基于時間序列遙感影像的滑坡檢測方法

虎振興 徐泓 汪超亮 周增光 李子揚 李傳榮*

?

基于時間序列遙感影像的滑坡檢測方法

虎振興1,2徐泓3汪超亮1周增光1李子揚1李傳榮1*

（1 中國科學院光電研究院 中國科學院定量遙感信息技術重點實驗室，北京 100094）（2 中國科學院大學，北京 100049）（3 中華人民共和國科學技術部高技術研究發展中心，北京 100044）

植被覆蓋指數（NDVI）的變化廣泛應用于滑坡檢測，通過檢測滑坡后時間序列NDVI的恢復速率可以有效區分與滑坡光譜特征變化相似的區域。但時間序列檢測需要較多遙感影像數據，單一傳感器的數據難以滿足需求，因此多源遙感影像成為一種可供選擇的解決方案。由于滑坡區域植被恢復緩慢而非滑坡區域植被恢復較快的差異，基于此特點利用高時間分辨率的時間序列遙感影像對滑坡區域的植被恢復速率進行多次檢測的方法，可以有效排除非滑坡區域，得到更加準確的滑坡檢測結果。文章以云南省魯甸地區為試驗區，對該地區2013年5月~2015年4月發生的滑坡進行檢測，滑坡檢測率為83.28%。相比Behling方法，擁有基本相同的滑坡檢測率的基礎上，錯分誤差下降了31.96%，可以更加有效地區分滑坡與耕地和裸地等非滑坡因素，極大提高了滑坡檢測結果的可信度。

植被覆蓋指數 植被恢復速率 時間序列檢測 滑坡遙感檢測 遙感應用

0 引言

滑坡作為大型地質災害之一，破壞力極強，常常造成大量經濟損失和生命傷亡，因此對滑坡災害的監測和檢測十分重要。傳統的遙感目視解譯和現場勘查的方法[1-2]，耗費大量人力物力，效率較低，因此國內外學者針對滑坡遙感檢測開展了大量研究，前期主要集中在單時相遙感滑坡檢測和多時相遙感檢測[3-5]。

單時相遙感滑坡檢測方法，如文獻[6]基于SPOT-5衛星影像，建立滑坡解譯的標志，利用滑坡在遙感影像上的色度和結構差異檢測滑坡；文獻[7]使用Landsat-7衛星ETM影像的8個波段作為特征數據，訓練得到支持向量機分類模型，再對滑坡進行檢測；文獻[8]使用Quick Bird衛星影像，利用灰度共生矩陣提取滑坡的紋理特征，逐像元進行監督分類后檢測滑坡；文獻[9-10]使用地物在遙感影像上的多光譜信息，獲取滑坡在多光譜波段上的特征，采用計算機分類的方法進行滑坡檢測；文獻[11]使用Resourcesat-1衛星影像，通過對影像進行分割，分析滑坡對象的多光譜特征、形狀特征和紋理特征等信息，實現滑坡檢測。

多時相影像滑坡檢測，如文獻[12]利用滑坡前后兩張影像的差異，使用極大似然分類法檢測滑坡；文獻[13]利用滑坡前后植被覆蓋指數（NDVI）序列數據，根據NDVI的異常變化檢測汶川地震區的滑坡；文獻[14]使用Cartosat-1衛星和IRS-1D衛星影像中全色波段，利用變化檢測的思想和紋理信息對1998年~2006年喜馬拉雅山脈滑坡進行多時相編目。文獻[15]利用滑坡后引起地表NDVI較大變化以及滑坡發生后植被恢復速率緩慢的特點，使用多時相Rapid Eye衛星影像，對吉爾吉斯斯坦南部地區2009年~2013年的歷史滑坡進行檢測。

