牛朝陽(yáng) 高歐陽(yáng),2 劉偉 賴(lài)濤 張浩波 黃燕

光學(xué)遙感圖像滑坡檢測(cè)研究進(jìn)展

牛朝陽(yáng)1高歐陽(yáng)1,2劉偉1賴(lài)濤3張浩波1黃燕4

（1中國(guó)人民解放軍戰(zhàn)略支援部隊(duì)信息工程大學(xué)數(shù)據(jù)與目標(biāo)工程學(xué)院，鄭州 450001）（2 鄭州煤機(jī)液壓電控有限公司，鄭州 450013）（3中山大學(xué)電子與通信工程學(xué)院，廣州 510275）（4 中國(guó)人民解放軍32316部隊(duì)，烏魯木齊 830001）

在全球氣候變暖和降雨量不斷增加的背景下，滑坡的現(xiàn)實(shí)危害和潛在風(fēng)險(xiǎn)日益增加，及時(shí)在滑坡發(fā)生后對(duì)其進(jìn)行檢測(cè)具有重要意義。光學(xué)遙感衛(wèi)星依靠其成像速度快、覆蓋范圍廣、成本和風(fēng)險(xiǎn)低等優(yōu)勢(shì)，使得遙感圖像在滑坡檢測(cè)中得到了廣泛應(yīng)用。文章在廣泛文獻(xiàn)調(diào)研的基礎(chǔ)上，對(duì)近年來(lái)國(guó)內(nèi)外光學(xué)遙感圖像滑坡檢測(cè)的相關(guān)成果進(jìn)行梳理，根據(jù)技術(shù)途徑的區(qū)別將現(xiàn)有實(shí)現(xiàn)滑坡檢測(cè)的方法分為四類(lèi)，分別為特征閾值分割法、淺層機(jī)器學(xué)習(xí)法、深度神經(jīng)網(wǎng)絡(luò)法和變化檢測(cè)法。文章闡述了每類(lèi)方法的基本原理、研究現(xiàn)狀、發(fā)展趨勢(shì)，并對(duì)比分析了各類(lèi)方法的優(yōu)缺點(diǎn)，為推動(dòng)滑坡檢測(cè)的進(jìn)一步研究提供有益借鑒。

滑坡檢測(cè) 特征閾值 機(jī)器學(xué)習(xí) 深度學(xué)習(xí) 變化檢測(cè) 遙感應(yīng)用

0 引言

滑坡是指斜坡上的土體或者巖體，受河流沖刷、地下水活動(dòng)、雨水浸泡、地震及人工切坡等因素影響，在重力作用下沿著一定的軟弱面順坡向下滑動(dòng)的自然現(xiàn)象[1]?；率侵袊?guó)的主要地質(zhì)災(zāi)害類(lèi)型，受當(dāng)前全球氣候變化、地震活動(dòng)和城市化加速的影響，滑坡發(fā)生的頻率逐漸提高，現(xiàn)實(shí)危害和潛在風(fēng)險(xiǎn)日益凸顯。因此，在滑坡發(fā)生后及時(shí)地進(jìn)行滑坡檢測(cè)，進(jìn)一步確定滑坡的區(qū)域、規(guī)模以及分布情況，對(duì)災(zāi)區(qū)的減災(zāi)救災(zāi)和規(guī)劃建設(shè)具有重要意義[2]。

傳統(tǒng)的滑坡檢測(cè)方法以野外調(diào)查為主，需要投入大量的人員和時(shí)間，并且存在一定的危險(xiǎn)性[3]。空間光學(xué)遙感技術(shù)具有成像速度快、覆蓋范圍廣、成本和風(fēng)險(xiǎn)低等優(yōu)勢(shì)[4]，在防災(zāi)減災(zāi)應(yīng)用方面發(fā)揮著越來(lái)越重要的作用。目視解譯是一種最基本的遙感圖像滑坡檢測(cè)方法，該方法依托研究人員的專(zhuān)業(yè)知識(shí)，通過(guò)對(duì)地物的形狀、色調(diào)、紋理和布局等多種影像特征進(jìn)行判讀，同時(shí)結(jié)合其他相關(guān)資料進(jìn)行合理的推理和分析，進(jìn)而從遙感圖像中檢測(cè)出滑坡區(qū)域[5]。目視解譯要求研究人員具有豐富的經(jīng)驗(yàn)，能提供精確的滑坡檢測(cè)結(jié)果，這些結(jié)果通常用作計(jì)算機(jī)自動(dòng)/半自動(dòng)檢測(cè)滑坡結(jié)果的評(píng)價(jià)標(biāo)準(zhǔn)。

隨著計(jì)算機(jī)科學(xué)、圖像檢測(cè)等技術(shù)的發(fā)展，計(jì)算機(jī)在處理遙感圖像方面表現(xiàn)出了巨大的優(yōu)勢(shì)[6]。計(jì)算機(jī)算法通過(guò)系統(tǒng)定量化模擬研究人員目視解譯的過(guò)程完成滑坡檢測(cè)工作，成為滑坡檢測(cè)的主要方式。通過(guò)整理目前公開(kāi)的相關(guān)研究，按照技術(shù)原理將常用的光學(xué)遙感圖像滑坡檢測(cè)方法分為四類(lèi)：基于特征閾值法、基于淺層機(jī)器學(xué)習(xí)法、基于深度神經(jīng)網(wǎng)絡(luò)法、基于變化檢測(cè)法。

本文將對(duì)各類(lèi)方法的發(fā)展現(xiàn)狀進(jìn)行討論和分析，最后對(duì)比各個(gè)方法的優(yōu)缺點(diǎn)并對(duì)光學(xué)遙感圖像滑坡檢測(cè)的發(fā)展趨勢(shì)進(jìn)行探討。

1 基于特征閾值的滑坡檢測(cè)方法

1.1 基本原理

在不使用分類(lèi)器的情況下，基于特征閾值的滑坡檢測(cè)方法是利用災(zāi)后單時(shí)相遙感圖像，通過(guò)制定合適的分類(lèi)規(guī)則，達(dá)到檢測(cè)滑坡的目的，一般流程如圖1所示。首先通過(guò)多尺度分割將遙感圖像分割成不包含特殊含義的子區(qū)域，這些子區(qū)域具有區(qū)域內(nèi)特征相近、區(qū)域間特征不同的特點(diǎn)[7]；然后根據(jù)滑坡區(qū)域與未被滑坡影響的植被覆蓋區(qū)域存在較大特征差異的特點(diǎn)，通過(guò)反映植被特征的相關(guān)指數(shù)，將植被從遙感圖像中剔除，得到滑坡候選區(qū)域；最后根據(jù)地物特征（主要包含光譜特征、幾何特征和紋理特征），依托經(jīng)驗(yàn)建立分類(lèi)規(guī)則，從圖像中檢測(cè)出滑坡區(qū)域。

圖1 基于特征閾值的滑坡檢測(cè)方法一般流程

1.2 研究現(xiàn)狀

根據(jù)最終輸出的類(lèi)別，基于特征閾值的滑坡檢測(cè)方法又可分為多類(lèi)別方法和單類(lèi)別方法：前者針對(duì)研究區(qū)域所包含的若干主要地物類(lèi)型分別設(shè)計(jì)規(guī)則，最終輸出包含滑坡的若干類(lèi)別；后者針對(duì)研究區(qū)域中的滑坡，設(shè)計(jì)相應(yīng)的規(guī)則，實(shí)現(xiàn)滑坡區(qū)域的直接提取。

