基于面向对象的云南永胜县金官盆地东缘古滑坡群识别

陶真鹏，徐宗恒，张 宇，牛福长

（1.云南师范大学地理学部，云南昆明 650500；
2.云南省高原地理过程与环境变化重点实验室，云南昆明 650500；
3.云南省玉龙纳西族自治县气象局，云南丽江 674100；
4.北京师范大学地理科学学部，北京 100875）

地处青藏高原东南缘的滇西北永胜-宾川地区位于滇西北地幔隆起的边缘，紧靠川滇菱块体西部边界，是该块体边界上典型强震多发区［1］。发育于该区域的程海-宾川断裂带是一条古老而活动强烈的断裂带，以左旋走滑拉张运动为主，同时伴随垂直错动，地质构造活跃，再加上该区山高谷深，滑坡、崩塌等地质灾害发育较多。其中以程海-宾川断裂带为典型的区域活动构造在云南永胜-宾川沿线区域诱发了不同规模的滑坡群，高发的滑坡事件带来的地质灾害链时刻威胁着程海-宾川断裂带沿线生活的人民群众生命和财产安全，利用一定技术手段对滑坡群进行有效识别与判析，对区域防灾减灾具有重要意义。

传统的滑坡识别主要以目视解译和野外调查为主，此方法具有直接方便、漏判错判率低等优势，但又存在费时耗力、效率低和主观性强等缺点［2-4］，常不作为独立方法对滑坡进行识别。遥感对地观测具有快速、覆盖范围广和周期性等特点［5］，随着传感器的发展和遥感影像分辨率的不断提高，越来越被广泛运用于滑坡的识别［6-7］。起初，国内外研究者主要基于遥感影像像元光谱分类的方法对滑坡进行识别并取得了一定成果［8-9］。但该方法处理单位为单个像元点，未考虑滑坡在遥感影像上的形态、纹理和空间特征等信息［10］，导致基于像元的滑坡识别具有一定局限性。近年来，随着高分辨率遥感影像的广泛使用，基于高分辨率遥感影像的面向对象分析方法应运而生。面向对象的遥感图像分类方法于1999年由Baatz等［11］首次提出。该方法除依靠其丰富的纹理、几何和空间等特征外，充分利用多源、多时相等遥感数据的结合比单个数据更能较好地识别滑坡。国内外众多研究者基于多源、多时相等遥感数据，采用面向对象的分类方法对滑坡进行识别提取，均取得了较好的研究成果［3，12-16］。不可否认，遥感技术和识别方法的进步为快速有效地获取滑坡信息提供极大的便利，但如何提高滑坡识别效率和准确率一直是国内外研究者研究的重要内容。

基于高分辨率遥感影像的面向对象分类方法在新滑坡上有较好的运用且效率较高。但古滑坡因年代久远，滑坡体有一定植被覆盖，“滑伤疤”地表特征受人类活动、气候、地貌演化等影响已不明显，以上因素限制了该方法在古滑坡研究上的运用，研究成果相对较少。例如刘筱怡［17］，宿方睿等［18］采用该方法并结合目视解译，提取了大渡河流域和川藏铁路沿线的古滑坡；
张路路等［19］提出一种基于DEM提取古滑坡的方法，并提取出四川理县的3处古滑坡。针对古滑坡的识别和调查，仅依靠遥感影像是不够的，往往还需要野外实地调查和其他技术相结合［20-22］，但有的滑坡位于山高谷深区又极大地限制了野外工作的开展。近年来，光学遥感与雷达遥感相结合对古滑坡的识别与监测也取得了较好的成果［23-25］，该方法对小尺度范围的古滑坡进行“点对点”监测，效率较高，但研究区较大时数据量大，处理困难，对计算机性能要求较高。文中在基于以往面向对象识别新滑坡的方法上探讨古滑坡的识别思路和方法，建立识别特征规则集并用于区域古滑坡滑源区识别，为在大尺度范围内对潜在危害较大的古滑坡进行细节特征深入剖析奠定基础，可为古滑坡稳定性评价、复活隐患判别和实时实地的精准监测预警等工作提供参考。

