环境减灾二号A/B卫星在地震次生地质灾害识别中的应用

王鑫 窦爱霞 袁小祥,2 丁玲 王晓青

(1 中国地震局地震预测研究所，北京 100036)(2 中国地震局工程力学研究所，哈尔滨 150080)

我国地处世界上最活跃的2个地震带——环太平洋地震带和亚欧地震带，是世界上地震活动较为频繁的国家[1]。地震灾害通常具有持续性，主震发生后余震不断，加上震后经常出现连续的强降雨天气，导致震区岩土体稳定性下降，极易出现滑坡、崩塌、泥石流、堰塞湖等一系列的次生地质灾害[2]。地震次生地质灾害具有形成时间短、突发性强、破坏性大、诱导性强等特点，能够加剧地震破坏效应，严重阻碍灾后应急救援工作的开展[3]。2008年5月12日，四川省汶川县发生8.0级特大地震，人员伤亡极为惨重。强震引发的地质灾害15 000多处，崩塌、滑坡形成坝高超过100 m的高危堰塞湖33处，潜在隐患点1000多处，地震次生地质灾害直接造成人员死亡约2万人[4]。2010年4月14日，青海玉树藏族自治州发生7.1级地震，地震后形成崩塌77处，滑坡29处，泥石流沟66处，地裂缝13处[5]。山体崩塌、滑坡、泥石流等损毁道路、桥梁、电力、通信等基础设施，阻塞河道迫使水位急剧上升形成堰塞湖。这些地震后经常出现的次生地质灾害阻碍了灾区救援通道，切断了外界与灾区的信息传输，导致相关部门无法在第一时间了解灾情，做出合理的应急处置方案，严重威胁着灾区人民的生命财产安全[6]。因此，快速、准确掌握灾区受灾情况，明确次生灾害发展状况并制定出合理的应急救援方案，对于地震应急、救援及灾后重建工作具有十分重要的意义。

2020年9月27日11时23分，我国在太原卫星发射中心用长征四号乙运载火箭，以“一箭双星”的方式成功发射环境减灾二号A/B卫星。这2颗卫星均配置16 m相机、高光谱成像仪、红外相机与大气校正仪4种载荷。其中：16 m相机通过视场拼接可实现16 m分辨率、800 km幅宽、5谱段成像；高光谱成像仪可实现48 m/96 m分辨率、96 km幅宽、可见至短波谱段高光谱成像；红外相机可实现48～96 m分辨率、720 km幅宽、红外多谱段成像；大气校正仪可在轨同步获取与16 m相机同视场的大气多谱段信息，进行气溶胶和水汽柱浓度校正，提高辐射定量化应用精度[7]。环境减灾二号A/B卫星可以识别灾害事故影响范围、发展动态、损毁情况等关键要素[8]，将为我国应急减灾、灾害事故调查与评估、生态环境、自然资源、水利、农业农村、森林草原、地震等领域提供持续业务应用，进一步拓展我国应急减灾监测技术手段，对于构建空天地一体化全域覆盖的灾害事故监测系统，全面提升我国防灾减灾救灾和应急管理能力水平具有重大战略意义[9]。

本文以2014年鲁甸地震重灾区为研究区，以环境减灾二号A/B卫星和高分一号、六号卫星遥感影像为数据源，根据滑坡的光谱异常、分布形态、地形与周围环境等解译标志，对鲁甸地区现有的滑坡进行解译与识别，通过对比分析阐述环境减灾二号A/B卫星在地震次生地质灾害中的应用能力。

1 研究区概况及数据源

1.1 研究区概况

2014年8月3日16时30分，在云南省昭通市鲁甸县(27.10°N，103.34°E)发生6.5级地震，震源深度12 km，震中位于昭通市西南约46 km，距离鲁甸县约27 km。地震造成昭通市鲁甸县、巧家县、昭阳区、永善县和曲靖市会泽县108.84万人受灾，其中，617人死亡、112人失踪、3143人受伤[10]。灾区房屋、交通、电力、通信、教育、卫生等基础设施遭到严重破坏，直接经济损失近200亿元人民币。地震灾区主要为山区，极灾区海拔高度在1000～2700 m，地势总体上由呈北东向分布，同时受河流深切形成北西向的沟谷，相对高度超过1000 m。该区地处川滇菱形块体东侧，属于扬子准地台滇东台褶带的滇东北台褶束。北东向、断裂、褶皱发育，并伴有北西向断裂分布。区内复杂的地质条件使得地震后易发滑坡、崩塌等地质灾害，造成人员生命财产和工程结构的重大损失。本文研究区选择鲁甸地震灾区Ⅷ度以上重灾区，如图1所示。

