馮光勝

(中鐵第四勘察設計院集團有限公司，湖北武漢 430063)

崩塌是最重要的地質災害之一，也是工程地質不良地質體之一，是工程勘察重點調查對象。崩塌多發(fā)生在陡峻的山坡上，具有突發(fā)性，常隨著暴雨、地震及人為破壞等發(fā)生，對工程建設，人類生產、居住等造成重大危害和影響。隨著遙感技術的快速發(fā)展，基于遙感及其集成技術對崩塌、滑坡及泥石流等地質災害的調查取得了一系列成果[1-8］。崩塌的遙感識別、調查雖然已有諸多成功實例，但是通過大量文獻對比研究發(fā)現(xiàn)，目前的研究方法主要集中在圖像增強結合人工經驗目視解譯，而通過算法從影像上自動提取崩塌的研究鮮有報道，且未實現(xiàn)閾值自動選取等核心算法。

“工程地質遙感解譯信息系統(tǒng)”軟件針對崩塌信息遙感識別、解譯中存在的問題，以華南山區(qū)為研究區(qū)，在文獻[9］等研究的基礎上，通過改進去植被算法、閾值自動選取算法及數(shù)據(jù)處理流程等，實現(xiàn)了崩塌信息的遙感自動提取，且取得了較好的實驗效果。

1 崩塌自動提取的關鍵技術

1.1 去植被計算

崩塌發(fā)育于比較陡峭的斜坡上，發(fā)展中的崩塌面、崩塌體植被覆蓋差，多呈淺色調，在SPOT-5影像中一般為白至淺灰色調。而在植被發(fā)育的華南山區(qū)，崩塌面、崩塌體及堆積體與周圍環(huán)境差異較大。因此，軟件在崩塌的自動提取算法中，針對SPOT影像及研究區(qū)的特征，選擇合適的去植被計算算法是非常關鍵的一步。

目前，可用于植被計算的指數(shù)有很多，常用的有比值植被指數(shù)(RVI)、歸一化植被指數(shù)(NDVI)、修正的土壤調節(jié)植被指數(shù)(MSAVI)等。通過文獻及實驗比較研究，在研究中選擇了 NDVI和MSAVI進行去植被實驗。

NDVI是Rouse(1973)提出的目前最為常用的植被指數(shù)，能夠比較有效地提取植被信息，其計算公式為

式中，NDVI為歸一化植被指數(shù)，ρNIR為近紅外的反射率，ρRED為紅光的反射率(下同)。

NDVI植被指數(shù)在大多數(shù)情況下可用來進行植被信息的提取，但是NDVI對土壤背景的變化比較敏感[11］，為了消除土壤背景的影響，Huete[12］提出 SAVI，QI J.[13］等在此基礎上提出了 MSAVI。MSAVI 能夠比較有效地消除土壤背景的干擾，其計算公式為

大量的實驗研究發(fā)現(xiàn)，由于依據(jù)NDVI和MSAVI計算的閾值圖像均不能有效地增大植被和非植被間的差異，不利于用閾值自動選取算法實現(xiàn)自動提取。因此，在反復試驗的基礎上，對 MSAVI進行了修改，(2ρNIR+1)取值100時，可將植被信息調整為較大的正值，非植被信息調整為較小的負值，常量化后的計算公式為

式(3)中，常量100是個經驗值，該值范圍在1～255，如果接近1或255時容易受圖像大小影響，造成提取結果存在誤差，故軟件中選擇100作為常量。

利用 CMSAVI(Constant modified soil-adjusted vegetation index)進行植被信息的提取，既有效地減少土壤背景的影響，又增大了植被與非植被間的差異。反之，在崩塌信息的提取中，要消除植被的干擾，突出裸土信息。因此，基于 CMSAVI指數(shù)法去植被更為有效。

1.2 閾值自動選取算法

根據(jù)CMSAVI計算的閾值圖像需要指定合適的閾值來提取非植被信息，目前閾值的提取方法多以人工統(tǒng)計方式獲取，自動化程度不夠，極大地影響了效率和準確性。經過研究發(fā)現(xiàn)，計算的閾值圖像存在多個波峰谷，為此，對 D.M.Tsai[14］提出的基于多峰直方圖的閾值選取算法做了改進。改進算法針對CMSAVI計算的灰度圖像植被的灰度值較高、非植被地物的灰度值較低的特征，尋找多峰直方圖中的多個波谷，并計算出對應于多個波谷的多個閾值。由于非植被地物的灰度值較低，所以選取最小的閾值作為提取非植被信息的閾值。