文中研究区位于长江上游云南省西北部丽江市永胜县城西北的金官盆地东缘山地地区（图1）。金官盆地地处丽江市市区东南部，大理宾川县北部，宁蒗县南部和永胜县城西北部，距县城10 km左右，距市区约103 km。盆地东西两侧为山地地区，其地势大致呈北西-南向型长带状分布。盆地内地形平坦、水资源丰富、土壤肥沃、气候温和，属低纬山地季风气候，具有夏秋多雨、冬春干旱、干湿分明等特点，农业生产条件较好。

金官盆地东缘山地地区地处程海-宾川断裂带北端，该断裂带发育古老且运动强烈，以左旋走滑拉张运动为主，并伴随垂直错动。程海-宾川断裂带总体呈NS走向，北起金官盆地最北端，向南延伸经程海、期纳镇、宾川县一带，长约130 km，宽约数公里至数十公里不等。程海-宾川断裂带从第三纪-第四纪期间经历了由挤压-拉张的变形过程，在第四纪时期形成了诸如金官盆地、程海等一系列的张性盆地和断陷湖泊［26］。金官盆地内主要以冲积物和湖相堆积物为主，古环境信息丰富。在其东缘山地地区受断裂带两侧的挤压、逆推与拉张等作用，形成较大规模的陡崖、飞来峰和推覆体，岩层大致向盆地内倾斜，具有一定的临空面，再加之该区地质构造活跃，地震多发，著名的“红石崖天坑”古地震遗址发育在此。所以，内外力条件的交互作用使得在该区形成了规模不一的滑坡群。

2.1 数据源

文中采用来源于中国资源卫星应用中心（http：//www.cresda.com/CN/）的GF-2遥感影像数据（成像时间为：2019年1月4日）和来源于地理空间数据云（http：//www.gscloud.cn/）下载的DEM（Digital Elevation Model）数据作为主要的基础数据源。GF-2遥感影像包含全色波段（450～900 nm，空间分辨率为1 m）和4个多光谱波段（R：630～690 nm，G：520～590 nm，B：450～520 nm，NIR：770～890 nm，空间分辨率为4 m），星下点空间分辨率为0.8 m，具有亚米级空间分辨率、影像幅宽大等特点；
通过辐射定标、大气校正、影像融合等预处理消除大气对地物光谱的影响，并得到空间分辨率为1 m的多光谱遥感影像。其中，DEM数据空间分辨率为30 m。

2.2 典型古滑坡遥感特征分析

金官盆地东缘巨型古滑坡群受断裂带、地质构造、岩性、地形地势、气候以及人类活动等因素的影响，主要发育大型-巨型古滑坡，在大型-巨型古滑坡之上又发育有一些小滑坡，多沿金官盆地东缘山区山体边坡发育，滑坡灾害呈带状密集分布，具有群发性，且滑坡体滑面移动方向大致与岩层产状倾斜方向一致，滑动方位角约200°，滑动面倾角30°～50°之间。虽是古滑坡群，发生年代久远，但滑坡遗留痕迹依然比较明显，无论从野外实地调查或从遥感影像上看，金官盆地东缘地区古滑坡群的滑坡色调较浅，滑坡体周界、形状、滑坡后壁、纹理等特征清晰，滑坡体后缘断壁高陡，拉裂特征明显，多以弧状、圈椅状为主，易辨识，为其遥感识别奠定基础。

由于金官盆地东缘巨型古滑坡群的滑前影像无法获取，所以，掌握好目前滑坡的自身特征和在遥感影像上展现出的光谱、纹理、空间、形态特征以及地形特征等对滑坡的识别至关重要。通过对遥感影像采用假彩色组合方式可看出（图2（a）、（b）），滑坡体后壁位于高陡边坡的上部或顶部［27］，与两侧周界清晰，滑坡体内色调、光谱等与周围地物有一定差异，但滑坡体前缘周界由于常年耕作、采石、建筑房屋和修路等人类活动已变得比较模糊，不易区分；
从色调上看，滑坡体内植被较稀疏，与周围地物形成较鲜明的对比，呈淡灰黄色，形状上多呈圈椅状负地形。从两个滑坡所呈现的地形剖面特征可看出（图2（c）、（d）），滑坡的滑源区物质主要以碳山坪组灰岩、烂泥篝组白云质灰岩为主，程海-宾川断裂带主断裂带从滑坡滑移区位置穿过，滑坡堆积体的水平位移均大于堆积体垂直位移的2倍以上，具有水平方向远程滑动的特点，同时方量巨大且受断裂带控制明显。可推测金官盆地东缘巨型古滑坡群以地震滑坡为主，且受降水下渗侵蚀、斜坡坡面地貌特征［28］、岩性等的影响，产生震裂-顺层滑动-堆积的现象。同时，在滑坡体水平移动距离为0～0.5 km左右，海拔参数变化较大，坡度较陡，且从遥感影像上可看出滑源区纹理相对光滑；
在滑源区与滑移区交界处，由于各滑体运动速度不一在滑坡体上形成滑坡错台（滑坡台阶）或中间低四周高的反坡地形（滑坡洼地）；
在滑坡前部的堆积区地形坡度趋于平缓，常形成凸出的斜坡地形（滑坡舌）。

