高分一號汶川極震區滑坡提取研究

黃 汀,白仙富,莊齊楓,徐敬海

(1. 南京工業大學測繪科學與技術學院，江蘇 南京 210009； 2. 云南省地震局，云南 昆明 650000)

遙感技術憑借覆蓋范圍廣、信息量大、可連續觀測的特點成為地震災情獲取的首選技術。近年來，高分辨率數據越來越多，傳統基于像元的提取方法無法充分利用高分辨率影像的信息，而面向對象提取方法不僅考慮影像的光譜信息，而且能結合紋理、空間信息[1]，提高分類精度，逐漸成為了遙感信息提取的主要方法，在災后信息獲取方面也得到了廣泛應用。如李強[2]利用影像提取地震災后的道路受損情況；安立強[3]利用面向對象的分析方法完成了對地震后產生的次生災害的提取工作；OTHMAN等[4]完成了對伊拉克地區的滑坡提取；MICHAEL等[5]通過光學影像與DEM判別滑坡。但是由于滑坡成因復雜、形態多樣的特點，滑坡信息的提取仍存在一定的困難，如分割參數的選取沒有統一的標準、分類時影像信息利用不充分、使用國外衛星數據源時間不匹配等。高分一號(GF-1)衛星的投入使用，為滑坡提取提供了新的前景。高分一號衛星具有分辨率高、幅寬較寬的優勢，解決了空間分辨率與時間分辨率統一的難題，對地物信息展示更清楚，精度高，更穩定。但目前利用高分一號的滑坡提取研究尚處于探索階段，文獻[6—7]利用高分影像提取地震后滑坡信息。但是上述研究都是對于中小地震后的滑坡提取，對于特大地震如汶川地震的提取效果尚未可知，其所采用的最優尺度、特征參數、分類規則等均無法適用于汶川極震區。本文擬利用高分一號影像并結合eCognition軟件，分析高分影像與震后滑坡特點優化參數選取模式，建立分類規則，實現對汶川地震的極震區域的滑坡提取。

1 數據源及預處理

本文采用高分一號高分辨率影像提取滑坡信息，影像時間為2013年9月17日。選擇“5.12”汶川地震極震區為研究區(如圖1所示)，地理坐標為102°33′E—106°17′E、30°40′N—33°7′N，在四川42個受災縣(市)共有滑坡3000余處，汶川地震后，經過專業人員調查，發生地質災害約15 000處，其中滑坡1700處[8-9]。

圖1 研究區的GF-1遙感影像

將原始影像進行輻射定標與大氣校正后，利用影像紅外與近紅外波段計算NDVI，為后續提取作準備。

2 滑坡提取方法

2.1 多尺度分割

影像分割決定著分類的好壞，其原理是將影像分割為多個對象，對象之間具有較大的差異，對象內部具有相似的灰度、紋理等特征，其最終目的是使得每一個分割出來的對象都與實際地物符合。本文基于eCoginition Developer 8.6軟件平臺，采用多尺度分割方法對影像進行分割，以任意像元為初始對象，再計算其與相鄰像元的異質性值，若異質性在規定范圍內則將兩者合并，成為新的對象，反之停止合并。多尺度分割結果受分割參數影響，參數包括光譜權重、均質因子、分割尺度，目前對于參數的選取都是基于經驗結合目視判斷并沒有特定標準，主觀性大，分割效果不理想。下文將說明各參數的選取過程。

2.1.1 光譜權重

雖然多尺度分割考慮了形狀紋理等因素，但是影像的光譜信息仍在分割中作為主導。由于每個波段的信息量不同，在分割時應當根據信息的多少賦予每個波段不同的權重，權重越高，代表該波段的信息量越大，分割過程中該波段信息會更多被參考；如果某波段權重低，代表該波段包含目標信息少，對于提取沒有太多貢獻。高分一號影像包含4個波段，信息勢必存在冗余，本文應用相關系數和協方差建立矩陣來衡量相關性與信息量，并以此作為依據設置權重。

協方差矩陣、相關矩陣能反映多個變量之間的相關程度。矩陣中的每一個元素表示對應兩個波段之間的相關系數，兩個波段之間的相關系數越大說明這兩個波段相關性越大，所包含信息存在冗余。在確定光譜權重時應提高波段間相關性小的權重，提高分割影像時的準確性。表1、表2分別為對試驗數據計算的各波段統計協方差矩陣和各波段相關性統計矩陣。

