簡(jiǎn)小婷，趙 康，左小清，朱 琪，朱 文

(1.昆明理工大學(xué) 國(guó)土資源工程學(xué)院，云南 昆明 650093；2.云南省基礎(chǔ)地理信息中心，云南 昆明 650034)

0 引言

滑坡是在重力和其他外界條件作用下，斜坡上的部分土石體沿斜坡內(nèi)部一個(gè)或幾個(gè)滑動(dòng)面整體向下滑動(dòng)的自然現(xiàn)象?；乱坏┌l(fā)生，將會(huì)毀壞所涉區(qū)域的村鎮(zhèn)農(nóng)田，嚴(yán)重威脅當(dāng)?shù)鼐用竦纳?cái)產(chǎn)安全。2014年云南省福貢縣“6·30”大型滑坡災(zāi)害造成1人死亡、15人失蹤；2017年四川省“6·24”新磨村滑坡瞬間將整個(gè)村莊幾乎掩埋，造成10人死亡、93人失蹤；2019年貴州省水城縣“7·23”特大山體滑坡災(zāi)害造成近1 600人受災(zāi)，43人死亡、9人失蹤。國(guó)家統(tǒng)計(jì)局?jǐn)?shù)據(jù)顯示，2020年我國(guó)發(fā)生地質(zhì)災(zāi)害7 840起，其中滑坡災(zāi)害4 810起，占比61.35%。因此，如何發(fā)現(xiàn)和有效識(shí)別滑坡災(zāi)害對(duì)于防災(zāi)減災(zāi)工作至關(guān)重要。

隨著國(guó)產(chǎn)高分辨率衛(wèi)星的普及，國(guó)產(chǎn)高分衛(wèi)星影像在地質(zhì)災(zāi)害領(lǐng)域得到了廣泛應(yīng)用。基于高分辨率光學(xué)遙感影像的滑坡隱患識(shí)別研究主要集中在對(duì)未成災(zāi)的不穩(wěn)定滑坡和歷史滑坡的整體或局部“復(fù)活”[1-3]。識(shí)別方法主要有以下4類(lèi)：

a.人工目視解譯方法。專(zhuān)業(yè)人員利用遙感影像上的色彩、紋理、陰影等幾何特征辨別不同地物，再結(jié)合一些非遙感數(shù)據(jù)資料進(jìn)行分析和推理，從而識(shí)別災(zāi)害隱患區(qū)域，準(zhǔn)確度較高[4-5]。但是該方法非常依賴專(zhuān)業(yè)人員的知識(shí)和經(jīng)驗(yàn)，耗時(shí)費(fèi)力。

b.變化檢測(cè)方法。該方法主要利用不同歷史時(shí)間獲取覆蓋同一地表的遙感影像和相關(guān)地理數(shù)據(jù)，采用面向?qū)ο蠡蚶孟裨卣髯R(shí)別滑坡引起變化的區(qū)域[6-8]。常用的方法有基于像元的滑坡信息提取和面向?qū)ο蠓椒ǖ幕滦畔⑻崛9]?；谙裨幕滦畔⑻崛》椒ㄗR(shí)別高分辨率光學(xué)遙感影像的滑坡時(shí)，會(huì)出現(xiàn)“同物異譜、異物同譜”現(xiàn)象，直接影響滑坡的識(shí)別和變化檢測(cè)效果；而面向?qū)ο蟮幕伦R(shí)別方法能充分利用遙感影像的細(xì)節(jié)特征，有效避免“椒鹽現(xiàn)象”。

c.機(jī)器學(xué)習(xí)方法。該方法通過(guò)提取所用數(shù)據(jù)的各類(lèi)相關(guān)特征，使用各種分類(lèi)器進(jìn)行滑坡識(shí)別，自動(dòng)化程度較高，但特征選擇和超參數(shù)調(diào)試工作量較大，數(shù)據(jù)集較大時(shí)易出現(xiàn)錯(cuò)分漏發(fā)現(xiàn)象[10-12]。

d.深度學(xué)習(xí)方法。該方法無(wú)需人工構(gòu)建和選擇特征圖層，適合于更大場(chǎng)景的滑坡識(shí)別，在滑坡識(shí)別中以卷積神經(jīng)網(wǎng)絡(luò)為主[13-17]。目前基于目標(biāo)檢測(cè)中的深度學(xué)習(xí)算法主要分為基于區(qū)域建議框的雙階段檢測(cè)算法和基于回歸運(yùn)算的單階段檢測(cè)算法，前者主要的典型算法有R-CNN、SPP-net、Fast R-CNN、Faster R-CNN算法等，后者主要的典型算法有YOLO、YOLOv2、YOLOv3、SSD和RetinaNet算法等。單階段檢測(cè)算法具有很好的檢測(cè)速度，但是檢測(cè)精度不如雙階段算法；雙階段算法中的Faster R-CNN準(zhǔn)確率較高，漏檢率較低，速度比Fast R-CNN有所提升[18-19]。