图2 典型滑坡影像特征及剖面示意图（GF-2，2019.01.04）（单位：m）Fig.2 Image characteristics and cross-sectional schematic diagram of a typical landslide（GF-2，2019.01.04）（Unit：m）

基于上述对金官盆地东缘巨型古滑坡群特征分析，文中以GF-2遥感影像数据和DEM数据为数据源，采用面向对象遥感图像分类方法，对研究区古滑坡群的滑源区进行识别。首先，对GF-2遥感影像数据进行大气校正、辐射校正、几何校正、图像融合以及建立统一坐标系和地图投影等预处理，在此基础上提取纹理、植被覆盖度、地表粗糙度、地形起伏度和坡度等特征信息；
其次，利用ESP尺度参数评价工具选取潜在的最优分割尺度，后采用多尺度分割将遥感影像分割成多个同质性较强且不重叠的对象，构建古滑坡滑源区对象；
然后结合分割对象的光谱、纹理、几何和地形等特征，通过试验，选取最优特征建立古滑坡群滑源区识别特征规则集；
最后，在已得出的识别结果基础上，通过目视解译、野外实地调查对识别结果进行检查和验证，得出遥感识别古滑坡滑源区的精度评价分析，并完成制图，总体技术路线图如（图3）所示。

图3 古滑坡群滑源区遥感识别技术路线图Fig.3 Map of remote sensing identification technology for landslide source areas of ancient landslide swarms

3.1 影像分割

影像分割是面向对象分类的关键阶段，其分割质量与信息提取精度呈线性关系。由于金官盆地东缘的巨型古滑坡群滑源区单元各异，具有形态不一、结构复杂、面积大小不一等特点，单一影像特征和单一分割尺度难以对复杂的滑坡群进行正确描述和分割，以致于影响滑坡识别准确性。基于此，文中采用eCognition软件中的多尺度分割算法（Multiresolution Segmentation）对遥感影像进行多层次分割。

多尺度分割算法是一种基于异质性最小原则，采用自下而上的区域合并算法［29，30］。该算法从像元层开始，基于异质性最小原则，逐步合并，其目的是为实现影像分割后，同一对象内部特征和属性等具有较高的同质性，不同对象之间具有较高的异质性。为选取能正确描述地物边界与分割后的对象边界基本一致的最优分割尺度，本项研究借助Dragut等［31］基于eCognition软件所提出的ESP（Estimation of Scale Parameter）尺度参数评价工具来自动获取地物潜在的最优分割尺度参数，通过计算不同分割尺度参数下影像对象异质性的局部变化（local variance，LV）为分割对象层的平均标准差，并以LV的变化率值ROC-LV（rates of change of LV）为基础选择影像的最优分割尺度参数。经多次试验后发现，当ROC-LV出现峰值时所对应的尺度即为遥感影像上某种地物潜在的最优分割尺度。计算LV的变化率值（ROC-LV）如式（1）所示［31］：