基于單時相影像的滑坡檢測方法容易將與滑坡光譜特征相似的地物（巖石、裸土和道路等）視為滑坡，尤其在多巖石和道路的山區，很多巖石和道路以及裸地被誤判為滑坡，滑坡誤報率較高；基于多時相影像的方法利用滑坡前后NDVI差異較大的特點檢測滑坡，而農田收割和植被的自然變化也可能引起NDVI較大變化，多時相滑坡檢測方法容易將農田、植被的自然變化識別為滑坡。隨著遙感數據源的增多，可以利用多源遙感衛星影像組成的時間序列遙感數據進行滑坡檢測，時序遙感數據可以提供滑坡相關特征在時間序列上的變化信息，因而成為解決單時相和多時相滑坡遙感檢測存在問題的一種可選方案，另外，由于近些年來可以獲取的衛星影像越來越多，該類方法逐漸成為滑坡遙感檢測的研究熱點。目前已有研究學者采用時間序列遙感影像進行滑坡檢測[15-16]，但利用時序影像檢測滑坡需要較多遙感影像，單一傳感器的數據難以滿足需求，尤其對于常年多云的區域，質量（quality）較好的遙感影像更加稀少，因而多源遙感影像成為一種可行的方案。

基于以上背景，本文在文獻[16]利用高分辨率Rapid Eye衛星時間序列影像進行滑坡識別的方法上，以Landsat-8衛星、HJ-1A/1B衛星和GF-1衛星多源影像為數據源，研究滑坡發生后植被恢復速率的量化方法，構建了利用NDVI時序的變化信息檢測歷史滑坡的方法，對我國云南魯甸地區進行了滑坡檢測，驗證了本文方法的有效性，與Behling方法相比，本文方法能檢測到植被覆蓋度較低區域發生的滑坡，同時有效解決了單時相影像和多時相影像在檢測滑坡中存在的問題，提高了滑坡遙感檢測結果的準確性和可靠性。

1 滑坡檢測方法

單時相影像識別滑坡，容易將與滑坡光譜特征相似的地物識別為滑坡。利用多時相進行變化檢測的方法雖然可以解決滑坡光譜相似的問題，但容易將與滑坡光譜變化特征相似的區域識別為滑坡，如在耕地和裸地較多的區域，滑坡檢測中誤報率較高，在很大程度上制約了滑坡檢測結果的可靠性。針對該問題，本文從滑坡區域的NDVI時序變化角度開展分析，利用滑坡區域植被恢復緩慢而非滑坡區域植被恢復較快的差異，量化滑坡區域的植被恢復速率，有效區分了滑坡與耕地和裸地等非滑坡因素。整個滑坡檢測方法流程如圖1所示。圖中DN（digit number），表示遙感影像像元亮度值；TOA（Top of Atmosphere Reflectance）為大氣表觀反射率；DEM數據來自Aster衛星，分辨率30m。

圖1 滑坡檢測方法流程

1.1 研究區域與數據源介紹

2014年“8·3”魯甸地震誘發了很多大規模滑坡，有1 000處之多[17-19]，因此本文選擇該地區作為滑坡檢測的試驗區，整個研究區如圖2所示。本文以GF-1衛星、Landsat-8衛星和HJ-1A/1B衛星組成的多源遙感影像為數據源，如表1所示。

圖2 整個研究區域地理位置

表1 本文所使用的遙感影像信息

Tab.1 Information of remote sensing images

1.2 數據預處理

為了盡可能減少多源遙感影像之間以及遙感影像在成像過程中由于外部條件不一致帶來的偏差，需要對獲取到的多源遙感影像進行預處理，預處理步驟如下：

1）為減少輻射亮度不一致對變化檢測的影響，將所有影像中的像素值化為大氣表觀反射率（TOA）。

2）為盡量減少誤差，用DEM數據對所有時序影像進行正射校正。再以2013年5月22日Landsat-8衛星影像為基準影像對其他影像進行配準，配準精度在1個像元以內。

3）為了排除云、雪對滑坡檢測結果的影響，對所有影像進行云和雪的掩膜處理，Landsat-8衛星影像中自帶云掩膜文件，可直接進行掩膜處理。GF-1衛星和HJ-1A/B衛星影像，在藍波段采用基于閾值的方法進行掩膜除去云和雪的影響。