在已有的目標(biāo)檢測(cè)滑坡識(shí)別研究中，研究對(duì)象多聚焦于地震滑坡和降雨滑坡等新生滑坡，而對(duì)發(fā)生時(shí)間久遠(yuǎn)、邊界較不明顯的滑坡研究較少。除此之外，滑坡識(shí)別研究中使用的光學(xué)影像數(shù)據(jù)中大多分辨率較低，會(huì)造成滑坡識(shí)別的遺漏。因此，本文基于高分辨率的光學(xué)遙感影像，以云南省怒江傈僳族自治州福貢縣為研究區(qū)，構(gòu)建高山峽谷地區(qū)滑坡識(shí)別數(shù)據(jù)集，并在該數(shù)據(jù)集的基礎(chǔ)上，探索使用Faster R-CNN目標(biāo)檢測(cè)方法進(jìn)行滑坡檢測(cè)的可行性。

1 目標(biāo)檢測(cè)方法

1.1 基于Faster R-CNN的目標(biāo)檢測(cè)方法

近年來(lái)，目標(biāo)檢測(cè)方法逐漸被運(yùn)用于各個(gè)領(lǐng)域，取得了豐碩的研究成果。但傳統(tǒng)的目標(biāo)檢測(cè)方法復(fù)雜度較高，窗口冗余，而基于深度學(xué)習(xí)的目標(biāo)檢測(cè)和識(shí)別較好地解決了上述問(wèn)題，已逐漸成為目標(biāo)檢測(cè)的主流方法。目前基于候選區(qū)域的深度學(xué)習(xí)目標(biāo)檢測(cè)算法有R-CNN、Fast R-CNN、Faster R-CNN，基于回歸的深度學(xué)習(xí)目標(biāo)檢測(cè)算法有YOLO、SSD等。Fast R-CNN彌補(bǔ)了R-CNN的不足，而Faster R-CNN在Fast R-CNN的基礎(chǔ)上進(jìn)行了改進(jìn)，明顯提高了精度和速度。且Faster R-CNN與YOLO、SSD相比，魯棒性更強(qiáng)，占用的空間更小。因此，本文采用Faster R-CNN目標(biāo)檢測(cè)方法來(lái)實(shí)現(xiàn)滑坡的自動(dòng)識(shí)別。Faster R-CNN是2016年REN在R-CNN和Fast R-CNN的基礎(chǔ)上提出的一種深度學(xué)習(xí)模型[23]，將獲取特征圖層、候選區(qū)域選取、回歸和分類(lèi)等操作融合在一個(gè)深層網(wǎng)絡(luò)中，提高了分析效率。Faster R-CNN滑坡檢測(cè)流程如圖1所示。

圖1 Faster R-CNN滑坡檢測(cè)流程

1)滑坡隱患特征提取

利用主干特征提取網(wǎng)絡(luò)獲得圖片的共享特征層，常用的深度卷積網(wǎng)絡(luò)結(jié)構(gòu)有VGG16、ResNet、IncResV2等[24]。ResNet能增加網(wǎng)絡(luò)的深度，從而對(duì)模型進(jìn)行優(yōu)化，可以獲得更好的學(xué)習(xí)效果，因此本文采用ResNet101網(wǎng)絡(luò)以便得到更深層次的融合特征圖，從而提高目標(biāo)檢測(cè)性能。

2)RPN檢測(cè)

區(qū)域建議網(wǎng)絡(luò)(Region Proposal Network,RPN)解決了R-CNN、Fast R-CNN候選框生成計(jì)算開(kāi)銷(xiāo)大的問(wèn)題，提高了目標(biāo)檢測(cè)算法性能。RPN主要通過(guò)神經(jīng)網(wǎng)絡(luò)處理，獲取準(zhǔn)確的候選區(qū)域，RPN網(wǎng)絡(luò)采用多任務(wù)損失，式(1)是其對(duì)一張影像的損失函數(shù)定義式：

(1)

(2)

(3)

式中，參數(shù)R為smooth函數(shù)，表達(dá)式為

(4)