式中：LV（L）为L层的平均标准差，LV（L-1）是L层的下一层（L-1层）的平均标准差。

由于影像内不同的地物具有不同的最优分割尺度，则ESP计算得到的潜在最优分割尺度就不止一个。经多次分割试验对比后，文中在ROC-LV曲线上根据出现峰值时所对应的尺度即为潜在最优分割尺度的原则，并利用潜在最优分割尺度进行多次分割试验后，分别选取129、99和342为第1层、第2层、第3层，这3层次最优分割尺度（图4、图5），形状因子和紧致度因子分别为0.4和0.6。如图5所示，结合这3个尺度得到影像分割结果，整体上可看出，分割尺度较小，其分割结果较破碎，分割后的对象面积小且数量较多，当分割尺度较大时则反之；
由于研究区地物类别较多，分布稀散，经过多次试验后发现，当分割尺度为99和129时比较适合区分水体和植被；
当分割尺度为342时，影像分割结果表现出的滑坡体滑源区边界分割得较为清晰，古滑坡滑源区对象突出，有利于对目标信息的提取。

图4 ROC-LV变化曲线图Fig.4 ROC-LV change curve

图5 不同尺度分割结果对比Fig.5 Comparison of segmentation results at different scales

3.2 对象属性特征选择

不同地物都有其特定的属性特征用以区分其他地物，选择合适的地物属性特征是有效区分目标地物与其他地物的重要步骤。识别古滑坡滑源区的特征信息除了在遥感影像上待反演的特征，还有地形特征。童立强等［32］认为对发生时间较长的老滑坡或古滑坡进行遥感识别时，滑坡体的纹理及色调与背景环境在宏观上的不协调可成为重要的参考。虽然滑坡体在影像上不同于其他地物的色调、形状、纹理等属性特征对其识别固然很重要，但如果是识别发生年代较久远的老滑坡或古滑坡时，更应从滑坡发生学上去考虑滑坡体的自身特征，如滑坡体的坡度分布、海拔变化参数、高差等特征。根据前述关于研究区古滑坡群特征的分析，文中选取运用的光谱特征主要是对遥感影像进行一系列预处理后计算得到的归一化水指数NDWI（Normalized Difference Water Index）和植被覆盖度FVC（Fractional Vegetation Cover）为主；
纹理特征主要是用融合后的遥感影像计算出的灰度共生矩阵中的同质性特征（GLCM-Homogeneity）；
因研究区滑坡分布密集，体积面积较大且呈带状分布，长宽比较小，所以几何特征选则选取长宽比（Length/width）特征为主；
地形特征主要使用DEM数据经预处理后，利用ArcMap空间分析功能生成的坡度（Slope）、海拔变化参数（Ls_shape）［15］、地形起伏度、地表粗糙度等地形特征。

3.3 植被覆盖度计算

考虑到古滑坡群发生年代久远，植被、纹理等信息已恢复，且滑前影像无法获得，采用前人们区分植被和非植被后进行滑坡识别的方法不可行。结合野外实地调查发现，金官盆地东缘滑坡群的滑面、堆积体上虽普遍发育有植被，但植被覆盖度较低，均以杂草、细小树木为主，植被生长高度大多为0～1.5 m左右。因此，文中提出一种基于植被覆盖度区分出非植被与中低植被区、高植被与较高植被区后，再结合纹理、几何以及古滑坡的地形地貌等特征对古滑坡群滑源区进行识别的方法，从而降低对古滑坡的遗漏识别率。

植被覆盖度是衡量地表植被生长、覆盖状况的重要指标。目前利用遥感技术监测地表植被覆盖度的方法较多，但大多操作复杂，效率较低，不易推广。李苗苗等［33］于2004年提出的基于像元二分法模型利用NDVI估算植被覆盖度，可在一定程度上弥补NDVI受气候、同谱异物、植被类型等因素影响的不足而被广泛使用。具体公式如下：

式中：FVC为植被覆盖度；
NDVIsoil为完全是裸土或无植被覆盖区域的NDVI值；
NDVIveg则代表纯植被像元的NDVI值。

在没有实测数据的情况下利用NDVI估算植被覆盖度，常运用NDVI值像元统计表确定致信区间后确定NDVIsoil值和NDVIveg值。通过计算，如图6（a）所示为研究区窝棚滑坡滑源区局部植被覆盖度拉伸图，黄线区为滑源区目视解译区域，结合野外实地调查（图6（c）），图中植被覆盖度提取与实际植被分布基本一致，且滑源区内具有一定的植被覆盖。通过对植被覆盖度进行分类分级后，窝棚滑坡滑源区内的植被覆盖度度主要集中于0.4～0.6以下（图6（b）），为后续区分非植被与中低植被区、高植被与较高植被区后，结合古滑坡相关地貌特征对其识别奠定了基础。

