基于深度学习震后高分辨率影像的滑坡自动化提取研究①

张 萌，刘 军，王 琳，李世杰

(1.贵州省地震局，贵州 贵阳 550001; 2.中国地震应急搜救中心，北京 100049)

山体滑坡是山区震后常见的次生灾害之一[1]，不仅损毁房屋造成人员伤亡，也会破坏道路等设施阻断交通，影响地震灾区应急救援工作的开展。快速且准确地获取震后滑坡信息是灾害领域的研究热点和难点。随着遥感技术的发展，高分辨率遥感影像、点云数据、SAR影像等遥感数据广泛应用于烈度调查[2-3]、滑坡调查[4-5]、建筑物震害调查[6-7]等工作。日本学者利用黑白航空影像绘制日本滑坡分布图；谷德振、陈述彭等采用遥感技术调查滑坡、泥石流，分析二滩电站库岸稳定性[8]。早期对滑坡等地质灾害的调查多是基于目视解译，根据滑坡处影像的颜色、纹理、形状、大小等信息识别滑坡并且进行标注[9-11]，但这种方法成本高且易受主观因素影响。随着遥感技术的发展，王治华等提出“数字滑坡”技术概念，即以遥感和全球定位系统方法为主，结合其他勘探、试验及调查手段获取数字形式的与地理坐标配准的滑坡基本信息[10]。随后出现了大量基于中低分辨率遥感影像的滑坡危险性分析[12]与滑坡提取研究，Wasowski等[13]分析了遥感技术发展给滑坡灾害研究带来的机遇，并讨论雷达、ETM+、RADARASAT-1及GPS等多源数据观测滑坡的可行性；苏凤环等[14]分析滑坡在不同影像上的光谱特征差异，采用密度分割和掩膜技术建立了滑坡灾害快速提取模型。利用中低分辨率遥感影像进行滑坡自动解译，一定程度上提升了灾后滑坡提取的效率，但混合像元等问题影响震后滑坡的精度。

随着传感器技术不断发展，高空间分辨率遥感影像因其快速获取且细节信息丰富的特点，成为滑坡提取的重要数据源之一。无人机影像因其快速获取信息、成本低等特点成为应急救援、灾情获取的重要手段[15-16]。研究者利用高分辨率遥感数据研究震后滑坡自动提取算法。李金香等[17]利用地震前后的高分辨率遥感影像，对皮山MS6.5地震震后房屋建筑物损毁情况、地震地质灾害调查、生命线工程损毁程度等方面开展灾情遥感应急应用监测与分析。Daniel Hölbling等[18]使用SPOT-5图像和数字高程模型(DEM)，采用基于对象的影像分析方法提取意大利西北部的滑坡。Camille Kurtz等[19]使用多种空间分辨率的相同区域的图像，提取滑坡区域。黄汀等[20]选择汶川地震极震区的GF-1卫星影像，通过面向对象的分析技术提取滑坡信息。吴玮莹等[5]基于震后首天获取到的高分辨率遥感影像，通过人工目视解译方法初步建立四川九寨沟地震滑坡编目。李强等[21]在深入分析滑坡遥感影像特征的基础上，引入面向对象分析方法，实现基于无人机影像的震后滑坡体自动识别。

深度学习强大的特征提取能力[22]逐渐成为遥感影像解译的重要手段之一，利用深度学习提取震后滑坡成为研究热点。Amit S等[23]通过深度卷积神经网络(CNN)来分析遥感图像，从而提出一种自动化的洪水与滑坡灾难检测系统。Ding[24]提出了一种基于卷积神经网络和纹理变化检测的滑坡自动识别方法，通过3步逐步缩小搜索范围，最终确定真实的滑坡区域，在效率和便利性方面优于传统方法。Xu等[25]提出了一种基于对象多尺度的影像识别深度模型(DFPENet)，在地震滑坡识别任务中表现良好。本文中将面向对象的影像分析思想与深度学习结合，构建破坏性地震的震后滑坡样本库，提出用于自动化解译高分辨率影像震后滑坡的方法，即使在没有专家知识的情况下，也能够有效提取震后滑坡，为救援决策提供支持。

