黃 汀,白仙富,莊齊楓,徐敬海

(1. 南京工業(yè)大學(xué)測(cè)繪科學(xué)與技術(shù)學(xué)院，江蘇 南京 210009； 2. 云南省地震局，云南 昆明 650000)

遙感技術(shù)憑借覆蓋范圍廣、信息量大、可連續(xù)觀測(cè)的特點(diǎn)成為地震災(zāi)情獲取的首選技術(shù)。近年來(lái)，高分辨率數(shù)據(jù)越來(lái)越多，傳統(tǒng)基于像元的提取方法無(wú)法充分利用高分辨率影像的信息，而面向?qū)ο筇崛》椒ú粌H考慮影像的光譜信息，而且能結(jié)合紋理、空間信息[1]，提高分類精度，逐漸成為了遙感信息提取的主要方法，在災(zāi)后信息獲取方面也得到了廣泛應(yīng)用。如李強(qiáng)[2]利用影像提取地震災(zāi)后的道路受損情況；安立強(qiáng)[3]利用面向?qū)ο蟮姆治龇椒ㄍ瓿闪藢?duì)地震后產(chǎn)生的次生災(zāi)害的提取工作；OTHMAN等[4]完成了對(duì)伊拉克地區(qū)的滑坡提?。籑ICHAEL等[5]通過(guò)光學(xué)影像與DEM判別滑坡。但是由于滑坡成因復(fù)雜、形態(tài)多樣的特點(diǎn)，滑坡信息的提取仍存在一定的困難，如分割參數(shù)的選取沒(méi)有統(tǒng)一的標(biāo)準(zhǔn)、分類時(shí)影像信息利用不充分、使用國(guó)外衛(wèi)星數(shù)據(jù)源時(shí)間不匹配等。高分一號(hào)(GF-1)衛(wèi)星的投入使用，為滑坡提取提供了新的前景。高分一號(hào)衛(wèi)星具有分辨率高、幅寬較寬的優(yōu)勢(shì)，解決了空間分辨率與時(shí)間分辨率統(tǒng)一的難題，對(duì)地物信息展示更清楚，精度高，更穩(wěn)定。但目前利用高分一號(hào)的滑坡提取研究尚處于探索階段，文獻(xiàn)[6—7]利用高分影像提取地震后滑坡信息。但是上述研究都是對(duì)于中小地震后的滑坡提取，對(duì)于特大地震如汶川地震的提取效果尚未可知，其所采用的最優(yōu)尺度、特征參數(shù)、分類規(guī)則等均無(wú)法適用于汶川極震區(qū)。本文擬利用高分一號(hào)影像并結(jié)合eCognition軟件，分析高分影像與震后滑坡特點(diǎn)優(yōu)化參數(shù)選取模式，建立分類規(guī)則，實(shí)現(xiàn)對(duì)汶川地震的極震區(qū)域的滑坡提取。

1 數(shù)據(jù)源及預(yù)處理

本文采用高分一號(hào)高分辨率影像提取滑坡信息，影像時(shí)間為2013年9月17日。選擇“5.12”汶川地震極震區(qū)為研究區(qū)(如圖1所示)，地理坐標(biāo)為102°33′E—106°17′E、30°40′N—33°7′N，在四川42個(gè)受災(zāi)縣(市)共有滑坡3000余處，汶川地震后，經(jīng)過(guò)專業(yè)人員調(diào)查，發(fā)生地質(zhì)災(zāi)害約15 000處，其中滑坡1700處[8-9]。

