基于面向?qū)ο蟮母叻诌b感數(shù)據(jù)甘肅黑方臺黃土滑坡半自動識別*

張 群，趙超英

(長安大學(xué) 地質(zhì)工程與測繪學(xué)院，西安 710054)

基于面向?qū)ο蟮母叻诌b感數(shù)據(jù)甘肅黑方臺黃土滑坡半自動識別*

張 群，趙超英

(長安大學(xué) 地質(zhì)工程與測繪學(xué)院，西安 710054)

滑坡識別是滑坡各項研究的基礎(chǔ)工作，廣泛應(yīng)用于滑坡調(diào)查，滑坡制圖，災(zāi)害評價等。以甘肅省永靖縣黑方臺地區(qū)為研究區(qū)域，使用Geoeye-1衛(wèi)星影像和高分辨率DSM為原始數(shù)據(jù)，采用面向?qū)ο蟮倪b感圖像分割和分類方法進(jìn)行滑坡識別。首先，運(yùn)用多尺度分割技術(shù)將地物分成同質(zhì)像元的集合，即對象。然后，基于對象的光譜、空間、紋理及鄰域特征，建立滑坡識別規(guī)則，提取滑坡區(qū)域。結(jié)果表明，面向?qū)ο蠹夹g(shù)可以較好的提取滑坡災(zāi)害信息。

黑方臺滑坡；黃土滑坡；面向?qū)ο?；多尺度分割；滑坡識別；甘肅永靖

傳統(tǒng)的滑坡識別主要通過對遙感影像的目視解譯和實地調(diào)查完成，這種方式耗時長、效率低、主觀性強(qiáng)，對判讀者的地質(zhì)背景和實踐經(jīng)驗有較高要求，且容易造成滑坡漏判錯判現(xiàn)象，大大影響了遙感技術(shù)應(yīng)用的效果[1-4]。隨著圖像處理技術(shù)的發(fā)展，遙感影像分類與信息提取技術(shù)以其自動化高效性等特性，引起廣泛的關(guān)注和研究，主要包括基于像元方法和面向?qū)ο蠓诸惙??；谙裨椒ㄊ歉鶕?jù)影像光譜特征統(tǒng)計值進(jìn)行分類的，具體包括決策樹分類、神經(jīng)網(wǎng)絡(luò)分類、專家系統(tǒng)分類、基于紋理分類等[5-7]。但由于衛(wèi)星影像空間分辨率的不斷提高，高分辨率遙感影像相比于中低分辨率衛(wèi)星影像，包含更豐富的紋理、形狀、結(jié)構(gòu)、鄰域關(guān)系等空間信息，能更好的區(qū)分地物。為此將同質(zhì)性較強(qiáng)的像元集合為影像對象比基于像元法更能反映真實世界，符合人類的認(rèn)知模式，由此產(chǎn)生了面向?qū)ο蟮膱D像分割和分類方法。

