徐喬，孟凡利，余紹淮

(中交第二公路勘察設(shè)計(jì)研究院有限公司，湖北 武漢 430056)

1 引言

路線走廊內(nèi)的滑坡信息是影響道路選線的重要因素。受地形和地質(zhì)以及環(huán)境保護(hù)等因素的制約，且路線走廊范圍大，傳統(tǒng)基于野外現(xiàn)場(chǎng)調(diào)查的方法識(shí)別滑坡存在視野局限、效率低、成本高、危險(xiǎn)性高等不足，基于遙感技術(shù)的滑坡解譯方法可克服地形、交通、天氣等不利條件的影響?；逻b感解譯方法主要有人工目視解譯和基于遙感影像的自動(dòng)識(shí)別。但在實(shí)際工作中人工目視解譯受解譯者主觀性和解譯經(jīng)驗(yàn)的影響較大，導(dǎo)致解譯標(biāo)準(zhǔn)不統(tǒng)一，解譯速度慢，不能滿足大范圍滑坡災(zāi)害快速調(diào)查的要求。而基于遙感影像的自動(dòng)識(shí)別方法可以提高滑坡解譯速度，但由于滑坡災(zāi)害光譜的復(fù)雜性及相近光譜地物的存在，滑坡災(zāi)害全自動(dòng)解譯的正確率目前還達(dá)不到實(shí)用的要求。

為提高滑坡信息自動(dòng)提取的正確率，當(dāng)前多采用面向?qū)ο蟮姆椒ㄟM(jìn)行自動(dòng)提取。該方法先提取滑坡對(duì)象的光譜、空間、形態(tài)和上下文特征，并輔以DEM、坡度等地形數(shù)據(jù)，然后結(jié)合專業(yè)知識(shí)構(gòu)建滑坡提取的規(guī)則，進(jìn)行滑坡信息的自動(dòng)提取。Barlow等基于面向?qū)ο蟮姆椒ǎ瑧?yīng)用Landsat ETM+影像檢測(cè)Cascade山地區(qū)的滑坡災(zāi)害，并在DEM數(shù)據(jù)的輔助下進(jìn)行了滑坡遙感識(shí)別與成圖；Martha等充分考慮滑坡的光譜和形態(tài)兩大特征，結(jié)合遙感影像與DEM進(jìn)行滑坡識(shí)別；宿方睿等利用滑坡的光譜、形狀及地形等特征基于面向?qū)ο蟮姆椒▽?duì)川藏鐵路沿線的滑坡信息進(jìn)行提取，試驗(yàn)表明該方法對(duì)川藏鐵路沿線等地質(zhì)條件復(fù)雜區(qū)域的滑坡調(diào)查工作具有重要意義?；骂愐?guī)則的建立是上述方法的關(guān)鍵，但滑坡類規(guī)則的建立對(duì)解譯人員專業(yè)知識(shí)能力要求較高，且單一的滑坡類規(guī)則僅對(duì)特定區(qū)域有效，較難適用于地質(zhì)環(huán)境跨度較大的公路選線。此外，DEM等地形信息是滑坡類規(guī)則建立的重要特征，因而對(duì)于地質(zhì)環(huán)境復(fù)雜、高精度DEM缺乏地區(qū)，較難建立有效的滑坡提取類規(guī)則。

考慮到隨機(jī)森林是一個(gè)由多個(gè)決策樹(shù)構(gòu)成的組合分類器，面對(duì)高維特征，可通過(guò)少量樣本的訓(xùn)練構(gòu)建分類規(guī)則，能抑制過(guò)擬合，具有分類表現(xiàn)優(yōu)異、人工干預(yù)少和運(yùn)算速度快等優(yōu)點(diǎn)。為此，該文提出一種基于面向?qū)ο箅S機(jī)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(gòu)建滑坡對(duì)象并提取滑坡的光譜、形狀及紋理特征，在此基礎(chǔ)上選擇訓(xùn)練樣本，利用隨機(jī)森林模型確定疑似滑坡區(qū)域，最后結(jié)合目視解譯，對(duì)疑似滑坡區(qū)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(jù)。

