王輝 范碩超 黃曉胤 邱鵬 于競(jìng)哲 李進(jìn)田

（1 國(guó)網(wǎng)冀北電力有限公司，北京 100054）

（2 國(guó)網(wǎng)冀北電力有限公司超高壓分公司，北京 102488）

（3 國(guó)網(wǎng)冀北電力有限公司電力科學(xué)研究院，北京 100045）

（4 北京深藍(lán)空間遙感技術(shù)有限公司，北京 100101）

0 引言

我國(guó)是世界上地質(zhì)災(zāi)害最嚴(yán)重的國(guó)家之一，而滑坡作為三大主要地質(zhì)災(zāi)害之一，在我國(guó)也是極為頻繁的發(fā)生，其中大型和巨型滑坡影響最為突出[1]。我國(guó)大部分地區(qū)都發(fā)生過6 級(jí)以上的地震，導(dǎo)致大約有700 多個(gè)縣、市長(zhǎng)期受地質(zhì)災(zāi)害的影響，其中崩塌、滑坡、泥石流等地質(zhì)災(zāi)害隱患點(diǎn)25 000 處，影響范圍約占國(guó)土面積40.8%。每年的地質(zhì)災(zāi)害都會(huì)給人民和國(guó)家?guī)?lái)巨大的經(jīng)濟(jì)損失[2]，因此對(duì)滑坡災(zāi)害的識(shí)別監(jiān)測(cè)具有十分重要的意義。

基于遙感技術(shù)進(jìn)行滑坡識(shí)別的研究已不勝枚舉。目前基于像素的滑坡信息提取已克服了人工判讀的缺點(diǎn)，其主要方法是基于遙感圖像中每個(gè)像素值及其變化來(lái)確定其目標(biāo)類別。文獻(xiàn)[3]利用變化信息監(jiān)測(cè)方法成功分離圖像中滑坡與裸露的巖石和土壤；文獻(xiàn)[4]基于紋理變化監(jiān)測(cè)技術(shù)從地震前后影像中提取了滑坡災(zāi)害信息；文獻(xiàn)[5]采用不同閾值選擇方法對(duì)滑坡進(jìn)行提取；文獻(xiàn)[6]采用基于像素的震后滑坡測(cè)繪變化檢測(cè)方法進(jìn)行滑坡識(shí)別；文獻(xiàn)[7]基于對(duì)象分類法結(jié)合植被指數(shù)和紋理特征對(duì)古滑坡和新生滑坡進(jìn)行識(shí)別；文獻(xiàn)[8]利用面向?qū)ο蠓诸惣夹g(shù)對(duì)不同地區(qū)進(jìn)行滑坡檢測(cè)；文獻(xiàn)[9]基于影像分割結(jié)合對(duì)象不同特征進(jìn)行滑坡識(shí)別；文獻(xiàn)[10]對(duì)遙感影像進(jìn)行多尺度分割并采用基于監(jiān)督分類和規(guī)則分類兩種方法進(jìn)行滑坡識(shí)別；文獻(xiàn)[11]將基于對(duì)象的圖像分析技術(shù)與機(jī)器學(xué)習(xí)算法結(jié)合應(yīng)用于滑坡識(shí)別；文獻(xiàn)[12]將面向?qū)ο蠓椒ㄅc深度學(xué)習(xí)和遷移學(xué)習(xí)相結(jié)合，精確提取了大型滑坡邊緣與中小型滑坡。

