基于面向對象隨機森林分類模型的滑坡遙感解譯

徐喬，孟凡利，余紹淮

(中交第二公路勘察設計研究院有限公司，湖北 武漢 430056)

1 引言

路線走廊內的滑坡信息是影響道路選線的重要因素。受地形和地質以及環境保護等因素的制約，且路線走廊范圍大，傳統基于野外現場調查的方法識別滑坡存在視野局限、效率低、成本高、危險性高等不足，基于遙感技術的滑坡解譯方法可克服地形、交通、天氣等不利條件的影響。滑坡遙感解譯方法主要有人工目視解譯和基于遙感影像的自動識別。但在實際工作中人工目視解譯受解譯者主觀性和解譯經驗的影響較大，導致解譯標準不統一，解譯速度慢，不能滿足大范圍滑坡災害快速調查的要求。而基于遙感影像的自動識別方法可以提高滑坡解譯速度，但由于滑坡災害光譜的復雜性及相近光譜地物的存在，滑坡災害全自動解譯的正確率目前還達不到實用的要求。

為提高滑坡信息自動提取的正確率，當前多采用面向對象的方法進行自動提取。該方法先提取滑坡對象的光譜、空間、形態和上下文特征，并輔以DEM、坡度等地形數據，然后結合專業知識構建滑坡提取的規則，進行滑坡信息的自動提取。Barlow等基于面向對象的方法，應用Landsat ETM+影像檢測Cascade山地區的滑坡災害，并在DEM數據的輔助下進行了滑坡遙感識別與成圖；Martha等充分考慮滑坡的光譜和形態兩大特征，結合遙感影像與DEM進行滑坡識別；宿方睿等利用滑坡的光譜、形狀及地形等特征基于面向對象的方法對川藏鐵路沿線的滑坡信息進行提取，試驗表明該方法對川藏鐵路沿線等地質條件復雜區域的滑坡調查工作具有重要意義。滑坡類規則的建立是上述方法的關鍵，但滑坡類規則的建立對解譯人員專業知識能力要求較高，且單一的滑坡類規則僅對特定區域有效，較難適用于地質環境跨度較大的公路選線。此外，DEM等地形信息是滑坡類規則建立的重要特征，因而對于地質環境復雜、高精度DEM缺乏地區，較難建立有效的滑坡提取類規則。

考慮到隨機森林是一個由多個決策樹構成的組合分類器，面對高維特征，可通過少量樣本的訓練構建分類規則，能抑制過擬合，具有分類表現優異、人工干預少和運算速度快等優點。為此，該文提出一種基于面向對象隨機森林分類模型的滑坡遙感解譯方法。首先利用多尺度分割算法構建滑坡對象并提取滑坡的光譜、形狀及紋理特征，在此基礎上選擇訓練樣本，利用隨機森林模型確定疑似滑坡區域，最后結合目視解譯，對疑似滑坡區域篩選修正，得到最終的滑坡提取范圍，為路線方案的確定提供參考依據。

2 面向對象隨機森林分類模型的滑坡遙感解譯

2.1 滑坡自動提取方法

隨機森林(Random Forests，RF)算法是由Breiman L于2001年提出的一種以決策樹為基礎分類器的集成機器學習算法。隨機森林采用Bagging 方法為每棵決策樹生成有獨立同分布的訓練樣本集并進行訓練，每棵樹依賴于一個由訓練確定的參數所組成的隨機向量，森林中生成的樹的參數隨機向量也是獨立同分布的，分類時隨機森林輸出每棵樹結果的組合。

隨機森林是一個由一系列決策樹組成的集成分類器，該集成分類器可描述為：

h(x,θk),k=1,2,…

(1)

式中：x為輸入樣本向量；k為隨機森林中決策樹的數目；θk為第k棵決策樹的參數向量，是獨立同分布的隨機向量，它通過在獨立同分布bootstrap集上學習而被獨立同分布地確定。被確定的第k棵決策樹用于對所有輸入向量x進行分類，對于輸入變量x歸屬于哪個最合適的類別，每棵決策樹投平等的一票。一個輸入向量x的分類歸屬由所有樹的輸出結果投票綜合決定。

隨機森林的訓練過程如下：①對輸入的訓練樣本采用多次隨機、可重復的采樣，得到多個bootstrap樣本集；②利用每個 bootstrap 樣本集，根據特征規則將樣本迭代分裂到左右兩個子集，構造對應的決策樹；③在每個葉節點處通過統計訓練此葉節點的分類標簽的直方圖，估計此葉節點上的類分布；④這樣的迭代訓練過程一直執行到設定的最大樹深度或者直到不能通過繼續分割獲取更大的信息增益為止。