2 面向?qū)ο箅S機(jī)森林分類模型的滑坡遙感解譯

2.1 滑坡自動(dòng)提取方法

隨機(jī)森林(Random Forests，RF)算法是由Breiman L于2001年提出的一種以決策樹(shù)為基礎(chǔ)分類器的集成機(jī)器學(xué)習(xí)算法。隨機(jī)森林采用Bagging 方法為每棵決策樹(shù)生成有獨(dú)立同分布的訓(xùn)練樣本集并進(jìn)行訓(xùn)練，每棵樹(shù)依賴于一個(gè)由訓(xùn)練確定的參數(shù)所組成的隨機(jī)向量，森林中生成的樹(shù)的參數(shù)隨機(jī)向量也是獨(dú)立同分布的，分類時(shí)隨機(jī)森林輸出每棵樹(shù)結(jié)果的組合。

隨機(jī)森林是一個(gè)由一系列決策樹(shù)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(jī)森林中決策樹(shù)的數(shù)目；θk為第k棵決策樹(shù)的參數(shù)向量，是獨(dú)立同分布的隨機(jī)向量，它通過(guò)在獨(dú)立同分布bootstrap集上學(xué)習(xí)而被獨(dú)立同分布地確定。被確定的第k棵決策樹(shù)用于對(duì)所有輸入向量x進(jìn)行分類，對(duì)于輸入變量x歸屬于哪個(gè)最合適的類別，每棵決策樹(shù)投平等的一票。一個(gè)輸入向量x的分類歸屬由所有樹(shù)的輸出結(jié)果投票綜合決定。

隨機(jī)森林的訓(xùn)練過(guò)程如下：①對(duì)輸入的訓(xùn)練樣本采用多次隨機(jī)、可重復(fù)的采樣，得到多個(gè)bootstrap樣本集；②利用每個(gè) bootstrap 樣本集，根據(jù)特征規(guī)則將樣本迭代分裂到左右兩個(gè)子集，構(gòu)造對(duì)應(yīng)的決策樹(shù)；③在每個(gè)葉節(jié)點(diǎn)處通過(guò)統(tǒng)計(jì)訓(xùn)練此葉節(jié)點(diǎn)的分類標(biāo)簽的直方圖，估計(jì)此葉節(jié)點(diǎn)上的類分布；④這樣的迭代訓(xùn)練過(guò)程一直執(zhí)行到設(shè)定的最大樹(shù)深度或者直到不能通過(guò)繼續(xù)分割獲取更大的信息增益為止。

該文以影像對(duì)象為滑坡提取單元，提取過(guò)程與傳統(tǒng)基于像素的隨機(jī)森林方法不同。具體過(guò)程如下：

(1)利用FNEA算法對(duì)遙感影像進(jìn)行分割，得到滑坡影像對(duì)象。

(2)基于滑坡影像對(duì)象，提取影像對(duì)象特征，構(gòu)建高維特征影像圖。

(3)利用已訓(xùn)練好的隨機(jī)森林模型，分別輸入每個(gè)影像對(duì)象的特征矢量，統(tǒng)計(jì)各個(gè)決策樹(shù)的投票結(jié)果，得到各影像對(duì)象屬于滑坡與非滑坡的票數(shù)。

(4)根據(jù)各對(duì)象屬于滑坡與非滑坡的票數(shù)多少，對(duì)各滑坡對(duì)象類別進(jìn)行劃分，進(jìn)而得到滑坡分布范圍。

(5)最后結(jié)合目視解譯，對(duì)提取的滑坡結(jié)果進(jìn)行修正，得到最終準(zhǔn)確的滑坡信息。該文采用面向?qū)ο箅S機(jī)森林分類模型的滑坡遙感解譯工作流程見(jiàn)圖1。

2.2 滑坡影像對(duì)象構(gòu)建

滑坡影像對(duì)象的構(gòu)建是指將遙感影像分割成具有相同屬性信息而又相互統(tǒng)計(jì)分離并具有連通性的小區(qū)域?；掠跋駥?duì)象是后續(xù)面向?qū)ο蟮幕逻b感解譯的基礎(chǔ)，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(fù)雜的空間形態(tài)與光譜特性等特點(diǎn)，傳統(tǒng)單一尺度的分割算法難以構(gòu)建有效的滑坡影像對(duì)象?？紤]到分型網(wǎng)絡(luò)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(gòu)建滑坡影像對(duì)象。