3)ROI Pooling

根據(jù)確定的滑坡精確位置，從特征圖中選擇用于分類(lèi)的目標(biāo)數(shù)據(jù)，利用Pooling修改圖片尺寸，輸入全連接層進(jìn)行分類(lèi)和回歸。

4)分類(lèi)和回歸

利用Softmax函數(shù)獲取最終分類(lèi)，判斷物體是滑坡還是非滑坡，以便精細(xì)調(diào)整候選區(qū)域位置，從而獲取最終目標(biāo)檢測(cè)結(jié)果。

1.2 模型訓(xùn)練

1)模型訓(xùn)練平臺(tái)

模型訓(xùn)練平臺(tái)為臺(tái)式計(jì)算機(jī)，處理器是Intel Corei9-9900k，32 GB內(nèi)存，512 GB固態(tài)硬盤(pán)。在Anaconda中配置Pytorch 3.6和Tensorflow1.13.2?；赑ytorch和Tensorflow框架搭建了Faster R-CNN模型，模型選用ResNet-101(101層)為主干網(wǎng)絡(luò)，最小批數(shù)量為2張圖片，訓(xùn)練批次為100次。

2)模型訓(xùn)練數(shù)據(jù)集

本文使用的高分辨率光學(xué)遙感影像是2019年高分一號(hào)光學(xué)影像，整體影像質(zhì)量良好。高分一號(hào)衛(wèi)星是我國(guó)自主研發(fā)并成功發(fā)射的首顆高分辨率對(duì)地觀測(cè)遙感衛(wèi)星，其分辨率達(dá)到了2 m，能滿足遙感影像精細(xì)解譯要求。樣本數(shù)據(jù)庫(kù)利用ArcMap工具構(gòu)建(見(jiàn)圖2)。

圖2 滑坡樣本集

另外，為進(jìn)一步增大樣本量，在訓(xùn)練時(shí)采用了旋轉(zhuǎn)的數(shù)據(jù)增強(qiáng)策略。因此，一共解譯出福貢縣(不包含福貢縣城區(qū)域)1 548處滑坡隱患區(qū)域，數(shù)據(jù)集統(tǒng)一為VOC2007格式，影像標(biāo)準(zhǔn)化為600×600像素，統(tǒng)一標(biāo)記，確保標(biāo)記不重疊。其中：1 338張滑坡影像數(shù)據(jù)集用于學(xué)習(xí)目標(biāo)特征，訓(xùn)練目標(biāo)檢測(cè)算法；210張影像數(shù)據(jù)集作為測(cè)試樣本集，用于選擇表現(xiàn)最好的模型。

1.3 精度評(píng)價(jià)

本文采用精確度(Precision)和召回率(Recall)作為精度評(píng)定指標(biāo)。精確度是正確預(yù)測(cè)結(jié)果數(shù)量與所有預(yù)測(cè)結(jié)果的比值，召回率是正確預(yù)測(cè)結(jié)果數(shù)量與所有真實(shí)值的比值。單獨(dú)使用精確度或召回率指標(biāo)評(píng)價(jià)目標(biāo)預(yù)測(cè)精度會(huì)出現(xiàn)誤測(cè)，故常將這兩個(gè)指標(biāo)結(jié)合使用。AP(Average Precision)值評(píng)價(jià)方法就是典型的Precision和Recall相結(jié)合的方法。AP值主要利用不同的Precision和Recall的點(diǎn)的組合畫(huà)出曲線下的面積，能夠更加準(zhǔn)確地評(píng)價(jià)目標(biāo)檢測(cè)的準(zhǔn)確度。

精確度P、召回率R、平均精度AP可分別表示為

(5)

(6)

(7)

式中，TP表示分類(lèi)器認(rèn)為是正樣本且結(jié)果是正樣本的例子，F(xiàn)P表示分類(lèi)器認(rèn)為是正樣本但結(jié)果不是正樣本的例子，F(xiàn)N表示分類(lèi)器認(rèn)為是負(fù)樣本但結(jié)果不是負(fù)樣本的例子。

滑坡檢測(cè)結(jié)果如圖3所示。在Faster R-CNN模型訓(xùn)練的100個(gè)批次中，選取損失值較小、精度較合適的第82個(gè)批次的模型參數(shù)作為最優(yōu)模型用于結(jié)果測(cè)試，最終測(cè)試結(jié)果顯示滑坡識(shí)別的AP值達(dá)到了92.42%。