圖1 研究區(qū)的GF-1遙感影像

將原始影像進(jìn)行輻射定標(biāo)與大氣校正后，利用影像紅外與近紅外波段計(jì)算NDVI，為后續(xù)提取作準(zhǔn)備。

2 滑坡提取方法

2.1 多尺度分割

影像分割決定著分類的好壞，其原理是將影像分割為多個(gè)對(duì)象，對(duì)象之間具有較大的差異，對(duì)象內(nèi)部具有相似的灰度、紋理等特征，其最終目的是使得每一個(gè)分割出來(lái)的對(duì)象都與實(shí)際地物符合。本文基于eCoginition Developer 8.6軟件平臺(tái)，采用多尺度分割方法對(duì)影像進(jìn)行分割，以任意像元為初始對(duì)象，再計(jì)算其與相鄰像元的異質(zhì)性值，若異質(zhì)性在規(guī)定范圍內(nèi)則將兩者合并，成為新的對(duì)象，反之停止合并。多尺度分割結(jié)果受分割參數(shù)影響，參數(shù)包括光譜權(quán)重、均質(zhì)因子、分割尺度，目前對(duì)于參數(shù)的選取都是基于經(jīng)驗(yàn)結(jié)合目視判斷并沒(méi)有特定標(biāo)準(zhǔn)，主觀性大，分割效果不理想。下文將說(shuō)明各參數(shù)的選取過(guò)程。

2.1.1 光譜權(quán)重

雖然多尺度分割考慮了形狀紋理等因素，但是影像的光譜信息仍在分割中作為主導(dǎo)。由于每個(gè)波段的信息量不同，在分割時(shí)應(yīng)當(dāng)根據(jù)信息的多少賦予每個(gè)波段不同的權(quán)重，權(quán)重越高，代表該波段的信息量越大，分割過(guò)程中該波段信息會(huì)更多被參考；如果某波段權(quán)重低，代表該波段包含目標(biāo)信息少，對(duì)于提取沒(méi)有太多貢獻(xiàn)。高分一號(hào)影像包含4個(gè)波段，信息勢(shì)必存在冗余，本文應(yīng)用相關(guān)系數(shù)和協(xié)方差建立矩陣來(lái)衡量相關(guān)性與信息量，并以此作為依據(jù)設(shè)置權(quán)重。

協(xié)方差矩陣、相關(guān)矩陣能反映多個(gè)變量之間的相關(guān)程度。矩陣中的每一個(gè)元素表示對(duì)應(yīng)兩個(gè)波段之間的相關(guān)系數(shù)，兩個(gè)波段之間的相關(guān)系數(shù)越大說(shuō)明這兩個(gè)波段相關(guān)性越大，所包含信息存在冗余。在確定光譜權(quán)重時(shí)應(yīng)提高波段間相關(guān)性小的權(quán)重，提高分割影像時(shí)的準(zhǔn)確性。表1、表2分別為對(duì)試驗(yàn)數(shù)據(jù)計(jì)算的各波段統(tǒng)計(jì)協(xié)方差矩陣和各波段相關(guān)性統(tǒng)計(jì)矩陣。

表1 各波段統(tǒng)計(jì)協(xié)方差矩陣

表2 各波段相關(guān)性統(tǒng)計(jì)矩陣

在表1中可以看出，方差從大到小排列依次是波段4、波段2、波段1、波段3。在表2中可以看出波段1與波段2、波段3這3個(gè)可見(jiàn)光波段相關(guān)性很大，可認(rèn)為它們對(duì)分割的貢獻(xiàn)程度相似，而波段4信息量大，且與波段1、波段2、波段3相關(guān)性小。考慮到本次研究提取目標(biāo)為滑坡，植被的變化是判斷滑坡的重要依據(jù)，判斷對(duì)象是否為植被是提取滑坡的重要環(huán)節(jié)?？梢?jiàn)光3個(gè)波段相關(guān)性大，且植被在可見(jiàn)光波段并沒(méi)有較大的響應(yīng)，應(yīng)當(dāng)賦予波段1、波段2、波段3較低的權(quán)重；同時(shí)，植被在近紅外波段有強(qiáng)反射，而且波段4具有的信息量最大，與其他波段的相關(guān)性小，因此應(yīng)賦予波段4較高的權(quán)重。根據(jù)研究,權(quán)重的取值一般在0～2之間[10-12]，故將波段1、波段2、波段3的權(quán)重設(shè)為1，波段4權(quán)重設(shè)為2。