图6 窝棚滑坡植被覆盖度Fig.6 Vegetation coverage of Wopeng landslide

3.4 建立识别规则集

由于研究区地物琐碎复杂，采用单一尺度对遥感影像分割后利用对象属性特征进行目标对象的识别存在一定难度，故而在建立古滑坡群滑源区的特征识别规则集中，采用多层次分类、阈值法分类和模糊分类的方法在eCognition软件上建立金官盆地东缘古滑坡群滑源区的特征识别规则集合（图7）。依据前文对研究区影像分割结果和滑坡对象属性特征的分析，首先，第1层采用129的分割尺度对遥感影像进行分割后，利用NDWI水体指数进行模糊分类区分出水体和非水体。其次，第2层采用99的分割尺度对遥感影像进行分割后，并将第1层的非水体类继承至第2层，利用已计算出的植被覆盖度将非水体类区分为非植被与中低植被区和高植被与较高植被区，同时在非植被与中低植被区利用坡度区分出滑坡易发坡度区和“非”滑坡易发坡度区。再次，在区分出滑坡易发坡度区后，将此类包含滑坡对象的类别进行合并后再分割，采用342的较大尺度对合并后包含滑坡对象的地物进行再分割；
最后，使用同质性、地表粗糙度、长宽比、海拔变化参数、地形起伏度等特征提取出古滑坡群的滑源区对象。

图7 古滑坡群滑源区识别规则集合Fig.7 A collection of rules for identifying the source area of ancient landslide swarms

如图7所示的古滑坡群识别规则集中，第1层区分水体与非水体时以NDWI为提取特征，运用模糊分类中的大于隶属度函数进行分类，当对象的NDWI值越接近阈值0.935时，对象隶属于水体的隶属度就越接近1，当对象的NDWI值越接近阈值0.893 3时，对象隶属于水体的隶属度就越接近0。在第2层区分非植被与中低植被区和高植被与较高植被区时，根据丁美青等［34］、谭清梅等［35］的研究成果，将植被覆盖度大于0.5的阈值分为高植被与较高植被区，小于等于0.5的阈值则分为非植被与中低植被区。同时，为更准确地划定出滑坡候选对象的范围，根据杜国梁等［36］对藏东南地区滑坡易发性评价的研究，该区滑坡主要发生在坡度大于10°以上的区域，且陈天博等［37］指出发生滑坡的坡度主要在30°～40°之间，基于此，文中在第2层已区分出的非植被与中低植被区中，将坡度大于等于10°的区域分为滑坡易发坡度区，而小于10°的区域则划分为“非”滑坡易发坡度区。最后，在滑坡易发坡度区里根据研究区古滑坡的滑源区特征对其进行提取。

通过以上的方法与试验，得到金官盆地东缘古滑坡滑源区识别结果如图8所示，共识别出金官盆地东缘古滑坡滑源区总面积为3.29 km2，主要密集分布于途经金官盆地东缘的程海-宾川断裂带北端下盘，受拉张错动（正断）效应明显。结合野外实地调查和现场调研可得，滑坡点分布、滑源区边界规模都具有较好的对应，以窝棚滑坡（图8（a））和龙潭滑坡（图8（b））为例，圈椅状负地形特征明显，滑坡后壁突出，二者滑坡后壁最大高程分别为2 215 m和2 360 m。其中，虽然窝棚滑坡滑源区上有一定植被覆盖，但通过基于植被覆盖度区分后的面向分类方法还是能较好地将该滑坡滑源区识别出来，证明文中提出的方法在识别植被、纹理等已恢复的古滑坡滑源区上具有一定可行性。

图8 古滑坡滑源区识别结果图Fig.8 Identification result of landslide source area of ancient landslide swarms

表1 古滑坡群滑源区识别结果精度Table 1 Accuracy of identification results of ancient landslide swarms sliding source area