4）利用TOA值計算出所有影像的NDVI值，形成NDVI時間序列影像。

1.3 基于像素的變化檢測

利用變化檢測的原理進行滑坡遙感檢測，首要步驟是選擇兩張影像進行變化檢測。選取生長季節（3月下旬至11月初）中的兩幅影像進行基于像素的變化檢測，設定一個擾動變化參數[15]。

式中pre為滑坡前影像的NDVI；post為滑坡發生后影像的NDVI。

對于植被覆蓋良好的區域，若該區域發生滑坡，利用雙時相影像進行變化檢測時，前一時相影像未發生滑坡，因而植被覆蓋良好，其NDVI值（pre）較大；后一時相影像上發生滑坡，地表植被遭到破壞，其NDVI（post）明顯降低。若該區域未發生滑坡，雙時相影像前后其NDVI變化很小；根據式（1）的結構可知，同一區域，利用雙時相影像進行變化檢測，未發生滑坡時的值明顯小于發生滑坡時的值。式（1）利用該特點排除變化較小的非滑坡像素的干擾，對發生變化的像素進行后續滑坡檢測。再根據和post的值對每個像素的擾動變化進行分類，分類依據如表2（本文中的所有閾值來自統計分析），共分為9類，編號為1~9。若不符合表2中的分類情況，則將其分類為其他類，編號為0。

表2 Behling方法中植被擾動分類規則

Tab.2 Vegetation disturbance classification rules in Behling’s method

當植被覆蓋度較低的區域發生滑坡時，式（1）中pre和post的差值很小，計算出的值較小，無法反應出滑坡引起的地表植被變化，發生滑坡像素的植被擾動變化分為0類，導致后續步驟無法檢測到該區域的滑坡。基于上述問題，本文對植被覆蓋度較低（NDVI<0.18）的區域，使用式（2）計算擾動變化。

式（2）將植被覆蓋度較低區域的變化按照NDVI變化的比例進行計算，可以有效反應出低植被覆蓋區域滑坡引起的NDVI變化。依據*和post對植被擾動分類；通過對研究區域數據的統計分析，發現NDVI較低區域發生滑坡后NDVI的變化超過45%，滑坡后NDVI基本低于0.10左右，因此得到了表3的分類依據。

表3 改進的植被擾動變化分類依據

Tab.3 Improved vegetation disturbance classification rules

隨后利用空間相關性做如下的分類：對每個像素空間8鄰域組成的“九宮格”對象的擾動變化分為4類，分類依據如下：

1）九宮格對象中擾動變化為第9類的像素個數>1；

2）九宮格對象中擾動變化為6~9的像素個數≥4；

3）九宮格對象中擾動變化為4~9的像素個數≥6。

若只滿足1個條件則將九宮格對象中間的像素變化分為第1類，若滿足兩個條件，則將九宮格對象中間的像素變化分為第2類，同時滿足三個條件則分為第3類，若全都不滿足則分為第0類。

上述得到的非0類像素，稱為滑坡備選對象，分別基于每個滑坡備選對象的植被恢復和其空間8鄰域像素的植被恢復進行分類，依次檢測滑坡后3年內植被覆蓋度的平均值和最大值，以排除植被恢復過快的非滑坡因素[15]影響。

1.4 計算滑坡后植被恢復速率影像的時間選擇

Behling方法利用檢測滑坡后3年內滑坡像素的NDVI平均值和NDVI最大值作為閾值，將植被恢復過快的像素視為非滑坡。但計算滑坡發生3年中植覆蓋度變化的平均值和最大值與影像所屬季節有關，若獲取的影像中春季和冬季影像較多，則導致平均NDVI值偏低，部分非滑坡像素的植被恢復速率較低，符合滑坡后植被平均恢復速率較低的特征，容易將其誤判為滑坡像素；若獲取的影像中夏秋季節影像較多，則平均NDVI值偏高，植被平均恢復速率較快，一些滑坡像素容易被誤判為非滑坡因素。