1999年，Baatz 等首次提出了面向?qū)ο蟮倪b感圖像分類方法[8]。將圖像分割成勻質(zhì)區(qū)域代替單個像元作為基本研究對象，根據(jù)對象間的光譜、紋理、形狀等特征差異完成對象的分類。此后，國內(nèi)外許多專家學(xué)者利用面向?qū)ο蠓诸惣夹g(shù)對不同地區(qū)進(jìn)行滑坡探測、滑坡制圖等一系列工作[9-11]。Tapas Ranjan Martha等在研究中考慮滑坡的光譜、地貌及空間信息，結(jié)合DEM等數(shù)據(jù)，對正射校正后的多光譜影像進(jìn)行多尺度分割，針對印度Mandakini河流域進(jìn)行了滑坡識別[12]。Jiann-Yeou Rau以影像分割后的結(jié)果為分類單元，根據(jù)對象的植被指數(shù)、亮度、密度、對比度及坡度特征，對我國臺灣的三個不同區(qū)域進(jìn)行滑坡識別，取得了很好的結(jié)果[13]。Biswajeet Pradhan以熱帶地區(qū)Malaysia的Bukit Antarabangsa為研究區(qū)域進(jìn)行滑坡探測試驗，用戶精度和制圖精度分別為95.32%和95.86%[14]。國內(nèi)在利用面向?qū)ο蠓椒ㄩ_展滑坡調(diào)查方面也有很多成功案例。安立強(qiáng)[15]等利用汶川地震的震前震后福衛(wèi)二號等遙感數(shù)據(jù)，使用面向?qū)ο髨D像分析方法對北川縣附近滑坡、崩塌、泥石流、堰塞湖等次生災(zāi)害信息進(jìn)行了變化檢測分析。楊文濤[16]基于震后 Worldview 2m 分辨率的多光譜數(shù)據(jù)，提出了一種考慮地形因子的滑坡分割分類算法。該算法基于簡單的規(guī)則集并考慮了滑坡發(fā)生的機(jī)理特點進(jìn)行分割分類，達(dá)到很高的分類精度。

我國黃土廣泛分布于西北、華北以及東北地區(qū)，是世界上黃土分布最廣、厚度最大的國家。由于黃土垂直節(jié)理發(fā)育，且具有多孔性、濕陷性、吸水性強(qiáng)等特點，加上持續(xù)降雨、河流或高階地侵蝕等自然因素以及人類活動的影響，黃土滑坡災(zāi)害頻發(fā)，業(yè)已成為黃土高原的一種特殊的地貌成分[17]。黃土高原地質(zhì)災(zāi)害發(fā)育嚴(yán)重，其中尤以滑坡活動最為頻繁，給當(dāng)?shù)厝嗣竦纳a(chǎn)生活及重大工程建設(shè)造成巨大危害。關(guān)于黃土，很多地質(zhì)工作者致力于黃土分布及特性、黃土地質(zhì)災(zāi)害成因機(jī)制機(jī)理、黃土地區(qū)水-土相互作用與互饋致災(zāi)機(jī)制等研究[18-20]。本文采用面向?qū)ο蠓治黾夹g(shù)，將高分辨遙感影像中光譜相近、紋理相似的同質(zhì)像元合并為對象，根據(jù)對象豐富的光譜、空間、鄰域特征，結(jié)合DEM數(shù)據(jù)及坡度、陰影等地形信息，對甘肅黑方臺地區(qū)黃土滑坡進(jìn)行識別試驗。

1 研究區(qū)概況

黑方臺地處黃河與湟水河交匯處的黃河左岸，為黃河四級基座階地，屬于黃土高原西部丘陵溝壑區(qū)，微地貌以黃土臺塬、河谷及滑坡等地貌為主。臺面與黃河及湟水河水面相對高差為100～133 m。磨石溝、虎狼溝等溝谷沿黃土臺塬切出，溝谷深切，谷坡陡峻，黑方臺四周近乎孤立，臺塬周邊高陡的斜坡為滑坡的產(chǎn)生提供了良好的臨空條件(圖1)。

圖1 研究區(qū)位置

研究區(qū)地處西北內(nèi)陸，大陸性氣候顯著，屬于中溫帶半干旱氣候，天然條件下大氣降水是本區(qū)地下水的唯一補(bǔ)給來源。黑方臺塬面平坦寬廣，地形起伏較小，被大量開墾為農(nóng)田，現(xiàn)已成為蘭州地區(qū)重要的蔬菜水果種植基地，引水灌溉大幅提高了農(nóng)業(yè)單產(chǎn)，改善了臺塬區(qū)居民的生活條件，但因長期沿襲傳統(tǒng)的大水漫灌增大了地下水補(bǔ)給量，人為地破壞了地下水均衡場，改變了天然狀態(tài)下的水文地質(zhì)條件。伴隨地下水位上升的同時黃土飽和帶厚度逐年增加，臺緣周邊誘發(fā)了眾多的滑坡災(zāi)害。據(jù)不完全統(tǒng)計，自 1968 年以來，黑方臺累計發(fā)生崩塌、滑坡百余次，幾乎每一次滑坡都會造成大量的灌渠、農(nóng)田、農(nóng)電、公路毀損，造成大面積停水、停電、交通堵塞，甚至慘重的人員傷亡。