（1）多類(lèi)別滑坡檢測(cè)方法

文獻(xiàn)[8]通過(guò)對(duì)比不同分辨率數(shù)字高程模型（Digital Elevation Model，DEM）條件下的滑坡檢測(cè)結(jié)果發(fā)現(xiàn)，DEM分辨率越高，滑坡檢測(cè)正確率越高；低分辨率DEM條件下，可以通過(guò)修改與DEM相關(guān)的特征參數(shù)（如坡度、坡向與主方向夾角等）實(shí)現(xiàn)滑坡檢測(cè)。文獻(xiàn)[9]構(gòu)建一種地理本體驅(qū)動(dòng)的滑坡自動(dòng)檢測(cè)方法，該方法建立的滑坡概念本體可以保證滑坡領(lǐng)域知識(shí)的客觀性和準(zhǔn)確性，有效減少專(zhuān)業(yè)經(jīng)驗(yàn)的干擾；文獻(xiàn)[10]結(jié)合滑坡的影像特征和地形特征，采用分層檢測(cè)模型完成對(duì)潛在滑坡區(qū)和滑坡分布的準(zhǔn)確提取，以及滑坡組成要素的檢測(cè)；文獻(xiàn)[11]首先根據(jù)歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）剔除植被區(qū)域，然后通過(guò)基于光譜、紋理、地形和上下文關(guān)系特征的規(guī)則逐步剔除非滑坡區(qū)域，實(shí)現(xiàn)滑坡檢測(cè)；文獻(xiàn)[12]綜合利用歸一化土壤亮度指數(shù)（Normalized Differential Soil Brightness Index，NDSI）、NDVI和陰影指數(shù)（Shadow Index，SI）提取出疑似滑坡區(qū)域，然后根據(jù)坡度、形狀、面積等滑坡特征剔除非滑坡區(qū)，實(shí)現(xiàn)滑坡自動(dòng)檢測(cè)；文獻(xiàn)[13]構(gòu)建一種使用同一區(qū)域不同空間分辨率圖像的分層次滑坡檢測(cè)方法，多分辨率遙感圖像的使用使得滑坡檢 測(cè)結(jié)果不會(huì)被數(shù)據(jù)的大小和細(xì)節(jié)水平所困擾，通過(guò)從數(shù)字地形模型（Digital Terrain Mode，DTM）獲得的先驗(yàn)知識(shí)來(lái)指導(dǎo)檢測(cè)過(guò)程，同時(shí)使用改進(jìn)的區(qū)域適應(yīng)策略以減少處理大型圖像數(shù)據(jù)集時(shí)的人為干預(yù)。

（2）單類(lèi)別滑坡檢測(cè)方法

文獻(xiàn)[14]通過(guò)SEaTH（Seperability and Thresholds）自動(dòng)構(gòu)建滑坡分類(lèi)規(guī)則，實(shí)現(xiàn)滑坡檢測(cè)，但是該方法在對(duì)象分割的過(guò)程中仍無(wú)法避免人為因素的干預(yù)。文獻(xiàn)[15]使用近紅外和紅光波段數(shù)據(jù)，通過(guò)半方差函數(shù)計(jì)算基臺(tái)值，進(jìn)一步通過(guò)DEM剔除河道，得到滑坡區(qū)域；該方法對(duì)覆蓋面積廣、特征明顯的滑坡有較好的檢測(cè)效果，但對(duì)形狀細(xì)小狹長(zhǎng)的滑坡檢測(cè)精度較低。文獻(xiàn)[16]綜合利用遙感圖像和DEM，結(jié)合光譜、空間和地貌特征進(jìn)行黃土滑坡檢測(cè)，可以得到較高的滑坡檢測(cè)率，但是該方法沒(méi)有充分利用滑坡特征與空間信息的關(guān)系，使得與滑坡相似的地物容易被錯(cuò)檢為滑坡。文獻(xiàn)[17]通過(guò)DEM計(jì)算生成的山體陰影，提出一種地形因子參與的滑坡檢測(cè)方法，該方法可以更加客觀的判斷出滑坡邊界，但也會(huì)導(dǎo)致地形高差小的滑坡難以檢測(cè)。文獻(xiàn)[18]首先通過(guò)常量化修正的土壤調(diào)節(jié)植被指數(shù)（Constant Modified Soil-Adjusted Vegetation Index，CMSAVI）提取裸地信息，基于改進(jìn)的峰直方圖閾值自動(dòng)選取算法進(jìn)行滑坡的自動(dòng)檢測(cè)，但該方法中形態(tài)學(xué)濾波算子的大小依舊是根據(jù)專(zhuān)業(yè)經(jīng)驗(yàn)設(shè)定的。文獻(xiàn)[19]在滑坡檢測(cè)過(guò)程中，通過(guò)NDVI估算比輻射率以增強(qiáng)裸土辨別能力，在稀疏植被區(qū)和高植被區(qū)共存的復(fù)雜災(zāi)區(qū)環(huán)境下可以達(dá)到較好的滑坡檢測(cè)結(jié)果。文獻(xiàn)[20]在分類(lèi)規(guī)則建立的過(guò)程中，通過(guò)改進(jìn)的Otsu算法自動(dòng)確定閾值，實(shí)現(xiàn)滑坡的自動(dòng)檢測(cè)；該算法完全擺脫了人為干預(yù)，使滑坡檢測(cè)過(guò)程更加簡(jiǎn)單、高效。文獻(xiàn)[21]針對(duì)區(qū)域遙感圖像背景復(fù)雜、光照不均勻的特點(diǎn)，將蒙特卡羅模擬引入到局部閾值法中，在二值化圖像中引入數(shù)字表面模型（Digital Surface Model，DSM），顯著地減少了來(lái)自居民區(qū)、梯田和河流的干擾。

1.3 發(fā)展趨勢(shì)

基于特征閾值的滑坡檢測(cè)方法以遙感圖像中包含的空間信息、紋理信息等為基礎(chǔ)，先把具有滑坡特征的臨近像元分割成新的圖層，再使用一定的分類(lèi)規(guī)則對(duì)圖像進(jìn)行分類(lèi)。該類(lèi)方法使用了多種遙感圖像特征，可以有效地避免“同譜異物”和“同物異譜”現(xiàn)象的出現(xiàn)；其他地學(xué)信息特征(如，DEM、DSM和SI)的利用，進(jìn)一步提高了滑坡檢測(cè)結(jié)果的品質(zhì)。該類(lèi)方法是目前滑坡檢測(cè)領(lǐng)域的常用方法之一，但是其分類(lèi)規(guī)則通常較為復(fù)雜，在制定過(guò)程中需要工作人員具有豐富的經(jīng)驗(yàn)。雖然能夠取得可觀的滑坡檢測(cè)結(jié)果，但是無(wú)法完全擺脫人為因素的干擾，從而實(shí)現(xiàn)滑坡的自動(dòng)檢測(cè)。該類(lèi)方法在制定分類(lèi)規(guī)則時(shí)，通常基于某一特定的研究區(qū)域，在面對(duì)不同的研究區(qū)域和不同衛(wèi)星的數(shù)據(jù)時(shí)，滑坡的遙感圖像特征可能存在差異，因此進(jìn)一步加強(qiáng)地學(xué)知識(shí)的運(yùn)用，可以提高該類(lèi)方法泛化能力。針對(duì)難以與滑坡區(qū)分的相似地物，需要探索構(gòu)建區(qū)分度更高的規(guī)則，以更好地將滑坡疑似對(duì)象與滑坡區(qū)分開(kāi)來(lái)，從而將其更徹底地剔除。

2 基于淺層機(jī)器學(xué)習(xí)的滑坡檢測(cè)方法

2.1 基本原理

隨著人工智能技術(shù)的發(fā)展，建立在概率統(tǒng)計(jì)基礎(chǔ)上的淺層機(jī)器學(xué)習(xí)模型，如SVM、決策樹(shù)、主成分分析法（Principal Component Analysis，PCA）和k-means等，為遙感圖像滑坡檢測(cè)提供了許多切實(shí)可行的方案，圖2為淺層機(jī)器學(xué)習(xí)滑坡檢測(cè)方法的一般流程。根據(jù)是否有訓(xùn)練樣本的參與，淺層機(jī)器學(xué)習(xí)滑坡檢測(cè)分為監(jiān)督分類(lèi)和無(wú)監(jiān)督分類(lèi)，其中監(jiān)督分類(lèi)首先要根據(jù)先驗(yàn)類(lèi)別知識(shí)來(lái)訓(xùn)練分類(lèi)器，建立判別準(zhǔn)則，并通過(guò)修正準(zhǔn)則的不斷調(diào)整，使得分類(lèi)器達(dá)到最高的準(zhǔn)確度，進(jìn)而對(duì)分類(lèi)器輸入未知類(lèi)別樣本通過(guò)判別準(zhǔn)則，達(dá)到滑坡檢測(cè)的目的；無(wú)監(jiān)督分類(lèi)則僅需要將未知類(lèi)別樣本放入分類(lèi)器，即可輸出滑坡檢測(cè)結(jié)果。

圖2 基于淺層機(jī)器學(xué)習(xí)的滑坡檢測(cè)一般流程

在分類(lèi)樣本有限的前提下，支持向量機(jī)（Support Vector Machine, SVM）可以較好地平衡模型復(fù)雜性和學(xué)習(xí)能力，而且具有較好的泛化能力[6]，使其在遙感圖像滑坡檢測(cè)中有較多的應(yīng)用并取得了不錯(cuò)的結(jié)果，因此本文將基于SVM分類(lèi)器的相關(guān)研究作為單獨(dú)小節(jié)展開(kāi)介紹。