1 研究区概况

采用2017年8月10日无人机航摄的九寨沟MS7.0地震震后无人机影像(实验区1)与2014年8月3日鲁甸MS6.5地震震后谷歌地球历史影像(实验区2)；影像包含RGB三个波段的信息，分辨率分别为0.4 m与0.52 m。其中实验区1位于四川省九寨沟县漳扎镇九寨沟景区内，影像行列数分别为5 889、7 190，数据为192 MB，面积为6.77 km2，实验区2位于鲁甸县龙头山镇龙头山附近，行列数分别为7 174、4 120，数据为135 MB，面积为7.99 km2。

实验区的滑坡体在高分辨率影像上滑坡区域常呈现较新鲜的褐色或灰白色，从色彩上能与植被等色彩差异较大的地物区分，滑坡区有明显的滑坡后缘、滑动面以及前沿的堆积区，多成簸箕状，与泥石流、道路、建筑物等地物有较大差异。由于实验区的位置不同，2个区域的滑坡颜色与形状不一，九寨沟地区滑坡裸露的地表多为灰白色或亮白色；鲁甸地区滑坡后裸露的图层为红褐色或浅褐色。此外，植被纹理存在差异，九寨沟地区的滑坡周围多为茂密的乔木，纹理粗糙，鲁甸地区滑坡周围多为草甸与灌木，纹理光滑。

2 研究方法

2.1 滑坡提取深度模型构建

强地震动作用过程中，地震波在坡体内的不连续界面复杂传播，导致坡体拉裂、松弛、破裂，沿着滑动面以整体下滑或倾倒、溃散等形式形成大量的滑坡[26-27]。地震后产生的大量滑坡体，依靠人工解译费时费力，通过设计提取规则能够有效快速提取滑坡体，但十分依赖专家经验。因此，本文中利用深度卷积网络进行滑坡提取，利用已经发生的滑坡作为训练数据，建立适用于震后滑坡提取的深度卷积网络模型。首先，建立典型的震后滑坡样本库；然后，利用迁移学习，建立用于震后滑坡提取任务的深度学习网络；最后，以图像对象为处理单元，提取震后滑坡信息(图1)。

图1 算法流程图

2.1.1 影像分割

面向对象的影像分析是以图像对象为处理单元，可提取形状、上下文关系、周边关系等丰富特征。本研究提出的算法中，以对象作为分析单元可以快速获取图像块作为神经网络的处理单元，相较于以固定的大小直接将图像分块，图像分块的内容更具有完整性。分割方法选用分型网络演化算法，分割后能同时保留大尺度对象与小尺度对象，能够反映高分辨率影像中大小尺度不一的地物，这也与震后不同规模大小的滑坡相适应。

分型网络演化算法是一种自下而上的区域增长算法，以任意点为初始对象，与周边的对象合并，合并过程中计算与周边对象的光谱异质性hb与形状异质性hs，二者在设定的阈值范围内合并，超过阈值时停止。光谱异质性可定义为区域与邻域的光谱差异值，为各波段光谱差异值的面积加权和。令b为图像的波段数量，σb为该波段的标准差，wb为该波段的权重，则光谱异质性参数为对象的各个波段标准差的权重和，

(1)

形状异质性定义为对象的形状紧密度和形状光滑度的差异，即为二者的面积加权差异值，令光滑度为hi、紧密度为hj，二者权重分别为wi、wj。形状异质性hs定义,

hs=wi×hi+wj×hj.

(2)

分型网络演化算法在对象合并的同时考虑形状特征与光谱特征，使分割结果能够保持较为规整的分割区域边界。异质性准则[28]计算，

H=wc×hb+ws×hs.