該文以影像對象為滑坡提取單元，提取過程與傳統基于像素的隨機森林方法不同。具體過程如下：

(1)利用FNEA算法對遙感影像進行分割，得到滑坡影像對象。

(2)基于滑坡影像對象，提取影像對象特征，構建高維特征影像圖。

(3)利用已訓練好的隨機森林模型，分別輸入每個影像對象的特征矢量，統計各個決策樹的投票結果，得到各影像對象屬于滑坡與非滑坡的票數。

(4)根據各對象屬于滑坡與非滑坡的票數多少，對各滑坡對象類別進行劃分，進而得到滑坡分布范圍。

(5)最后結合目視解譯，對提取的滑坡結果進行修正，得到最終準確的滑坡信息。該文采用面向對象隨機森林分類模型的滑坡遙感解譯工作流程見圖1。

2.2 滑坡影像對象構建

滑坡影像對象的構建是指將遙感影像分割成具有相同屬性信息而又相互統計分離并具有連通性的小區域。滑坡影像對象是后續面向對象的滑坡遙感解譯的基礎，直接影響滑坡提取的精度。因滑坡在遙感影像上具有多樣化的空間分布、復雜的空間形態與光譜特性等特點，傳統單一尺度的分割算法難以構建有效的滑坡影像對象。考慮到分型網絡演化分割(Fractal Network Evolution Algorithm, FNEA)算法是一種多尺度分割算法，且能充分利用影像的光譜、形狀和紋理信息，該文利用該算法構建滑坡影像對象。

圖1 基于面向對象隨機森林分類模型的滑坡遙感解譯工作流程圖

FNEA的基本思想是通過分形迭代過程，根據相似性最大的合并準則，從像素開始合并滿足條件的兩相鄰對象，其技術關鍵是相鄰對象之間的相似性準則的定義。經典的FNEA中對象的相似性是綜合光譜相似性和形狀相似性來度量，其中光譜的相似性度量是利用對象內像素灰度值的標準差來度量，假設標號為1和2的相鄰對象內像素個數分別為n1、n2，合并后對象標號為m，光譜波段異質度權重為wc，且對象內像素的第i個波段的標準差為δi，影像共有N個波段，則可得光譜相似性hval為：

(2)

形狀的相似性采用合并前后形狀特征空間內的變化來描述，采用緊致度和光滑度兩種景觀生態測度來定義。緊致度hcmp表征對象的緊湊程度，可描述為對象邊界周長p與對象內像素數n的均方根之間的比率；光滑度hsmo表征對象邊界的光滑程度，用對象邊界周長p與最小外包矩形周長b的比率來描述。設緊致度權重為wcmp，則對象間的形狀相似性hsha定義為：

(3)

式中：緊致度權重wcm∈[0,1]。

綜合式(2)與(3)，設形狀相似性的權重為wsha，其值在[0,1]范圍內，則相鄰兩對象的綜合光譜和形狀的相似性準則可定義為：

f=wshahsha+(1-wsha)hval

(4)

式中：f為FNEA算法中的分割尺度，給定不同的分割尺度閾值τ即可得到不同大小的分割對象，τ越大分割得到的對象數目越小，對象也越大。因此，在實際應用中，需要根據不同的應用場景，設置不同分割閾值，以滿足后續滑坡提取要求。

2.3 滑坡影像特征提取

滑坡一般具有比較明顯的形態及結構特征，并有較為明顯的地貌特征。在遙感圖像上，滑坡體的形狀、陰影、色調、紋理、植被指數等與周圍環境有很明顯的差異。從滑坡體的光譜特征來看，由于滑坡發生區域的原始地表遭到破壞，使得其在遙感影像上的顏色會發生連續性的變化；另外新發生滑坡體的物質構成疏松且表面通常無植被覆蓋，反射率一般較高，影像上的色調較淺。從滑坡的幾何形狀來看，滑坡一般具有較長的滑坡帶，有較大的長寬比，滑坡面一般呈簸箕形，也有些呈舌形、梨形等，致使滑坡體在遙感影像上常呈現出圈椅、雙溝同源、橢圓等特殊形狀。由于滑坡體的色調與形態在不同部位的表現均不同，致使其在影像上的紋理呈現出無規則狀態。

與傳統單個像素相比，滑坡影像對象包含豐富的特征信息，如對象的幾何信息、紋理信息及光譜信息，充分利用滑坡影像對象的各個特征信息有助于更好地識別滑坡。為此，利用多尺度分割算法生成滑坡影像對象，并提取滑坡影像對象的光譜、形狀及紋理特征。該文所用滑坡影像的特征如表1所示。