2.2 發(fā)展現(xiàn)狀

（1）基于SVM分類(lèi)器的滑坡檢測(cè)方法

文獻(xiàn)[22]通過(guò)Gabor濾波對(duì)遙感圖像的紋理特征進(jìn)行多尺度多方向的處理，結(jié)合圖像的光譜特征，采用SVM分類(lèi)器進(jìn)行滑坡檢測(cè)，其中多尺度、多方向的Gabor特征可以在保留有效信息的基礎(chǔ)上減少特征冗余；文獻(xiàn)[23]根據(jù)光譜學(xué)和色度學(xué)的基本理論進(jìn)行滑坡區(qū)域的顏色特征建模，利用SVM初步篩選出滑坡候選區(qū)域，最后通過(guò)滑坡的空間形狀特征進(jìn)一步精準(zhǔn)篩選滑坡區(qū)域；文獻(xiàn)[24]使用貝葉斯方法優(yōu)化選擇SVM分類(lèi)器的參數(shù)，找到核函數(shù)、核尺度、核約束級(jí)別上的最優(yōu)參數(shù)，提升SVM的分類(lèi)效果，進(jìn)而實(shí)現(xiàn)滑坡檢測(cè)的目的；文獻(xiàn)[25]通過(guò)SEaTH算法從遙感影像多尺度分割結(jié)果中選取滑坡有效分類(lèi)因子，然后基于有效因子構(gòu)建一種高精度SVM分類(lèi)模型，實(shí)現(xiàn)滑坡的自動(dòng)檢測(cè)；文獻(xiàn)[26]根據(jù)滑坡周?chē)牡匚锾卣?，?gòu)建了基于模糊分類(lèi)與SVM相結(jié)合的決策樹(shù)，運(yùn)用面向?qū)ο蟮姆诸?lèi)方法實(shí)現(xiàn)了對(duì)研究區(qū)內(nèi)植被、道路和疑似滑坡區(qū)域的檢測(cè)；文獻(xiàn)[27]通過(guò)對(duì)比方向梯度直方圖（Histogram of Oriented Gradient，HoG）和視覺(jué)詞袋（Bag of Words，BoW）兩種遙感圖像特征提取方法的效果，優(yōu)選BoW構(gòu)建滑坡檢測(cè)特征，然后聯(lián)合SVM分類(lèi)器構(gòu)建滑坡檢測(cè)模型，對(duì)于遙感圖像滑坡檢測(cè)有一定指導(dǎo)意義。

（2）基于其他分類(lèi)器的滑坡檢測(cè)方法

文獻(xiàn)[28]綜合研究區(qū)域遙感圖像特征和地形特征，通過(guò)SEaTH算法構(gòu)建滑坡檢測(cè)特征體系，然后基于上述特征體系進(jìn)行多尺度分割，并通過(guò)多層感知機(jī)構(gòu)建滑坡檢測(cè)模型。文獻(xiàn)[29]從不同代數(shù)角度獲取影像的變化信息，將變化信息組成一幅多通道影像，然后利用主成分提取方法提取該影像的主要特征，構(gòu)建特征樣本空間，最后通過(guò)粒子群搜索算法改進(jìn)的C均值聚類(lèi)提取滑坡。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)的變化檢測(cè)方法相比，改進(jìn)算法能有效提高多時(shí)相數(shù)據(jù)滑坡檢測(cè)的精度；文獻(xiàn)[30]使用基于BoW表示的場(chǎng)景分類(lèi)方法，結(jié)合無(wú)監(jiān)督概率潛在語(yǔ)義分析（Probabilistic Latent Semantic Analysis，PLSA）模型和k-近鄰算法(k-Nearest Neighbor，k-NN)分類(lèi)器來(lái)實(shí)現(xiàn)遙感圖像滑坡檢測(cè)模型的構(gòu)建，該方法在無(wú)地學(xué)信息支持的情況下，具有較強(qiáng)的魯棒性和較好的性能；文獻(xiàn)[31]應(yīng)用穗帽變換生成研究區(qū)的亮度、綠度、濕度指標(biāo)，然后結(jié)合滑坡遙感圖像的特征，利用最大似然法監(jiān)督分類(lèi)構(gòu)建滑坡檢測(cè)模型；文獻(xiàn)[32]利用最大似然分類(lèi)器的監(jiān)督和非監(jiān)督兩種分類(lèi)方法，對(duì)滑坡發(fā)生后檢測(cè)和繪制滑坡區(qū)域的能力進(jìn)行了測(cè)試，并討論了自動(dòng)化方法和手動(dòng)方法之間的顯著差異；文獻(xiàn)[33]利用多尺度分割方法生成滑坡對(duì)象，構(gòu)建滑坡對(duì)象的光譜、紋理及形狀特征圖，在此基礎(chǔ)上利用訓(xùn)練好的隨機(jī)森林模型提取出疑似滑坡區(qū)，最后結(jié)合目視解譯，得到準(zhǔn)確的滑坡區(qū)。結(jié)果表明，該方法能快速準(zhǔn)確地提取出道路沿線的滑坡區(qū)。

2.3 發(fā)展趨勢(shì)

由于分類(lèi)器的結(jié)構(gòu)，基于淺層機(jī)器學(xué)習(xí)的滑坡檢測(cè)方法一般具有精度較高的滑坡檢測(cè)結(jié)果，其中監(jiān)督分類(lèi)的精度一般比無(wú)監(jiān)督分類(lèi)高，因此在相關(guān)研究中監(jiān)督分類(lèi)使用較多。由于監(jiān)督分類(lèi)需要大量的訓(xùn)練樣本，并且分類(lèi)精度容易受到訓(xùn)練數(shù)據(jù)的影響，因此如何獲得合適的訓(xùn)練樣本，如何選取能獲得較好分類(lèi)性能的訓(xùn)練樣本，需要進(jìn)一步研究。無(wú)監(jiān)督分類(lèi)的特點(diǎn)在于不需要訓(xùn)練樣本、不需要知道地表真實(shí)數(shù)據(jù)分布，根據(jù)某些判據(jù)自動(dòng)分類(lèi)圖像；該類(lèi)方法充分利用了數(shù)據(jù)信息，但是由于判據(jù)受環(huán)境的影響比較大，不同的判據(jù)應(yīng)用在不同的圖像效果可能有很大的差別。淺層機(jī)器學(xué)習(xí)的主要局限性體現(xiàn)在有限的數(shù)據(jù)樣本資源和有限的運(yùn)算資源兩個(gè)方面，因此在運(yùn)算模型復(fù)雜時(shí)，它的表達(dá)能力和泛化能力都會(huì)受到限制。但是利用少量樣本即可獲得良好的滑坡檢測(cè)結(jié)果這一優(yōu)勢(shì)，使得淺層機(jī)器學(xué)習(xí)仍是當(dāng)下遙感圖像滑坡檢測(cè)的重要方法之一。當(dāng)前基于淺層機(jī)器學(xué)習(xí)的方法主要利用遙感圖像的樣本特征，如果進(jìn)一步結(jié)合地學(xué)知識(shí)，獲取到更加豐富的滑坡特征，則可以有效提高滑坡檢測(cè)精度。

3 基于深度神經(jīng)網(wǎng)絡(luò)的滑坡檢測(cè)方法

3.1 基本原理

隨著人工智能的不斷發(fā)展和計(jì)算機(jī)性能的提升，2006年深度信念網(wǎng)絡(luò)（Deep Belief Network，DBN）的出現(xiàn)[34]，開(kāi)啟了深度學(xué)習(xí)的研究浪潮。相較于淺層機(jī)器學(xué)習(xí)網(wǎng)絡(luò)深度，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)更深，包含更多層的隱含節(jié)點(diǎn)，且能更好的利用大樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)，更好的刻畫(huà)數(shù)據(jù)的內(nèi)在信息。基于深度神經(jīng)網(wǎng)絡(luò)的滑坡檢測(cè)方法一般流程如圖3，其中實(shí)線為一般處理流程，虛線為可選擇操作。首先通過(guò)充分搜集遙感圖像中的有效信息、摒棄干擾信息，得到遙感圖像的各層級(jí)特征，然后根據(jù)提取的遙感圖像特征，對(duì)遙感圖像進(jìn)行分類(lèi)判讀。在以往的研究中，深度神經(jīng)網(wǎng)絡(luò)模型的變型成為提升圖像處理性能的研究熱點(diǎn)，逐步發(fā)展出了層數(shù)更深、結(jié)構(gòu)更加復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型，同時(shí)為了便于在末端部署，也發(fā)展出了一批輕量化的高性能模型。

