的后壁和镜面擦痕，其后壁往往呈光滑弧面状，但比较细小，滑坡体亮度稍暗。

②纹理特征。黄土滑坡由于物质单一，植被稀少，纹理比较细腻。

③几何特征。黑方台地区滑坡体形状多为辐射状[15]，滑坡整体细长。

④专题指数特征。由于黄土滑坡一般位于植被稀疏地域，可利用NDVI辅助判读；黄土泥流滑坡后壁可见地下水出露，利用NDWI进行识别。

5)专家知识。利用其他非光学遥感影像数据。例如：DEM及其衍生的Relief特征和坡度数据、InSAR滑坡速率图等。

2.3 滑坡地理本体建模

根据滑坡地理本体概念描述，利用OWL构建影像对象特征模型，然后进行滑坡提取规则SWRL本体表达，形成滑坡地理本体语义网络模型(表1)。

1)滑坡解译类别本体构建。利用自上而下的方法定义滑坡解译类别，分为5大类：水(water)，人工表面(artificial surface)、形变物(deformation)、碎石土(gravel soil)、滑坡(landslide)。再对碎石土继续往下细分，分为碎石土1(gravel soil1)、碎石土2(gravel soil2)。

2)影像对象特征本体构建。采用自上而下的方法对影像特征进行定义，主要分为光谱特征、几何特征、纹理特征、类相关特征、专题指数特征。往下继续细分，如专题指数有NDVI、NDWI等。

3) 滑坡识别规则SWRL本体表达。滑坡识别规则是先找到滑坡待分区，采用逐步剔除的策略，从而进行滑坡识别。

滑坡识别用到的主要特征为Mean_SAR、Mean_Slope、NDVI、Relief、NDWI。用SWRL本体语言将规则集描述出来。

4) 语义网络模型。在影像对象特征本体构建和滑坡识别规则SWRL本体的基础上，构建语义网络模型，如图3所示。

表1 滑坡易发区规则集SWRL本体表达

图3 滑坡地理本体语义网络模型

2.4 滑坡对象识别

1)影像分割。对影像数据进行多尺度分割。经过多次实验得出，当尺度参数设置为414，形状因子设置为0.3，紧致度因子为0.7时，有利于滑坡的识别。

2)特征计算及选择。将所选特征保存为逗号分隔值表格形式(comma-separated values，CSV)。

3)特征格式转换。将CSV格式转换为OWL格式[21]。

4)对象语义分类。利用Pellet推理机，根据各个类别的SWRL规则，推理出每个对象的类别。

5)分类结果展示。分类结果不仅可以用滑坡识别图(图4)展示，还可以在Protégé软件中直接查询出各个对象的语义信息。

图4 滑坡识别图

2.5 结果分析

从视觉效果上分析，该方法得到了很好的分类结果，能够将滑坡有效提取出来，不过部分地方有基岩和滑坡混分的现象。从定量上分析，正确识别滑坡区域占验证滑坡区域的88.86%，占提取总滑坡区域的75.02%，即滑坡识别率、滑坡提取准确率分别为88.86%、75.02%。该分类方法得到了较为满意的分类结果。

3 结束语

本文引入知识工程中的本体概念，通过概念描述、模型构建，确定了滑坡地理本体的语义网络模型，并对黑方台地区利用高分影像进行了滑坡识别的实验，取得了比较好的效果。该方法的好处在于所建立的滑坡概念本体，保证了滑坡领域知识的准确客观一致性，实现滑坡领域知识共享，最大限度地避免了因为滑坡专家知识不一致引起滑坡识别结果不一样的问题。该方法构建的滑坡地理本体为后续学者构建本体提供参考，可以根据各个滑坡特点修改利用，同时实现滑坡地理本体语义信息表达。该方法为滑坡识别提供了一种新思路，为滑坡自动化、智能化研究进行了有益的尝试。