表1 影像特征及其定義

3 試驗

青海省沿黃公路共和至大河家段公路工程勘察區域地處青藏高原東北緣，區域內地質構造作用強烈，變質作用和巖漿作用突出，表現出特殊、復雜的區域地質構造。路線方案整體處于黃河上游河谷內，受拉脊山斷裂帶的控制作用，并隨著青藏高原的急劇抬升和黃河不斷下切，導致路線經過的龍羊峽至拉西瓦、李家峽庫區、隆務峽至公伯峽等黃河峽谷段兩岸地勢陡峭，深切河谷發育，地形地貌復雜多樣。青海沿黃公路區域地理位置如圖2所示。

圖2 研究區的地理位置圖

該文選取青海省沿黃公路隆務峽至公伯峽段為重點研究區域。隆務峽至公伯峽段公路是青海省沿黃公路的重要組成部分，同時也是青海省道平大公路至阿賽公路的一條重要連接線。該路段整體位于隆務峽至公伯峽的高山峽谷內，兩岸山體高陡，部分地段直立，植被稀少，峽谷兩岸沖溝發育，區域內滑坡、崩塌、泥石流等不良地質現象及災害地質體十分發育。

考慮到路線范圍區內地形地貌復雜，且高分辨率影像反映的地表形態更加細致、真實，能分辨圖像上更小單元的地物、地質體和地質現象，為此項目采用QuickBird影像(多光譜2.44 m，全色0.61 m)用于滑坡解譯。由于區域地形起伏極大，導致該地區的衛星圖像存在明顯的幾何畸變，在利用影像進行滑坡解譯前，必須先進行幾何糾正與空間配準等相應的處理。同時，為充分利用全色波段圖像的空間幾何信息以及多光譜圖像的彩色光譜信息，項目對不同分辨率的遙感圖像進行了融合處理，以提高QuickBird影像的空間分辨率，并保留其多光譜特性。

為快速獲取路線方案沿線滑坡區域，項目采用前述技術方法，利用處理后的QuickBird遙感衛星數據，基于eCognition軟件平臺進行多尺度分割，其中尺度參數為40，光譜特征權重為0.3，精致度權重為0.5，得到37 109個滑坡對象。在此基礎上提取滑坡對象的光譜、形狀及紋理特征，構建特征圖像，進而采用面向對象的隨機森林分類模型，對研究區的滑坡信息進行提取，并結合目視解譯進行修正。圖3為路線方案沿線的滑坡解譯圖，其中白色區域為采用面向對象的方法提取的疑似滑坡區域，黑色區域為目視解譯修正后的滑坡區。

圖3 隆務峽至公伯峽段路線滑坡解譯圖

由圖3可知：利用面向對象的隨機森林模型，有效識別出大量滑坡區域，尤其是新生滑坡區域。經統計，該研究區總面積為62.83 km2，采用面向對象的滑坡解譯方法共提取出疑似滑坡區309處，疑似滑坡面積3.14 km2，在此基礎上進行目視解譯修正，得到244處準確滑坡區，滑坡區面積5.72 km2。通過與目視解譯結果對比，該方法存在一些漏提滑坡區的現象，這主要是由于路線走廊存在較多古滑坡，而古滑坡區域光譜、紋理、幾何形態等特征與周圍環境相似，致使古滑坡易漏分；同時，由于路線區植被稀少且無該區高精度DEM數據，易使部分裸土及裸巖誤分為滑坡。結合上述提取的滑坡區域，為項目3種路線方案(ⅠK、ⅡK及ⅢK)的比選優化提供了參考依據。

4 結論

針對青海省沿黃公路共和至大河家段的滑坡解譯要求，利用衛星遙感平臺，獲取研究區的高分辨率QuickBird衛星影像。考慮到路線區域復雜的地形及地質環境，采用面向對象的隨機森林分類模型提取出路線范圍內的疑似滑坡區，并結合目視解譯，實現路線滑坡信息的快速準確提取。具體結論如下：

(1)利用多尺度分割算法構建滑坡體對象，在此基礎上采用隨機森林模型綜合利用滑坡對象的光譜、形狀及紋理等特征，能有效地提取出路線沿線的疑似滑坡區。

(2)采用自動提取與人工目視解譯修正相結合的策略，適用于復雜艱險地區的滑坡提取，該方法能有效減少滑坡遙感解譯的作業面積，提高工作效率，為路線方案的比選優化提供快速準確的滑坡災害信息。

但是，該文滑坡解譯方法仍存在不足：由于缺乏研究區高精度的DEM數據，對滑坡的提取精度產生了影響；此外該方法對古滑坡的提取精度較低。后續工作應增加使用高精度DEM信息以提高滑坡解譯精度。