2.1.2 均質(zhì)因子

對(duì)象的異質(zhì)性h表示對(duì)象內(nèi)部像元與其相鄰像元的相似程度，異質(zhì)性越低說(shuō)明對(duì)象越純凈，即像元與像元之間的差異小，可以認(rèn)為這些像元都代表同一類地物，并且具有相似特征(如方差、亮度等)。反之說(shuō)明對(duì)象內(nèi)部差異較大，含有多種地物，影響分類精度，不利于提取。異質(zhì)性由均質(zhì)因子控制，其包括顏色和形狀兩個(gè)標(biāo)準(zhǔn)因子，表達(dá)式如下

h=wcolor×hcolor+wshape×hshape

(1)

式中,h為對(duì)象的總體異質(zhì)性；hcolor為光譜異質(zhì)性；hshape為形狀異質(zhì)性；wcolor為光譜異質(zhì)性的權(quán)重；wshape為形狀異質(zhì)性的權(quán)重。且wcolor與wshape之和為1。

光譜異質(zhì)性hcolor取決于兩個(gè)因素：一是組成對(duì)象的像元數(shù)目n，二是各波段標(biāo)準(zhǔn)差σ，如下

(2)

式中，wn表示參與分割及合并波段的權(quán)重；σn為區(qū)域的標(biāo)準(zhǔn)差；n為波段序號(hào)；m為波段數(shù)。

形狀異質(zhì)性公式如下

hshape=wcomhcom+wsmoothhsmooth

(3)

式中，wcom指用戶自定義的緊湊度權(quán)重；wsmooth指用戶自定義的光滑度權(quán)重。且wcom+wsmooth=1。

參數(shù)設(shè)置時(shí)要保證光譜信息的充分利用，光譜因子不能過(guò)低，過(guò)高的形狀因子會(huì)使對(duì)象內(nèi)異質(zhì)性增大，進(jìn)而阻礙信息的正確提取。因此多尺度分割需要遵循兩個(gè)原則：一是盡可能地保障光譜信息，確保光譜因子在分割中起主導(dǎo)作用；二是提高形狀因子的權(quán)重來(lái)調(diào)節(jié)分割對(duì)象形狀，使對(duì)象輪廓盡可能地與實(shí)際地物符合[13]。根據(jù)多次試驗(yàn)，將光譜因子設(shè)為0.7，即形狀因子為0.3，形狀因子中將緊致度因子設(shè)為0.7，則光滑度因子設(shè)為0.3。

2.1.3 最優(yōu)分割尺度

分割后影像中包含純對(duì)象與混合對(duì)象，就分類而言，純對(duì)象的數(shù)量越多分類越準(zhǔn)確，進(jìn)而影響地物信息提取的精度。分割尺度決定了影像中純對(duì)象與混合對(duì)象的比例，因此最優(yōu)分割尺度選取尤為重要。不同地物的最優(yōu)分割尺度各不相同，因此最優(yōu)分割尺度只能是一個(gè)參考值，也沒(méi)有嚴(yán)格的標(biāo)準(zhǔn)。尺度的選擇可以參照一定的規(guī)則使分割尺度盡量接近最優(yōu)尺度：當(dāng)某一地物在最優(yōu)尺度分割時(shí)，分割后的對(duì)象的輪廓應(yīng)與實(shí)際地物符合，地物可由一個(gè)或多個(gè)對(duì)象組成，即不能過(guò)分割使對(duì)象太多，也不能欠分割使一個(gè)對(duì)象含有混合對(duì)象。并且不同類對(duì)象之間差異大，容易與其他物類別區(qū)分開(kāi)。本文利用局部方差法選擇最優(yōu)分割尺度，并借助ESP(estimation of scale parameters)工具選擇最佳分割尺度[14]。

局部方差法將每個(gè)分割對(duì)象的平均局部方差作為評(píng)價(jià)參數(shù)，假設(shè)對(duì)象與背景存在著較大的光譜差異，隨著分割尺度的增大，分割出的對(duì)象面積也隨之增大，其內(nèi)部的方差也會(huì)增大，當(dāng)對(duì)象與實(shí)際地物范圍符合時(shí)，分割對(duì)象會(huì)停止變化，方差也不變，分割出的對(duì)象邊界會(huì)在較大的分割尺度下保留，直到這些對(duì)象被合并為更高的類別(如樹(shù)木合并為森林)，代表這種地物與實(shí)際范圍最符合，此時(shí)的分割尺度為該地物的最優(yōu)分割尺度。