圖3 訓(xùn)練損失與精度驗(yàn)證

2 實(shí)驗(yàn)與分析

為進(jìn)一步驗(yàn)證Faster R-CNN滑坡隱患識(shí)別模型的準(zhǔn)確性，將遙感影像數(shù)據(jù)集輸入AP值達(dá)92.42%的最優(yōu)模型中，并采用面向?qū)ο蠡码[患識(shí)別方法對(duì)福貢縣城區(qū)域的高分一號(hào)影像進(jìn)行滑坡隱患識(shí)別。將兩種方法的識(shí)別結(jié)果與云南省地質(zhì)災(zāi)害隱患識(shí)別中心提供的福貢縣滑坡隱患點(diǎn)分布進(jìn)行對(duì)比，以檢驗(yàn)實(shí)驗(yàn)的準(zhǔn)確度。

2.1 實(shí)驗(yàn)區(qū)

以福貢縣城區(qū)為實(shí)驗(yàn)區(qū)，其位于福貢縣中部，以福貢縣政府為中心，面積約610 km2，涵蓋鹿馬登鄉(xiāng)、上帕鎮(zhèn)、架科底鄉(xiāng)(見(jiàn)圖4)。受印度板塊與歐亞板塊碰撞影響，深大斷裂發(fā)育，近地表巖體破碎，地形起伏大，江河深切，局地暴雨多發(fā)，是典型的地質(zhì)災(zāi)害高易發(fā)區(qū)[20-22]，尤以滑坡災(zāi)害居多。同時(shí)，滑坡隱患源區(qū)往往地處高位，人跡罕至，具有高度的隱蔽性，僅靠地質(zhì)災(zāi)害詳查和群測(cè)群防手段難以及時(shí)發(fā)現(xiàn)災(zāi)險(xiǎn)情。而高分辨率光學(xué)遙感影像覆蓋范圍廣，對(duì)于變形跡象明顯的滑坡隱患具有較好的識(shí)別能力，有助于大范圍滑坡災(zāi)害隱患的快速識(shí)別。因此，本文借助高精度對(duì)地觀測(cè)和人工智能手段，開(kāi)展該區(qū)域滑坡災(zāi)害隱患識(shí)別，這對(duì)滇西北地質(zhì)災(zāi)害防范具有重要的示范意義。

圖4 實(shí)驗(yàn)區(qū)位置

2.2 實(shí)驗(yàn)設(shè)計(jì)

為了驗(yàn)證本文采用的目標(biāo)檢測(cè)方法的滑坡識(shí)別性能，基于福貢縣城區(qū)的高分一號(hào)影像，分別采用面向?qū)ο蠓椒ê虵aster R-CNN目標(biāo)檢測(cè)方法識(shí)別該區(qū)域的滑坡隱患[23-24]。所有實(shí)驗(yàn)均在處理器Intel(R)Core(TM)i7-10750H CPU@2.60GHz下進(jìn)行。目標(biāo)檢測(cè)算法軟件環(huán)境為Pytorch 3.6和Tensorflow1.13.2。面向?qū)ο蠓椒ㄔ趀Cognition平臺(tái)上展開(kāi)，eCognition Deve-loper軟件是一款基于面向?qū)ο蟮倪b感信息提取專(zhuān)業(yè)軟件，適用于高分辨率遙感圖像?；诿嫦?qū)ο蟮倪b感影像分類(lèi)方法，能夠有效避免“同物異譜”和“異物同譜”現(xiàn)象，從而更加準(zhǔn)確地識(shí)別滑坡隱患。基本處理流程為：①遙感影像校正、裁剪等預(yù)處理；②利用多尺度分割方法(將形狀因子和緊致度分別設(shè)為0.1和0.5，分割尺度參數(shù)設(shè)為75)分割遙感影像；③采用均值、灰度共生矩陣等特征因子定義和區(qū)分滑坡對(duì)象；④利用支持向量機(jī)(Support Vector Machines ,SVM)算法提取滑坡信息；⑤根據(jù)云南省地質(zhì)災(zāi)害隱患識(shí)別中心提供的滑坡隱患數(shù)據(jù)對(duì)比兩種方法的滑坡隱患識(shí)別結(jié)果，以驗(yàn)證本文采用的目標(biāo)檢測(cè)方法的有效性。

2.3 實(shí)驗(yàn)結(jié)果分析

采用Faster R-CNN滑坡隱患檢測(cè)方法，使用高分一號(hào)影像數(shù)據(jù)，識(shí)別出福貢縣城區(qū)滑坡隱患點(diǎn)193處(見(jiàn)圖5a)。采用面向?qū)ο蠓椒?，最終識(shí)別出滑坡隱患區(qū)域245處(見(jiàn)圖5b)。