以往，目視解譯一直是滑坡識(shí)別常用的手段，準(zhǔn)確率相對(duì)較高，但自動(dòng)化程度低導(dǎo)致極其浪費(fèi)人力。使用計(jì)算機(jī)對(duì)滑坡等地質(zhì)災(zāi)害進(jìn)行智能識(shí)別是地質(zhì)、遙感類工作者一直以來(lái)所追尋的方式。上述研究中有采用不同閾值選擇方法對(duì)單時(shí)像進(jìn)行滑坡提取的方法，但滑坡的發(fā)生一般伴隨著地物變化，當(dāng)研究區(qū)存在較多與滑坡光譜特征相似的地物時(shí)，基于單時(shí)相的影像進(jìn)行光學(xué)滑坡的識(shí)別存在較高的錯(cuò)誤率。基于多時(shí)序光學(xué)影像探查這種變化是識(shí)別滑坡的有效途徑之一。從地學(xué)原理分析可知，可通過兩幅滑坡前后的光學(xué)影像進(jìn)行變化檢測(cè)，從而識(shí)別出滑坡的區(qū)域?；谙袼氐幕伦R(shí)別是一種高效、簡(jiǎn)單的滑坡識(shí)別手段，只需要兩景光學(xué)影像就可以實(shí)現(xiàn)滑坡識(shí)別。上述研究中也存在使用多時(shí)序影像進(jìn)行滑坡識(shí)別的方法，但大多不是基于像素進(jìn)行的，存在時(shí)效性差的問題，而上述研究中基于像素的識(shí)別算法也由于處理過程需要人工參與，存在非自動(dòng)化的缺陷。為了提高滑坡識(shí)別準(zhǔn)確率，并有效增加滑坡應(yīng)急的時(shí)效性，以多時(shí)序遙感影像的變化檢測(cè)為基礎(chǔ)，采用基于像素的滑坡識(shí)別算法，結(jié)合自動(dòng)閾值選取算法和形態(tài)學(xué)技術(shù)進(jìn)行滑坡區(qū)域提取，在保證遙感滑坡識(shí)別的準(zhǔn)確性和可靠性的同時(shí)，還實(shí)現(xiàn)了實(shí)時(shí)性和自動(dòng)化。

本文以北京門頭溝區(qū)為研究區(qū)域，針對(duì)現(xiàn)有滑坡識(shí)別方法的自動(dòng)化能力欠缺、識(shí)別效率低等問題，提出變化檢測(cè)技術(shù)結(jié)合自動(dòng)閾值算法、形態(tài)學(xué)等進(jìn)行滑坡的快速自動(dòng)識(shí)別技術(shù)，以實(shí)現(xiàn)實(shí)時(shí)、高效且低成本的滑坡識(shí)別技術(shù)的應(yīng)用。本文的技術(shù)路線圖如圖1 所示。

圖1 本文技術(shù)路線圖Fig.1 Technical roadmap of this paper

其主要步驟包括：

1）基礎(chǔ)數(shù)據(jù)準(zhǔn)備與預(yù)處理。如兩幅光學(xué)影像的準(zhǔn)備與數(shù)據(jù)預(yù)處理，數(shù)字高程模型（Digital Elevation Model，DEM）數(shù)據(jù)準(zhǔn)備與其衍生產(chǎn)品坡度數(shù)據(jù)和山體陰影數(shù)據(jù)的預(yù)處理等。

2）進(jìn)行植被覆蓋指數(shù)（Normalized Difference Vegetation Index，NDVI）計(jì)算，并計(jì)算擾動(dòng)變化參數(shù)I。

3）滑坡預(yù)選區(qū)生成?；诮y(tǒng)計(jì)分析原理，使用循環(huán)分割算法完成植被擾動(dòng)分類規(guī)則的閾值選取工作，進(jìn)行濾波等操作生成滑坡預(yù)選區(qū)。

4）滑坡參數(shù)計(jì)算與設(shè)定?；诨骂A(yù)選區(qū)陶粒，計(jì)算其形態(tài)學(xué)參數(shù)、去除山體陰影（分割閾值由最大類間方差法自動(dòng)設(shè)定），設(shè)定滑坡預(yù)選區(qū)陶粒的質(zhì)心坡度閾值，保留滑坡陶粒。

5）滑坡結(jié)果生成。二值化滑坡陶粒，生成滑坡二值化柵格圖，用于分析制圖。

1 研究區(qū)與數(shù)據(jù)處理

1.1 研究區(qū)概況

門頭溝區(qū)位于北京城區(qū)正西偏南，介于東經(jīng)115°25′00′′~116°10′07′′，北緯39°48′34′′~40°10′37′′之間，地處華北平原向蒙古高原過渡的山地地帶，全區(qū)以山地為主，地勢(shì)由西北向東南傾斜。由于地形地貌與氣候、礦產(chǎn)的影響，導(dǎo)致門頭溝區(qū)成為北京市區(qū)域內(nèi)發(fā)生滑坡災(zāi)害較為密集的地區(qū)。結(jié)合門頭溝區(qū)歷史滑坡分布和實(shí)時(shí)監(jiān)測(cè)的特點(diǎn)，選取門頭溝西部歷史滑坡較為密集的區(qū)域作為本次的研究區(qū)，如圖2 所示，選取的影像幾乎無(wú)云量覆蓋，且監(jiān)測(cè)時(shí)間間隔恰好為相差一年時(shí)間的同一時(shí)期，此時(shí)的氣候等環(huán)境影響一致，識(shí)別準(zhǔn)確率更高。