如果某種地物被最優(yōu)分割出時(shí)，那么這類地物方差的增大與停滯就會(huì)對(duì)整個(gè)圖像的平均方差產(chǎn)生影響。本文希望得到的是一條隨著尺度增大平均方差上升的曲線，當(dāng)曲線的上升趨勢(shì)減小或趨于平坦時(shí)，此時(shí)的分割尺度為最優(yōu)分割尺度，但是曲線的變化對(duì)應(yīng)的尺度在圖像上不易得到，因此ESP工具引入了ROC(rate of change)

(4)

式中，L為當(dāng)前分割尺度層所對(duì)應(yīng)的方差；L1為上一個(gè)分割尺度層對(duì)應(yīng)的方差。

從圖2中看出，ROC曲線整體呈下降趨勢(shì)，定義在曲線持續(xù)下降或突然衰減后的第一個(gè)峰值作為最優(yōu)分割尺度。圖像在95、115、125出現(xiàn)了相對(duì)的峰值，考慮到滑坡為本次的提取目標(biāo)，較大的分割尺度會(huì)出現(xiàn)欠分割的情況，不利于后續(xù)的分類，故選擇95為最優(yōu)分割尺度。

圖2 ROC曲線

2.2 提取規(guī)則建立

影像分割將圖像分割成許多對(duì)象，它們都具有相似的特征，這些特征是決定對(duì)象歸屬的關(guān)鍵。但這些對(duì)象仍有一定比例的混合像元，可以采用模糊分類方法對(duì)分割對(duì)象進(jìn)行分類。它將“是”與“非”的判斷轉(zhuǎn)換成0到1之間連續(xù)變化的值來(lái)描述目標(biāo)對(duì)象屬于多種地物的概率，這樣給出的分類信息更加全面，使得對(duì)混合地物的分類結(jié)果更具有客觀性[15]。

提取地物特征，并建立一定的分類規(guī)則是面向?qū)ο蠓诸惖年P(guān)鍵，規(guī)則的好壞對(duì)于分類的精度有著巨大影響。對(duì)象特征主要包括光譜特征、幾何特征和紋理特征。

光譜特征是判別對(duì)象的主要特征，研究區(qū)滑坡的土層整體偏暗，而非滑坡土層具有較高的亮度，滑坡體與周圍也有著顯著的差異。

植被的變化也是滑坡重要的解譯標(biāo)志之一，大多數(shù)滑坡都主要發(fā)生在斜坡上，通常這些斜坡都有植被覆蓋，滑坡體受到重力的作用沿著斜坡向下滑動(dòng)時(shí)，導(dǎo)致植被受損、折斷、掩埋。

本文利用植被覆蓋度來(lái)描述植被的變化，估算公式為

Fcover=(NDVI-NDVImin)/(NDVImax+NDVImin)

(5)

式中，NDVImin為影像中NDVI最小值0.05；NDVImax為NDVI最大值0.8。

滑坡一旦發(fā)生就會(huì)形成一些特殊的地貌形狀，對(duì)于大部分滑坡，根據(jù)它們獨(dú)特的滑坡地貌是較容易辨識(shí)的。根據(jù)文獻(xiàn)[16]，汶川地震造成的滑坡多呈長(zhǎng)條狀、舌型。因此，可以將長(zhǎng)寬比作為幾何特征識(shí)別滑坡。

將規(guī)則整理后，建立了如圖3所示的提取流程。首先判斷植被覆蓋度，將覆蓋度較小的非植被區(qū)域剔除，再以長(zhǎng)度及負(fù)植被覆蓋度作為依據(jù)剔除水體，保留滑坡疑似區(qū)域，最后通過(guò)坡度與長(zhǎng)寬比篩選滑坡。