图1 鲁甸地震VIII度以上重灾区Fig.1 Hardest hit area of Ludian earthquake with degree VIII or higher

1.2 数据源

本文研究主要采用了环境减灾二号A/B卫星多光谱数据，数据如表1所示，影像覆盖范围如图2所示。此外，还使用高分一号、六号等其他卫星存档或同期观测数据，数据如表2所示，影像覆盖范围如图3所示。

表1 环境减灾二号A卫星数据Table 1 HJ-2A satellite data

表2 高分一号、六号等卫星数据Table 2 GF-1，6 and other satellites data

图2 环境减灾二号A卫星数据覆盖范围Fig.2 HJ-2A satellite data coverage

图3 高分一号、六号卫星数据覆盖范围Fig.3 GF-1，6 satellites data coverage

2 研究方法

本文基于环境减灾二号A/B卫星影像，通过目视解译方法对研究区内滑坡体的识别能力进行研究，采用定性评价与定量评价相结合的方法，基础评价与应用评价相结合的方式。定性评价采用ENVI和ERDAS软件影像相同窗口2维和3维目视比较，定量评价使用ArcGIS软件的统计功能，对各滑坡的面积进行统计，分析其各等级的识别率。

本文研究收集了鲁甸地震重灾区2021年的环境减灾二号A/B卫星影像、分辨率相近的高分一号卫星宽幅相机(WFV)影像，采用目视解译方法，提取重特大地震造成的大尺度滑坡、崩塌等次生地质灾害，处理过程如图4所示。

(1)数据收集与预处理。选择云量小于10%的L1A级环境减灾二号A/B卫星影像，基于地面系统提供的几何成像模型(RPC)参数和地形数据对其进行正射校正，在此基础上对照参考影像进行配准。高分一号、六号采用加拿大PCI公司的地理影像集成软件系统(GXL)，以陆地卫星-8(Landsat-8)陆地成像仪(OLI)全色影像为参考影像进行几何精校正。

(2)宏观地震次生地质灾害信息提取。首先，在影像预处理的基础上分析历史地震滑坡影像、同期高分卫星影像及环境减灾二号A/B卫星影像上滑坡影像特征，建立滑坡解译标志。然后，利用地震后亚米级高分卫星影像解译极震区滑坡分布，对照与环境减灾二号A/B卫星同期米级高分卫星影像，选取研究区内的大型、中型、小型各类滑坡，对选取的滑坡逐个研判环境减灾二号A/B卫星影像上的可识别性。最后，统计分析环境减灾二号A/B卫星影像上可识别出的滑坡的面积等信息，通过与高分卫星对比分析评价环境减灾二号A/B卫星在地震地质灾害调查评估中的应用精度和业务满足度。

图4 处理过程Fig.4 Processing process

3 试验与分析

3.1 影像几何特征分析

环境减灾二号A/B卫星影像采用ENVI RPC正射校正，DEM为12.5 m，具体参数设置如表3所示。

表3 环境减灾二号A/B卫星影像正射校正方法及参数Table 3 HJ-2A/B satellites image orthorectification methods and parameters

定位精度分析首先基于RPC参数将L1A产品进行正射校正，对正射校正后的环境减灾二号A/B卫星影像与2景Landsat-8 OLI全色镶嵌影像进行配准，配准使用ENVI 5.3软件中自动配准工具Geometric Correction/Registration/Image Registration Workflow。在自动化配准过程中，ENVI软件总共找到473个控制点，共有23个点误差超过1像元，2个点误差超过2像元，总误差为0.59，删除误差超过1像元的控制点后，共450个控制点，总误差为0.52。精校正前后对比如图5所示，校正前2个影像同名点相关约100多米，精校正后环境减灾二号A卫星影像与Landsat-8 OLI全色影像无明显偏移，与高分一号、六号卫星影像对比(分别见图6和图7)，无明显偏移。自动匹配的环境减灾二号A/B卫星几何精校正后，误差在1像元以内，完全能够满足地震地质灾害识别的应用需求。

图5 几何精校正前后对比Fig.5 Comparison before and after geometric correction

图6 高分一号卫星融合影像Fig.6 GF-1 satellite fusion image

图7 高分六号卫星融合影像Fig.7 GF-6 satellite fusion image

3.2 重特大地震地质灾害识别

地震地质灾害包括滑坡、崩塌、泥石流、堰塞湖等，其中以滑坡、崩塌尤为多发。本文研究以滑坡为研究对象，对环境减灾二号A/B卫星影像的滑坡识别能力进行应用评价。

3.2.1 滑坡解译标志

地震具有突发性，破坏性大，其诱发的滑坡地质灾害大都在短时间完成，对地表岩石、土壤、植被、水体等破坏严重，因而在遥感影像上光谱特征非常明显，对于区域性地质灾害点的识别较为容易。通过对高分卫星影像的解译，一些地貌、色调反映明显的滑坡地质灾害，可以根据影像确定其类型和范围。地震滑坡遥感解译常依据其在遥感影像上的形状、大小、纹理、色调、地形和周围环境。云南鲁甸6.5级地震牛栏江红岩石村大型滑坡附近的滑坡区影像如图8所示，牛栏江红岩石村大型滑坡影像如图9所示。