圖1 基于面向?qū)ο箅S機(jī)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(guò)分形迭代過(guò)程，根據(jù)相似性最大的合并準(zhǔn)則，從像素開(kāi)始合并滿足條件的兩相鄰對(duì)象，其技術(shù)關(guān)鍵是相鄰對(duì)象之間的相似性準(zhǔn)則的定義。經(jīng)典的FNEA中對(duì)象的相似性是綜合光譜相似性和形狀相似性來(lái)度量，其中光譜的相似性度量是利用對(duì)象內(nèi)像素灰度值的標(biāo)準(zhǔn)差來(lái)度量，假設(shè)標(biāo)號(hào)為1和2的相鄰對(duì)象內(nèi)像素個(gè)數(shù)分別為n1、n2，合并后對(duì)象標(biāo)號(hào)為m，光譜波段異質(zhì)度權(quán)重為wc，且對(duì)象內(nèi)像素的第i個(gè)波段的標(biāo)準(zhǔn)差為δi，影像共有N個(gè)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(nèi)的變化來(lái)描述，采用緊致度和光滑度兩種景觀生態(tài)測(cè)度來(lái)定義。緊致度hcmp表征對(duì)象的緊湊程度，可描述為對(duì)象邊界周長(zhǎng)p與對(duì)象內(nèi)像素?cái)?shù)n的均方根之間的比率；光滑度hsmo表征對(duì)象邊界的光滑程度，用對(duì)象邊界周長(zhǎng)p與最小外包矩形周長(zhǎng)b的比率來(lái)描述。設(shè)緊致度權(quán)重為wcmp，則對(duì)象間的形狀相似性hsha定義為：

(3)

式中：緊致度權(quán)重wcm∈[0,1]。

綜合式(2)與(3)，設(shè)形狀相似性的權(quán)重為wsha，其值在[0,1]范圍內(nèi)，則相鄰兩對(duì)象的綜合光譜和形狀的相似性準(zhǔn)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(duì)象，τ越大分割得到的對(duì)象數(shù)目越小，對(duì)象也越大。因此，在實(shí)際應(yīng)用中，需要根據(jù)不同的應(yīng)用場(chǎng)景，設(shè)置不同分割閾值，以滿足后續(xù)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(tài)及結(jié)構(gòu)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(diào)、紋理、植被指數(shù)等與周圍環(huán)境有很明顯的差異。從滑坡體的光譜特征來(lái)看，由于滑坡發(fā)生區(qū)域的原始地表遭到破壞，使得其在遙感影像上的顏色會(huì)發(fā)生連續(xù)性的變化；另外新發(fā)生滑坡體的物質(zhì)構(gòu)成疏松且表面通常無(wú)植被覆蓋，反射率一般較高，影像上的色調(diào)較淺。從滑坡的幾何形狀來(lái)看，滑坡一般具有較長(zhǎng)的滑坡帶，有較大的長(zhǎng)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(xiàn)出圈椅、雙溝同源、橢圓等特殊形狀。由于滑坡體的色調(diào)與形態(tài)在不同部位的表現(xiàn)均不同，致使其在影像上的紋理呈現(xiàn)出無(wú)規(guī)則狀態(tài)。

與傳統(tǒng)單個(gè)像素相比，滑坡影像對(duì)象包含豐富的特征信息，如對(duì)象的幾何信息、紋理信息及光譜信息，充分利用滑坡影像對(duì)象的各個(gè)特征信息有助于更好地識(shí)別滑坡。為此，利用多尺度分割算法生成滑坡影像對(duì)象，并提取滑坡影像對(duì)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(yàn)

青海省沿黃公路共和至大河家段公路工程勘察區(qū)域地處青藏高原東北緣，區(qū)域內(nèi)地質(zhì)構(gòu)造作用強(qiáng)烈，變質(zhì)作用和巖漿作用突出，表現(xiàn)出特殊、復(fù)雜的區(qū)域地質(zhì)構(gòu)造。路線方案整體處于黃河上游河谷內(nèi)，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(dǎo)致路線經(jīng)過(guò)的龍羊峽至拉西瓦、李家峽庫(kù)區(qū)、隆務(wù)峽至公伯峽等黃河峽谷段兩岸地勢(shì)陡峭，深切河谷發(fā)育，地形地貌復(fù)雜多樣。青海沿黃公路區(qū)域地理位置如圖2所示。

圖2 研究區(qū)的地理位置圖

該文選取青海省沿黃公路隆務(wù)峽至公伯峽段為重點(diǎn)研究區(qū)域。隆務(wù)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(shí)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(wù)峽至公伯峽的高山峽谷內(nèi)，兩岸山體高陡，部分地段直立，植被稀少，峽谷兩岸沖溝發(fā)育，區(qū)域內(nèi)滑坡、崩塌、泥石流等不良地質(zhì)現(xiàn)象及災(zāi)害地質(zhì)體十分發(fā)育。