在算法設計中，由于CMSAVI計算的灰度圖的閾值存在負值和小數(shù)，為了計算的方便首先要對圖像的直方圖做預處理。具體處理如下:在實驗區(qū)圖像直方圖中，灰度值0和255處都有較多像素，但根據(jù)波峰波谷的定義，灰度值0和255作為直方圖的兩個端點不存在波峰，可是灰度0和255處的像素對應于原始圖像中的植被和裸地等非常重要的目標，理應作為波峰處理。為解決這個問題，軟件在原始灰度直方圖頭尾各加一個0值，這樣既可以把灰度值0和255處當作波峰處理，又不違反波峰的定義。計算過程如圖1所示，圖1(a)是經CMSAVI計算的灰度圖像的原始直方圖，存在多個波峰，不利于自動獲取閾值;圖1(b)是對灰度圖像進行32次迭代濾波處理后灰度圖像的直方圖，處理后的直方圖有4個波峰，其3個波谷的閾值分別為31，131和212。在預處理之后，就可以利用閾值自動選取算法進行閾值計算，實現(xiàn)非植被信息的自動提取。

圖1 灰度圖像的直方圖預處理

2 崩塌自動提取流程

基于ENVI+IDL二次開發(fā)的“工程地質遙感解譯信息系統(tǒng)”軟件中崩塌自動提取的流程如圖2所示，該過程包括7個計算步驟。

2.1 去植被計算

發(fā)展中的崩塌面、崩塌體植被覆蓋差，土體或巖體充分暴露，使得CMSAVI值降低，且明顯低于周圍植被發(fā)育區(qū)域，故可利用改進的多峰直方圖法進行閾值的自動選取，從而有效地將非植被信息從影像中分離出來。

2.2 去陰影

在利用CMSAVI指數(shù)法去植被的計算過程中，由于地形陰影的影響，提取的非植被信息中，仍存在部分陰影中的植被信息被誤提出來，因此需利用近紅外波段對陰影比較敏感的特征[9］將陰影中植被信息去除，陰影反射率的計算亦采用多峰直方圖閾值自動選取算法實現(xiàn)。

2.3 坡度篩選

在山地丘陵地區(qū)，崩塌發(fā)生在55°～70°斜坡上的幾率較大，故通過坡度篩選計算，可將低坡度上的建筑物、耕地等非崩塌信息圖斑去除。

2.4 形態(tài)學濾波

在提取的目標圖斑中存在大量的空洞和不連續(xù)，其原因在于裸地并不是非常純凈，其中夾雜少許未破壞的植被，因此需要利用形態(tài)學膨脹濾波算法進行填充，以還原崩塌面較為連續(xù)的實際情況，但是膨脹濾波后存在圖斑擴大的問題，需要進一步利用腐蝕濾波進行處理，從而獲得比較理想的目標信息。

2.5 柵矢轉換及生成新的多邊形

為了實現(xiàn)后續(xù)的篩選計算，需要將前面計算的柵格圖斑轉為矢量圖斑，并對圖斑邊緣進行追蹤形成新的圖斑，以消除柵格數(shù)據(jù)轉換后的鋸齒現(xiàn)象。

2.6 面積與規(guī)則形狀篩選

根據(jù)崩塌在SPOT5影像中可識別、提取的尺度分析[9，15］，在 10 m 分辨率的影像上，面積小于 600 m2的小崩塌體無法準確提取出來，而面積大于50 000 m2崩塌較少，或是由伐林殘留區(qū)等交錯粘連形成的非崩塌信息，可以刪除。

2.7 順坡性篩選

由于崩塌發(fā)生過程中是受重力控制的，雖然地形有一定的影響，但是崩塌總體上具有沿最大重力梯度下降的特性，利用順坡性算法可有效去除坡地、道路等人類活動信息。崩塌自動提取的流程如圖2所示。

3 結果及分析

3.1 實驗區(qū)及影像

軟件實驗區(qū)選為向莆鐵路的永泰縣地區(qū)，采用SPOT-5影像，多光譜分辨率為10 m，全色波段為2.5 m，該影像獲取于2009年12月12日。該實驗區(qū)是福建省崩塌等災害的多發(fā)區(qū)之一，殘坡積土體厚度大，土層結構松散，地表人為活動強烈，暴雨后不同強度的降雨入滲是誘發(fā)該區(qū)出現(xiàn)不同規(guī)模崩滑體的主要因素[16］。

圖2 崩塌自動提取的流程

3.2 實驗結果驗證與分析

根據(jù)崩塌自動提取流程，首先進行去植被計算。圖3是MSAVI和CMSAVI去植被結果的比較。圖3(a)是實驗地區(qū)SPOT合成假彩色影像截圖(400像素×400像素);圖3(b)是基于CMSAVI指數(shù)計算的閾值圖像，該閾值圖像與NDVI指數(shù)計算的結果比較相似;圖3(c)是基于CMSAVI指數(shù)計算的閾值圖像;圖3(d)是利用NDVI和閾值自動選取算法計算的去植被結果;圖3(e)是對圖3(b)進行去植被自動計算的結果，圖3(f)是對圖3(c)進行去植被自動計算的結果。

通過實驗比較分析，基于NDVI、MSAVI植被指數(shù)法提取的裸地圖斑數(shù)較多，而基于CMSAVI去植被，能更為準確有效提取非植被信息，誤提圖斑極大減少，更利于用閾值自動選取算法進行處理以自動進行崩塌信息的提取。