圖3 基于深度神經(jīng)網(wǎng)絡(luò)的滑坡檢測(cè)方法一般流程

3.2 發(fā)展現(xiàn)狀

基于深度神經(jīng)網(wǎng)絡(luò)的滑坡檢測(cè)方法分為基于目標(biāo)檢測(cè)和基于圖像分割的方法?；谀繕?biāo)檢測(cè)的方法主要是判斷遙感圖像中是否存在滑坡，若存在則標(biāo)記滑坡的位置；基于圖像分割的方法則是對(duì)每個(gè)像素進(jìn)行歸類(lèi)，不僅能夠發(fā)現(xiàn)和定位滑坡的位置，還能夠確定滑坡區(qū)域的邊界，以獲得更多的滑坡信息。

（1）基于目標(biāo)檢測(cè)的滑坡檢測(cè)方法

文獻(xiàn)[35]通過(guò)遷移學(xué)習(xí)將ImageNet訓(xùn)練的VGG16預(yù)訓(xùn)訓(xùn)練模型用于滑坡泥石流的檢測(cè)，通過(guò)減少網(wǎng)絡(luò)層數(shù)來(lái)減少參數(shù)，并在網(wǎng)絡(luò)中加入Dropout防止過(guò)擬合。文獻(xiàn)[36]分組卷積（Gconv）和鬼瓶頸（Gbeck）殘差模塊代替YOLOv4的卷積分量和由標(biāo)準(zhǔn)卷積組成的殘差模塊，并在此基礎(chǔ)上增加了注意力機(jī)制，構(gòu)建一種適用于遙感圖像滑坡檢測(cè)的YOLO-SA網(wǎng)絡(luò)模型。與YOLOv4相比，該模型在減少參數(shù)量的前提下提高了滑坡檢測(cè)正確率；文獻(xiàn)[37]分別使用Faster RCNN、YOLO、SSD進(jìn)行在遙感圖像滑坡檢測(cè)，并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行了比較和分析，以探討三種深度學(xué)習(xí)目標(biāo)檢測(cè)算法在滑坡檢測(cè)中的效能以及最佳參數(shù)配置；文獻(xiàn)[38]改進(jìn)了YOLOv5的特征拼接方法，添加了自適應(yīng)空間特征融合（ASFF）來(lái)融合不同尺度的特征信息，并進(jìn)一步使用卷積塊注意模塊（CBAM）來(lái)挖掘淺層特征信息，該模型的檢測(cè)率為74.01%；文獻(xiàn)[39]利用VGG-19對(duì)滑坡進(jìn)行分類(lèi)，并利用遷移學(xué)習(xí)來(lái)補(bǔ)償標(biāo)記樣本數(shù)量不足的問(wèn)題，提高了模型的泛化能力。

（2）基于圖像分割的滑坡檢測(cè)方法

文獻(xiàn)[40]提出了一種改進(jìn)的PSPNet網(wǎng)絡(luò)模型用于滑坡檢測(cè)，PSPNet的主特征提取網(wǎng)絡(luò)采用MobileNetV2結(jié)構(gòu)，減少了網(wǎng)絡(luò)參數(shù)量，降低了網(wǎng)絡(luò)的計(jì)算復(fù)雜度，有效提高了網(wǎng)絡(luò)的收斂速度，減少了錯(cuò)誤分類(lèi)；文獻(xiàn)[41]利用ResNet網(wǎng)絡(luò)預(yù)篩選出包含滑坡區(qū)域的候選圖像，接著通過(guò)多尺度神經(jīng)網(wǎng)絡(luò)對(duì)候選圖像進(jìn)行分割，從而精準(zhǔn)地定位滑坡位置，該方法的深度神經(jīng)網(wǎng)絡(luò)框架能夠提取不同尺度的滑坡區(qū)域，削弱了與滑坡無(wú)關(guān)因素的影響，有效提高了滑坡檢測(cè)的精度；文獻(xiàn)[42]根據(jù)滑坡對(duì)象的形狀、顏色、紋理等特征模擬更加復(fù)雜的滑坡背景，構(gòu)建背景與滑坡對(duì)象相近的樣本，然后將樣本輸入Mask R-CNN 網(wǎng)絡(luò)進(jìn)行滑坡精細(xì)檢測(cè)分割，以達(dá)到在背景中存在和滑坡具有相似特征地物的情況下準(zhǔn)確檢測(cè)滑坡的目的；文獻(xiàn)[43]首先利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)含有滑坡的圖像進(jìn)行分類(lèi)，然后為了準(zhǔn)確檢測(cè)不同光照條件下的滑坡，提出了一種新的圖像變換算法從分類(lèi)后的滑坡圖像中確定滑坡區(qū)域和大小；文獻(xiàn)[44]提出了一種結(jié)合變化檢測(cè)和多示例學(xué)習(xí)（Multiple Instance Learning，MIL）的滑坡檢測(cè)網(wǎng)絡(luò)模型（CDMI-Net），該方法使用MIL框架，只需要通過(guò)場(chǎng)景級(jí)樣本進(jìn)行訓(xùn)練，減少了對(duì)像素級(jí)樣本的需求；文獻(xiàn)[45]通過(guò)在原始遙感影像上疊加能夠直接或間接反映滑坡特性的環(huán)境特征，然后通過(guò)DenseNet進(jìn)行滑坡檢測(cè)以解決深度學(xué)習(xí)在滑坡檢測(cè)中面臨應(yīng)用不足、樣本稀少、效率低下的問(wèn)題；文獻(xiàn)[46]提出一種基于多實(shí)例學(xué)習(xí)的滑坡檢測(cè)方法（MILL），該方法利用大規(guī)模遙感影像分類(lèi)數(shù)據(jù)集構(gòu)建滑坡特征提取的預(yù)訓(xùn)練網(wǎng)絡(luò)，然后通過(guò)結(jié)合通道注意力的多實(shí)例池化提取的實(shí)例標(biāo)簽映射到圖像標(biāo)簽，進(jìn)一步進(jìn)行滑坡檢測(cè)；文獻(xiàn)[47]首先通過(guò)數(shù)據(jù)預(yù)處理來(lái)自動(dòng)生成訓(xùn)練樣本，并針對(duì)訓(xùn)練樣本不足的問(wèn)題實(shí)施了相應(yīng)的數(shù)據(jù)擴(kuò)充，然后通過(guò)LandsNet模型學(xué)習(xí)滑坡的各種特征，最后通過(guò)形態(tài)學(xué)處理對(duì)滑坡檢測(cè)結(jié)果進(jìn)行優(yōu)化。

3.3 發(fā)展趨勢(shì)

滑坡遙感圖像具有豐富的信息，而隨著深度學(xué)習(xí)的興起，神經(jīng)網(wǎng)絡(luò)在處理數(shù)據(jù)較多的問(wèn)題時(shí)，效果性能往往好于淺層機(jī)器學(xué)習(xí)，將深度學(xué)習(xí)應(yīng)用于遙感圖像滑坡檢測(cè)，可以得到更高的檢測(cè)精度，對(duì)于災(zāi)害信息檢測(cè)與評(píng)估具有十分重要的意義。但是目前缺少品質(zhì)較高的光學(xué)遙感滑坡數(shù)據(jù)集，使得采用深度學(xué)習(xí)進(jìn)行滑坡檢測(cè)的研究人員需要大量的時(shí)間來(lái)構(gòu)建數(shù)據(jù)集，這也導(dǎo)致了構(gòu)建的數(shù)據(jù)集較為局限，導(dǎo)致模型的泛化能力受到限制。深度學(xué)習(xí)的優(yōu)良性能使得實(shí)現(xiàn)計(jì)算機(jī)自主進(jìn)行滑坡檢測(cè)成為可能，因此提高網(wǎng)絡(luò)模型的可遷移性有助于更好的實(shí)現(xiàn)末端部署。

4 基于變化檢測(cè)的滑坡檢測(cè)方法

4.1 基本原理

變化檢測(cè)是通過(guò)衛(wèi)星獲取同一地區(qū)不同時(shí)相的遙感圖像，通過(guò)人工和計(jì)算機(jī)的協(xié)同計(jì)算和分析，確定該區(qū)域地表是否發(fā)生變化及發(fā)生變化的類(lèi)型[48]。傳統(tǒng)的遙感圖像變化檢測(cè)是基于“原有地貌發(fā)生變化將會(huì)引起地物輻射值的變化，而且這種變化引起的輻射值變化大于其他因素引起的輻射值的變化”這一假設(shè)[49]。綜合來(lái)說(shuō)，變化檢測(cè)較為全面的定義就是利用同一地區(qū)在不同時(shí)期的遙感圖像及相關(guān)地理空間數(shù)據(jù)，結(jié)合地物特性及遙感成像機(jī)理，確定和分析該區(qū)域地物的變化，包括地物位置、范圍的變化和地物性質(zhì)、狀態(tài)的改變，一般流程如圖4。變化檢測(cè)是遙感圖像滑坡檢測(cè)中常見(jiàn)的方法之一，其優(yōu)勢(shì)是有較好的理論基礎(chǔ)和比較高的檢測(cè)精度，方法原理相對(duì)簡(jiǎn)單，使用同一傳感器的災(zāi)前和災(zāi)后不同時(shí)相的圖像進(jìn)行配準(zhǔn)，然后選擇合適的方法，提取和分析變化信息，從而檢測(cè)出發(fā)生變化的區(qū)域，最后通過(guò)合適的方法剔除其他變化造成的虛警，進(jìn)而達(dá)到檢測(cè)滑坡的目的。