為了減少影像獲取的季節因素對滑坡植被恢復速率檢測的影響，本文在計算植被恢復速率時統一使用3月中旬至11月中旬的影像。

1.5 基于像素的滑坡后一年內的植被恢復速率檢測

利用NDVI的變化檢測滑坡，容易將非滑坡因素引起的NDVI變化較大的像素判定為滑坡，較為典型的因素是農作物收割或者氣候等導致植被不同年份的相近月份之間的NDVI較大差異，為了排除這些非滑坡因素，Behling方法利用滑坡后3年內植被的NDVI均值和NDVI最大值作為閾值進行分類。不同程度的滑坡，對地表造成的破壞程度各不相同，滑坡內部的植被破壞程度也各不相同，Behling方法滑坡檢測結果中，在誤報的滑坡中，耕地和裸地占有很大的比例，將Behling方法應用于本文云南魯甸區域進行滑坡檢測時難以有效排除上述非滑坡因素影響。

由于Behling方法在驗證區域中將很多耕地和裸地誤報為滑坡，本文對驗證區域的滑坡、耕地和裸地在NDVI驟降后的時序變化狀態進行分析。選擇一些典型滑坡區域，分別求出這些區域在后續每幅遙感影像中的NDVI均值，形成滑坡區域NDVI時間序列，同時選擇被誤判為滑坡的典型區域，例如裸地和梯田，分別計算這些區域在后續時間序列影像上NDVI均值，形成時間序列。由于該地區常年多云，生長季節內可用的遙感影像僅有2015年4月4日、5月28日，7月11日以及10月2日，根據這些后續影像，計算典型滑坡、耕地、裸地的NDVI均值形成時間序列，得到三種區域的NDVI均值時序變化狀態，如圖3所示。由圖可知，滑坡前影像日期為2013年5月22日，滑坡后影像日期為2015年4月4日，在此期間，滑坡、農田和裸地區域的NDVI均值相比去年同期都出現較大幅度的下降，但三者后續的NDVI恢復速度卻各不相同，滑坡區域的NDVI均值在5月~10月恢復速度比農田、裸地的恢復速度緩慢得多。事實上，由于植被自然變化和農作物收割并未破壞地表植被后續生長潛力，而滑坡破壞了地表植被的生長潛力，所以在NDVI發生較大變化的后續生長季節內，裸地和耕地區域的植被恢復速度比滑坡區域的植被恢復速度快得多。

基于上述事實，利用時序遙感數據高時間分辨率的優勢，檢測滑坡備選對象后續一年中生長季節內植被的恢復速率可以區分滑坡、耕地和裸地。本試驗地區常年多云，2015年4月以后獲取的質量較好的影像僅有5月28日、7月11日、10月2日的影像，因此選擇以上3幅影像計算滑坡備選對象后續NDVI植被恢復速率。計算方式如下：

1）滑坡后1個月的NDVI恢復率<滑坡前影像NDVI×55%；

2）滑坡后3個月的NDVI恢復率<滑坡前影像NDVI×75%；

3）滑坡后6個月的NDVI恢復率<滑坡前影像NDVI×85%。

若同時滿足兩個條件，則將該滑坡備選對象分類為1類，若滿足三個條件，則分類為2類，否則視為非滑坡對象排除之。

圖3 不同地物在生長季節的NDVI恢復情況

1.6 基于空間相關性滑坡發生后一年內植被恢復檢測

多源中分辨率遙感影像中，引起像素值變化的因素很多，這些因素也會導致像素NDVI前后變化較大，若僅僅考慮單個像素的變化，滑坡檢測結果會出現較多“椒鹽”現象[20]，因此利用像素的空間相關性可以降低單個像素的變化對滑坡檢測結果的影響。

一般情況下，發生滑坡的像素，其周邊像素也會發生較大擾動變化，若僅僅只有單個像素發生較大變化而其周邊像素變化程度較小，本文認為這種變化不太可能是滑坡引起的，將其視為噪聲。對于上一節中的滑坡備選對象，分析該對象與其空間8鄰域像素組成的“九宮格”對象在滑坡后一年內的植被恢復速率，若“九宮格”對象植被恢復速率較快，則判定該像素為非滑坡像素，否則判定為滑坡候選對象。分類依據如下：