圖2 研究區(qū)地理位置Fig.2 Geographical location of the study area

1.2 數(shù)據(jù)與處理

PlanetScope 陸地觀測(cè)小衛(wèi)星系統(tǒng)屬于美國(guó)Planet 商業(yè)遙感衛(wèi)星公司，第一批衛(wèi)星于2014 年發(fā)射，截至目前已經(jīng)有170 余顆衛(wèi)星，是全球最大的衛(wèi)星星座。該衛(wèi)星系統(tǒng)每天以3 m 的分辨率重訪全球任何地區(qū)以獲取海量的全球衛(wèi)星影像數(shù)據(jù)，可提供大多數(shù)地區(qū)的近乎實(shí)時(shí)圖像的服務(wù)，相較于當(dāng)下眾多高空間分辨率衛(wèi)星數(shù)據(jù)，PlanetScope 衛(wèi)星數(shù)據(jù)有高頻次重訪的獨(dú)特優(yōu)勢(shì)，為陸地監(jiān)測(cè)和土地利用監(jiān)測(cè)提供了完美的方案。

本研究得到覆蓋研究區(qū)的兩幅3 m 高分辨率Planet 數(shù)據(jù)，監(jiān)測(cè)時(shí)間分別為2021 年9 月7 日和2022年9 月7 日，整個(gè)研究區(qū)尺寸為9 191 像素×8 177 像素，面積約676.39 km2，如圖3 所示。

基于獲取的Planet 數(shù)據(jù)，進(jìn)行基礎(chǔ)光學(xué)數(shù)據(jù)處理，如影像校正、輻射定標(biāo)、大氣校正、鑲嵌與裁剪等步驟完成兩幅影像的預(yù)處理工作，步驟如圖4 所示。

圖4 Planet 數(shù)據(jù)處理流程Fig.4 Planet data processing flow

獲取覆蓋監(jiān)測(cè)區(qū)的12.5 m 空間分辨率的DEM 數(shù)據(jù)，該數(shù)據(jù)由日本對(duì)地觀測(cè)衛(wèi)星 ALOS 搭載的L 波段合成孔徑雷達(dá)（PALSAR）采集?；诘貙W(xué)軟件ARCGIS 的坡度提取工具和山體陰影提取工具分別獲取覆蓋研究區(qū)的坡度數(shù)據(jù)和山體陰影數(shù)據(jù)，山體陰影需要指定太陽(yáng)在天空的位置，然后根據(jù)每一個(gè)DEM的像素值計(jì)算表面的假定的高度值，太陽(yáng)的位置是利用太陽(yáng)方位角與太陽(yáng)高度值來(lái)描述的，這兩個(gè)參數(shù)可通過Planet 衛(wèi)星數(shù)據(jù)的頭文件中查詢。對(duì)獲得的坡度數(shù)據(jù)和山體陰影數(shù)據(jù)進(jìn)行投影轉(zhuǎn)換、重采樣、影像配準(zhǔn)、影像裁剪等處理，獲得與光學(xué)影像同行列、同分辨率的配準(zhǔn)坡度網(wǎng)格數(shù)據(jù)和山體陰影網(wǎng)格數(shù)據(jù)，如圖5 所示。

圖5 輔助數(shù)據(jù)Fig.5 Auxiliary data

2 基于光學(xué)影像的滑坡實(shí)時(shí)自動(dòng)識(shí)別

2.1 自動(dòng)閾值選取

閾值分割是圖像處理的基本問題，在圖像分析和識(shí)別中起著重要作用。有關(guān)圖像閾值自動(dòng)選取方法已多達(dá)數(shù)十種[13-14]，并仍有新的圖像閾值選取方法被陸續(xù)提出，對(duì)于不同的圖像分割要求，尋找計(jì)算簡(jiǎn)單且適用性強(qiáng)的圖像閾值自動(dòng)選取方法尤為重要。

圖像閾值選取方法的選擇應(yīng)該依據(jù)具體的需求及應(yīng)用場(chǎng)景來(lái)確定，其選取的方法性能受到目標(biāo)大小、對(duì)比度、均值差、目標(biāo)和背景方差以及噪聲等因素的影響。各方法的性能與所處理的特定圖像有關(guān)，而定量性能的比較取決于所用的性能準(zhǔn)則，并不能使用一種算法就能將所有的測(cè)試圖像與性能準(zhǔn)則做到最佳。有研究表明，針對(duì)于一般的實(shí)時(shí)應(yīng)用，可選用簡(jiǎn)單統(tǒng)計(jì)法與最大類間方差法。