圖4 基于變化檢測(cè)的滑坡檢測(cè)一般流程

4.2 發(fā)展現(xiàn)狀

變化檢測(cè)的方法主要基于不同時(shí)相數(shù)據(jù)的差異來(lái)檢測(cè)滑坡，常規(guī)方法基于滑坡前和滑坡后的雙時(shí)相數(shù)據(jù)檢測(cè)滑坡。隨著遙感技術(shù)的發(fā)展，遙感衛(wèi)星可以對(duì)同一地區(qū)進(jìn)行多次重復(fù)觀測(cè)，利用時(shí)間序列圖像進(jìn)行滑坡檢測(cè)的研究也在不斷發(fā)展。

（1）雙時(shí)相數(shù)據(jù)變化檢測(cè)滑坡檢測(cè)方法

文獻(xiàn)[50]采用基于高斯金字塔的快速模糊C-均值(Fuzzy C-means Algorithm，F(xiàn)CM)聚類(lèi)算法，利用圖像空間信息獲得視覺(jué)效果較好的候選滑坡區(qū)域，并利用圖像結(jié)構(gòu)信息的差異性代替灰度差異性來(lái)獲取更精確的滑坡區(qū)域；文獻(xiàn)[4]通過(guò)基于像元的變化檢測(cè)方法獲取滑坡所在的變化區(qū)域，并通過(guò)數(shù)學(xué)形態(tài)學(xué)處理來(lái)消除變化區(qū)域的“椒鹽現(xiàn)象”，然后僅在變化區(qū)域內(nèi)進(jìn)行面向?qū)ο蟮幕绿崛。行p少處理的數(shù)據(jù)量，從而提高滑坡提取效率；文獻(xiàn)[51]通過(guò)變化檢測(cè)預(yù)篩選出疑似滑坡區(qū)域，然后根據(jù)多特征參數(shù)，剔除疑似滑坡區(qū)域中的非滑坡體，再利用改進(jìn)的區(qū)域生長(zhǎng)算法優(yōu)化滑坡邊界得到精確的滑坡檢測(cè)結(jié)果，該方法減少了滑坡檢測(cè)過(guò)程中的人為干預(yù)，提高了算法的自動(dòng)化程度；文獻(xiàn)[52]提出一種以結(jié)合比率變換和紋理分析的變化檢測(cè)方法，該方法能夠突破遙感影像光譜特征的限制，適用于滑坡災(zāi)害信息檢測(cè)；文獻(xiàn)[53]首先對(duì)遙感圖像進(jìn)行分類(lèi)，然后基于分類(lèi)結(jié)果進(jìn)行變化檢測(cè)以實(shí)現(xiàn)滑坡檢測(cè)的目的，該方法可以得到良好的滑坡檢測(cè)結(jié)果，但不能有效地避免稀疏植被區(qū)域帶來(lái)的干擾；文獻(xiàn)[54]利用災(zāi)前和災(zāi)后兩幅圖像主成分變換得到的第一主成分進(jìn)行變化檢測(cè)，然后通過(guò)災(zāi)后影像的第三主成分、NDVI和坡度等特征剔除干擾得到滑坡區(qū)域；相較于傳統(tǒng)像素級(jí)變化檢測(cè)，該方法可以提供更高的滑坡檢測(cè)精度，但依舊存在基于像素方法的共同缺陷——沒(méi)有利用滑坡以及其周?chē)匚锏囊靥卣?；文獻(xiàn)[55]首先用變化檢測(cè)的方法篩選出滑坡候選對(duì)象，然后通過(guò)最小二乘估計(jì)來(lái)檢測(cè)滑坡邊界，得到滑坡檢測(cè)結(jié)果。該方法是將最小二乘法用于雙時(shí)相遙感圖像滑坡檢測(cè)的首次嘗試。

（2）基于時(shí)間序列數(shù)據(jù)的滑坡檢測(cè)方法

文獻(xiàn)[56]通過(guò)檢測(cè)滑坡后時(shí)間序列NDVI的恢復(fù)速率的快慢，有效地區(qū)分滑坡與耕地和裸地等非滑坡因素，極大提高了滑坡檢測(cè)結(jié)果的可信度；文獻(xiàn)[57]在假設(shè)相鄰兩年時(shí)間內(nèi)研究區(qū)土地利用狀況基本不變，對(duì)比研究區(qū)域在各自年份內(nèi)的NDVI序列，并結(jié)合災(zāi)害的發(fā)生時(shí)間，可以檢測(cè)出研究區(qū)發(fā)生滑坡的區(qū)域分布；文獻(xiàn)[58]開(kāi)發(fā)了一種基于RapidEye時(shí)間序列數(shù)據(jù)并輔之以地貌信息的面向?qū)ο蟮幕伦詣?dòng)制圖方法。該方法建立在分析與滑坡相關(guān)的地表變化和其他土地覆蓋變化之間的時(shí)間NDVI軌跡的基礎(chǔ)上，為了適應(yīng)研究區(qū)域內(nèi)發(fā)生的各種滑坡現(xiàn)象，采用了基于像素的多閾值和面向?qū)ο蠓治鱿嘟Y(jié)合的方法，能夠高效完成較長(zhǎng)時(shí)間序列的大面積時(shí)空滑坡制圖。

4.3 發(fā)展趨勢(shì)

相較于僅使用災(zāi)后單時(shí)相數(shù)據(jù)進(jìn)行滑坡檢測(cè)的方法，變化檢測(cè)的方法使用多個(gè)時(shí)相的數(shù)據(jù)，可以獲取到更多的災(zāi)區(qū)信息。隨著人工智能的不斷發(fā)展，文獻(xiàn)[59]從深度學(xué)習(xí)變化檢測(cè)的角度出發(fā)，對(duì)滑坡檢測(cè)的相關(guān)研究進(jìn)行了探索。變化檢測(cè)的方法可以在不用構(gòu)建過(guò)于復(fù)雜的算法規(guī)則的前提下，較好的檢測(cè)到因滑坡發(fā)生而變化的區(qū)域，提供準(zhǔn)確的滑坡檢測(cè)結(jié)果。但是該類(lèi)方法對(duì)遙感圖像獲取時(shí)間要求較高，其中基于雙時(shí)相變化檢測(cè)的方法需要災(zāi)前和災(zāi)后圖像的采集時(shí)間都非常貼近滑坡災(zāi)害發(fā)生時(shí)間，否則其他地物變化造成的干擾可能導(dǎo)致滑坡難以檢測(cè)。其次，滑坡的發(fā)生常常伴隨陰雨天氣，而云層的遮擋常常會(huì)導(dǎo)致光學(xué)遙感衛(wèi)星的失效，不易獲取到合適的光學(xué)圖像。而基于時(shí)間序列的滑坡檢測(cè)方法對(duì)數(shù)據(jù)要求更高，由于數(shù)據(jù)的限制導(dǎo)致該方法在滑坡檢測(cè)方面應(yīng)用并不廣泛，因此如何獲取到適合通過(guò)變化檢測(cè)進(jìn)行滑坡檢測(cè)的數(shù)據(jù)是當(dāng)前面臨的主要問(wèn)題之一。

5 結(jié)束語(yǔ)

本文回顧了國(guó)內(nèi)外近年來(lái)對(duì)光學(xué)遙感圖像滑坡檢測(cè)的相關(guān)研究，對(duì)該領(lǐng)域研究的四種方法進(jìn)行了歸類(lèi)和梳理，分析總結(jié)了各類(lèi)方法的研究狀況以及最新進(jìn)展，并對(duì)其運(yùn)用場(chǎng)景、優(yōu)缺點(diǎn)進(jìn)行了梳理，如表1所示。

