無人機高分辨率遙感影像地震滑坡信息提取方法

付蕭 郭加偉 劉秀菊 魯恒 楊正麗 項霞

摘要：選取四川“4·20”蘆山地震震區(qū)發(fā)生的地震滑坡為研究對象，首先構建區(qū)域地質特色的無人機影像地震滑坡樣本庫；然后引入遷移學習機制完成了無人機高分辨率遙感影像地震滑坡信息提取。研究結果表明地震滑坡提取總體精度達87.2%，能滿足地震滑破災害環(huán)境宏觀調查，滑坡災害體監(jiān)測等應急需求。

關鍵詞：信息提??；深度學習；遷移學習；地震滑坡；無人機影像

中圖分類號：P642.22；TP751 文獻標識碼：A 文章編號： 1000-0666（20.18）02-0186-06

0 引言

我國處于環(huán)太平洋地震帶和喜馬拉雅與地中海地震帶交匯處，受太平洋板塊、印度洋板塊和菲律賓海板塊的擠壓，地震斷裂帶異常發(fā)育，所以我國地震發(fā)生頻率較高。強烈的地震通常會引發(fā)大量滑坡，且常常造成嚴重的經濟損失和人員傷亡（許沖，徐錫偉，2012）。我國地震滑坡分布較廣，特別是西部、西南部山區(qū)地帶，每發(fā)生一次大地震均會產生許多地震滑坡，離震中一定距離范圍內將產生大量隱伏的地震滯后滑坡。中國地質環(huán)境年報顯示，2000年以來我國地震滑坡災害平均每年造成的死亡人數(shù)達1000人以上，年均經濟損失超過50億元（Holbling et al，2015；張鐸等，2013）。

進入21世紀以來，空間信息處理的主要研究內容被列人地理信息科學的優(yōu)先發(fā)展領域（國家自然科學基金委員會，2010），以此為主要手段的災情信息獲取是重點應用領域之一。在全球對地觀測網絡中廣泛部署的各式傳感器，使得持續(xù)獲取高時空分辨率、屬性信息日益豐富的數(shù)據(jù)成為可能，低空或超低空飛行的無人機平臺以其分辨率高、時效性好的優(yōu)勢，已逐漸成為災害應急數(shù)據(jù)獲取的主要平臺。但是，既快又易的遙感數(shù)據(jù)獲取能力已經遠遠超過現(xiàn)有的遙感數(shù)據(jù)有效處理能力。隨著地震滑坡災害頻繁發(fā)生，災情應急階段數(shù)據(jù)量驟增，人工解譯的不足引發(fā)災情數(shù)據(jù)獲取耗時增加的問題，進而導致數(shù)據(jù)難以滿足災害應急任務的實際需求，“數(shù)據(jù)既多又少”的矛盾日益突出（李松等，2015；魯學軍等，2014）。因此，如何從高分辨率影像中快速、準確地提取出滑坡信息，己成為遙感技術應用于地震滑坡減災亟待突破的難題。

本文以低空遙感、數(shù)據(jù)挖掘和機器學習的理論知識為基礎，構建低空無人機遙感地震滑坡樣本庫，提出基于遷移學習機制的無人機遙感影像地震滑坡信息自動提取方法。提供一套基于低空無人機高分辨率影像的地震滑坡災害快速提取解決方案，旨在為地震后無人機遙感應用于災情調查提供理論基礎，為我國西南山區(qū)的地震滑坡災害治理提供有效技術支撐。

1 數(shù)據(jù)與方法

本文選取四川“4·20”蘆山地震震區(qū)發(fā)生的地震滑坡作為實驗對象。該次地震發(fā)生在龍門山斷裂帶，是四川成都平原區(qū)域地震的典型代表，其研究成果可以進一步用于成都平原周邊山區(qū)的滑坡災害預防、規(guī)劃等應用，具有較好的應用價值。本研究以上述區(qū)域為實驗區(qū)，期望能夠逐步完善基于高分辨率低空遙感技術的地震滑坡災害解決方案。

具體步驟如下：首先，利用所收集的滑坡災害的歷史數(shù)據(jù)資料，滑坡影像、地表覆被、地質環(huán)境等各類信息，考慮到應急情況下災區(qū)遙感數(shù)據(jù)源的單一性，研究地震滑坡災害低空遙感影像樣本庫構建方法；然后，為了快速、準確地提取當前無人機影像地震滑坡信息，引入遷移學習機制，完成特征知識從舊影像到新影像的遷移，完成地震滑坡信息的提??；最后再進行提取精度的評估。