(3)

式中，wc和ws为光谱异质性和形状异质性的权重，wc+ws=1。

2.1.2 滑坡样本库建立

为建立用于滑坡分类的深度学习模型，采集西南地区的汶川地震、芦山地震，鲁甸地震和九寨沟地震的滑坡体作为模型训练样本，几次地震均造成大量的滑坡崩塌等地质灾害，且均位于西南部海拔较高，地貌复杂，坡度较陡的地区；在滑坡成因以及地形地貌上较为相近。样本数据库的建立包括灾害点标记、影像裁切、滑坡区域标记、标签生成等步骤，在实验中选用谷歌地球影像与labelme软件完成滑坡样本库的建立。最后收集滑坡样本350个，负样本200个，通过数据增扩，获得1 100个训练样本。选用迁移学习的方法，在小样本条件下，构建震后滑坡提取的深度卷积网络分类模型(图2)。

图2 训练样本示例图

2.1.3 模型构建

为研究深度学习对震后滑坡提取的效果，将其运用于震后滑坡提取。建立滑坡样本库后，可利用样本库建立用于滑坡提取的深度学习模型。本研究利用迁移学习建立滑坡模型，在小样本数据的情况下也能够较好地完成目标任务。采用在语义分割上具有良好表现的Deeplab v3+框架进行迁移学习(图3)，用于震后滑坡提取。Deeplab v3+模型由2部分构成，第1部分为编码，第2部分为解码。在编码过程中，利用空洞卷积(atrous convolution)获取输入图像的多尺度上下文信息，在解码过程中，获取影像中目标地物的边界信息，增加提取结果的准确度。

图3 Deeplab V3+深度学习框架

迁移学习可以将某个领域或任务上学习到的知识或模式应用到不同但相关的领域或问题中。本文中，使用迁移学习的方法利用采集的滑坡样本对自然图像分库的模型参数进行调整，建立适用于滑坡提取的深度学习模型。

2.2 精度评价

本文中采用总体精度(OA, overall accuracy)和Kappa系数(Kappa coefficient)指标评价提取结果的优劣。二者的计算以误差矩阵(混淆矩阵)为基础，设地物类别为N类，则误差矩阵大小为N×N，j为实际类别，i为分类后的类别i,j∈(1,2,…,N)；nij为实际类别j被分为类别i的像元个数。

(4)

式中，OA为总体精度，即正确分类的像素个数与参考分类的总像素个数的比值，是评价整体分类性能的指标。

(5)

3 实验结果与分析

3.1 分割尺度对分类结果的影响

面向对象的影像分析方法以分割的影像区域(对象)基础单元，分割尺度决定对象的大小，当分割尺度较小时，对象的面积较小，地物的细节信息被突出。当影像分割尺度较大时，对象的面积较大，地物的整体特征突出。在震后滑坡提取中，需选择适合滑坡提取的分割尺度有利于提升提取精度。因此，在本文中探索了不同滑坡场景在小中大(150、300、500)3个分割尺度下的滑坡提取精度(图4)。

图4 不同分割尺度下的滑坡提取结果

对比不同分割尺度下的分类结果，在较小的分割尺度中，提取结果能够精确地包围滑坡体，并且能关注到震区的小型滑坡体，例如在实验区1的D区域与实验区2的C、D、E区域。然而小尺度的提取易关注区域的细节信息，容易受其他地物干扰，例如在实验区1的A区域，亮度高的水泥地被误分为滑坡。较大的分割尺度时，滑坡提取范围的整体性较好，在大型的滑坡提取时，提取结果能够包围滑坡区域。然而大尺度分类结果的滑坡边界存在偏移并且会过度包围的滑坡边缘植被，且容易忽视小型滑坡体，例如实验区1的B、C、E 3个区域与实验区2的A、B区域。对比实验区1与实验区2的震后滑坡体，实验区1的滑坡体面积较为接近，实验区2的滑坡体形状、面积差异较大。实验区1分割尺度从小到大滑坡提取结果的Kappa系数分别为78.047%、73.777%和77.229%。实验区2分割尺度从小到大的滑坡提取结果的Kappa系数分别为76.117%、81.799%和72.923%。

模型的精度和效率反应了模型的实用性，列出各实验区在不同尺度的分类耗时(表1)。提取的时间受分割尺度影响，分割尺度越小，影像分割结果越破碎，通过对象得到的图像块更多，耗费时间更长。大尺度的图像块少，提取时间更短。考虑到不同尺度的图像块大小不一致问题，对图像块进行变换，都统一到同样的尺寸。在内存32 G，显存4 G，显卡为NVIDIA Quadro P2000的移动工作站上对实验区进行6.77 km2、7.99 km2震区范围内的亚米级遥感影像进行滑坡提取。