表1 各波段統計協方差矩陣

表2 各波段相關性統計矩陣

在表1中可以看出，方差從大到小排列依次是波段4、波段2、波段1、波段3。在表2中可以看出波段1與波段2、波段3這3個可見光波段相關性很大，可認為它們對分割的貢獻程度相似，而波段4信息量大，且與波段1、波段2、波段3相關性小。考慮到本次研究提取目標為滑坡，植被的變化是判斷滑坡的重要依據，判斷對象是否為植被是提取滑坡的重要環節。可見光3個波段相關性大，且植被在可見光波段并沒有較大的響應，應當賦予波段1、波段2、波段3較低的權重；同時，植被在近紅外波段有強反射，而且波段4具有的信息量最大，與其他波段的相關性小，因此應賦予波段4較高的權重。根據研究,權重的取值一般在0～2之間[10-12]，故將波段1、波段2、波段3的權重設為1，波段4權重設為2。

2.1.2 均質因子

對象的異質性h表示對象內部像元與其相鄰像元的相似程度，異質性越低說明對象越純凈，即像元與像元之間的差異小，可以認為這些像元都代表同一類地物，并且具有相似特征(如方差、亮度等)。反之說明對象內部差異較大，含有多種地物，影響分類精度，不利于提取。異質性由均質因子控制，其包括顏色和形狀兩個標準因子，表達式如下

h=wcolor×hcolor+wshape×hshape

(1)

式中,h為對象的總體異質性；hcolor為光譜異質性；hshape為形狀異質性；wcolor為光譜異質性的權重；wshape為形狀異質性的權重。且wcolor與wshape之和為1。

光譜異質性hcolor取決于兩個因素：一是組成對象的像元數目n，二是各波段標準差σ，如下

(2)

式中，wn表示參與分割及合并波段的權重；σn為區域的標準差；n為波段序號；m為波段數。

形狀異質性公式如下

hshape=wcomhcom+wsmoothhsmooth

(3)

式中，wcom指用戶自定義的緊湊度權重；wsmooth指用戶自定義的光滑度權重。且wcom+wsmooth=1。

參數設置時要保證光譜信息的充分利用，光譜因子不能過低，過高的形狀因子會使對象內異質性增大，進而阻礙信息的正確提取。因此多尺度分割需要遵循兩個原則：一是盡可能地保障光譜信息，確保光譜因子在分割中起主導作用；二是提高形狀因子的權重來調節分割對象形狀，使對象輪廓盡可能地與實際地物符合[13]。根據多次試驗，將光譜因子設為0.7，即形狀因子為0.3，形狀因子中將緊致度因子設為0.7，則光滑度因子設為0.3。

2.1.3 最優分割尺度

分割后影像中包含純對象與混合對象，就分類而言，純對象的數量越多分類越準確，進而影響地物信息提取的精度。分割尺度決定了影像中純對象與混合對象的比例，因此最優分割尺度選取尤為重要。不同地物的最優分割尺度各不相同，因此最優分割尺度只能是一個參考值，也沒有嚴格的標準。尺度的選擇可以參照一定的規則使分割尺度盡量接近最優尺度：當某一地物在最優尺度分割時，分割后的對象的輪廓應與實際地物符合，地物可由一個或多個對象組成，即不能過分割使對象太多，也不能欠分割使一個對象含有混合對象。并且不同類對象之間差異大，容易與其他物類別區分開。本文利用局部方差法選擇最優分割尺度，并借助ESP(estimation of scale parameters)工具選擇最佳分割尺度[14]。

局部方差法將每個分割對象的平均局部方差作為評價參數，假設對象與背景存在著較大的光譜差異，隨著分割尺度的增大，分割出的對象面積也隨之增大，其內部的方差也會增大，當對象與實際地物范圍符合時，分割對象會停止變化，方差也不變，分割出的對象邊界會在較大的分割尺度下保留，直到這些對象被合并為更高的類別(如樹木合并為森林)，代表這種地物與實際范圍最符合，此時的分割尺度為該地物的最優分割尺度。

如果某種地物被最優分割出時，那么這類地物方差的增大與停滯就會對整個圖像的平均方差產生影響。本文希望得到的是一條隨著尺度增大平均方差上升的曲線，當曲線的上升趨勢減小或趨于平坦時，此時的分割尺度為最優分割尺度，但是曲線的變化對應的尺度在圖像上不易得到，因此ESP工具引入了ROC(rate of change)