由于現(xiàn)下判定一種圖像閾值選取方法的優(yōu)劣暫無(wú)公認(rèn)的統(tǒng)一標(biāo)準(zhǔn)，因此針對(duì)實(shí)驗(yàn)中可能需要進(jìn)行圖像閾值分割的步驟采用每種閾值選取方法均進(jìn)行了試驗(yàn)，最終根據(jù)分割的情況，粗略的給了一個(gè)“不行、差、中、好”的評(píng)判，認(rèn)為“不行”的一般產(chǎn)生不出適當(dāng)?shù)拈撝?，而?biāo)為“好”的對(duì)大多數(shù)圖像都能產(chǎn)生出好的閾值?；诖诉x擇最“好”的自動(dòng)閾值選取算法，對(duì)自動(dòng)化過程中的參數(shù)閾值進(jìn)行設(shè)定。

通過對(duì)不同的閾值自動(dòng)選取算法的適用性及優(yōu)點(diǎn)進(jìn)行研究分析，將不同算法應(yīng)用于本文中的閾值選取過程，經(jīng)過反復(fù)試驗(yàn)，本文中最終使用到了兩種閾值自動(dòng)選取算法，分別為循環(huán)分割算法和最大類間方差法，以下對(duì)兩種方法進(jìn)行簡(jiǎn)要的介紹。

（1）循環(huán)分割算法

該方法基于圖像灰度級(jí)分布。使用單個(gè)全局閾值來(lái)分割圖像的直方圖?；痉椒ㄊ侵鹣袼貟呙璨钪祱D像，并將像素標(biāo)記為目標(biāo)或背景，以實(shí)現(xiàn)圖像分割。可通過以下步驟獲得最佳閾值：計(jì)算影像灰度級(jí)最值Tmin和Tmax，計(jì)算初始閾值T=(Tmin+Tmax)/2，使用初始閾值T對(duì)影像進(jìn)行第一次分割，以灰度值大于T的像素即為目標(biāo)G1，灰度值小于或等于T的像素即為背景G2，然后分別計(jì)算目標(biāo)G1和背景G2中所有像素的均值x1和x2，按式（1）計(jì)算新的閾值T1

使用每次生成的新閾值對(duì)圖像進(jìn)行分類并重新計(jì)算閾值，直到兩個(gè)值之間的差值小于0.01（可根據(jù)需要設(shè)置該值），所得到的閾值T1即為最佳閾值。

循環(huán)分割算法的優(yōu)點(diǎn)是實(shí)現(xiàn)起來(lái)非常簡(jiǎn)單，并且很容易提取灰度值有明顯差異的變化像素，且會(huì)省略掉灰度值相對(duì)較小變化像素。該方法滿足植被擾動(dòng)分類規(guī)則的閾值選取的統(tǒng)計(jì)分布特點(diǎn)，因此在該過程中被采用[15]。

（2）最大類間方差法

最大類間方差法具有抗亮度變化和對(duì)比度變化的特點(diǎn)，因此非常適合于實(shí)時(shí)圖像處理。利用類間方差可以確定不同閾值的類別分離性能，并基于此導(dǎo)出自動(dòng)閾值選擇方法[16-17]?？赏ㄟ^以下步驟完成最佳閾值的獲?。?）對(duì)影像進(jìn)行直方圖歸一化；2）給定像素灰度值t=1, ···, 254 ，并利用t將影像劃分為目標(biāo)C0和背景C1；3）計(jì)算目標(biāo)C0部分比例w0、背景C1部分比例w1、目標(biāo)C0均值 μ0、背景C1均值 μ1和全圖總均值 μ；4）計(jì)算圖像閾值g；5）將閾值g反變換至原影像值域，以完成影像值域確定。上述步驟涉及式（2）

式中n和m表示影像的行列像素?cái)?shù)；N為灰度級(jí)；p(i)=f(i)/(nm) 表示灰度值為i的頻率；f(i)表示灰度值為i的頻數(shù)，i表示隨機(jī)取值。

Otsu 在1979 年提出的最大類間方差法（又稱大津方法）被認(rèn)為是目前自動(dòng)閾值選擇的最佳方法[18-19]。這類算法是面向均勻性的算法，所得到二值圖像比較均勻且目標(biāo)性狀較好。該方法在本文中的山體影像閾值自動(dòng)選擇中被采用。

2.2 滑坡預(yù)選區(qū)提取

基于光學(xué)影像的多波段數(shù)據(jù)，基于波段計(jì)算提取兩幅光學(xué)影像的歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）影像，如式（3）