表1 运行时间表

对比分析运行结果的提取准确度与时间，在滑坡规模相当、小型滑坡较少的情况下(实验区1)，选择大尺度分割进行滑坡提取较为有利，时间成本较低且取得的提取效果较好。在滑坡规模差异较大时(实验区2)，小型滑坡与大型滑坡间杂的情况下，选择中小分割尺度提取结果精度高，但耗费时间较长，综合考虑可以选择中等尺度进行滑坡提取。

3.2 分类方法对比

为验证方法的有效性，选用广泛应用于震后滑坡提取的机器学习算法进行对比(图5)，方法包括：基于像素的最大似然分类法(ML，Maximum Likelihood Classification)、基于像素的最小距离分类法(MD，Minimum Distance Classification)、基于对象的K最邻近法(KNN，K-Nearest Neighbor)和基于对象的支持向量机分类算法(SVM，Support Vector Machine)。基于像素的ML与MD分类结果椒盐噪点严重，虽然能够标识出滑坡位置，但亮度较高的道路、房屋、部分树木会被误分为滑坡体。基于对象的KNN和SVM分类结果优于基于像素的分类结果，但对于亮度较高的屋顶、道路及滑坡后形成的泥石流会误分为滑坡。实验区2左上角滑坡区域不能准确标识滑坡区的细节信息，且容易忽略震后的小型滑坡。对比传统的分类方法，本文中的滑坡提取结果没有椒盐噪声，不会将滑坡体与泥石流、道路、房屋混淆，对滑坡体具有良好的辨识能力。

图5 不同分类算法结果对比

为定量分析各分类算法在滑坡提取中的效果，采用总体精度与Kappa系数作为评价指标，评价时以滑坡作为正样本，非滑坡区作为负样本，震后遥感影像中，负样本数量超过正样本数量。总体精度能够评价提取结果的整体情况，在此基础上，引入Kappa系数进行补充，充分考虑错分像元与漏分像元的误差(表2)。

表2 精度评价表

对比几种方法的分类精度，基于对象的影像分类精度普遍高于基于像素的分类结果，在实验区1的总体精度最大提升5%，Kappa系数最大提升17.87%。在实验区2的总体精度最大提升7.3%，Kappa系数提升17.47%。因此，对高分辨率影像滑坡提取时，利用基于影像对象的方法能够取得比基于像素的分类方法更好的提取结果。在面向对象的影像分析方法上进行对比，本文中的算法在实验区1的分类结果总体精度与Kappa系数和实验区2的分类结果总体精度与Kappa系数较传统的KNN与SVM滑坡提取算法精度更高，且提取前不需要进行手动样本选取。

实验区1为九寨沟地区，植被丰富、森林覆盖度高，实验区2为鲁甸县龙头山镇，植被多为灌草丛或森林；两个实验区海拔与植被有较大差异，导致滑坡体的颜色和运动轨迹形态不一。实验区1为震后无人机影像，实验区2为震后卫星影像。提出的方法在不同的场景、不同的数据源中均能够达到较好的滑坡提取效果，体现了算法的鲁棒性。采用深度学习进行滑坡提取能够取得较传统分类方法更好的滑坡提取效果，且分类表现具有稳定性。

4 结 语

高分辨率影像是灾情收集的重要手段，研究影像的快速解译获取滑坡信息对现场救援工作具有重要意义。本研究从提升滑坡解译的精度与效率出发，结合深度学习高效的特征提取能力与面向对象的影像分析，研究震后滑坡体的自动提取问题。在地震震后滑坡提取实验中，首先对分割尺度进行分析，对比分类效果以及时间效率，对于滑坡体积差异较大的区域，采用中小尺度的分割结果有利于震后滑坡的提取。其次，对比不同分类方法在实验区的提取结果，本文中的算法在不同区域的实验中获得了较好的提取结果。将面向对象的影像分析方法与深度学习结合，能够较好地提取震后高分辨率影像中的滑坡体，为高分辨率影像的震后滑坡解译提供新的思路。