(4)

式中，L為當前分割尺度層所對應的方差；L1為上一個分割尺度層對應的方差。

從圖2中看出，ROC曲線整體呈下降趨勢，定義在曲線持續下降或突然衰減后的第一個峰值作為最優分割尺度。圖像在95、115、125出現了相對的峰值，考慮到滑坡為本次的提取目標，較大的分割尺度會出現欠分割的情況，不利于后續的分類，故選擇95為最優分割尺度。

圖2 ROC曲線

2.2 提取規則建立

影像分割將圖像分割成許多對象，它們都具有相似的特征，這些特征是決定對象歸屬的關鍵。但這些對象仍有一定比例的混合像元，可以采用模糊分類方法對分割對象進行分類。它將“是”與“非”的判斷轉換成0到1之間連續變化的值來描述目標對象屬于多種地物的概率，這樣給出的分類信息更加全面，使得對混合地物的分類結果更具有客觀性[15]。

提取地物特征，并建立一定的分類規則是面向對象分類的關鍵，規則的好壞對于分類的精度有著巨大影響。對象特征主要包括光譜特征、幾何特征和紋理特征。

光譜特征是判別對象的主要特征，研究區滑坡的土層整體偏暗，而非滑坡土層具有較高的亮度，滑坡體與周圍也有著顯著的差異。

植被的變化也是滑坡重要的解譯標志之一，大多數滑坡都主要發生在斜坡上，通常這些斜坡都有植被覆蓋，滑坡體受到重力的作用沿著斜坡向下滑動時，導致植被受損、折斷、掩埋。

本文利用植被覆蓋度來描述植被的變化，估算公式為

Fcover=(NDVI-NDVImin)/(NDVImax+NDVImin)

(5)

式中，NDVImin為影像中NDVI最小值0.05；NDVImax為NDVI最大值0.8。

滑坡一旦發生就會形成一些特殊的地貌形狀，對于大部分滑坡，根據它們獨特的滑坡地貌是較容易辨識的。根據文獻[16]，汶川地震造成的滑坡多呈長條狀、舌型。因此，可以將長寬比作為幾何特征識別滑坡。

將規則整理后，建立了如圖3所示的提取流程。首先判斷植被覆蓋度，將覆蓋度較小的非植被區域剔除，再以長度及負植被覆蓋度作為依據剔除水體，保留滑坡疑似區域，最后通過坡度與長寬比篩選滑坡。

圖3 滑坡提取流程

3 結果與分析

3.1 提取結果

依據上述所建規則，分別對研究區的遙感影像進行地震型滑坡信息提取，提取結果如圖4所示。

圖4 滑坡提取結果

從圖4可看出，整體提取效果較好，汶川地震型滑坡有沿發震斷裂呈條帶狀分布特點。但是研究區中有部分小滑坡未被提取出來：一是因為滑坡不明顯區域光譜特征與植被相似，產生誤分割，導致分類時特征不明顯，無法正確分類；二是因為高分辨率影像的特征豐富，同類地物之間的差異性增加了區分難度。

3.2 精度評價

本文采用混淆矩陣法對分類結果進行評價，首先選取個數為N的樣本，將每個樣本的地表真實像元的分類與分類圖像中的分類相比較計算建立矩陣即

(6)

矩陣中行向量代表一類地物的實際分類情況，列向量代表等于地面真實地物在分類圖像中對應于相應類別的數量，對角線上的數值越大說明分類越準確。主要評價指標有總分類精度、各類別生產精度、用戶精度及Kappa系數等。

總體分類精度為正確分類的像素個數占總數的比例，是對分類結果的總體評估，計算公式為

(7)

用戶精度是指正確分到某類的像元總數與分類器將整個影像的像元分為像元總數的比值，計算公式為

(8)

生產精度是指將整個影像的像元正確分為某類的像元數與某類真實參考總數的比值，計算公式為

(9)

總體Kappa系數計算公式如下

(10)