式中N1和N2表示兩幅前、后時(shí)相光學(xué)影像對(duì)應(yīng)的NDVI 影像；Bnir表示近紅外波段；Bred表示紅波段。

基于獲取得到的兩幅時(shí)相的NDVI 影像，進(jìn)行基于像素的變化檢測(cè)，并設(shè)定一個(gè)擾動(dòng)變化參數(shù)I，如式（4）

式中I表示植被擾動(dòng)變化指數(shù)，它主要反映了兩幅光學(xué)影像的植被變化情況。比如，對(duì)于植被覆蓋越茂盛的地區(qū)，其NDVI 值越大，但當(dāng)該區(qū)域發(fā)生了滑坡，此時(shí)植被勢(shì)必會(huì)遭到滑坡破壞而裸漏出其植被下覆蓋的土層，這時(shí)后一時(shí)相的NDVI 值相較于前一時(shí)相則會(huì)明顯降低，此時(shí)I值較大。若未發(fā)生滑坡，由于兩幅光學(xué)影像月份一致，植被覆蓋情況相差不大，所以兩幅影像的NDVI 值也變化不大，此時(shí)I值較小。利用此特點(diǎn)可以排除I值較小的區(qū)域，以降低非滑坡像素的干擾，再基于Behling 方法[20-21]中的植被擾動(dòng)分類規(guī)則（分割閾值由循環(huán)分割算法自動(dòng)設(shè)定）對(duì)整個(gè)區(qū)域進(jìn)行分類，分類方式如表1 所示。

表1 Behling 方法中植被擾動(dòng)分類規(guī)則Tab.1 Classification rules of vegetation disturbance in Behling method

依據(jù)表1 的分類規(guī)則，將整個(gè)研究區(qū)分為10 類（表1 中的9 類加上I值較小的1 類），將同一類別用相同數(shù)字表示，生成研究區(qū)分類圖。對(duì)分類圖進(jìn)行一些必要的處理工作可以改善識(shí)別提取的可靠性和合理性，使用濾波矩陣對(duì)圖像進(jìn)行去除“毛刺”、填補(bǔ)“空洞”或“凹陷”、刪除“斑點(diǎn)”等一系列處理，生成去除噪聲干擾的分類圖[22]。I值較小的區(qū)域（0 類）不在滑坡預(yù)選區(qū)的考慮范圍，剩下的9 類結(jié)果結(jié)合目視分析，選定其中很準(zhǔn)確表達(dá)滑坡分布的類別，并將其作為滑坡預(yù)選區(qū)。

2.3 滑坡自動(dòng)精細(xì)識(shí)別

在確定了滑坡預(yù)選區(qū)之后，一些影響滑坡選取精度的誤判區(qū)域也應(yīng)予以剔除，如后時(shí)相中存在的一些低NDVI 區(qū)域（道路、山體陰影）等。為了去除這些區(qū)域的影響，以提高滑坡識(shí)別精度，可以根據(jù)這些地物的幾何特征和光譜特征，借助形態(tài)學(xué)、山體陰影閾值等對(duì)這些地物進(jìn)行識(shí)別然后去除。

基于MATLAB 軟件，將滑坡預(yù)選區(qū)內(nèi)像素定義為1，其它像素定義為0，生成滑坡預(yù)選區(qū)二值圖像?；谏襟w陰影網(wǎng)格數(shù)據(jù)設(shè)定閾值（分割閾值由最大類間方差法自動(dòng)設(shè)定）去除山體陰影，并將二值圖像中對(duì)應(yīng)位置像素值設(shè)為0 值?；诙祱D像生成每個(gè)滑坡預(yù)選區(qū)的陶粒并提取滑坡邊界線，然后計(jì)算每個(gè)陶粒對(duì)象的圓度和伸長(zhǎng)率并設(shè)定實(shí)驗(yàn)閾值以剔除道路。道路的圓度一般較低，而伸長(zhǎng)率較大。

圓度指的是正比于多邊形的面積與多邊形最長(zhǎng)直徑平方的比率，圓的圓度為1，正方形的圓度為4/π，圓度M的計(jì)算公式為

式中A為陶粒對(duì)象的面積；Pmax表示陶粒對(duì)象的最小外接矩形的長(zhǎng)軸長(zhǎng)。

伸長(zhǎng)率指的是陶粒對(duì)象的最小外接矩形的長(zhǎng)軸與短軸的長(zhǎng)度比率，正方形和圓形的伸長(zhǎng)率為1，矩形和橢圓的伸長(zhǎng)率大于1，伸長(zhǎng)率E為