2 數(shù)據(jù)及預(yù)處理

該研究使用的試驗數(shù)據(jù)是覆蓋甘肅省永靖縣黑方臺地區(qū)2013年9月11日獲取的Geoeye-1數(shù)據(jù)，為經(jīng)過了輻射校正、傳感器和衛(wèi)星平臺引起的誤差校正，具有地圖投影的預(yù)正射標(biāo)準(zhǔn)產(chǎn)品(Ortho Ready Standard 2A Imagery)，包括0.5 m原始全色波段和空間分辨率為2 m的16bit 4波段(紅、綠、藍(lán)和近紅外波段)多光譜影像數(shù)據(jù)。

對影像的預(yù)處理如下：首先，利用該地區(qū)的DEM，結(jié)合影像自帶的RPC有理函數(shù)模型參數(shù)文件進(jìn)行正射校正；為提高目標(biāo)識別的影像環(huán)境，提高解譯的可靠性，采用影像融合的方法提高多光譜影像空間分辨率，并保留其多光譜特性；由于所得到的影像區(qū)域大于研究區(qū)的面積，故需要對影像進(jìn)行裁剪?；趯τ跋駯鸥駭?shù)據(jù)的矢量化及掩模計算，得到經(jīng)過裁剪的目標(biāo)影像。

3 研究方法

面向?qū)ο笫且环N對現(xiàn)實世界理解和抽象的方法。具體表述是：首先將遙感影像中同質(zhì)性較強(qiáng)的像元合并分割為若干互不相交疊的多個區(qū)域，即為對象。根據(jù)對象具有的光譜、形狀、紋理、拓?fù)浼皩ο箝g特征等，結(jié)合研究區(qū)實際情況進(jìn)行分類分析。面向?qū)ο蟮挠跋穹治黾夹g(shù)模擬人類識別物體，比基于像元的技術(shù)更能體現(xiàn)事物的本質(zhì)。本文基于對象特征以及和鄰接對象的關(guān)系，模擬人的大腦認(rèn)知過程來識別滑坡，采用模糊邏輯分類器，將計算機(jī)自動分類和人工手動信息提取相結(jié)合，對結(jié)果實施必要的人工干預(yù)[22-25]。

3.1 影像分割

在過去的幾十年，面向?qū)ο蠹夹g(shù)在遙感和地理信息科學(xué)領(lǐng)域，特別是處理高分辨率遙感影像中表現(xiàn)突出。影像分割技術(shù)是面向?qū)ο蠓诸愔兄陵P(guān)重要的環(huán)節(jié)，分割結(jié)果的質(zhì)量直接影響著特征提取及分類的精度。其中多尺度分割是最重要的分割方法之一。

多尺度分割是一種自下而上的基于異質(zhì)性最小的區(qū)域合并算法，通過與相鄰的像元或者對象進(jìn)行異質(zhì)性指標(biāo)計算決定是否合并，按照這種規(guī)則由單個像元逐步合并為較大的多邊形對象，直到滿足用戶定義的同質(zhì)性規(guī)則，最終實現(xiàn)整幅影像在給定尺度限定的閾值條件下最大化對象間異質(zhì)性，最小化對象內(nèi)同質(zhì)性的目的。

