沈 攀，溫興平*，石振杰，馬 威

(1.昆明理工大學國土資源工程學院，云南昆明 650093；2.云南省礦產(chǎn)資源預測評價工程實驗室，云南昆明 650093)

?

云南魯?shù)镸S6.5地震災區(qū)滑坡提取方法研究

沈 攀1，2，溫興平1，2*，石振杰1，2，馬 威1，2

(1.昆明理工大學國土資源工程學院，云南昆明 650093；2.云南省礦產(chǎn)資源預測評價工程實驗室，云南昆明 650093)

摘要[目的]利用遙感技術快速準確的提取地震災區(qū)滑坡。[方法]以魯?shù)榈卣馂膮^(qū)為研究區(qū)，分別運用高分一號和Landsat8衛(wèi)星OLI多光譜影像數(shù)據(jù)。[結果]利用面向?qū)ο笥跋穹诸愐约安ǘ芜\算等技術，結合震前、震后影像，對災區(qū)滑坡進行提取，在此基礎上總結了地震次生災害的關鍵技術和工作流程。[結論]以Landsat8衛(wèi)星影像為數(shù)據(jù)源，進行波段運算，能較好的提取地震次生災害。

關鍵詞面向?qū)ο蠓诸?；地震次生災害；遙感影像；波段運算

2014年云南魯?shù)榈卣鹪斐闪巳嗣裆敭a(chǎn)的巨大損失。地震誘發(fā)的滑坡、崩塌等次生地質(zhì)災害造成大量房屋倒塌，其中紅石巖滑坡在牛欄江干流上形成堰塞湖，對下游人民生命財產(chǎn)形成巨大威脅。由于山區(qū)地質(zhì)復雜，傳統(tǒng)的基于野外現(xiàn)場調(diào)查的方法很難在短時間內(nèi)獲得滑坡的確切位置、數(shù)量和大小信息，給營救工作帶來了很多困難。需要新技術在不用進入現(xiàn)場的前提下對滑坡進行快速準確的識別和發(fā)現(xiàn)[1-3]。隨著遙感計算機技術的發(fā)展，面向?qū)ο?Object-oriented analysis，OOIA)技術已經(jīng)被用來從遙感影像中自動提取地理空間對象，而且越來越多的使用到了滑坡信息提取識別中來[4]。

有較多的國內(nèi)外學者進行了基于面向?qū)ο蠓诸惣夹g的研究。劉書含等[5]針對高分一號高分辨率遙感數(shù)據(jù)，提出了一種基于多特征的面向?qū)ο筮b感圖像分類算法；安立強等[6]利用汶川地震的震前、震后的福衛(wèi)二號等數(shù)據(jù)，并結合DEM數(shù)據(jù)對震后初期的水體面積和儲水增量進行了分析；王巖等[7]應用汶川地震震后高分辨率航空遙感數(shù)據(jù)，針對建筑物震害進行面向?qū)ο蟮目焖偬崛∨c自動分類；張毅等[4]運用面向?qū)ο蠓诸惙ㄖ械幕诒O(jiān)督分類和基于規(guī)則的滑坡識別方法，提取滑坡信息，取得了良好的效果。

本文以王家坡附近區(qū)域為例，首先以高分一號影像為數(shù)據(jù)源，運用監(jiān)督分類的方法將研究區(qū)分類，運用波段運算，提取震后所產(chǎn)生的滑坡。然后以landsat8衛(wèi)星影像為數(shù)據(jù)源，分別以對不同的波段進行實驗，進而比較出效果最好的波段。通過方法對比，研究適合該區(qū)域的遙感影像滑坡信息提取技術。

1研究區(qū)概況

魯?shù)榭h位于云南東北部的牛欄江北岸、云貴高原向四川盆地過渡的傾斜地帶，呈典型的高原山地構造地貌。區(qū)內(nèi)地勢東西兩側高，中間低平，山高坡陡，平均海拔1 685 m，相對高差3 773 m[8]。地貌錯綜復雜，有深切中山、中切中山、巖溶高原、混合丘原、高原湖積盆地、斷陷河谷壩等[9]。

本區(qū)地層出路較齊全，除下白堊系、志留系、侏羅系及早第三系缺失外，其余自震旦系上統(tǒng)至第四系均有分布。研究區(qū)內(nèi)主要分布有松散巖、碳酸鹽巖、碳酸鹽夾碎屑巖、碎屑巖夾碳酸鹽巖、碎屑巖、噴出巖等6種巖類[10]。