1）“九宮格”對象中分類為1類的像素個數≥5；

2）“九宮格”對象中分類為2的像素個數≥3。

若每個九宮格對象1）、2）條件皆不滿足，則視為非滑坡因素，排除該對象；若滿足1）、2）中任一個條件，則視為滑坡像素。

1.7 利用坡度等輔助信息排除非滑坡因素

絕大多數滑坡都是發生在坡度較大的區域，而平原和城鎮由于地勢平坦，發生滑坡的概率很低，因此利用坡度作為輔助信息排除地形平坦的區域[14,21]。設置單個像素坡度值大于30°或者一個像素的空間8鄰域像素的坡度中值>25°作為滑坡過濾條件，對上一節的滑坡候選對象進一步篩選，最終得到滑坡的檢測結果。

2 滑坡檢測試驗

2.1 兩種滑坡檢測方法的對比試驗

首先在樣本區對滑坡、裸地、農田等區域的NDVI時間序列變化狀態進行統計分析，以確定Behling方法和本文方法中每個步驟的參數值，將兩種方法應用于驗證區域對其效果進行驗證，根據驗證結果中存在的問題，對相應的參數閾值進行相應調整以達到最佳效果。最后將兩種方法應用到整個研究區，對該區域2013年5月和2015年4月之間發生的滑坡進行檢測。經過統計，驗證區目視解譯得到264個滑坡，Behling方法檢測到528個滑坡，本文方法檢測到365個滑坡。整個研究區目視解譯得到1 017個滑坡，本文方法檢測到1 224個滑坡，Behling方法檢測到2 127個滑坡。圖4為兩種方法在驗證區域的檢測結果。

圖4 兩種方法在驗證區的滑坡檢測結果

為了對滑坡檢測方法進行對比，使用與Behling方法相同的檢測指標：檢測率（Detection Percentage，DP）、質量百分比（Quality Percentage，QP）、錯分誤差（Commission Error，CE）[14,22,23]，見公式（3）~（5）。

DP=TP/(TP+FN)×100% （3）

QP=TP/(TP+FN+FP)×100% （4）

CE=FP/(TP+FP)×100% （5）

式中 TP為正確檢測到的滑坡；FN為漏檢的滑坡；FP為誤檢的滑坡。

表4為兩種滑坡檢測方法對比，可以看出本文方法在整個研究區的滑坡檢測率較Behling方法略低，整體的質量百分比提升21.87%，錯分誤差降低26.26%。將兩種方法應用于整個試驗區域進行統計比較，Behling方法檢測率比本文方法大約高2%，Behling方法的錯分誤差上升至59.00%，而本文方法僅為34.64%，相比錯分誤差下降24.36%。

表4 兩種滑坡檢測方法的對比

Tab.4 Comparison between the landslide detection results of two methods

圖5為試驗區中植被覆蓋率較低區域的兩種滑坡檢測方法比較，該圖表明改進的方法可以有效檢測到低植被覆蓋區域的滑坡。這是因為Behling方法受擾動公式的限制，難以檢測到植被覆蓋度較低的區域的滑坡，本文方法增加了植被覆蓋度較低區域的擾動變化計算公式和擾動判別方法，因而可有效檢測到植被覆蓋率較低區域的滑坡。

圖5 植被覆蓋率較低區域兩種方法滑坡檢測結果的比較

2.2 試驗結果分析

針對滑坡區域植被覆蓋程度不同，分別按照式（1）和式（2）對滑坡前后NDVI進行變化檢測。現以試驗區NDVI變化為例，說明式（2）的有效性。植被覆蓋度較低的區域發生滑坡，滑坡前pre為0.10，滑坡后post變為0.02，若按式（1）計算，值為1.03，與此同時，植被覆蓋區域較高的區域未發生滑坡，pre為0.30，post為0.20，計算值為1.04，以植被覆蓋度較高的區域進行評判，則為1.04的變化較小，不是滑坡引起的變化，而實際上低植被覆蓋區域為1.03時已經發生了滑坡，這說明不能對植被覆蓋度不同的區域采用統一的擾動檢測公式，因此本文提出對于植被覆蓋度較低區域的像素擾動變化采用式（2）進行計算，最終圖5的檢測結果證明了式（2）的有效性。