在多尺度分割過程中，控制分割尺度的因子主要有尺度、形狀、顏色，而形狀又受到緊致度和平滑度的影響。尺度因子是影像分辨率的一個函數(shù)，它決定了分割對象所允許的最大異質(zhì)程度，因此也影響著對象的大小。對象異質(zhì)性由兩個參數(shù)組成：光譜異質(zhì)性和形狀異質(zhì)性。光譜因子是優(yōu)化波譜均質(zhì)性的參數(shù)，是決定對象的首要條件；形狀因子是優(yōu)化空間復(fù)雜度的參數(shù)，在分割時加入必要的形狀因子，使對象完整，從而提高了圖像分割的質(zhì)量。光譜和形狀兩個因子的權(quán)重之和為1。

f=ωcolor×hωcolor+ωshape×hωshape；

(1)

ωcolor+ωshape=1。

(2)

式中：ωcolor、ωshape分別為光譜權(quán)值和形狀權(quán)值，hcolor、ωshape分別為光譜異質(zhì)性和形狀異質(zhì)性。此外，光譜異質(zhì)性與對象的標(biāo)準(zhǔn)差的關(guān)系如下：

(3)

形狀異質(zhì)性還包含兩個參數(shù)緊湊度和平滑度：光滑度用來優(yōu)化分割對象邊界的光滑程度，可以抑制邊緣的破碎；緊湊度用來優(yōu)化分割對象的緊湊程度，能更好地區(qū)分對象的形狀差別，這兩個指標(biāo)的權(quán)重之和也是1。將光譜異質(zhì)性和形狀異質(zhì)性結(jié)合起來，分割產(chǎn)生的對象則可達(dá)到邊界光滑或者形狀緊湊的目的。

hshape=ωsmooth×hsmooth+(1-ωsmooth)×hcompact；

(4)

(5)

(6)

式中： ωsmooth表示光滑度權(quán)重，hsmooth和hcompact分別是光滑度異質(zhì)性和緊致性異質(zhì)性，I表示對象周長，b是對象區(qū)域外接矩形的最短邊長，n表示面積。

3.2 特征選擇

分割完成后，對于每一個對象均含有豐富的特征，例如波段平均值、形狀、紋理、上下文關(guān)系等。分類特征主要分為3種：對象特征、類相關(guān)特征和全局特征。對象特征是對象本身固有的物理特性，是區(qū)別不同地物的最主要知識，包括層值、形狀、紋理、層次、專題特征、自定義特征等。類相關(guān)特征參考了位于對象層次結(jié)構(gòu)中其他影像的分類結(jié)果，包括鄰近關(guān)系、子對象關(guān)系、父對象關(guān)系等。常用的分類特征如表1所示。

表1 常用分類特征

衡量不同對象差異的屬性，就是對象特征。怎樣從眾多的特征中選擇有針對性的分離度高的特征是面向?qū)ο筇卣鬟x擇的關(guān)鍵。這需要對研究區(qū)進(jìn)行細(xì)致調(diào)查，對多種分類特征進(jìn)行計算比較分析，選擇最優(yōu)屬性特征，建立對象特征空間。

3.3 基于規(guī)則的滑坡識別

面向?qū)ο蠓诸惙椒ㄓ泻芏喾N，包括隸屬度函數(shù)分類、最近鄰分類、支持向量機(jī)、基于規(guī)則分類等。隸屬度函數(shù)分類，使用可能性來表示對象對類的隸屬關(guān)系，隸屬值通常在0和1之間，1表達(dá)完全的隸屬關(guān)系或?qū)︻惖目赡苄裕?則表達(dá)了絕對的非隸屬關(guān)系或0可能。最近鄰分類、支持向量機(jī)方法均屬于監(jiān)督分類，通過選擇類別易于確定的像元作為分類樣本，然后用分類樣本來對其他未知類別像元進(jìn)行類別確定?；谝?guī)則分類是在對研究區(qū)細(xì)致調(diào)查的情況下，結(jié)合專家經(jīng)驗的獲取，并根據(jù)研究區(qū)實際情況，在不斷的嘗試的情況下進(jìn)行分類的方法。本文根據(jù)遙感影像中對象特征，利用基于專家知識的規(guī)則集，剔除非滑坡地物，例如植被、水體等光譜特征與滑坡完全無關(guān)的地物，在此基礎(chǔ)上進(jìn)行進(jìn)一步的滑坡提取工作。基本流程圖如圖2所示。