圖3 滑坡提取流程

3 結(jié)果與分析

3.1 提取結(jié)果

依據(jù)上述所建規(guī)則，分別對(duì)研究區(qū)的遙感影像進(jìn)行地震型滑坡信息提取，提取結(jié)果如圖4所示。

圖4 滑坡提取結(jié)果

從圖4可看出，整體提取效果較好，汶川地震型滑坡有沿發(fā)震斷裂呈條帶狀分布特點(diǎn)。但是研究區(qū)中有部分小滑坡未被提取出來(lái)：一是因?yàn)榛虏幻黠@區(qū)域光譜特征與植被相似，產(chǎn)生誤分割，導(dǎo)致分類時(shí)特征不明顯，無(wú)法正確分類；二是因?yàn)楦叻直媛视跋竦奶卣髫S富，同類地物之間的差異性增加了區(qū)分難度。

3.2 精度評(píng)價(jià)

本文采用混淆矩陣法對(duì)分類結(jié)果進(jìn)行評(píng)價(jià)，首先選取個(gè)數(shù)為N的樣本，將每個(gè)樣本的地表真實(shí)像元的分類與分類圖像中的分類相比較計(jì)算建立矩陣即

(6)

矩陣中行向量代表一類地物的實(shí)際分類情況，列向量代表等于地面真實(shí)地物在分類圖像中對(duì)應(yīng)于相應(yīng)類別的數(shù)量，對(duì)角線上的數(shù)值越大說(shuō)明分類越準(zhǔn)確。主要評(píng)價(jià)指標(biāo)有總分類精度、各類別生產(chǎn)精度、用戶精度及Kappa系數(shù)等。

總體分類精度為正確分類的像素個(gè)數(shù)占總數(shù)的比例，是對(duì)分類結(jié)果的總體評(píng)估，計(jì)算公式為

(7)

用戶精度是指正確分到某類的像元總數(shù)與分類器將整個(gè)影像的像元分為像元總數(shù)的比值，計(jì)算公式為

(8)

生產(chǎn)精度是指將整個(gè)影像的像元正確分為某類的像元數(shù)與某類真實(shí)參考總數(shù)的比值，計(jì)算公式為

(9)

總體Kappa系數(shù)計(jì)算公式如下

(10)

本研究滑坡信息提取結(jié)果的混淆矩陣見(jiàn)表3。從表中可以看出植被的分類精度高，這是由于植被覆蓋度的加入將植被與非植被很好地區(qū)分，滑坡與其他地物(包括薄云和裸地)存在混分的現(xiàn)象。影像分割后對(duì)象不可能與實(shí)際地物完全符合，過(guò)分割、欠分割不可避免，混合像元的分類不可能完全正確，從而影響分類精度?？傮w而言，滑坡生產(chǎn)精度為87%，用戶精度為81%，總體Kappa精度為82.2%，說(shuō)明面向?qū)ο筇崛』戮哂休^高精確性，表明基于多尺度分割技術(shù)的滑坡災(zāi)害提取能夠滿足震后評(píng)估的要求，該方法快速有效地提取了高分辨率遙感影像上地物信息。

表3 面向?qū)ο蠓诸惖幕煜仃?/p>

同時(shí)，利用研究區(qū)域野外滑坡點(diǎn)的資料[17]，經(jīng)統(tǒng)計(jì)得出研究區(qū)滑坡56處，如圖5所示。并與提取結(jié)果進(jìn)行對(duì)比，發(fā)現(xiàn)有47處被識(shí)別并提取，9處未提取，精度達(dá)到83.9%，進(jìn)一步說(shuō)明該提取方法具有可行性。

圖5 實(shí)測(cè)滑坡點(diǎn)對(duì)比

4 結(jié) 語(yǔ)