图8 牛栏江红岩石村附近滑坡区影像Fig.8 Image of landslide area near Hongyan Village of Niulanjiang

图9 牛栏江红岩石村大型滑坡影像Fig.9 Image of a large-scale landslide in Hongyan Village of Niulanjiang

(1)形态特征。滑坡一般具有比较明显的形态及结构特征，多呈簸箕形、舌形、椭圆形、叠瓦形或复合形。

(2)色调纹理特征。滑坡一般会破坏地表植被，发生滑坡的区域土地裸露，与周围未发生滑坡的区域形成鲜明的对比，影像上地表植被的破坏造成其与周边地物的色调差异，滑坡后缘发育凹形异常色调影像，滑坡前缘向谷地凸出，呈长条形分布，滑坡体部分反射率较高，影像呈亮白色、浅白色、土黄色等较亮的异常光谱特征。

(3)地形与周围环境特征。滑坡多分布于沟谷、河流等陡峭边坡地段，地形是滑坡解译的重要标志之一，包括高度、坡度、坡向、凹坡、凸坡等滑坡所处地形条件的综合表现，能够反映出滑坡对区域地形的改变，滑坡区域与非滑坡区域之间形成反差。周围环境能够帮助研判滑坡的类型和结构、滑床的高度和周围存有的断层等信息。

3.2.2 影像滑坡解译

基于鲁甸地震后高分一号卫星影像、Google影像，结合地震前历史影像解译鲁甸重灾区的滑坡，共1025处，分布如图10所示。

图10 高分一号卫星影像解译鲁甸重灾区滑坡分布Fig.10 GF-1 satellite image interpretation of landslide distribution in the hardest hit area in Ludian

依据色调、形态与地形等解译标志，分别在2维和3维场景下采用目视解译方式对2021年3月18日获取的高分六号卫星2 m全色与多光谱融合影像上滑坡进行解译，共有104处滑坡，分布如图11所示。其中：紫色区域为鲁甸地震滑坡分布；红色标志的滑坡为鲁甸地震滑坡中到目前仍存在且在2 m影像上能够识别出的滑坡区域。

图11 高分六号卫星影像解译鲁甸重灾区滑坡分布Fig.11 GF-6 satellite image interpretation of landslide distribution in the hardest hit area in Ludian

在同期高分卫星2 m影像滑坡解译的基础上，基于2021年3月19日获取的环境减灾二号A卫星16 m影像上的滑坡，依据其光谱、形态、地形及周边环境等特征，在2维和3维场景下，对滑坡进行目视解译。高分六号卫星影像上共解译104处滑坡，环境减灾二号A卫星影像目视解译滑坡17处，分布如图12中黄色标志区域所示。

图12 环境减灾二号A卫星影像解译鲁甸重灾区滑坡分布Fig.12 HJ-2A satellite image interpretation of landslide distribution in the hardest hit area in Ludian

图12中方框1范围内的滑坡如图13所示。图13(a)为2021年3月18日高分六号卫星2 m融合影像上仍存在的滑坡，图中2个箭头所指的2处较大的滑坡中，黑色箭头所指示滑坡在环境减灾二号A卫星16 m影像上表现如图13(b)所示，在高分一号卫星16 m影像上表现如图13(c)所示，均呈现出光谱异常现象。红色箭头所指滑坡因被新植被覆盖，从高分六号卫星2 m影像结合3维地形特征，根据滑坡边缘、顶部崩塌区及其形态等特征，综合判定为滑坡。在环境减灾二号A卫星与相同分辨率的高分一号卫星影像上，该滑坡仅上缘存在崩塌区及其边界处有线性异常，因此未能识别出，但是若为地震后新发生的滑坡，其范围较大，光谱异常特征突出，该规模的滑坡较容易识别。

图13 鲁甸解译区域方框1范围内滑坡特征对比Fig.13 Comparison of landslide characteristics in box 1 of Ludian interpretation area