式中Pmin表示陶粒對(duì)象的最小外接矩形的短軸長(zhǎng)。

滑坡區(qū)域一般具有一定的坡度，故設(shè)定坡度閾值，基于坡度網(wǎng)格數(shù)據(jù)，計(jì)算每個(gè)陶粒對(duì)象的中心像素的坡度值，若大于坡度閾值則認(rèn)為是滑坡對(duì)象，否則認(rèn)為是非滑坡對(duì)象，至此完成所有陶粒對(duì)象的篩選工作。

將最后保留的陶粒對(duì)象的邊界線疊加至后一時(shí)相光學(xué)影像上，以完成最終的滑坡提取與專題圖的制作。

3 結(jié)果與分析

3.1 實(shí)驗(yàn)參數(shù)設(shè)置

依據(jù)以下具體步驟進(jìn)行研究區(qū)的滑坡自動(dòng)識(shí)別：

1）基于兩幅不同時(shí)相的Planet 光學(xué)衛(wèi)星影像，依次計(jì)算生成每幅影像的NDVI 圖，見圖6（a）和圖6（b）。

圖6 滑坡識(shí)別中間過程圖Fig.6 Intermediate Process Diagram of Landslide Identification

2）基于兩幅NDVI 影像計(jì)算植被擾動(dòng)參數(shù)I，見圖6（c）。

3）依據(jù)統(tǒng)計(jì)分析方法確定Behling 方法中的植被擾動(dòng)分類規(guī)則中分類閾值（見表1），基于Behling方法中的分類規(guī)則將研究區(qū)共分為10 種類型，其使用數(shù)值0~9 表示，生成的分類圖見圖6（d）。

4）設(shè)定7×7 窗口，設(shè)置濾波矩陣，對(duì)分類圖進(jìn)行濾波處理以減少噪聲干擾。通過多次對(duì)比實(shí)驗(yàn)，對(duì)濾波后圖像進(jìn)行處理分析，最終確定將類別值為1、2、7、9 共4 類區(qū)域選取為滑坡預(yù)選區(qū)，見圖6（e）。

5）滑坡預(yù)選區(qū)選定之后，引起滑坡誤判的因素主要是道路與山體陰影區(qū)域，通過程序提取滑坡預(yù)選區(qū)的陶粒對(duì)象及其對(duì)應(yīng)邊界，繼而計(jì)算每個(gè)陶粒對(duì)象的圓度和伸長(zhǎng)率，圓度和伸長(zhǎng)率計(jì)算結(jié)果見圖6（f）和圖6（g），設(shè)定0.19<圓度<0.7、1<伸長(zhǎng)率<3.5 的形態(tài)約束定為非道路對(duì)象，將不在范圍內(nèi)的陶粒對(duì)象剔除從而消除道路影響。山體陰影分割閾值由最大類間方差法自動(dòng)設(shè)定，認(rèn)為像素灰度值低于91 的部分為山體陰影區(qū)域。

6）最后基于坡度數(shù)據(jù)，設(shè)定陶粒對(duì)象的質(zhì)心像素坡度值大于30°的為滑坡對(duì)象。至此完成滑坡的精細(xì)自動(dòng)識(shí)別過程，見圖6（h）。

對(duì)比光學(xué)影像圖與圖6（e），可以看出預(yù)選滑坡陶粒中大部分為道路與山體陰影區(qū)域，需要對(duì)每個(gè)陶粒進(jìn)行可表示其形態(tài)學(xué)特征的圓度和伸長(zhǎng)率的計(jì)算，以剔除道路影響，然后再根據(jù)地形計(jì)算剔除山體陰影影響，又因?yàn)榛聟^(qū)域一般具有一定的坡度，所以通過設(shè)置陶粒中心的坡度閾值以進(jìn)一步實(shí)現(xiàn)滑坡的精確識(shí)別，圖6（h）中的白線圍成的區(qū)域即為自動(dòng)識(shí)別的滑坡區(qū)域。