圖3 去植被算法效果比較

圖4 崩塌提取結果比較驗證

進一步的實驗是在利用CMSAVI去植被獲取非植被信息后，依次對提取的結果進行陰影區(qū)植被信息去除、坡度篩選、形態(tài)學濾波、柵矢轉換及新矢量圖斑生成、面積篩選及去規(guī)則圖斑篩選、順坡性計算等處理，最終提取出研究區(qū)的崩塌信息，如圖4所示。圖4(a)是基于NDVI去植被算法提取的崩塌結果與影像疊加顯示，共提取崩塌信息19處;圖4(b)是基于MSAVI去植被法提取的崩塌結果與影像疊加顯示，共提取崩塌信息11處;圖4(c)是基于CMSAVI去植被法提取的崩塌結果與影像疊加顯示，共提取崩塌信息8處。

提取結果通過和2.5 m的全色波段影像的人工解譯及現(xiàn)場驗證資料進行對比，研究區(qū)人工解譯的崩塌圖斑有16處，現(xiàn)場驗證為11處，其中面積大于600 m2的有10處。軟件自動提取崩塌8處，與現(xiàn)場驗證資料相吻合，提取精度約73%，如圖5所示。經過對比分析，該方法誤提圖斑少，提取的精度較高，達70%以上。

4 結束語

針對崩塌體進行大量、反復的實驗研究及現(xiàn)場驗證，結果表明利用改進的CMSAVI算法去植被后提取崩塌效果更為理想。在崩塌提取過程中，對閾值自動選取算法進行了反復測試，基于該算法成功實現(xiàn)了崩塌體信息的自動提取，為鐵路工程地質選線提供快速、準確的地質資料，有效指導現(xiàn)場勘察工作。

本文研究的不足之處在于:①CMSAVI算法改進過程中是基于實驗經驗的，對其機理的研究還有待深入;②形態(tài)學濾波的濾波算子大小是根據(jù)實驗設定的，目前還無法根據(jù)圖像自行確定。

圖5 CMSAVI提取結果與現(xiàn)場驗證資料對比

[1]楊則東，鹿獻章.安徽境內長江岸帶崩塌遙感調查[J］.國土資源遙感，1998(3):22-25

[2]楊則東，徐小磊，谷豐.巢湖湖岸崩塌及淤積現(xiàn)狀遙感分析[J］.國土資源遙感，1999(4):1-7

[3]高克昌，趙純勇.基于TM影像的萬州主城區(qū)崩塌地質災害研究[J］.遙感技術與應用，2003，18(2):91-94

[4]吳泉源，姜春玲，鄒敏，等.GIS技術支持下的招遠市金礦區(qū)崩塌遙感調查[J］.山地學報，2006，24(6):672-677

[5]陳文平，韓小明，范英霞.SPOT5影像數(shù)據(jù)在伊犁谷地地質災害遙感調查中的應用[J］.新疆地質，2008，26(4):396-398

[6]張景華，張建龍.Quickird衛(wèi)星影像在漢源縣小堡鄉(xiāng)崩塌群識別中的應用[J］.沉積與特提斯地質，2009，29(2):104-106

[7]邵虹波，唐川，李為樂.滇西某鐵路擬選線路地質災害遙感解譯特征研究[J］.防災減災工程學報，2009，29(3):342-346

[8]許沖，戴福初，陳劍，等.汶川Ms8.0地震重災區(qū)次生地質災害遙感精細解譯[J］.遙感學報，2009，13(4):754-762

[9]姚鑫，張永雙，王獻禮，等.基于地貌特征的淺層崩滑體遙感自動識別[J］.地質通報，2008，27(11):1870-1874

[10]Rouse，J.W.，R.H.Haas，J.A.Schell，et al.Monitoring Vegetation Systems in the Great Plains with ERTS[J］.Third ERTS Symposium，1973，NASA SP－351 I:309-317

[11]陳述彭，趙英時.遙感地學分析[M］.北京:測繪出版社，1990

[12]Huete A R.A soil-adjusted vegetation index(SAV I)[J］.Remote Sensing of Environment，1988，25(3):295-309

[13]QI J，CHEHBOUNI A，HUETE A R，et al.A modified soil adjusted vegetation index[J］.Remote Sensing of the Environment，1994，48:119-126

[14]D.M.Tsai.A fast thresholding selection procedure for multimodal and unimodal histograms[J］.Pattern Recognition Letters，1995，16:653-666

[15]仇大海，蔣煒，牛海波，等.遙感影像分辨率分析技術在滑坡研究中的應用[J］.地質災害與環(huán)境保護，2010，21(1):105-108

[16]袁東，池永翔，程剛.閩北地區(qū)不同植被類型下滑坡體土層入滲性能研究[J］.長江科學院院報，2010，27(5):8-12