图12中方框2范围内的滑坡如图14所示。图14(a)为高分六号2 m影像解译滑坡分布，共22处；图14(b)为环境减灾二号A卫星16 m影像解译滑坡分布，共4处；图14(c)为2021年3月28日获取的高分一号卫星16 m影像解译滑坡分布，共4处。其中：图14(b)和图14(c)中的下面2处滑坡呈现高亮色，较容易识别；上面2处部分表现出光谱异常，比较识别与未识别出的滑坡，发现影像呈现光谱异常，且分布范围较大的滑坡目视才被解译出来。

图14 鲁甸解译区域方框2范围内滑坡特征对比Fig.14 Comparison of landslide characteristics in box 2 of Ludian interpretation area

图12中方框3范围内的滑坡为牛栏江红岩石村附近的多处滑坡，如图15所示。其中：2处大型滑坡导致牛栏江堰塞湖，以及附近村庄的淹没。在图15(a)2021年3月13日高分六号2 m影像上，可以清晰看到多处地表呈现白色或亮土黄色，地表表现出与周围明显光谱异常。在图15(b)环境减灾二号A卫星16 m影像上标示规模较大的位置1处和位置3处滑坡，其光谱异常较明显，较容易判识；位置2处滑坡规模较小，光谱上呈现不太明显的亮色异常，结合地形，其形态呈现从高处向低处分布，可判断为滑坡。在图15(c)高分一号卫星16 m影像上也仅这3处滑坡能够识别出。

图15 牛栏江红岩石村大型滑坡对比Fig.15 Comparison of large-scale landslides in Hongyan Village of Niulanjiang

3.3 地震地质灾害应用能力评价

根据DB/T 74-2018《地震灾害遥感评估地震地质灾害》，地震滑坡可按滑坡面积分为4个等级。①巨型滑坡，单个滑坡体的面积不小于107 m2；②大型滑坡，单个滑坡体的面积为[106,107) m2；③中型滑坡，单个滑坡体的面积为[104,106) m2；④小型滑坡，单个滑坡体的面积小于104 m2。

鲁甸地震滑坡中，高分六号卫星2 m影像能识别出104处不同规模的滑坡，其中大型滑坡5处，中型滑坡38处，小型滑坡61处。环境减灾二号A卫星影像目视解译出其中17处不同规模的明显滑坡，其面积和等级如表4所示，根据面积统计，大型滑坡5处(其中2处被植被覆盖，按该滑坡规模的光谱异常可识别出)，中型滑坡11处，小型滑坡1处。根据高分六号卫星识别出的滑坡，环境减灾二号A卫星大型滑坡识别率100%，中型滑坡识别率29%，小型滑坡识别率2%。由于鲁甸地震发生在2014年，部分滑坡区已被新植被覆盖，环境减灾二号A卫星上2处大型滑坡仅能看到滑坡边缘亮线，而高分六号卫星2 m影像上根据其形态可判断为滑坡，因此实际地震后，根据光谱异常，大型滑坡能全部识别出。

表4 环境减灾二号A卫星目视解译滑坡面积等级Table 4 HJ-2A satellite visual interpretation of landslide area grade

通过上述分析表明：对于大型滑坡，环境减灾二号A卫星识别能力较好，少部分中型滑坡也能识别出，若结合地震前影像进行比较识别，滑坡识别率将更高。因此，环境减灾二号A卫星能够满足重特大地震地质灾害监测评估的应用需求。

4 结束语

本文以2014年鲁甸地震重灾区为研究区，选择2021年3月19日的环境减灾二号A卫星影像，经几何精校正后，结合2021年3月18日获取的高分六号卫星2 m影像，根据滑坡的光谱异常、分布形态、地形与周围环境等解译标志，对鲁甸地区现有的滑坡进行解译。2014年高分六号卫星影像解译鲁甸地震后重灾区滑坡1024处，2021年高分六号2 m影像解译滑坡104处，环境减灾二号A卫星解译滑坡17处。在对滑坡面积、等级等信息统计的基础上，发现环境减灾二号A卫星可识别出震后大型以上滑坡、部分中型滑坡和个别小型滑坡。由于鲁甸地震发生较早，部分滑坡区已被新植被所覆盖，影像光谱异常特征消失，导致部分大型滑坡未能识别出。实际地震后，结合地震前影像对比分析，环境减灾二号A卫星对于滑坡的识别率会高于本次的研究结果。同时，与相同分辨率的高分一号卫星16 m影像比较，环境减灾二号A卫星识别滑坡的能力相当。因此，对于重大地震地质灾害，环境减灾二号A/B卫星影像对大型滑坡具有较好的识别能力，并且具有幅宽较大的优势，能快速识别大型滑坡等地质灾害，确定极灾区范围，具有较好的应用前景。