1.1 地震滑坡災害樣本庫構建

無人機影像分辨率高，研究區(qū)涉及到的影像數(shù)量多，滑坡樣本庫的構建工作包括：確定災害樣本點標簽、邊界范圍的確定、屬性賦值、裁切影像、編碼存儲等，如果按照常規(guī)方法構建地震滑坡樣本庫的建設需要耗費大量人力物力，且效率較低。對樣本庫構建流程進行分析可發(fā)現(xiàn)，確定災害樣本點標簽、邊界范圍的確定、屬性賦值需要人工操作，因為該幾步操作存在大量不確定性；裁切影像和編碼存儲可以通過計算機自動實現(xiàn)，本文基于ArcPy（ArcGIS Python二次開發(fā)包）二次開發(fā)實現(xiàn)影像自動裁剪和編碼人庫。地震滑坡災害樣本庫建立流程如圖1所示。

1.2 無人機高分影像滑坡信息提取

計算機機器學習是近年來飛速發(fā)展的一個研究領域。把機器學習應用于圖像處理、圖像理解中通常需要提供足夠的訓練樣本，否則后續(xù)的分類精度難以得到保證，甚至導致分類模型結果不收斂，信息提取難以完成（Cheng et al，2013；Fiorucci et al，2011）。本文研究發(fā)現(xiàn)，由于滑坡災害影像相較于自然影像可獲得的數(shù)據(jù)量少，直接將常規(guī)機器學習應用到滑坡信息提取中存在困難。雖然研究區(qū)涉及到的影像數(shù)量多，但可供采集的滑坡樣本卻較少，導致很難獲得足夠多滿足模型訓練條件的訓練樣本數(shù)據(jù)。而且，常規(guī)機器學習應用的提前是同分布假設，在實際應用中發(fā)現(xiàn)在很多領域難以達到同分布假設，甚至會出現(xiàn)訓練樣本過期等問題。需要對不符合要求的樣本進行重標注，又會導致工作量和作業(yè)成本的大幅增加。

為解決上述問題，遷移學習（Transfer Learn-ing）在深度學習的基礎上發(fā)展起來。簡單來講，遷移學習的本質就是從一個模式中通過深度學習獲取的知識遷移應用到另一個應用模式中。因此，遷移學習不像常規(guī)機器學習一樣需要同分布假設。根據(jù)遷移學習遷移的對象不同可劃分為4類：依據(jù)實例的遷移學習、基于特征的遷移學習、根據(jù)參數(shù)的遷移學習和基于關聯(lián)知識的遷移學習。

根據(jù)建立的樣本庫情況，本文采用基于特征的遷移學習方法。當前可搜集到帶標簽的自然圖像庫較多，本文選取經典的由斯坦福大學計算機視覺研究中心標注完成的ImageNet庫，該圖像庫涵蓋了上百萬的已標注圖像。首先，通過在Ima-geNet庫中建立深度卷積神經網絡獲得特征提取方法；然后，將獲取的特征提取方法通過特征遷移的方式轉移到無人機高分辨率遙感影像的滑坡特征提取過程中。圖2為遷移學習機制下的地震滑坡信息提取，主要包括特征學習、特征遷移以及滑坡災害信息提取3部分。

1.3 精度評價

在進行遙感影像信息提取時，難免會產生誤差，其原因很多，比如不同傳感器信息獲取方法的不同、影像分辨率的不同或者目標地面物體提取中分布空間特征的影響等。因此非常有必要對誤差形成的原因進行分析，從而了解信息提取結果的實用性（許沖，2013：Lu，et al，2011）。

遙感影像信息提取精度的定義是提取地物信息的準確度。提取精度是檢驗提取方法、模型規(guī)則是否可靠的通用標準。通過信息提取精度的計算與分析，可以評判方法與結果的優(yōu)劣，有助于信息提取模型的修正。通常，遙感影像信息提取精度評價的方法有2類：一類是通過人工目視圖像定性評價；另一類是通過實地調研或已有可靠精度樣本數(shù)據(jù)通過計算的方法定量進行精度評價。由于本文選用的無人機影像有較高的空間分辨率，所以采用定量計算滑坡信息提取的精度，通過可靠的評價樣本數(shù)據(jù)計算信息提取結果的總體精度和Kappa系數(shù)等指標（薄樹奎，丁琳，2010；Foody，2002）。

2 結果與分析

2.1 地震滑坡信息提取結果

根據(jù)1.1節(jié)和1.2節(jié)所述原理，首先進行地震滑坡災害樣本庫的建立。結合目視解譯和自動裁剪編碼，完成了地震滑坡樣本庫的構建。為保證后續(xù)特征遷移學習的順利進行，本文特意在構建樣本庫時構建出少量負樣本（非地震滑坡樣本），包括正樣本520個、負樣本410個。樣本庫中的部分正、負樣本如圖3所示。