隨著遙感技術(shù)的發(fā)展和遙感圖像分辨率的提高，相關(guān)研究成果的更新使得滑坡檢測(cè)的準(zhǔn)確度不斷提高，得出的結(jié)果也更具實(shí)用性。但是，目前在以下方面仍需深入探索，如：貼近滑坡發(fā)生時(shí)間的遙感數(shù)據(jù)的獲?。黄焚|(zhì)較高的深度學(xué)習(xí)滑坡數(shù)據(jù)集的構(gòu)建；遙感數(shù)據(jù)所包含的特征信息的深層次挖掘；有助于滑坡檢測(cè)的特征獲得等。相信在不久的將來(lái)，遙感圖像滑坡檢測(cè)方法的研究會(huì)越來(lái)越完善，滑坡檢測(cè)的結(jié)果也會(huì)越來(lái)越精確。

表1 遙感圖像滑坡檢測(cè)方法總結(jié)

Tab.1 Summary of landslide detection methods in remote sensing images

[1] 張亨. 基于地基雷達(dá)的滑波形變監(jiān)測(cè)與分析[D]. 成都: 西南交通大學(xué), 2015. ZHANG Heng. Landslide Deformation Monitoring and Analysis with GB-SAR[D]. Chengdu: Southwest Jiaotong University, 2015. (in Chinese)

[2] 張?jiān)娗? 基于SBAS技術(shù)的岷江流域滑坡檢測(cè)方法研究[D]. 南京: 南京師范大學(xué), 2017. ZHANG Shijia. Application of the SBAS Technique in Landslide Identification in the Minjiang Watershed[D]. Nanjing: Nanjing Normal University, 2017. (in Chinese)

[3] 王宇. 基于深度學(xué)習(xí)的遙感圖像滑坡信息提取算法研究[D]. 哈爾濱: 黑龍江大學(xué), 2020. WANG Yu. Research on Landslide Information Extraction Algorithm of Remote Sensing Image Based on Deep Learning[D]. Harbin: Heilongjiang University, 2020. (in Chinese)

[4] 張帥娟. 變化檢測(cè)和面向?qū)ο蠼Y(jié)合的高分辨率遙感影像滑坡體提取方法研究[D]. 成都: 西南交通大學(xué), 2017. ZHANG Shuaijuan. The Method of Landslide Extraction with High Resolution Remote Sensing Image Combining Change Detection and Object Oriented Method[D]. Chengdu: Southwest Jiaotong University, 2017. (in Chinese)

[5] GUZZETTI F, MONDINI A C, CARDINALI M, et al. Landslide Inventory Maps: New Tools for an Old Problem[J]. Earth-Science Reviews, 2012, 112(1/2): 42-66.

[6] YU Bo, CHEN Fang F, XU Chong. Landslide Detection Based on Contour-based Deep Learning Framework in Case of National Scale of Nepal in 2015[J]. Computers & Geosciences, 2020, 135: 104388.1-104388.8.

[7] 曹淼科. 基于活動(dòng)輪廓和閉合型摳圖的圖像分割算法研究[D]. 上海: 華東師范大學(xué), 2015. CAO Miaoke. The Research for Image Segmentation Based on Active Contour and Closed Form Matting[D]. Shanghai: East China Normal University, 2015. (in Chinese)

[8] 劉辰, 劉修國(guó), 陳啟浩, 等. 面向?qū)ο蠡滦畔⑻崛≈蠨EM空間分辨率影響分析[J]. 遙感技術(shù)與應(yīng)用, 2014, 29(4): 631-638. LIU Chen, LIU Xiuguo, CHEN Qihao, et al. Impact of DEM Spatial Resolution on Landslide Extraction Using Object-oriented Methods[J]. Remote Sensing Technology and Application, 2014, 29(4): 631-638. (in Chinese)

[9] 魏家旺, 惠文華, 程夢(mèng)真, 等. 地理本體驅(qū)動(dòng)的面向?qū)ο蠡伦R(shí)別[J]. 遙感信息, 2020, 35(2): 94-99. WEI Jiawang, HUI Wenhua, CHENG Mengzhen, et al. Geographic Ontology-driven Object Oriented Landslide Recognition[J]. Remote Sensing Information, 2020, 35(2): 94-99. (in Chinese)

[10] 彭令, 徐素寧, 梅軍軍, 等. 地震滑坡高分辨率遙感影像識(shí)別[J]. 遙感學(xué)報(bào), 2017, 21(4): 509-518. PENG Ling, XU Suning, MEI Junjun, et al. Earthquake-induced Landslide Recognition Using High-resolution Remote Sensing Images[J]. Journal of Remote Sensing, 2017, 21(4): 509-518. (in Chinese)

[11] 林齊根, 鄒振華, 祝瑛琦, 等. 基于光譜、空間和形態(tài)特征的面向?qū)ο蠡伦R(shí)別[J]. 遙感技術(shù)與應(yīng)用, 2017, 32(5): 931-937. LIN Qigen, ZOU Zhenhua, ZHU Yingqi, et al. Object-oriented Detection of Landslides Based on the Spectral, Spatial and Morphometric Properties of Landslides[J]. Remote Sensing Technology and Application, 2017, 32(5): 931-937. (in Chinese)

[12] MA Hairong, CHENG Xinwen, CHEN Lianjun, et al. Automatic Identification of Shallow Landslides Based on Worldview2 Remote Sensing Images[J]. Journal of Applied Remote Sensing, 2016, 10(1): 016008.

[13] KURTZ C, STUMPF A, MALET J P, et al. Hierarchical Extraction of Landslides from Multiresolution Remotely Sensed Optical Images[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2014, 87: 122-136.

[14] 李強(qiáng), 張景發(fā), 羅毅, 等. 2017年“8.8”九寨溝地震滑坡自動(dòng)檢測(cè)與空間分布特征[J]. 遙感學(xué)報(bào), 2019, 23(4): 785-795. LI Qiang, ZHANG Jingfa, LUO Yi, et al. Recognition of Earthquake-induced Landslide and Spatial Distribution Patterns Triggered by the Jiuzhaigou Earthquake in August 8, 2017[J]. Journal of Remote Sensing, 2019, 23(4): 785-795. (in Chinese)

[15] 李從容, 汪明, 劉凱. 半方差函數(shù)模型在滑坡、泥石流溝分布識(shí)別中的應(yīng)用——以四川洪溪河流域?yàn)槔齕J]. 地理與地理信息科學(xué), 2019, 35(2): 47-52. LI Congrong, WANG Ming, LIU Kai. Identification of Landslides and Debris Flows Using Semi-variance Model: A Case Study of Hongxi Basin in Sichuan[J]. Geography and Geo-Information Science, 2019, 35(2): 47-52. (in Chinese)

[16] 丁輝, 張茂省, 朱衛(wèi)紅, 等. 黃土滑坡高分辨率遙感影像識(shí)別——以陜西省延安市地區(qū)為例[J]. 西北地質(zhì), 2019, 52(3): 231-239. DING Hui, ZHANG Maosheng, ZHU Weihong, et al. High Resolution Remote Sensing for the Identification of Loess Landslides Example from Yan' an City[J]. Northwestern Geology, 2019, 52(3): 231-239. (in Chinese)

[17] 楊文濤, 汪明, 史培軍, 等. 基于地形因子分割、分類(lèi)的面向?qū)ο蠡驴焖僮R(shí)別方法[J]. 自然災(zāi)害學(xué)報(bào), 2015, 24(4): 1-6. DOI:10.13577/j.jnd.2015.0401. YANG Wentao, WANG Ming, SHI Peijun, et al. Object-oriented Rapid Identification of Landslides Based on Terrain Factors Segmentation and Classification[J]. Journal of Natural Disasters, 2015, 24(4): 1-6. DOI:10.13577/j.jnd.2015.0401. (in Chinese)

[18] 楊樹(shù)文, 謝飛, 韓惠, 等. 基于SPOT5遙感影像的淺層滑坡體自動(dòng)提取方法[J].測(cè)繪科學(xué), 2012, 37(1): 71-73, 88. YANG Shuwen, XIE Fei, HAN Hui, et al. Automatic Extraction of Shallow Landslides Based on SPOT-5 Remote Sensing Images[J]. Science of Surveying and Mapping, 2012, 37(1): 71-73, 88. (in Chinese)

[19] 楊明生, 李山山, 馮鐘葵. 結(jié)合紋理特征分析與比輻射率估計(jì)的震后滑坡提取[J]. 遙感學(xué)報(bào), 2018, 22(S1): 212-223. YANG Mingsheng, LI Shanshan, FENG Zhongkui. Post-seismic Landslide Extraction by Combining Texture Analysis and Emissivity Estimating[J]. Journal of Remote Sensing, 2018, 22(S1): 212-223. (in Chinese)

[20] 閆琦, 李慧, 荊林海, 等. 災(zāi)后高分辨率遙感影像的地震型滑坡信息自動(dòng)提取算法研究[J]. 激光與光電子學(xué)進(jìn)展, 2017, 54(11): 416-426. YAN Qi, LI Hui, JING Linhai, et al. Automatic Extraction Algorithm of Seismic Landslide Information Based on After-calamity High-resolution Remote Sensing Image[J]. Laser & Optoelectronics Progress, 2017, 54(11): 416-426. (in Chinese)

[21] HAN Z, LI Y, DU Y, et al. Noncontact Detection of Earthquake-induced Landslides by an Enhanced Image Binarization Method Incorporating with Monte-Carlo Simulation[J]. Geomatics Natural Hazards and Risk, 2019, 10(1): 219-241.