該研究區(qū)在構造上位于川滇北向構造——小江斷裂與其東側的NE向構造結合部位，NE向構造幾乎遍布全境，與NS向構造幾乎遍布全境，與NS向構造共同組成區(qū)內(nèi)的主干構造。區(qū)內(nèi)地質(zhì)構造結合部位，NE向構造在全境范圍內(nèi)有分布，與NS向構造共同組成了研究區(qū)的主干構造。區(qū)內(nèi)地質(zhì)構造和地震構造活動強烈，此次魯?shù)榈卣鸬陌l(fā)震機制為以NW向342°、長約22 KM的地表破裂帶，整個破裂面積為227.6 km2，平均滑動量為0.16 m，地震破裂主要從NW向SE擴展[11-12]。

2基于高分一號影像的震后滑坡提取研究

2.1數(shù)據(jù)源本次實驗選取了高分一號衛(wèi)星影像(圖1)作為數(shù)據(jù)源，該衛(wèi)星于2013年4月26日由長征二號丁運載火箭在酒泉衛(wèi)星發(fā)射基地發(fā)射。多光譜波段空間分辨率為16 m，包括：0.45～0.52 μm(藍波段)，0.52～0.59 μm(綠波段)，0.63～0.69 μm(紅波段)，0.77～0.89 μm(近紅外波段)。圖1為魯?shù)榈卣鹎昂螳@取的魯?shù)榭h附近的高分一號衛(wèi)星多光譜假彩色合成圖像。數(shù)據(jù)獲取時間為2014年4月25日以及2014年10月6日，距離發(fā)震時間較近，影像質(zhì)量良好?？梢钥闯鲷?shù)榈卣鹎皥D像植被覆蓋稠密，地震后圖像滑坡破壞了植被覆蓋，滑坡體與周圍環(huán)境光譜特征差異明顯。

注：a震前影像；b震后影像。Note：a.Pre earthquake image；b.Post earthquake image.圖1　GF-1號遙感影像圖Fig.1　Remote sensing image of GF-1

2.2數(shù)據(jù)預處理影像下載后經(jīng)過輻射校正、大氣校正、影像配準、裁剪等處理。一般來說影像的輻射矯正、幾何矯正和配準矯正能夠直接影像變化檢測的精度，針對震后影像中存在較多地物發(fā)生破壞的情況，實驗中采用了手動選取控制點的方法對影像進行配準。

2.3基于面向?qū)ο笥跋穹治黾夹g將影像分類在一系列數(shù)據(jù)處理和影像增強之后，對影像實施多尺度分割，分割過程考慮因素包括空間位置、尺度、色調(diào)、形狀等，之后選擇對象的屬性特征，接下來就是實現(xiàn)不同類別提取的自動化。利用專業(yè)遙感圖像處理軟件ENVI5.1，分別對兩景影像采用監(jiān)督分類的方法分為裸露地表、植被、建筑、河流四大類，結果見圖2。

注：a.震前分類結果；b.震后分類結果。Note：a.Classification results of pre earthquake；b.Classification results of post earthquake.圖2　影像分類結果圖Fig.2　Classification results of images

2.4將不同區(qū)合并在分類后的影像中，不同類別的對象賦予了不同的值，為了在下一步波段運算中提取滑坡，先將不同的區(qū)進行合并，僅留下裸露地表(紅色)、建筑(藍色)以及其他(黃色)三類，結果見圖3。

2.5波段相減將兩幅圖像相減后得下面的灰度圖(圖4a)以及該圖像的數(shù)據(jù)統(tǒng)計表(表1)。

震前為建筑(3)，震后變?yōu)槁懵兜乇?1)，則該處可能發(fā)生了滑坡，在灰度圖中值為2，提取出該部分，在下圖中為紫色部分(圖4b)。

2.6提取結果評價將該滑坡提取結果，投影到影像圖上比對，雖然有部分滑坡被提取出來，但仍可見較多非滑坡部分被錯誤的提取出來。導致該結果的原因可能是由于選取的影響空間分辨率較低，所以在監(jiān)督分類時，部分房屋未被準確的分割出來，從而導致最終結果誤差較大。