在特征學習階段，本文采用加州大學伯克利分校計算機視覺研究小組預訓練好的ImageNet分類模型Decaf，由5層卷積網絡層及3層全連接層構成。為了進一步分析基于特征遷移的網絡訓練的結果，對不同類型樣本輸入下網絡各層的激活情況進行了對比分析。研究發(fā)現(xiàn)，將地震滑坡正、負樣本激活，在2層開始稀疏化，隨著網絡前向傳播過程中在3層，地震滑坡正、負樣本的激活情況呈現(xiàn)出明顯不同的模式，最后在FC6層滑坡正、負樣本激活情況基本上完全相反，完全適用于區(qū)分滑坡區(qū)和非滑坡區(qū)。最終滑坡信息提取結果如圖4所示。

2.2 提取精度評估

根據(jù)1.3節(jié)所述原理，考慮到無人機影像的空間分辨率較高，本文直接通過人工目視解譯獲得驗證數(shù)據(jù)，通過人工目視解譯隨機獲取了70個地震滑坡數(shù)據(jù)驗證點，78個非地震滑坡數(shù)據(jù)驗證點。通過將驗證點與提取結果進行疊加來判斷提取的滑坡結果是否正確。經過統(tǒng)計計算可得，對于本文實驗影像，該方法滑坡信息提取的總體精度為87.2%，Kappa系數(shù)為0.743，具體結果如表1所示。在提取效率方面，以本文實驗數(shù)據(jù)為例，在Intel Core i7 2.4 GHz，8 GA內存、Windows 8環(huán)境下，本文方法耗時0.8h?；滦畔⑻崛【群托誓軡M足震后災情信息快速獲取的需求。

3 結論

如何快速、準確獲取地震滑坡災害信息，已成為遙感減災工作的難點。本文研究了一種基于遷移學習的無人機低空遙感高分辨率影像滑坡信息自動提取方法。該方法有效地將計算機領域的深度學習、遷移學習與災害遙感領域相結合，提高了高分遙感領域災害信息獲取的自動化程度。考慮到該方法在空間數(shù)據(jù)提取上的潛力，如何進一步地發(fā)掘歷史數(shù)據(jù)與當前數(shù)據(jù)的關聯(lián)關系將是下一步研究的重點。本文研究為高分辨率遙感影像地震滑坡信息快速提取與重點災害區(qū)域快速研判提供一定思路。

參考文獻：

薄樹奎，丁琳.2010.訓練樣本數(shù)目選擇對面向對象影像分類方法精度的影響[J]，中國圖象圖形學報，15（7）：1106一1111.

國家自然科學基金委員會，中國科學院.2010.未來10年中國學科發(fā)展戰(zhàn)路（地球科學卷）[M].非京：科學出版社.

李松，鄧寶昆，徐紅勤，等.2015.地震墊滑坡災害遙感快速識別方法研究[J].遙感信息，30（4）：25一28.

魯學軍，史振春，尚偉濤，等.2014.滑坡高分辨率遙感多維解譯方法及其應用[J]，中國圖象圖形學報，14（1）：141一149.

許沖，徐錫偉.2012.基于不同核函數(shù)的2010年玉樹地震滑坡空間預測模型研究[J].地球物理學報，55（9）：2994一3005：

許沖.2013.基于最大似然法的地震滑坡信息自動提取及其可靠性檢驗[J].中國地質災害與防治學報，24（3）：19-25.

張鐸，吳中海，李家存，等.2013.國內外地震滑坡研究綜述[J].地質力學學報，19（3）：225-241，

Cheng G，Guo L，Zhao T，et al.2013.Automatic Landslide Detection FromRemote-sensing Imagery Using a Scene Classification MethodBased on Bovw and Plsa[J].international Journal of Remote Sens-ing，34（1）：45-59.

Fiorucci F，Cardinali M，Carlo R，et al.2011.Seasonal Landslide Mappingand Estimation of Landslide Mobilization Rates Using Aerial and Sat-ellite Images[J].Geomorphology，129（1）：59-70.

Foody G M.2002.Status of land cover classification accuracy assessment[J].Remote Sensing of Environment，80（1）：185-201.

Holbling D，F(xiàn)riedl B，Eisank C.2015.An object-based approach forsemi-automated landslide change detection and attribution of chan-ges to landslide classes in northern Taiwan[J].Earth Science Infor-matics，8（2）：327-335.

Lu P，Stumpf A，Kerle N，et al.2011.Object-oriented Change Detectionfor Landslide Rapid Mapping[J].IEEE Geoscience and RemoteSensing Letters，8（4）：701-705.