考慮到路線范圍區(qū)內(nèi)地形地貌復(fù)雜，且高分辨率影像反映的地表形態(tài)更加細(xì)致、真實(shí)，能分辨圖像上更小單元的地物、地質(zhì)體和地質(zhì)現(xiàn)象，為此項(xiàng)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(qū)域地形起伏極大，導(dǎo)致該地區(qū)的衛(wèi)星圖像存在明顯的幾何畸變，在利用影像進(jìn)行滑坡解譯前，必須先進(jìn)行幾何糾正與空間配準(zhǔn)等相應(yīng)的處理。同時(shí)，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(xiàng)目對(duì)不同分辨率的遙感圖像進(jìn)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(qū)域，項(xiàng)目采用前述技術(shù)方法，利用處理后的QuickBird遙感衛(wèi)星數(shù)據(jù)，基于eCognition軟件平臺(tái)進(jìn)行多尺度分割，其中尺度參數(shù)為40，光譜特征權(quán)重為0.3，精致度權(quán)重為0.5，得到37 109個(gè)滑坡對(duì)象。在此基礎(chǔ)上提取滑坡對(duì)象的光譜、形狀及紋理特征，構(gòu)建特征圖像，進(jìn)而采用面向?qū)ο蟮碾S機(jī)森林分類模型，對(duì)研究區(qū)的滑坡信息進(jìn)行提取，并結(jié)合目視解譯進(jìn)行修正。圖3為路線方案沿線的滑坡解譯圖，其中白色區(qū)域?yàn)椴捎妹嫦驅(qū)ο蟮姆椒ㄌ崛〉囊伤苹聟^(qū)域，黑色區(qū)域?yàn)槟恳暯庾g修正后的滑坡區(qū)。

圖3 隆務(wù)峽至公伯峽段路線滑坡解譯圖

由圖3可知：利用面向?qū)ο蟮碾S機(jī)森林模型，有效識(shí)別出大量滑坡區(qū)域，尤其是新生滑坡區(qū)域。經(jīng)統(tǒng)計(jì)，該研究區(qū)總面積為62.83 km2，采用面向?qū)ο蟮幕陆庾g方法共提取出疑似滑坡區(qū)309處，疑似滑坡面積3.14 km2，在此基礎(chǔ)上進(jìn)行目視解譯修正，得到244處準(zhǔn)確滑坡區(qū)，滑坡區(qū)面積5.72 km2。通過(guò)與目視解譯結(jié)果對(duì)比，該方法存在一些漏提滑坡區(qū)的現(xiàn)象，這主要是由于路線走廊存在較多古滑坡，而古滑坡區(qū)域光譜、紋理、幾何形態(tài)等特征與周圍環(huán)境相似，致使古滑坡易漏分；同時(shí)，由于路線區(qū)植被稀少且無(wú)該區(qū)高精度DEM數(shù)據(jù)，易使部分裸土及裸巖誤分為滑坡。結(jié)合上述提取的滑坡區(qū)域，為項(xiàng)目3種路線方案(ⅠK、ⅡK及ⅢK)的比選優(yōu)化提供了參考依據(jù)。

4 結(jié)論

針對(duì)青海省沿黃公路共和至大河家段的滑坡解譯要求，利用衛(wèi)星遙感平臺(tái)，獲取研究區(qū)的高分辨率QuickBird衛(wèi)星影像?？紤]到路線區(qū)域復(fù)雜的地形及地質(zhì)環(huán)境，采用面向?qū)ο蟮碾S機(jī)森林分類模型提取出路線范圍內(nèi)的疑似滑坡區(qū)，并結(jié)合目視解譯，實(shí)現(xiàn)路線滑坡信息的快速準(zhǔn)確提取。具體結(jié)論如下：

(1)利用多尺度分割算法構(gòu)建滑坡體對(duì)象，在此基礎(chǔ)上采用隨機(jī)森林模型綜合利用滑坡對(duì)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(qū)。

(2)采用自動(dòng)提取與人工目視解譯修正相結(jié)合的策略，適用于復(fù)雜艱險(xiǎn)地區(qū)的滑坡提取，該方法能有效減少滑坡遙感解譯的作業(yè)面積，提高工作效率，為路線方案的比選優(yōu)化提供快速準(zhǔn)確的滑坡災(zāi)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(qū)高精度的DEM數(shù)據(jù)，對(duì)滑坡的提取精度產(chǎn)生了影響；此外該方法對(duì)古滑坡的提取精度較低。后續(xù)工作應(yīng)增加使用高精度DEM信息以提高滑坡解譯精度。