3基于landat8 影像數(shù)據(jù)的震后滑坡提取研究

3.1數(shù)據(jù)源本次實驗選取了兩景Landsat 8的OLI衛(wèi)星數(shù)據(jù)(圖6)，獲取時間分別為2014年2月10日，GMT時刻為09：11：41以及2015年11月20日，GMT時刻為16：10：42，影像質(zhì)量都較高。從中國科學院計算機網(wǎng)絡信息中心——科學數(shù)據(jù)中心下載圖像，產(chǎn)品為level 1T級別，經(jīng)過了系統(tǒng)輻射矯正、地面控制點幾何校正、DEM的地形校正。

注：a.震前合并結果；b.震后合并結果。Note：a.Combined image of pre earthquake；b.Combined image of post earthquake.圖3　震后合并結果圖Fig.3　Combined image of post earthquake

注：a.波段運算后的灰度圖；b.震后發(fā)生變化區(qū)域。Note：a.Grey-scale map after band math；b.Change region of post earthquake.圖4　災區(qū)灰度圖Fig.4　Grey-scale map in disaster area

BasicStatsMinMaxMeanStdevBand1-33-0.6336041.818553HistogramDNNptsTotalPercentAccPctBand1-3563315633127.452727.4527-211143674745.430532.8832-111921793955.809738.692809337317276845.505084.1978159931787612.920787.1185298431886044.796991.7154

3.2數(shù)據(jù)預處理為了使提取結果更為準確，利用ENVI中Gram-Schmidt融合方法，將8波段30 m的多光譜數(shù)據(jù)和15 m的全色數(shù)據(jù)進行融合，能得到非常好的融合效果。

3.3分別將不同波段進行運算以landast8 0li的波段3為例，進行波段運算，結果見圖6a。將上一步得到的影像進行密度分割，并設定閾值為2 400～9 000，提取出圖中紅色的區(qū)域(圖6b)即為得到的滑坡。

對landsat8 OLI的其他波段也逐一進行的實驗，結果顯示，以波段3提取效果最為理想。

3.4提取結果評價將上一步提取出的紅色區(qū)域轉(zhuǎn)化為矢量文件，并與影像疊加，可以觀察到提取效果較好。魯?shù)榈卣鹬邪l(fā)生的三個大型滑坡，苗寨子滑坡、紅石巖滑坡以及王家坡滑坡都被準確的提取出來了。許沖等[13]做過魯?shù)榈卣鸹碌脑敿毦庝?，將提取結果與其進行比對，顯示提取精度較高，不少小型滑坡也被準確的提取出來。

結合研究區(qū)DEM數(shù)據(jù)，生成了震后三維影像圖(圖8)，通過觀察，該實驗提取出的滑坡與實際情況較符。

本次試驗共提取出滑坡62處，其中面積超過5 000 m2的滑坡達16處。經(jīng)過驗證，該研究對滑坡體的漏分數(shù)為10個，錯分數(shù)為12個，識別準確率為83.87%。經(jīng)過分析，錯分的大多是由于牛欄江淤積以及古侵蝕面等在影像上表現(xiàn)出滑坡相似而造成的。而漏分的大多是古滑坡，由于影像分辨率所限，未能提取出來?？傮w來說，提取精度較高，結果令人滿意。

注：a.震前融合影像；b.震后融合影像。Note：a.Fusion image of pre earthquake；b.Fusion image of post earthquake.圖5　Landsat8 OLI遙感影像圖Fig.5　Remote sensing image of Landsat8 OLI

注：a.波段相減的影像；b.密度分割后的影像。Note：a.Image after subtracting waveband；b.Image after density slicing.圖6　波段運算后的影像Fig.6　Image aftrer band math

注：a.與谷歌影像進行疊加比對；b.魯?shù)榈卣鸹路植紙D(據(jù)許沖2014[13])。Note：a.Overlaying comparison with Google images；b.Landslide distribution of Ludian County.圖7　實驗結果驗證圖Fig.7　Verified map of the test results

圖8　震后三維影像圖Fig.8　The three-dimensional image of post earthquake

4結論

在影像分辨率不高的情況下，對影像進行監(jiān)督分類，效果不會太好，進而難以提取到理想的震后滑坡。若采用空間高分辨更高的影像，對研究區(qū)影像的光譜信息、鄰域、地形地質(zhì)條件等進行更加細致的研究，可大幅提高滑坡提取精度；將landat8 OLI影像進行融合后，運用波段運算的方法進行震后滑坡提取，通過密度分割、調(diào)整閾值等方法，得了較理想的效果，在各波段中以band3效果最為理想，提取精度最高。

參考文獻

[1] MARTHA T R，GUHA A，VINOD K K，et al.Recent coal fire and land use status of Jharia Coalfield，India from satellite data[J].International journal of remote sensing，2010，31(12)：3243-3262.