[22] 王慶雅, 張錦. 高分辨率遙感影像滑坡紋理特征提取方法[J]. 太原理工大學(xué)學(xué)報(bào), 2021, 52(4): 547-556. WANG Qingya, ZHANG Jin. A Method for Extracting Texture Features of Landslide in High Resolution Remote Sensing Images[J]. Journal of Taiyuan University of Technology, 2021, 52(4): 547-556. (in Chinese)

[23] 陳善靜, 康青, 沈志強(qiáng), 等. 基于滑坡區(qū)域顏色特征模型的SVM遙感檢測(cè)[J]. 航天返回與遙感, 2019, 40(6): 89-98. CHEN Shanjing, KANG Qing, SHEN Zhiqiang, et al. Landslide Detection Based on Color Feature Model and SVM in Remote Sensing Imagery[J]. Spacecraft Recovery & Remote Sensing, 2019, 40(6): 89-98. (in Chinese)

[24] 李博淵. 基于面向?qū)ο笥跋穹治黾夹g(shù)的滑坡識(shí)別方法研究[D]. 銀川: 寧夏大學(xué), 2021. LI Boyuan. Research on Method of Landslide Recognition Based on Object-oriented Image Analysis Technology[D]. Yinchuan: Ningxia University, 2021. (in Chinese)

[25] 段曉峰, 韓峰, 杜陽(yáng)陽(yáng). 基于無(wú)人機(jī)影像的滑坡自動(dòng)識(shí)別技術(shù)[J]. 蘭州交通大學(xué)學(xué)報(bào), 2020, 39(6): 1-4. DUAN Xiaofeng, HAN Feng, DU Yangyang. Automatic Identification Technology of Landslide Based on UAV Image[J]. Journal of Lanzhou Jiaotong University, 2020, 39(6): 1-4. (in Chinese)

[26] 陳天博, 胡卓瑋, 魏錸, 等. 無(wú)人機(jī)遙感數(shù)據(jù)處理與滑坡信息提取[J]. 地球信息科學(xué)學(xué)報(bào), 2017, 19(5): 692-701. CHEN Tianbo, HU Zhuowei, WEI Lai, et al. Data Processing and Landslide Information Extraction Based on UAV Remote Sensing[J]. Journal of Geo-Information Science, 2017, 19(5): 692-701. (in Chinese)

[27] 李政, 李永樹(shù), 郭加偉, 等. 詞袋特征支持下的無(wú)人機(jī)影像滑坡解譯模型[J]. 遙感信息, 2016, 31(5): 24-29. LI Zheng, LI Yongshu, GUO Jiawei, et al. An Automatic Landslide Interpretation Model of UAV Imagery Based on BoW[J]. Remote Sensing Information, 2016, 31(5): 24-29. (in Chinese)

[28] 李勛, 楊環(huán), 殷宗敏, 等. 基于DEM和遙感影像的區(qū)域黃土滑坡體檢測(cè)方法研究[J]. 地理與地理信息科學(xué), 2017, 33(4): 86-92, 129. LI Xun, YANG Huan, YIN Zhongmin, et al. Regional Loess Landslide Recognition Method Research Based on DEM and Remote Sensing Images[J]. Geography and Geo-Information Science, 2017, 33(4): 86-92, 129. (in Chinese)

[29] 王雷, 劉小芳, 趙良軍, 等. 基于改進(jìn)FCM算法的遙感影像滑坡變化檢測(cè)方法[J]. 計(jì)算機(jī)仿真, 2021, 38(10): 435-441. WANG Lei, LIU Xiaofang, ZHAO Liangjun, et al. A Remote Sensing Landslide Change Detection Method Based on Improved Fuzzy C-Means Clustering[J]. Computer Simulation, 2021, 38(10): 435-441. (in Chinese)

[30] CHENG G, GUO L, ZHAO T, et al. Automatic Landslide Detection from Remote-sensing Imagery Using a Scene Classification Method Based on BoVW and pLSA[J]. International Journal of Remote Sensing, 2013, 34(1): 45-59.

[31] 郝立貞, 白世彪, 徐紅波, 等. 基于CBERS-02衛(wèi)星數(shù)據(jù)的地震滑坡識(shí)別——以青川縣為例[J]. 防災(zāi)科技學(xué)院學(xué)報(bào), 2010, 12(4): 46-52. HAO Lizhen, BAI Shibiao, XU Hongbo, et al. Landslide Identification after Earthquake Based on CBERS-02 Remote Sensing Data the Case of Qingchuan[J]. Journal of Institute of Disaster Prevention, 2010, 12(4): 46-52. (in Chinese)

[32] BORGHUIS A M, CHANG K, LEE H Y. Comparison between Automated and Manual Mapping of Typhoon-triggered Landslides from SPOT5 Imagery[J]. International Journal of Remote Sensing, 2007, 28(7/8): 1843-1856.

[33] 徐喬, 孟凡利, 余紹淮. 基于面向?qū)ο箅S機(jī)森林分類(lèi)模型的滑坡遙感解譯[J]. 中外公路, 2019, 39(3): 30-34. XU Qiao, MENG Fanli, YU Shaohuai, Atellite Image Landslide Interpretation Using Random Forest Algorithm Based on Object-oriented Method[J]. Journal of China & Foreign Highway, 2019, 39(3): 30-34. (in Chinese)

[34] HINTON G E, OSINDERO S, TEH Y W. A Fast Learning Algorithm for Deep Belief Nets[J]. Neural Computation, 2006, 18(7): 1527-1554.

[35] 孫顯辰. 基于深度遷移學(xué)習(xí)的遙感影像中泥石流溝谷分類(lèi)[D]. 昆明: 云南師范大學(xué), 2021. SUN Xianchen. Classification of Debris Flows and Valleys in Remote Sensing Images Based on Deep Migration Learning[D]. Kunming: Yunnan Normal University, 2021. (in Chinese)

[36] CHENG Libo, LI Jia, DUAN Ping, et al. A Small Attentional YOLO Model for Landslide Detection from Satellite Remote Sensing Images[J]. Landslides, 2021, 18(8): 2751-2765.

[37] 張倩熒, 王俊英, 雷冬冬. 基于深度學(xué)習(xí)目標(biāo)檢測(cè)算法的滑坡檢測(cè)研究[J]. 信息通信, 2019(1): 16-18. ZHANG Qianying, WANG Junying, LEI Dongdong. Research on Landslide Detection Based on Deep Learning Target Detection Algorithm[J]. Information & Communications, 2019(1): 16-18. (in Chinese)

[38] WANG T, LIU M, ZHANG H, et al. Landslide Detection Based on Improved YOLOv5 and Satellite Images[C]//The 2021 4th International Conference on Pattern Recognition and Artificial Intelligence (PRAI), August 20-22, 2021, Yibin, China. ACM, 2021: 367-371.

[39] LIU D, LI J, FAN F. Classification of Landslides on the Southeastern Tibet Plateau Based on Transfer Learning and Limited Labelled Datasets[J]. Remote Sensing Letters, 2021, 12(3): 286-295.

[40] LI Z, GUO Y. Semantic Segmentation of Landslide Images in Nyingchi Region Based on PSPNet Network[C]// 2020 7th International Conference on Information Science and Control Engineering (ICISCE), December 18, 2020, Changsha, China.