圖5 Faster R-CNN識(shí)別結(jié)果(a)和面向?qū)ο笞R(shí)別結(jié)果(b)

由圖5可知，兩種方法均識(shí)別出了研究區(qū)域的大部分滑坡隱患點(diǎn)，且這些點(diǎn)大多是重疊的。將兩種方法的識(shí)別結(jié)果分別與云南省地質(zhì)災(zāi)害隱患識(shí)別中心提供的滑坡隱患數(shù)據(jù)進(jìn)行比較，結(jié)果分別見(jiàn)表1和圖6。

表1 滑坡隱患識(shí)別結(jié)果驗(yàn)證

由表1可知：基于面向?qū)ο蟮幕码[患識(shí)別方法識(shí)別出245個(gè)滑坡隱患點(diǎn)，正確解譯201個(gè)，正確率為82.04%；基于Faster R-CNN的滑坡隱患自動(dòng)識(shí)別方法識(shí)別出193個(gè)滑坡隱患點(diǎn)，正確解譯176個(gè)，正確率為91.19%。由此可見(jiàn)，基于Faster R-CNN的滑坡隱患識(shí)別方法準(zhǔn)確度更高。

但兩種方法都有部分識(shí)別錯(cuò)誤和未識(shí)別區(qū)域。圖7為Faster R-CNN部分滑坡錯(cuò)誤識(shí)別結(jié)果，對(duì)錯(cuò)誤識(shí)別結(jié)果進(jìn)行對(duì)比后發(fā)現(xiàn)，多數(shù)錯(cuò)誤識(shí)別結(jié)果位于地表光譜特征與滑坡邊緣類(lèi)似的梯田、草地或山脊交匯地帶，這些地方的紋理特征復(fù)雜多變，植被稀少，地表較為裸露，易導(dǎo)致錯(cuò)誤識(shí)別。圖8為部分未識(shí)別出的滑坡隱患區(qū)域，對(duì)部分未識(shí)別出的滑坡隱患區(qū)域進(jìn)行對(duì)比后發(fā)現(xiàn)，其主要有兩種類(lèi)型：一種是滑坡在光學(xué)遙感影像上光譜特征與周?chē)h(huán)境相似，滑坡后壁可見(jiàn)，但邊界比較模糊，易被識(shí)別為裸露的草地或耕地；另一種是滑坡主要位于光學(xué)遙感影像中的陰影部位，處于山脊或坡頂，在陽(yáng)光照射下被陰影覆蓋，無(wú)法通過(guò)光譜特征識(shí)別出滑坡隱患區(qū)域。

圖7 部分滑坡錯(cuò)誤識(shí)別結(jié)果

圖8 未被識(shí)別出的滑坡隱患區(qū)域

3 結(jié)論

隨著國(guó)產(chǎn)高分辨率衛(wèi)星技術(shù)的快速發(fā)展，為地質(zhì)災(zāi)害智能識(shí)別提供了可靠的高分辨數(shù)據(jù)。本文基于Faster R-CNN目標(biāo)檢測(cè)方法構(gòu)建了滑坡隱患自動(dòng)識(shí)別模型，采用高分一號(hào)影像數(shù)據(jù)，對(duì)福貢縣城區(qū)域進(jìn)行了滑坡隱患檢測(cè)，共識(shí)別出隱患點(diǎn)193處，與云南省地質(zhì)災(zāi)害隱患中心提供的數(shù)據(jù)進(jìn)行比較后發(fā)現(xiàn)其準(zhǔn)確率高達(dá)91.19%。本研究還得到了以下主要結(jié)論：

a.基于高分一號(hào)衛(wèi)星影像，采用Faster R-CNN滑坡隱患識(shí)別方法能有效識(shí)別滇西怒江流域的滑坡隱患，可有效減少實(shí)地巡排查工作量，對(duì)地處高位、交通不便、隱蔽性強(qiáng)的滑坡隱患排查具有重要的指導(dǎo)意義。

b.Faster R-CNN滑坡隱患識(shí)別方法對(duì)地表特征明顯的滑坡具有較高的識(shí)別率，但對(duì)形態(tài)不完整、變形跡象不明顯的滑坡難以識(shí)別。因此，未來(lái)可考慮與InSAR、LiDAR技術(shù)相結(jié)合，采用綜合研判的方法進(jìn)一步提高滑坡隱患識(shí)別的準(zhǔn)確率。