[2] GORUM T，F(xiàn)AN X，VAN WESTEN C J，et al.Distribution pattern of earthquake-induced landslides triggered by the 12 May 2008 Wenchuan Earthquake[J].Geomorphology，2011，133(3)：152-167.

[3] MARTHA T R，KERLE N，JETTEN V，et al.Landslide volumetric analysis using Cartosat-l-derived DEMs[J].IEEE geoscience and remote sensing letters，2010，7(3)：582-586.

[4] 張毅，譚龍，陳冠，等.基于面向?qū)ο蠓诸惙ǖ母叻直媛蔬b感滑坡信息提取[J].蘭州大學學報(自然科學版)，2014，50(5)：745-750.

[5] 劉書含，顧行發(fā)，余濤，等.高分一號多光譜遙感數(shù)據(jù)的面向?qū)ο蠓诸怺J].測繪科學，2014，39(12)：91-103.

[6] 安立強，張景發(fā)，趙福軍，等.汶川地震次生災害提取：面向?qū)ο笥跋穹诸惣夹g的應用[J].自然災害學報，2011，20(2)：160-168.

[7] 王巖，王曉青，竇愛霞.面向?qū)ο筮b感分類方法在汶川地震震害提取中的應用[J].地震，2009，29(3)：54-60.

[8] 葉燎原，李玉輝.云南魯?shù)?.03地震震害特點及對恢復重建的啟示[J].云南師范大學學報(哲學社會科學版)，2014，46(5)：1-7.

[9] 胡金，李波，楊艷鋒.GIS在云南魯?shù)榭h地質(zhì)災害易發(fā)性分區(qū)中的應用[J].災害學，2008，23(1)：73-87.

[10] 常祖峰，周榮軍，安曉文，等.昭通-魯?shù)閿嗔淹淼谒募壔顒蛹捌錁嬙煲饬x[J].地震地質(zhì)，2014，36(4)：1260-1279.

[11] 徐錫偉，江國，于貴華，等.魯?shù)?.5級地震發(fā)震斷層判定及其構造屬性討論[J].地球物理學報，2014，57(9)：3060-3068.

[12] 趙旭，劉杰，馮蔚.2014年云南魯?shù)?.5級地震震源運動學特征[J].地震地質(zhì)，2014，36(4)：1157-1172.

[13] 許沖，徐錫偉，沈玲玲，等.2014年魯?shù)镸S6.5地震觸發(fā)滑坡編錄及其對一些地震參數(shù)的指示[J].地震地質(zhì)，2014，36(4)：1186-1202.

基金項目國家自然科學基金項目(41101343)。

作者簡介沈攀(1989- )，男，湖北荊州人，碩士研究生，研究方向：遙感地質(zhì)。*通訊作者，教授，博士，博士生導師，從事遙感地質(zhì)研究。

收稿日期2016-05-18

中圖分類號S 431.9；P 315.9

文獻標識碼A

文章編號0517-6611(2016)16-270-05

Landslide Extraction Method of theMS6.5 Earthquake Stricken Area in Ludian County of Yunnan Province

SHEN Pan1,2, WEN Xing-ping1,2*, SHI Zhen-jie1,2et al

(1. College of Land Resource Engineering, Kunming University of Science and Technology, Kunming, Yunnan 650093; 2. Mineral Resources Prediction and Evaluation Engineering Laboratory of Yunnan Province, Kunming, Yunnan 650093)

Abstract[Objective] To quickly and accurately extract the landslide in earthquake stricken area by remote sensing technology. [Method] Using the earthquake stricken area in Ludian County as the study area, we adopted the high score 1 and Landsat8 satellite OLI multi-spectral image data. [Result] The oriented object image classification and the band operation technology were used. Combing with the pre and post earthquake images, landslide in earthquake stricken area was extracted. Based on this, we summarized the key technology and the work flow in secondary disasters of earthquake. [Conclusion] With Landsat8 satellite images as the data source, band operation iscarried out, which can produce better extraction of seismic secondary disasters.

Key wordsObject oriented classification; Earthquake secondary disaster; Remote sensing image; Band math