在已得出的识别结果和野外实地调查基础之上，精度评价指标采用Lee等［38］的方法，通过目视解译对识别结果进行验证修正和识别精度的检验，其精度评价结果如表1所示（序号（1）-（13）为自北向南识别出的滑源区）。由表1可看出，正确识别百分比（detection positive，DP）为91.54%，正确识别总面积为3.09 km2，即采用面向对象分类的方法可将研究区91.54%的古滑坡滑源区识别出来，质量百分比（quality percentage，QP）为86.26%，分歧因子（Bf）和遗漏因子（Mf）分别为0.06和0.09，其中，识别出的最大滑源区是龙潭滑坡，面积为0.71 km2，滑源区面积最小的为0.03 km2。为了对识别结果进行较直观的展示和更细节的探讨，对识别结果的正确识别、错误识别和遗漏识别进行整合可看出（图9），每一单体古滑坡滑源区上均存在一定的错误识别和遗漏识别，可见影像的分割对古滑坡的提取至关重要，如能利用有效的分割尺度或分割方法对古滑坡边界进行较为准确的分割，对古滑坡滑源区的识别效果和识别精度的提升将会有质的飞跃。通过上述分析表明，该方法对识别古滑坡滑源区具有较高的识别精度，整体识别效果较好，能达到识别需求，具有可行性，可为类似古滑坡分布研究、复活隐患点识别等工作提供理论指导和技术支持。

图9 古滑坡群滑源区识别结果细节图Fig.9 Details of the identification results of the ancient landslide swarms sliding source area

（1）文中利用融合后空间分辨率为1 m的GF-2遥感影像数据和DEM数据，提出了一种在面向对象分类的基础上基于植被覆盖度区分植被后的古滑坡滑源区快速识别的方法。利用植被覆盖度将高植被与较高植被区剔除后，在非植被与中低植被区里得到古滑坡滑源区候选对象，后利用纹理特征、几何特征以及DEM生成的各项地形特征，对各类非古滑坡滑源区对象进行一一剔除，得到最终的需识别的目标对象，并建立规则集合。

（2）运用该方法，共识别出研究区13个古滑坡滑源区，经野外实地调查和目视解译验证后发现，古滑坡滑源区与滑坡点分布位置大体一致，主要沿金官盆地东缘程海-宾川断裂带北端下盘分布，古滑坡滑源区正确识别总面积为3.09 km2，正确识别精度达91.54%，识别质量百分比为86.26%。研究表明，该方法尽可能从滑坡发生学的角度出发，基于较简洁的识别规则集，可快速有效地获取古滑坡的分布位置、边界等信息，为深入研究古滑坡的细节特征奠定基础，为古滑坡复活隐患判别和稳定性评价等工作提供参考。

（3）基于古滑坡群滑源区的识别结果评价来看，虽然文中识别的整体效果较好，但仍存在一些问题，在未来的研究中需要进一步地改进完善。如该方法对古滑坡滑源区的识别与古滑坡位置的确定效果较好，但是对整个古滑坡周界的提取仍是未来研究需完善的难题。此外，文中所建立的古滑坡滑源区识别方法仍为半自动识别，未曾实现全自动化识别，在如何构建区分性更佳的识别规则集、实现基于计算机全自动识别和结合雷达数据、深度学习、人工智能（AI）识别等方法进行准确有效的古滑坡识别研究还有待改进和提高。

猜你喜欢覆盖度滑坡体滑坡呼和浩特市和林格尔县植被覆盖度变化遥感监测科学技术创新(2022年30期)2022-10-21基于NDVI的晋州市植被覆盖信息提取农业与技术(2021年23期)2021-12-14新疆BEJ山口水库近坝库岸HP2滑坡体稳定性分析陕西水利(2021年8期)2021-09-15滑坡推力隐式解与显式解对比分析——以河北某膨胀土滑坡为例河北地质(2021年1期)2021-07-21辽宁省地表蒸散发及其受植被覆盖度影响研究黑龙江水利科技(2020年8期)2021-01-21低覆盖度CO分子在Ni(110)面的吸附研究原子与分子物理学报(2020年5期)2020-03-17秦巴山区牟牛沟滑坡体治理施工技术城市建筑空间(2018年12期)2018-08-26滑坡稳定性分析及处治方案中国公路(2017年18期)2018-01-23浅谈公路滑坡治理北方交通(2016年12期)2017-01-15强震下紫坪铺坝前大型古滑坡体变形破坏效应西南交通大学学报(2016年6期)2016-05-04