圖2 面向?qū)ο蠡伦R別基本流程圖

4 結(jié)果及分析

4.1 分割結(jié)果

面向?qū)ο笾凶顑?yōu)分割尺度一直是重點研究對象。所謂最優(yōu)，即指分割后子對象的外邊界能將地物的邊界勾勒清晰，且此地物由一個或幾個子對象組成，不能太破碎，也不致使邊界模糊。分割尺度太大，一個對象中包含多種地物，增加了不同類對象的同質(zhì)性，影響分類結(jié)果；尺度太小，分割對象過于細(xì)碎，丟失了地物的整體信息，影響后期的分類精度。

滑坡對土地覆蓋擾動較大，特殊的地形加上光照的變化使黃土滑坡具有特殊的光譜特性，這對含有滑坡的遙感影像進(jìn)行分割時產(chǎn)生諸多的挑戰(zhàn)，傳統(tǒng)的分割算法一般很難進(jìn)行有效的分割。經(jīng)過多次試驗對比，本文在多尺度分割中，分割尺度為200，光譜因子、形狀因子的值分別為0.8、0.2，平滑度與粗糙度均為0.5，此外，還加入高精度DSM與多光譜波段等權(quán)參與分割，提高分割效果。

4.2 滑坡識別

僅靠單個像元的光譜特征不能夠為滑坡的識別提供足夠的形狀和地形特征，本文利用影像分割將同質(zhì)像元組合成對象，充分發(fā)掘?qū)ο蠊庾V、形狀、紋理特征，結(jié)合DEM及坡度、山體陰影等地形信息，對研究區(qū)進(jìn)行分類及滑坡識別。這里以黑方臺部分區(qū)域為例(圖3)，展示面向?qū)ο簏S土滑坡識別的過程。

圖3 黑方臺部分區(qū)域滑坡識別流程圖

滑坡發(fā)生后，地表植被受到很大擾動。歸一化差分植被指數(shù)(NDVI)，也稱為生物量指標(biāo)變化，是植被生長狀態(tài)及植被覆蓋度的最佳指示因子，可以將種有作物的農(nóng)田、林地等植被從影像中分離出去，故而選擇NDVI作為識別滑坡第一特征。

圖4 滑坡識別分布圖

陰影在遙感影像上的表現(xiàn)為亮度低，但如果以亮度作為提取陰影類的特征，可能會引入近似亮度的水體等地物，減小分類正確率。利用DEM及多光譜影像自帶的太陽高度角、方位角得到山體陰影圖與亮度相結(jié)合共同提取陰影。

遙感影像記錄了地表物體對電磁波的反射信息及其自身向外的輻射信息，相對于其他地物而言，在近紅外波段，水體幾乎吸收了全部的入射能量，反射率特別低。因此一般提取水體均利用這一特性。然而黃河中富含的泥沙提高了水體的反射率，黃河在近紅外波段不再具有低反射率的特征。根據(jù)影像中河流的屬性特征，選取NDVI和NDWI(歸一化水指數(shù))凸顯影像中的水體信息。

由圖3b可以看出，未分類地物的光譜特征都比較接近，為更好的提取滑坡信息，需要更多的地形特征、形狀特征、紋理特征以及鄰域特征的輔助。黑方臺臺塬平坦，用于耕種，且滑坡多發(fā)生于坡度較陡區(qū)域，那么坡度小于6°的區(qū)域為非滑坡區(qū)域。道路、橋梁、居民地均屬于人工表面，對于線性對象道路橋梁，用密度及長寬比可以很好的提取出來。這是因為在像素柵格的圖形中最理想的緊致形狀是一個正方形，一個影像對象的形狀越接近正方形，密度值就越高；相反，對象形狀線性程度越高，密度就越低。房屋在影像中表現(xiàn)出特殊的紋理，藍(lán)波段的灰度差分矢量反差(GLDV contrast)可以提取出大多數(shù)的房屋，結(jié)合與類的相對邊界(rel. border to)特征，成功分類鄰域?qū)ο蟆?/p>

