基于SHALSTAB模型与面向对象遥感影像分析的 地震滑坡信息快速检测

王晓波 鲁恒 刘雪梅 杨正丽 项霞 蔡诗响

摘要：滑坡是最为常见的地震次生灾害之一，对其进行有效监测一直都是业界研究的热点。基于此，提出了一种高分遥感影像地震滑坡信息快速检测方法，该方法将SHALSTAB模型与面向对象影像分析相结合，首先对遥感影像进行多尺度分割，并根据稳定性模型赋权，然后根据深度学习机制对滑坡对象进行检测，最后对检测结果进行过滤，并将该方法应用于2013年芦山地震滑坡检测，与目视解译结果进行对比。结果表明：该方法能快速检测高分遥感影像上滑坡，滑坡检测正确率达85%以上。

关键词：坡度稳定性模型;面向对象;高分遥感影像;滑坡;快速检测

中图分类号：P315.942，P231.5   文献标识码：A   文章编号：1000-0666（2019）02-0273-07

0 引言

遥感技术作为一种有效的对地观测手段，已经广泛应用于土地利用调查、测绘以及地理国（省）情监测等领域，特别是高分遥感影像以其空间分辨率高、视场范围广等优点，得到了广泛的应用，在地震灾害快速检测及灾害评估等方面具有得天独厚的优势。但目前，基于高分遥感影像的灾害检测以目视解译为主，耗时耗力，是灾害检测评估应用中的瓶颈（Saha et al，2016;Debella-gilo，Kb，2012）。

随着遥感技术的发展，部分学者研究了计算机半自动解译方法，主要包括滑坡光谱信息法、纹理信息法、神经网络法、面向对象分类法等。其中，光谱和纹理信息法主要是基于滑坡体与其周围环境的光谱、纹理特征差异明显这一特征实现的，适用于一些新滑坡，而对于光谱、纹理特征和发育背景不明显的区域应用效果不明显（沈永林等，2011）。半自动解译方法主要针对中、低分辨率影像。随着支持向量机与人工神经网络方法的出现，遥感滑坡信息提取也有了新的发展。由于高分辨率影像光谱、几何信息均比较丰富，已有的滑坡信息提取方法已不能满足需求，于是面向对象的分类方法应运而生（Cheng et al，2013;胡德勇等，2008;Scaioni et al，2014;郭加伟等，2018;鲁学军等，2014），该方法难点在于分类规则的挖掘。

针对上述高分影像地震滑坡信息提取中面临的问题，本文提出了一种浅层滑坡稳定模型（SHAllow Landlide STABility model，简称SHALSTAB）与面向对象影像分析相结合的高分遥感影像地震滑坡信息快速检测方法，该方法以地表坡度稳定性模型、面向对象影像分析的理论知识为基础，首先对遥感影像进行多尺度分割，并根据稳定性模型赋权，然后根据深度学习机制对滑坡对象进行检测，最后对检测结果进行过滤。

1 研究方法

1.1 基于SHALSTAB模型的地表坡度稳定性评价

浅层滑坡是对人类生命财产安全存在影响的众多危害中的一种。学者们对于斜坡的稳定性预测提出了各自的评估模型，其中由Montgomery和Dietrich（1994）提出的SHALSTAB模型应用较广泛，该模型耦合了稳态水文假定模型和无限斜坡稳定性模型，主要用于评价浅层滑坡稳定性的时空分布和发展趋势。在假设稳定状态的降雨事件下，将土壤、植物特性和近地表水流与边坡稳定性模型结合，以坡度和比积水面积作为主要参数，同时考虑土壤深度与植物特性影响，进行边坡稳定性评估。无限斜坡滑动面如图1所示。

1.2 面向对象多尺度分割滑坡快速检测

1.2.1 滑动窗口检测与分割检测

目前常规的滑坡检测方法是滑动窗口检测，通过移动、缩放检测窗口，遍历整个待检测区域，对目标进行檢测。一方面滑坡通常有大有小，采用多尺度检测更加合理;另一方面采用分割的方法，将图像划分为若干有意义的图像区域，在分割的基础上进行检测，不仅可以避免大量的冗余检测，而且使得检测对象的语义信息更加明确。

与滑动窗口检测相比，分割检测的待搜索空间明显缩小，时间效率提高，但仍然存在2个问题：一是冗余检测，在待检测图像中，灾害属于极少数情况，大量分割区域的检测属于冗余检测;二是虚警率（错误检测），在单纯依靠光学影像的灾害检测中，所提供的信息难以区分出真实灾害与影像中类似灾害的地物（Fiorucci et al，2011;Cheng et al，2013）。

1.2.2 面向对象影像分析与SHALSTAB模型结合

针对分割检测存在的问题，将多尺度分割结果与SHALSTAB模型稳定性评价结果结合，为待检测分割结果赋权。在检测阶段，权重可以过滤待检测区域，用于加速检测过程;在处理阶段，基于权重可以过滤错误检测，提高检测准确度。