本文嘗試?yán)肎F-1高分辨率衛(wèi)星，選取汶川地震極震區(qū)域影像，提出了一種快速提取滑坡信息的方法。該方法首先確立適合極震區(qū)的分割參數(shù)，對(duì)影像進(jìn)行分割，分析滑坡特征，建立面向?qū)ο筮b感分類規(guī)則，再通過(guò)模糊分類方法提取滑坡災(zāi)害信息。分類完成后選取隨機(jī)樣本與實(shí)際滑坡點(diǎn)進(jìn)行對(duì)比，證明分類精度較高，驗(yàn)證了方法有效性。試驗(yàn)結(jié)果證明了遙感方法尤其是利用高分辨率影像在地質(zhì)災(zāi)害提取方面的優(yōu)勢(shì)，能夠?yàn)檎馂?zāi)調(diào)查和快速預(yù)評(píng)估提供輔助數(shù)據(jù)，為今后地質(zhì)災(zāi)害的防治和快速評(píng)估提供參考。在完成影像對(duì)象分類后的處理中，雖然完成了滑坡的提取，但是對(duì)于滑坡特征與空間信息的利用并不充分，造成提取目標(biāo)與相似地物的混淆。因此，在后續(xù)的研究中加入道路、河網(wǎng)等矢量數(shù)據(jù)，可進(jìn)一步提高提取精度。

[1] BAATZ M, SCHPE A. An Optimization Approach for High Quality Multi-scale Image Segmentation[C]∥Proceedings of Beitr?ge Zum AGIT-Symposium. [S.l.]: [s.n.], 2000:12-23.

[2] 李強(qiáng)，張景發(fā). GIS與面向?qū)ο蠼Y(jié)合的遙感影像震后損毀道路快速提取[J]. 測(cè)繪通報(bào),2015(4):78-81.

[3] 安立強(qiáng)，張景發(fā)，趙福軍.汶川地震次生災(zāi)害提取——面向?qū)ο笥跋穹诸惣夹g(shù)的應(yīng)用[J]. 自然災(zāi)害學(xué)報(bào),2011,20(2):160-168.

[4] OTHMAN A A, GLOAGUEN R. Automatic Extraction and Size Distribution of Landslides in Kurdistan Region, NE Iraq[J]. Remote Sensing, 2013, 5(5):2389-2410.

[5] RAU J Y, JHAN J P, RAU R J. Semiautomatic Object-oriented Landslide Recognition Scheme from Multisensor Optical Imagery and DEM[J]. IEEE Transactions on Geoscience & Remote Sensing, 2013, 52(2):1336-1349.

[6] 朱嬌.基于高分一號(hào)影像的寶興縣滑坡信息提取研究[D].成都：成都理工大學(xué),2015.

[7] 李啟源.高分一號(hào)遙感影像地質(zhì)災(zāi)害信息提取方法研究[J]. 測(cè)繪與空間地理信息,2016,39(2):17-20.

[8] 殷躍平.汶川八級(jí)地震地質(zhì)災(zāi)害研究[J].工程地質(zhì)學(xué)報(bào),2008,66(4):433-444.

[9] 鄧書(shū)斌. ENVI遙感圖像處理方法[M].北京：科學(xué)出版社，2008．

[10] H?LBLING D, FRIEDL B. An Object-based Approach for Semi-automated Landslide Change Detection and Attribution of Changes to Landslide Classes in Northern Taiwan[J]. Earth Science Informatics, 2015, 8(2):327-335.

[11] 劉建平，趙英時(shí)，孫淑玲.高光譜遙感數(shù)據(jù)最佳波段選擇方法試驗(yàn)研究[J]. 遙感技術(shù)與應(yīng)用,2001,16(1):7-13.

[12] 馮文卿. 利用多尺度融合進(jìn)行面向?qū)ο蟮倪b感影像變化檢測(cè)[J]. 測(cè)繪學(xué)報(bào), 2015, 44(10):1142-1151.

[13] 王賽. 基于多源遙感數(shù)據(jù)的汶川地震型滑坡信息提取研究[D].北京：中國(guó)地質(zhì)大學(xué)(北京),2015.

[15] 韓凝. 空間信息在面向?qū)ο蠓诸惙椒ㄖ械膽?yīng)用[D].杭州：浙江大學(xué),2011.

[16] 范建容，李秀珍，張懷珍，等.汶川地震災(zāi)區(qū)崩塌滑坡體幾何特征信息遙感定量提取與分析[J].水土保持通報(bào),2012,32(2):118-121.

[17] 秦緒文，楊金中，張志，等.汶川地震災(zāi)區(qū)航天遙感應(yīng)急調(diào)查[M]，北京：科學(xué)出版社,2008.