研究區(qū)最下面的地層為黃河階地基座，為白堊系下白堊統(tǒng)河口群砂泥巖(K1hk)，以棕紅色、紫紅色厚層狀粉砂質(zhì)泥巖為主。采用NDVI和亮度結(jié)合，分離出黃河階地基座。值得注意的是，滑坡識別第一前提為，滑坡發(fā)生之處應(yīng)留有明顯的標(biāo)記，這樣才可以通過影像解譯或者地形變化辨別出。研究區(qū)發(fā)生黃土滑坡，將會完全被黃土覆蓋，故而其亮度很高，此外滑坡對象的高差大，從而識別出黃土滑坡。圖4中紅色顯示為本試驗得到的4處滑坡。

4.3 結(jié)果驗證

遙感圖像上獲取的信息存在一定的不確定性，用機(jī)器分類的結(jié)果和實際地物之間存在一定的差別，算法分類的結(jié)果必須要與已有輔助信息進(jìn)行驗證。驗證方法可以采取地面實地考察形式或其他相關(guān)資料，包括新聞、記錄資料、高分辨率影像和照片等。圖4中識別出來的4處滑坡經(jīng)過地面實地驗證，都為塬邊地表擾動較大部位，其中一處的滑坡發(fā)生于2013年8月或9月，滑坡不穩(wěn)定，危險性高。參考周飛[26]、許強(qiáng)[27]文章中的圖表、滑坡統(tǒng)計信息及谷歌歷史影像，與本文識別到的滑坡位置、邊界、規(guī)模等均有較高的吻合度，很好的驗證了滑坡識別結(jié)果。此外，黑方臺滑坡新老疊置，彼此相連，相比于實地考察，歷史遙感影像識別滑坡可以有效補(bǔ)充滑坡發(fā)生規(guī)模、時間等信息。

5 結(jié)語

基于像元技術(shù)與面向?qū)ο蟮挠跋穹治龇椒ㄗ蠲黠@的區(qū)別在于分析的基本實體，后者針對的是有意義的影像對象，而不是單個像元，參與信息提取因子不僅僅是影像對象的光譜信息，還有對象的語義信息與紋理信息等。面向?qū)ο蠹夹g(shù)充分利用高分辨率遙感的影像的光譜、紋理、形狀、語義等信息，一定程度上消除基于像元分類過程中出現(xiàn)的“同物異譜”和“同譜異物”現(xiàn)象，提高影像分類的精度。本文采用面向?qū)ο蟮倪b感影像分類方法，結(jié)合滑坡災(zāi)害的光譜、形狀、DEM等多種信息特征，建立滑坡災(zāi)害識別規(guī)則，可以很好的提取滑坡。

基于規(guī)則的分類主要是由于在對研究區(qū)滑坡產(chǎn)生機(jī)制機(jī)理理解的情況下，結(jié)合專家經(jīng)驗?zāi)軐ρ芯繀^(qū)的滑坡的各種形態(tài)學(xué)的信息進(jìn)行有效的闡釋，其分類效果更好。但該方法需要構(gòu)建非常復(fù)雜的分類規(guī)則，對專家經(jīng)驗要求比較高，而且對于不同區(qū)域，特征參數(shù)等都需要再度調(diào)整，并找到合適的閾值提取滑坡信息。

[1] 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.

[2] 王治華. 數(shù)字滑坡技術(shù)及其在天臺鄉(xiāng)滑坡調(diào)查中的應(yīng)用[J]. 巖土工程學(xué)報, 2006, 28(4):516-520.