表5為兩種方法在整個試驗區域中的誤報滑坡成分分析。Behling方法中，梯田、裸地被誤報為滑坡的總比例為58.44%，而本文方法的誤報滑坡中梯田和裸地占比24.05%，同比下降34.39%，該統計結果證明本文方法能夠有效的降低農田和裸地等非滑坡因素。

表5 兩種方法誤報成分分析

Tab.5 The false alarm components of two methods

對兩種方法在試驗區域中誤報滑坡進行成分分析，除梯田和裸地外，一部分誤報的滑坡為新建的道路，試驗區域地處山區，新建道路鏟除了植被導致植被覆蓋度降低，同時后期植被恢復速率也非常緩慢，和滑坡后植被恢復特征非常相似，因此被誤報為滑坡；另外一部分誤報滑坡為采沙場，當地采沙場分布廣泛，每年都會出現新的采沙場，并且采沙場一般位于山坡上，這些采沙場也被誤報為滑坡，其他誤報為河床、山區陰影等。

從試驗驗結果可知，兩種方法都受噪聲數據的影響，具體表現是滑坡識別結果中存在零星的像素點，為了盡量減少這些噪聲數據影響，滑坡檢測過程中在每次基于像素的檢測之后對其空間8鄰域像素組成的“九宮格”對象再次進行檢測，以排除單個像素的由于噪聲而造成的誤判。在實際進行滑坡檢測中，分別對空間4鄰域像素和空間8鄰域的像素檢測結果進行了對比，空間8鄰域擴大了判斷范圍，對于較大滑坡的面積、形狀判定與目視解譯結果的外形更加符合。利用空間4鄰域像素進行檢測，可以檢測到更多的面積較小的滑坡。因此，若需要檢測規模較大的滑坡，則可以考慮空間8鄰域像素組成的對象進行滑坡檢測，若要檢測更多的滑坡，則考慮使用空間4鄰域像素組成的對象進行滑坡檢測。

3 結束語

1）本文利用滑坡區域植被恢復緩慢而非滑坡區域植被恢復較快的差異，量化滑坡區域的植被恢復速率，將植被恢復速率時序變化較為緩慢的區域視為滑坡。相比于Behling方法，本文方法能有效檢測到植被覆蓋度較低區域發生的滑坡，同時可以有效區分滑坡與耕地和裸地等非滑坡因素，極大降低了滑坡檢測中的誤報率，提高了滑坡檢測結果的可信度。

2）本文利用時間序列遙感影像對植被發生較大擾動變化區域的植被恢復速率進行多次量化，以排除耕地和裸地等植被恢復較快的地物，這種檢測方法來源于滑坡、耕地以及裸地在時序NDVI數據上的變化規律，因此，在擁有足夠時間序列遙感影像的情況下，本文方法可以應用于其他研究區域，對該區域的歷史滑坡以年為單位進行檢測編目工作，提供高檢測率、低虛報率的滑坡編目信息，為該地區后續滑坡監測、滑坡活動變化研究等提供可靠的基礎數據源，這也是本文后續要開展的研究工作。

[1] GUZZETTI F, CARDINALI M, REICHENBACH P, et al. Comparing Landslide Maps: A Case Study in the Upper Tiber River Basin, Central Italy[J]. Environmental Management, 2000, 25(3): 247-263.

[2] CASSON B, DELACOURT C, BARATOUX D, et al. Seventeen Years of the “La Clapière” Landslide Evolution Analysed from Ortho-rectified Aerial Photographs[J]. Engineering Geology, 2003, 68(1-2): 123-139.

[3] HOLBLING D, FRIEDL B, EISANK C. 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.