[41] 張?zhí)N靈, 傅宇浩, 孫雨, 等. 結(jié)合深度神經(jīng)網(wǎng)絡(luò)的高分辨遙感影像滑坡檢測(cè)[J]. 公路, 2021, 66(5): 188-194. ZHANG Yunling, FU Yuhao, SUN Yu, et al. Landslide Detection from High-resolution Remote Sensing Image Using Deep Neural Network[J]. Highway, 2021, 66(5): 188-194. (in Chinese)

[42] 姜萬(wàn)冬, 席江波, 李振洪, 等. 模擬困難樣本的Mask R-CNN滑坡分割識(shí)別[J/OL]. [2022-01-13].https://kns.cnki.net/ kcms/detail/detail.aspx?doi=10.13203/j.whugis20200692. JIANG Wandong, XI Jiangbo, LI Zhenhong, et al. Mask R-CNN Landslide Segmentation and Identification by Simulating Difficult Samples[J/OL]. [2022-01-13]. https://kns.cnki.net/kcms/detail/detail.aspx?doi=10.13203/j.whugis20200692. (in Chinese)

[43] BUI T A, LEE P J, LUM K Y, et al. Deep Learning for Landslide Recognition in Satellite Architecture[J/OL].[2022-01-13]. https://www.researchgate.net/publication/343456671_Deep_Learning_for_Landslide_Recognition_in_Satellite_Architecture.

[44] ZHANG M, SHI W, CHEN S, et al. Deep Multiple Instance Learning for Landslide Mapping[J]. IEEE Geoscience and Remote Sensing Letters, 2021, 18(10):1711-1715.

[45] CAI H, CHEN T, NIU R, et al. Landslide Detection Using Densely Connected Convolutional Networks and Environmental Conditions[EB/OL]. [2022-01-13]. https://www.researchgate.net/publication/351508450_Landslide_Detection_Using_Densely_Connected_Convolutional_Networks_and_Environmental_Conditions.

[46] TANG X, LIU M, ZHONG H, et al. MILL: Channel Attention–based Deep Multiple Instance Learning for Landslide Recognition[J]. ACM Transactions on Multimedia Computing, Communications, and Applications (TOMM), 2021, 17(2S): 1-11.

[47] YI Y, ZHANG W. A New Deep-learning-based Approach for Earthquake-triggered Landslide Detection from Single-temporal RapidEye Satellite Imagery[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13: 6166-6176.

[48] BOVOLO F, CAMPS-VAILS G, BRUZZONE L. A Support Vector Domain Method for Change Detection in Multitemporal Images[J]. Pattern Recognition Letters, 2010, 31(10): 1148-1154.

[49] 李向軍. 遙感土地利用變化檢測(cè)方法探討[D]. 北京: 中國(guó)科學(xué)院大學(xué), 2006. LI Xiangjun. Study on Remote Sensing Land Use Change Detection Methods[D]. Beijing: University of Chinese Academy of Sciences, 2006. (in Chinese)

[50] LEI T, XUE D H, LYU Z Y, et al. Unsupervised Change Detection Using Fast Fuzzy Clustering for Landslide Mapping from Very High-resolution Images[EB/OL].[2022-01-13]. https://www.researchgate.net/publication/327334924_Unsupervised_Change_Detection_Using_Fast_Fuzzy_Clustering_for_Landslide_Mapping_from_Very_High-Resolution_Images.

[51] 李麒崙, 張萬(wàn)昌, 易亞寧. 地震滑坡信息提取方法研究——以2017年九寨溝地震為例[J]. 中國(guó)科學(xué)院大學(xué)學(xué)報(bào), 2020, 37(1): 93-102. LI Qilun, ZHANG Wanchang, YI Yaning. An Information Extraction Method of Earthquake－induced Landslide: a Case Study of the Jiuzhaigou Earthquake in 2017[J]. Journal of University of Chinese Academy of Sciences, 2020, 37(1): 93-102. (in Chinese)

[52] 李松, 李亦秋, 安裕倫. 基于變化檢測(cè)的滑坡災(zāi)害自動(dòng)識(shí)別[J]. 遙感信息, 2010(1): 27-31. LI Song, LI Yiqiu, AN Yulun. Automatic Recognition of Landslides Based on Change Detection[J]. Remote Sensing Information, 2010(1): 27-31. (in Chinese)

[53] 張群. 基于高分遙感的黑方臺(tái)滑坡識(shí)別[D]. 西安: 長(zhǎng)安大學(xué), 2017. ZHANG Qun. Landslide Recognition Based on High Resolution Remote Sensing Images Heifangtai[D]. Xi′an: Chang′an University, 2017. (in Chinese)

[54] 陳文龍, 候勇, 李楠, 等. 基于主成分變換的滑坡識(shí)別方法及其在2015年尼泊爾地震中的應(yīng)用[J]. 長(zhǎng)江科學(xué)院院報(bào), 2020, 37(1): 166-171. CHEN Wenlong, HOU Yong, LI Nan, et al. Post-earthquake Landslide Detection in Nepal Based on Principal Component Analysi[J]. Journal of Yangtze River Scientific Research Institute, 2020, 37(1): 166-171. (in Chinese)

[55] LI Z B, SHI W Z, MYINT S W, et al. Semi-automated Landslide Inventory Mapping from Bitemporal Aerial Photographs Using Change Detection and Level Set Method[J]. Remote Sensing of Environment, 2016, 175(15): 215-230.

[56] 虎振興, 徐泓, 汪超亮, 等. 基于時(shí)間序列遙感影像的滑坡檢測(cè)方法[J]. 航天返回與遙感, 2018, 39(2): 104-114. HU Zhenxing, XU Hong, WANG Chaoliang, et al. A Landslides Detection Method Based on Time Series Remote Sensing Images[J]. Spacecraft Recovery & Remote Sensing, 2018, 39(2): 104-114. (in Chinese)

[57] 楊文濤, 汪明, 史培軍. 利用NDVI時(shí)間序列識(shí)別汶川地震滑坡的分布[J]. 遙感信息, 2012, 27(6): 45-48, 56. YANG Wentao, WANG Ming, SHI Peijun. Identification of Landslides in Wenchuan Earthquake Affected Region Using NDVI Time Series[J]. Remote Sensing Information, 2012, 27(6): 45-48, 56. (in Chinese)

[58] ROBERT B, SIGRID R, HERMANN K, et al. Automated Spatiotemporal Landslide Mapping over Large Areas Using RapidEye Time Series Data[J]. Remote Sensing, 2014, 6(9): 8026-8055.

[59] SU Z, CHOW J K, TAN P S, et al. Deep Convolutional Neural Network–based Pixel-wise Landslide Inventory Mapping[J]. Landslides, 2020, 18(1): 1-23.

Research Progress of Landslide Detection in Optical Remote Sensing Images

NIU Chaoyang1GAO Ouyang1,2LIU Wei1LAI Tao3ZHANG Haobo1HUANG Yan1

（1 PLA Strategic Support Force Information Engineering University, School of Data and Target Engineering, Zhengzhou 450001, China）（2 Zhengzhou Coal Machine Hydraulic Electric Control Co., Ltd., Zhengzhou 450013, China）（3 Sun Yat-Sen University, School of Electronics and Communication Engineering Guangzhou 510275, China）（4 Unit 32316 of the Chinese People’s Liberation Army, Urumqi 830001, China）

Under the background of global warming and increasing rainfall, the actual hazards and potential risks of landslides are increasing. It is of great significance to detect landslides in time after they occur. Optical remote sensing satellites have been widely used in landslide detection by virtue of their advantages of fast imaging speed, wide coverage, low cost, and low risk. Based on extensive literature research, this paper systematically sorts out the related researches on landslide detection in optical remote sensing images at home and abroad in recent years. According to the difference in technical approaches, the existing researches are divided into four categories. They implement landslide detection based on feature threshold segmentation, shallow machine learning, deep learning, and change detection, respectively. The basic principle, research status, and development trend of each method are expounded, and the advantages and disadvantages of each method are compared and analyzed. The work of this paper provides a useful reference for further research in this direction.

landslide detection; feature threshold; machine learning; deep learning; change detection；remote sensing application

TP751.1

A

1009-8518(2023)03-0133-12

10.3969/j.issn.1009-8518.2023.03.014

牛朝陽(yáng)，男，1981年生，2011年獲信息工程大學(xué)信號(hào)與信息處理專(zhuān)業(yè)工學(xué)博士學(xué)位，副教授，博士生導(dǎo)師，德國(guó)地學(xué)研究中心訪問(wèn)學(xué)者。主要研究方向?yàn)檫b感信息處理與對(duì)抗。E-mail：ncy_100@163.com。

2022-07-18

廣東省重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2019B111101001）

牛朝陽(yáng), 高歐陽(yáng), 劉偉, 等. 光學(xué)遙感圖像滑坡檢測(cè)研究進(jìn)展[J]. 航天返回與遙感, 2023, 44(3): 133-144.

NIU Chaoyang, GAO Ouyang, LIU Wei, et al. Research Progress of Landslide Detection in Optical Remote Sensing Images[J]. Spacecraft Recovery & Remote Sensing, 2023, 44(3): 133-144. (in Chinese)

（編輯：毛建杰）