[3] 黃潤秋. 20世紀(jì)以來中國的大型滑坡及其發(fā)生機(jī)制[J]. 巖石力學(xué)與工程學(xué)報, 2007, 26(3):433-454.

[4] Scaioni M, Longoni L, Melillo V, et al. Remote sensing for landslide investigations: An overview of recent achievements and perspectives[J]. Remote Sensing, 2014, 6(10): 9600-9652.

[5] 郝立貞, 白世彪, 徐紅波,等. 基于CBERS-02衛(wèi)星數(shù)據(jù)的地震滑坡識別——以青川縣為例[J]. 防災(zāi)科技學(xué)院學(xué)報, 2010, 12(4):46-52.

[6] Bruzzone L, Prieto D F. An adaptive semiparametric and context-based approach to unsupervised change detection in multitemporal remote-sensing images[J]. IEEE Transactions on Image Processing, 2002, 11(4):452-66.

[7] 吳一全, 陶飛翔, 曹照清. 基于Shearlet變換和KPCA的多時相遙感圖像變化檢測[J]. 應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報, 2014, 22(5):1030-1040.

[8] Baatz M, Sch?pe A. Object-oriented and multi-scale image analysis in semantic networks[R]. Proceedings of the 2nd International Symposium on Operationalization of Remote Sensing. Enschede: ITC, 1999.

[9] Bruzzone L, Bovolo F. A novel framework for the design of change-detection systems for very-high-resolution remote sensing images[J]. Proceedings of the IEEE, 2013, 101(3): 609-630.

[10]Lu P, Stumpf A, Kerle N, et al. Object-oriented change detection for landslide rapid mapping[J]. Geoscience and Remote Sensing Letters, IEEE, 2011, 8(4): 701-705.

[11]易鳳佳, 李仁東, 常變?nèi)? 基于面向?qū)ο蟮拈L株潭地區(qū)遙感影像分類方法[J]. 華中師范大學(xué)學(xué)報(自然科學(xué)版), 2014, 48(6):910-916.

[12]Martha T R, Kerle N, Jetten V, et al. Characterising spectral, spatial and morphometric properties of landslides for semi-automatic detection using object-oriented methods[J]. Geomorphology, 2010, 116(1): 24-36.

[13]Rau J Y, Jhan J P, Rau R J. Semiautomatic Object-oriented landslide recognition scheme from multisensor optical imagery and DEM[J]. Geoscience & Remote Sensing IEEE Transactions on, 2014, 52(2):1336-1349.

[14]Pradhan B, Jebur M N, Shafri H Z M, et al. Data fusion technique using wavelet transform and taguchi methods for automatic landslide detection from Airborne Laser Scanning Data and QuickBird Satellite Imagery[J]. IEEE Transactions on Geoscience & Remote Sensing, 2016, 54(3):1610-1622.

[15]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, 2011, 20(2):160-168.

[16]楊文濤, 汪明, 史培軍,等. 基于地形因子分割、分類的面向?qū)ο蠡驴焖僮R別方法[J]. 自然災(zāi)害學(xué)報, 2015, 24(4):1-6.

[17]徐張建, 林在貫, 張茂省. 中國黃土與黃土滑坡[J]. 巖石力學(xué)與工程學(xué)報, 2007, 26(7): 1297-1312.

[18]馬瑛,田望學(xué). 高分辨率遙感圖像在黃土高原滑坡解譯中的應(yīng)用[J]. 資源環(huán)境與工程, 2007, 21(2): 167-169.

[19]許領(lǐng), 戴福初, 鄺國麟, 等. IKONOS 影像在黑方臺黃土滑坡調(diào)查中的應(yīng)用[J]. 遙感學(xué)報, 2009, 13(4):723-734.

[20]朱立峰, 胡煒, 張茂省,等. 甘肅永靖黑方臺地區(qū)黃土滑坡土的力學(xué)性質(zhì)[J]. 地質(zhì)通報, 2013, 32(6):881-886.