首先进行待检测区域的多尺度分割，然后基于SHALSTAB模型稳定性评价结果为分割结果赋权重，赋权过程基于GIS空间区域统计实现，标识该区域的斜坡稳定性。实验中在赋权时，区域定性评价指标统计量选取最小值指标（受限于DEM分辨率及精度，最大化灾害发生的概率）。图2即为分割区域赋权模型。

基于深度学习机制（付萧等，2018）得到滑坡灾害检测模型，如图3所示。在多个尺度上对带权待检测分割结果进行检测，最后对检测结果进行后处理、合并、消除等，得到最终滑坡检测结果。

2 实验结果

本文选取2013年四川芦山7.0级地震震区为研究区，面积约为16 km2，研究对象为震区内发生的地震滑坡。该次地震发生在龙门山断裂带，研究成果可以进一步应用于周边山区的地质灾害防治、规划重建等，具有较好的应用价值。

选取300，400，500，600共4个分割尺度，对研究区进行多尺度面向对象分割，分割结果如图4所示。

基于SHALSTAB模型，对检测结果进行赋权，结果如图5所示。从图5可以看出，经过赋权后疑似滑坡区域对象都属于不稳定区域或长期不稳定区域。

根据已构建的深度学习滑坡信息检测模型，进行分割检测，结果如表2所示。通过结合分割区域赋权结果，在检测阶段可以减少检测次数，加速检测。分析表2可发现，基于SHALSTAB模型进行赋权检测，随着分割尺度的增加，加速效果逐渐减弱，但检测次数在总体上比直接检测减少约40%。在检测后的处理过程中，基于SHALSTAB模型结合分类器概率输出可进行过滤检测，提高检测精度。

图6a为基于分割结果的完全检测，研究区左上角出现大量误检。将SVM分类器概率输出阈值取0.8，对原始检测结果进行过滤（图6b），从图6b可以看出部分误检被剔除，但仍有与灾害类似的地物被错误地识别为灾害。针对研究区稳定区域发生灾害可能性低的特点，基于SHALSTAB模型评价结果，剔除位于稳定区域lgq/T >-2.5的检测结果，并进行过滤（图6c），从图6c可见，剔除了大量稳定区域误检。

将最终检测结果与目视解译结果进行叠加，如图7所示。从图中可以看出，研究区中目视解译57个滑坡，检测结果覆盖了其中53个，个别小规模滑坡被漏检，但也识别出许多未被解译出的灾害;理论上选取合适的SVM分类器概率输出阈值，以及SHALSTAB评价阈值，或融合多尺度检测结果，都可以实现灾害检测，但可能会导致大量的误检。

图8为随机选取的检测结果局部放大图，可以看出检测结果基本覆盖整个灾害区域，但也存在一些问题：检测结果边界不清晰，灾害周围地物

被误检较多，这是由于基于分割检测获取分割区域外包络矩形图像作为待检测图像，灾害周围分割区域也往往覆盖灾害导致被误检;类似灾害的区域（如带状裸地）被误检，主要是因为基于纯粹的光谱信息可能不足以完全解决灾害的解译问题，通过融合多光谱或者专题信息可以进一步改善检测结果。

3 结论

本文结合地表坡度稳定性模型与面向对象影像分析，提出高分遥感影像地震滑坡快速检测方法。将该方法应用于2013年芦山地震发现，分割尺度越大越具有较快的灾害检测速度，但也会导致检测结果不精细、边界不清晰、小型灾害被遗漏等问题;分割尺度越小，大型灾害检测结果容易破碎，小型灾害能够被检测。

基于SHALSTAB模型和面向对象的快速滑坡检测，既可以在大尺度情况下实现快速检测，也可以在小尺度情况下实现精细检测;在应急情况下前者可以用于快速定位灾害，如大型滑坡;而在灾情量化评过程中，可以在小尺度情况下定位灾害范围，同时定量评估灾害。

参考文献：

付萧，郭加伟，刘秀菊，等.2018.无人机高分辨率遥感影像地震滑坡信息提取方法[J].地震研究，41（2）：186-191.

郭加伟，李永树，王洪蜀，等.2018.基于迁移学习的无人机高分影像地震泥石流信息检测[J].地震研究，41（2）：180-185.

胡德勇，李京，赵文吉，等.2008.基于对象的高分辨率遙感图像滑坡检测方法[J].自然灾害学报，12：42-46.

鲁学军，史振春，尚伟涛，等.2014.滑坡高分辨率遥感多维解译方法及其应用[J].中国图象图形学报，14（1）：141-149.

沈永林，李晓静，吴立新.2011.基于航空影像和LiDAR数据的海地地震滑坡识别研究[J].地理与地理信息科学，27（1）：16-20.