[4] 陳瑩. 基于遙感影像的變化檢測方法在滑坡體提取中的應用[D]. 重慶: 西南大學, 2011. CHEN Ying. Application of Change Detection Based on Remote Sensing Data on Extracting the Slip Mass[D]. Chongqing: South West University, 2011. (in Chinese)

[5] 李松, 鄧寶昆, 徐紅勤, 等. 地震型滑坡災害遙感快速識別方法研究[J]. 遙感信息, 2015 (4): 25-28. LI Song, DENG Baokun, XU Hongqin, et al. Fast Interpretation Methods of Landslides Triggered by Earthquake Using Remote Sensing Imagery[J]. Remote Sensing Information, 2015 (4): 25-28. (in Chinese)

[6] 李鐵鋒, 徐岳仁, 潘懋, 等. 基于多期SPOT-5影像的降雨型淺層滑坡遙感解譯研究[J]. 北京大學學報(自然科學版), 2007, 43 (2): 204-210. LI Tiefeng, XU Yueren, PAN Mao, et al. Study on Interpretation of Rain-induced Group Shallow Landslides Based on Multi-period Spot-5 Remote Sensing Images[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2007, 43 (2): 204-210. (in Chinese)

[7] 傅文杰, 洪金益. 基于支持向量機的滑坡災害信息遙感圖像提取研究[J]. 水土保持研究, 2006, 13(4): 120-121. FU Wenjie, HONG Jinyi. Discussion on Application of Support Vector Machine Technique in Extraction of Information on Landslide Hazard from Remote Sensing[J]. Research of Soil and Water Conservation, 2006, 13(4): 120-121. (in Chinese)

[8] 萬保峰, 袁水華, 蘇建平. 基于紋理分析的滑坡遙感圖像識別[J]. 地礦測繪, 2009, 25(2): 11-14. WAN Baofeng, YUAN Shuihua, SU Jianping. Remote Sensing Image Recognition of Landslide Based on Texture[J]. Surveying and Mapping of Geology and Mineral Resources, 2009, 25(2): 11-14. (in Chinese)

[9] BORGHUIS A M, CHANG K, LEE H Y. Comparison between Automated and Manual Mapping of Typhoon-triggered Landslides from SPOT-5 Imagery[J]. International Journal of Remote Sensing, 2007, 28(8): 1843-1856.

[10] MARCELINO E V, FORMAGGIO A R, MAEDA E E. Landslide Inventory Using Image Fusion Techniques in Brazil[J]. International Journal of Applied Earth Observation and Geoinformation, 2009, 11(3): 181-191.

[11] MARTHA T R, KERLE N, JETTEN V, et al. Characterising Spectral, Spatial and Morphometric Properties of Landslides for Semi-automatic Detection Using Object-oriented Methods[J]. Geomorphology, 2010, 116(1): 24-36.

[12] NICHOL J, WONG M S. Detection and Interpretation of Landslides Using Satellite Images[J]. Land Degradation & Development, 2005, 16(3): 243-255.

[13] 楊文濤, 汪明, 史培軍. 利用NDVI時間序列識別汶川地震滑坡的分布[J]. 遙感信息, 2012, 27(6): 45-48. YANG Wentao, WANG Ming, SHI Peijun. Identification of Landslides in Wenchuan Earthquake Affected Region Using NDVI Time Series[J]. Remote Sensing Information, 2012, 27(6): 45-48. (in Chinese)

[14] MARTHA T R, KERLE N, VAN WESTEN C J, et al. Object-oriented Analysis of Multi-temporal Panchromatic Images for Creation of Historical Landslide Inventories[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2012, 67(2): 105-119.

[15] BEHLING R, ROESSNER S, KAUFMANN H, et al. Automated Spatiotemporal Landslide Mapping Over Large Areas Using Rapid Eye Time Series Data[J]. Remote Sensing, 2014, 6(9): 8026-8055.

[16] BEHLING R, ROESSNER S, GOLOVKO D, et al. Derivation of Long-term Spatiotemporal Landslide Activity—A Multi-sensor Time Series Approach[J]. Remote Sensing of Environment, 2016, 186: 88-104.