[21]Xu L, Dai F C, Gong Q M, et al. Irrigation-induced loess flow failure in Heifangtai platform, North-West China[J]. Environmental Earth Sciences, 2012, 66(6): 1707-1713.

[22]H-lbling D, Füreder P, Antolini F, et al. A semi-automated object-based approach for landslide detection validated by persistent scatterer interferometry measures and landslide inventories[J]. Remote Sensing, 2012, 4(5): 1310-1336.

[23]惠文華. 滑坡遙感智能解譯理論與方法研究[D].西安：長安大學(xué),2011.

[24]Definiens. Developer 9.1: Userguide[Z]. Definiens Imaging GmbH, 2015.

[25]Martha T R, Kerle N, van Westen C J, et al. Segment optimization and data-driven thresholding for knowledge-based landslide detection by object-based image analysis[J]. Geoscience and Remote Sensing, IEEE Transactions on, 2011, 49(12): 4928-4943.

[26]周飛. 甘肅省黑方臺黃土斜坡變形特征與滑坡機(jī)理研究[D]. 成都：成都理工大學(xué), 2015.

[27]許強(qiáng), 彭大雷, 亓星,等. 2015年4·29甘肅黑方臺黨川2#滑坡基本特征與成因機(jī)理研究[J]. 工程地質(zhì)學(xué)報, 2016, 24(2):167- 180.

Semiautomatic Object-oriented Loose Landslide Recognition based onHigh Resolution Remote Sensing Images in Heifangtai, Gansu

ZHANG Qun and ZHAO Chaoying

(Chang’anUniversity,Xi’an710064,China)

Detectionoflandslideisthefoundationoflandslidestudy,iswidelyappliedinlandslideinvestigationandlandslidemapping,hazardassessment,etc.HeifangtaiinGansuprovincewaschosenasthestudyarea.RecognitionoflandslidewasconductedontheGeoeye-1andDEMusingobject-orientedclassificationmethods.Inafirststep,theuseofmulti-scalesegmentationtechniquefeatureacollectionofpixelsintohomogenous,astheobject.Then,basedonthespectral,spatial,textureandneighborhoodcharacteristicofobjects,weestablishlandsliderecognitionrulestoextractlandslideareas.Theresultsshowthattheobject-orientedtechnologycanbetterextractloesslandslidehazardinformation.

theHeifangtailandslide;looselandslide;object-orientedanalysis;multi-scalesegmentation,detectionoflandslide;YongjinginGansu

2016-11-16

2017-03-18

國家自然科學(xué)基金“危巖體崩塌災(zāi)害InSAR高精度監(jiān)測關(guān)鍵技術(shù)研究”( 41372375)；國家重點基礎(chǔ)研究發(fā)展規(guī)劃(973 計劃)“黃土重大災(zāi)害超前判識、臨災(zāi)預(yù)警與風(fēng)險控制”(2014CB744703)

張群(1992-)，女，山西臨汾人，碩士研究生，主要從事面向?qū)ο蟾叻诌b感滑坡識別研究. E-mail:jones_321@163.com

趙超英(1976-)， 男，山西平遙人，博士，教授，碩士生導(dǎo)師，主要從事InSAR數(shù)據(jù)處理與地質(zhì)災(zāi)害監(jiān)測與反演研究. E-mail:zhaochaoying@163.com

10.3969/j.issn.1000-811X.2017.03.035.]

X43；P642.22

A

1000-811X(2017)03-0210-06

10.3969/j.issn.1000-811X.2017.03.035

張群，趙超英. 基于面向?qū)ο蟮母叻诌b感數(shù)據(jù)甘肅黑方臺黃土滑坡半自動識別[J]. 災(zāi)害學(xué)，2017，32(3)：210-215. [ZHANG Qun and ZHAO Chaoying. Semiautonatic Object-oriented Loose Landslide Recognition Based on High Resolution Remote Sensing Images in Heifangtai,Gansu [J]. Journal of Catastrophology，2017，32(3)：210-215.