本研究滑坡信息提取結果的混淆矩陣見表3。從表中可以看出植被的分類精度高，這是由于植被覆蓋度的加入將植被與非植被很好地區分，滑坡與其他地物(包括薄云和裸地)存在混分的現象。影像分割后對象不可能與實際地物完全符合，過分割、欠分割不可避免，混合像元的分類不可能完全正確，從而影響分類精度。總體而言，滑坡生產精度為87%，用戶精度為81%，總體Kappa精度為82.2%，說明面向對象提取滑坡具有較高精確性，表明基于多尺度分割技術的滑坡災害提取能夠滿足震后評估的要求，該方法快速有效地提取了高分辨率遙感影像上地物信息。

表3 面向對象分類的混淆矩陣

同時，利用研究區域野外滑坡點的資料[17]，經統計得出研究區滑坡56處，如圖5所示。并與提取結果進行對比，發現有47處被識別并提取，9處未提取，精度達到83.9%，進一步說明該提取方法具有可行性。

圖5 實測滑坡點對比

4 結 語

本文嘗試利用GF-1高分辨率衛星，選取汶川地震極震區域影像，提出了一種快速提取滑坡信息的方法。該方法首先確立適合極震區的分割參數，對影像進行分割，分析滑坡特征，建立面向對象遙感分類規則，再通過模糊分類方法提取滑坡災害信息。分類完成后選取隨機樣本與實際滑坡點進行對比，證明分類精度較高，驗證了方法有效性。試驗結果證明了遙感方法尤其是利用高分辨率影像在地質災害提取方面的優勢，能夠為震災調查和快速預評估提供輔助數據，為今后地質災害的防治和快速評估提供參考。在完成影像對象分類后的處理中，雖然完成了滑坡的提取，但是對于滑坡特征與空間信息的利用并不充分，造成提取目標與相似地物的混淆。因此，在后續的研究中加入道路、河網等矢量數據，可進一步提高提取精度。

[1] BAATZ M, SCHPE A. An Optimization Approach for High Quality Multi-scale Image Segmentation[C]∥Proceedings of Beitr?ge Zum AGIT-Symposium. [S.l.]: [s.n.], 2000:12-23.

[2] 李強，張景發. GIS與面向對象結合的遙感影像震后損毀道路快速提取[J]. 測繪通報,2015(4):78-81.

[3] 安立強，張景發，趙福軍.汶川地震次生災害提取——面向對象影像分類技術的應用[J]. 自然災害學報,2011,20(2):160-168.

[4] OTHMAN A A, GLOAGUEN R. Automatic Extraction and Size Distribution of Landslides in Kurdistan Region, NE Iraq[J]. Remote Sensing, 2013, 5(5):2389-2410.

[5] RAU J Y, JHAN J P, RAU R J. Semiautomatic Object-oriented Landslide Recognition Scheme from Multisensor Optical Imagery and DEM[J]. IEEE Transactions on Geoscience & Remote Sensing, 2013, 52(2):1336-1349.

[6] 朱嬌.基于高分一號影像的寶興縣滑坡信息提取研究[D].成都：成都理工大學,2015.

[7] 李啟源.高分一號遙感影像地質災害信息提取方法研究[J]. 測繪與空間地理信息,2016,39(2):17-20.

[8] 殷躍平.汶川八級地震地質災害研究[J].工程地質學報,2008,66(4):433-444.

[9] 鄧書斌. ENVI遙感圖像處理方法[M].北京：科學出版社，2008．

[10] H?LBLING D, FRIEDL B. An Object-based Approach for Semi-automated Landslide Change Detection and Attribution of Changes to Landslide Classes in Northern Taiwan[J]. Earth Science Informatics, 2015, 8(2):327-335.

[11] 劉建平，趙英時，孫淑玲.高光譜遙感數據最佳波段選擇方法試驗研究[J]. 遙感技術與應用,2001,16(1):7-13.

[12] 馮文卿. 利用多尺度融合進行面向對象的遙感影像變化檢測[J]. 測繪學報, 2015, 44(10):1142-1151.

[13] 王賽. 基于多源遙感數據的汶川地震型滑坡信息提取研究[D].北京：中國地質大學(北京),2015.

[15] 韓凝. 空間信息在面向對象分類方法中的應用[D].杭州：浙江大學,2011.

[16] 范建容，李秀珍，張懷珍，等.汶川地震災區崩塌滑坡體幾何特征信息遙感定量提取與分析[J].水土保持通報,2012,32(2):118-121.

[17] 秦緒文，楊金中，張志，等.汶川地震災區航天遙感應急調查[M]，北京：科學出版社,2008.