[17] 田穎穎, 許沖, 徐錫偉, 等. 2014年魯甸MS6.5地震震前與同震滑坡空間分布規律對比分析[J]. 地震地質, 2015, 37(1): 291-306. TIAN Yingying, XU Chong, XU Xiwei, et al. Spatial Distribution Analysis of Coseismic and Pre-earthquake Landslides Triggered by the 2014 Ludian MS6.5 Earthquake[J]. Seismology and Geology, 2015, 37(1): 291-306. (in Chinese)

[18] 許沖. 利用同震滑坡分析2014年魯甸地震震源性質與破裂過程[J]. 工程地質學報, 2015, 23(4): 755-759. XU Chong. Utilizing Coseismic Landslides to Analyze the Source and Rupturing Process of the 2014 Ludian Earthquake[J]. Journal of Engineering Geology, 2015, 23(4): 755-9. (in Chinese)

[19] 趙旭, 劉杰, 馮蔚. 2014年云南魯甸MS6.5地震震源運動學特征[J]. 地震地質, 2014, 36(4): 1157-1172. ZHAO Xu, LIU Jie, FENG Wei. The Kinematic Chararteristics of the MS6.5 Ludian Yunnan Earthquake in 2014[J]. Seismology and Geology, 2014, 36(4): 1157-1172. (in Chinese)

[20] 戴昌達, 姜小光, 唐伶俐. 遙感圖像應用處理與分析[M]. 北京: 清華大學出版社, 2004: 269-270. DAI Changda, JIANG Xiaoguang, TANG Lingli. Application and Analysis of Remote Sensing Image[M]. Beijing: Tsinghua University Press, 2004: 269-270. (in Chinese)

[21] LU P, STUMPF A, KERLE N, et al. Object-oriented Change Detection for Landslide Rapid Mapping[J]. IEEE Geoscience & Remote Sensing Letters, 2011, 8(4): 701-705.

[22] LEE D S, SHAN J, BETHEL J S. Class-guided Building Extraction from Ikonos Imagery[J]. Photogrammetric Engineering & Remote Sensing, 2003, 69(2): 143-150.

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

（編輯：王麗霞）

A Landslides Detection Method Based on Time Series Remote Sensing Images

HU Zhenxing1,2XU Hong3WANG Chaoliang1ZHOU Zengguang1LI Ziyang1LI Chuanrong1

（1 Key Laboratory of Quantitative Remote Sensing Information Technology, Academy of Opto-Electronics, Chinese Academy of Sciences, Beijing 100094, China）（2 University of Chinese Academy of Sciences, Beijing 100049, China）（3 The High-Tech Research & Development Center Ministry of Science & Technology, Beijing 100044, China）

The change of Normalized Difference Vegetation Index (NDVI) has been widely used to detect landslides. By analyzing NDVI recovery rate in time series after landslide, regions whose NDVI may decrease suddenly by other non-landslide reasons can be effectively distinguished. However, the time series data requires many remote sensing images, and images from single sensor are too few to compose adequate time series images. Thus, multi-source remote sensing images become an alternative solution. Since the revegetation rate in the landslide area is slower than in other non-landslide areas, by measuring revegetation rate of landslide areas with high temporal resolution time series remote sensing images as much as possible, non-landslide areas can be eliminated effectively, and then a more accurate landslide detection result can be obtained. This proposed method was used to detect the landslides from May 2013 to April 2015 in Ludian country, Yunnan province, and the results show that non-landslide areas, such as cultivated land and bare land, can be effectively eliminated, and the landslide detection percentage is 83.28%. Compared with Behling’s method, this method almost has the same detection percentage with the commission error dropped by 31.96%. Therefore, the credibility of landslide detection results can be improved effectively by the method.

normalized difference vegetation index; revegetation rate; time series detection; landslide remote sensing detection; remote sensing application

P237

A

1009-8518(2018)02-0104-11

10.3969/j.issn.1009-8518.2018.02.012

2017-12-28

中科院國際合作項目“時間序列遙感大數據異常信息分析技術”（181811KYSB20160001）

虎振興，男，1991年生，2014年獲武漢大學軟件工程專業學士學位，現在中國科學院光電研究院計算機應用技術專業攻讀碩士學位。研究方向為時空大數據分析技術。E-mail：hzxforward@163.com。