3.2 結(jié)果驗(yàn)證與分析

為了驗(yàn)證自動(dòng)滑坡識(shí)別結(jié)果的準(zhǔn)確性，由于研究區(qū)范圍不大，故針對(duì)整個(gè)研究區(qū)進(jìn)行了專家目視解譯工作，基于兩幅不同時(shí)相影像進(jìn)行目視解譯，并結(jié)合坡度閾值最終生成了人工目視解譯的滑坡提取結(jié)果。將目視解譯的結(jié)果作為正確識(shí)別的標(biāo)準(zhǔn)，并將本文的自動(dòng)識(shí)別結(jié)果與人工目視解譯結(jié)果進(jìn)行絕對(duì)驗(yàn)證，使用與Behling 方法相同的檢測(cè)指標(biāo)，以評(píng)估本文方法的有效性和準(zhǔn)確性。經(jīng)過統(tǒng)計(jì)，基于2021 年和2022 年兩幅時(shí)相光學(xué)影像，研究區(qū)內(nèi)目視解譯獲得的滑坡個(gè)數(shù)為26 個(gè)，本文方法自動(dòng)識(shí)別的滑坡個(gè)數(shù)為29 個(gè)，其中重合的滑坡個(gè)數(shù)為24 個(gè)，圖7 為研究區(qū)的兩種方法的滑坡識(shí)別結(jié)果，圖8 為本文識(shí)別的部分滑坡區(qū)域效果展示。

圖7 兩種方法的滑坡識(shí)別結(jié)果Fig.7 Landslide identification results of the two methods

圖8 滑坡識(shí)別效果示例Fig.8 Example of landslide identification effect

通過將本文的自動(dòng)識(shí)別結(jié)果與目視解譯結(jié)果進(jìn)行對(duì)比，可以看出，本文的自動(dòng)識(shí)別方法可以很好的剔除道路和山體陰影的影響，且能夠很好的提取滑坡邊界，相比人工解譯，工作時(shí)長(zhǎng)大幅度縮短。

以目視解譯結(jié)果為正確識(shí)別的標(biāo)準(zhǔn)，采用Behling 方法中的檢測(cè)率（Detection Percentage，DP）、質(zhì)量百分比（Quality Percentage，QP）、錯(cuò)分誤差（Commission Error，CE）三個(gè)監(jiān)測(cè)指標(biāo)對(duì)本文方法進(jìn)行精度評(píng)估[23-25]，三個(gè)指標(biāo)的公式如下

式中 TP 為正確檢測(cè)到的滑坡；FN 為漏檢的滑坡；FP 為誤檢的滑坡。

表2 展示了本文方法的檢測(cè)信息，可以看出本文方法在整個(gè)研究區(qū)的滑坡檢測(cè)率達(dá)到了92.31%，質(zhì)量百分比為82.76%，錯(cuò)分誤差僅為11.11%，進(jìn)一步證明了本文方法的有效性和準(zhǔn)確性。

表2 本文滑坡檢測(cè)方法的檢測(cè)指標(biāo)計(jì)算Tab.2 Detection index calculation of landslide detection method in this paper

分析本文檢測(cè)方法與目視解譯的錯(cuò)分區(qū)域共有3 個(gè)，通過對(duì)比分析，發(fā)現(xiàn)3 個(gè)誤報(bào)滑坡均是由于噪聲影響，由于原始影像提取的NDVI 需要進(jìn)行填補(bǔ)空洞而將部分零星噪聲組合形成了滑坡預(yù)選區(qū)，從而導(dǎo)致最終的誤判；而未檢測(cè)到的漏檢滑坡有2 個(gè)，均是由于DEM 誤差導(dǎo)致，由于所使用的DEM 分辨率為12.5 m，在重采樣到3 m 的過程中導(dǎo)致生成的坡度存在誤差，致使提取的陶粒區(qū)域質(zhì)心坡度小于30°而最終被剔除。

為進(jìn)一步證明本文方法的有效性與泛化能力，將本論文方法直接應(yīng)用于四川成都都江堰市的中部某塊區(qū)域，四川省作為我國(guó)地質(zhì)災(zāi)害頻繁地區(qū)之一，歷史地災(zāi)分布密集，該方法的有效應(yīng)用將有利于該地區(qū)的實(shí)時(shí)滑坡檢測(cè)工作。選取該區(qū)域兩幅時(shí)間分別為2020 年8 月25 日和2021 年8 月3 日的3 m 高分辨率Planet 數(shù)據(jù)，整個(gè)研究區(qū)像素尺寸為6 870 像素×6 794 像素，面積約420.07 km2，圖9 是本文方法的整個(gè)研究區(qū)滑坡識(shí)別結(jié)果，圖10 是部分滑坡識(shí)別結(jié)果展示。

圖9 整個(gè)研究區(qū)滑坡識(shí)別結(jié)果Fig.9 Landslide identification results for the entire study area

圖10 滑坡識(shí)別結(jié)果Fig.10 Landslide Identification Results

該區(qū)域本文方法檢測(cè)出滑坡共計(jì)55 個(gè)，目視解譯的滑坡個(gè)數(shù)為49 個(gè)，重合的滑坡個(gè)數(shù)為44 個(gè)。同樣與目視解譯結(jié)果對(duì)比，對(duì)檢測(cè)結(jié)果進(jìn)行精度評(píng)估，經(jīng)過計(jì)算得TP、FN、FP、DP、QP、CE 分別為45、4、6、91.84%、81.82%、11.76%?？梢钥闯龌聶z測(cè)準(zhǔn)確率仍達(dá)到90%以上，錯(cuò)分誤差僅為11.76%，我國(guó)南北地域地形地貌差異明顯，通過對(duì)南北地域進(jìn)行方法實(shí)驗(yàn)，證明了本文方法的有效性和泛化能力。

4 結(jié)束語(yǔ)

基于遙感影像的變化檢測(cè)在災(zāi)害監(jiān)測(cè)領(lǐng)域發(fā)揮了重要作用，利用遙感影像進(jìn)行變化檢測(cè)實(shí)現(xiàn)的滑坡自動(dòng)識(shí)別有著非接觸、遠(yuǎn)距離、大范圍的監(jiān)測(cè)優(yōu)勢(shì)，它較之傳統(tǒng)的地質(zhì)勘察手段克服了天氣，區(qū)域等環(huán)境因素，為研究滑坡災(zāi)害提供了新的途徑。通過計(jì)算機(jī)技術(shù)實(shí)現(xiàn)變化檢測(cè)技術(shù)在滑坡自動(dòng)識(shí)別領(lǐng)域的應(yīng)用，充分利用了計(jì)算機(jī)的智能、高效的數(shù)據(jù)處理能力，相較于影像的人工判讀大幅度提升了工作效率。

本文以北京市門頭溝區(qū)西部某塊歷史地質(zhì)災(zāi)害分布較為密集的區(qū)域?yàn)檠芯繀^(qū)，采用兩幅3 m 高分辨率光學(xué)影像，基于變化檢測(cè)技術(shù)、自動(dòng)閾值選取算法和形態(tài)學(xué)技術(shù)對(duì)該研究區(qū)進(jìn)行滑坡的實(shí)時(shí)自動(dòng)識(shí)別，并為了驗(yàn)證該方法的泛化能力，對(duì)都江堰市中部區(qū)域進(jìn)行本文方法的應(yīng)用，得出以下結(jié)論：

1）基于兩幅光學(xué)影像的NDVI 變化檢測(cè)技術(shù)，提取研究區(qū)的坡度、山體影像、圓度、伸長(zhǎng)率等參數(shù)，采用自動(dòng)閾值選取算法可實(shí)現(xiàn)研究區(qū)的滑坡自動(dòng)快速識(shí)別，且相較于人工判讀具有高效性和智能化的顯著優(yōu)勢(shì)。

2）基于滑坡自動(dòng)識(shí)別技術(shù)，以目視判讀結(jié)果為正確標(biāo)準(zhǔn)，得出本文方法在門頭溝區(qū)整個(gè)研究區(qū)的滑坡檢測(cè)率達(dá)到了92.31%，質(zhì)量百分比為82.76%，錯(cuò)分誤差僅僅為11.11%，證明了本文方法的有效性和準(zhǔn)確性?；诒疚姆椒ㄔ诙冀呤械膽?yīng)用，滑坡檢測(cè)準(zhǔn)確率仍達(dá)到90%以上，錯(cuò)分誤差僅為11.76%，進(jìn)一步證明了本文方法的有效性和泛化能力。

3）本文采用了兩幅僅僅間隔一年時(shí)間的光學(xué)影像進(jìn)行的滑坡識(shí)別，其檢測(cè)結(jié)果更具實(shí)時(shí)性，自動(dòng)閾值選取算法的使用避免了識(shí)別過程中的一些人為干預(yù)，使得滑坡識(shí)別更加智能高效，滑坡的自動(dòng)識(shí)別是地災(zāi)風(fēng)險(xiǎn)評(píng)估的重要前提工作，它不僅大幅度減輕了地災(zāi)風(fēng)險(xiǎn)識(shí)別的工作量，而且大部分識(shí)別結(jié)果均具有可信度，該技術(shù)可以很大幅度提升滑坡自動(dòng)識(shí)別的效率，是一條切實(shí)可行和十分有效的途徑。