“高分二號”衛星數據遙感滑坡災害識別研究——以云南東川為例

劉肖姬 梁樹能 吳小娟 甘甫平

（1 中國地質大學北京地球科學與資源學院，北京 100083）

（2 中國國土資源航空物探遙感中心，北京 100083）（3 武漢大學遙感工程學院，武漢 430027）

0 引言

我國是一個地質災害多發的國家，因而研究地質災害成因和防治具有巨大的現實意義。從 20世紀80年代起，國內就開始系統地研究地質災害，期間的研究主要集中于鐵路、公路及其它工程建設的斜坡穩定性方面，為工程建設提供理論依據。90年開始，部分地質研究人員將遙感、地理信息系統（geo-information system，GIS）和地質災害研究結合起來，為地質災害研究提供了方便快捷的獲取、處理及分析數據的方式，極大提高了研究速度。特別是近年來國產衛星的發射，為國土資源調查與監測、農林水利、生態環境、防災減災等領域的研究提供了極大的便利。文獻[1]利用中巴“資源”衛星對福建南平地質災害進行了動態遙感解譯；文獻[2]利用“環境一號”衛星高光譜數據開展了減災應用研究，提高了災害預警監測能力和災害預警監測精度；文獻[3]利用“高分一號”衛星多光譜遙感數據提出了一種基于多特征的面向對象分類方法，對分水嶺進行了分割，該方法可以有效的提高遙感圖像分類精度。

2014年發射的“高分二號”（GF-2）衛星，其數據的高空間分辨率、高輻射精度等特征為地質災害研究提供了更加可靠的數據支持。GF-2衛星具有全色0.8m的空間分辨率，多光譜3.2m的空間分辨率，以及優于 45km的觀測幅寬，且同時還有高輻射精度、高定位精度等特點[4]。本文以地質災害頻發的云南東川區為例，選擇已經發生滑坡的區域，通過對研究區 GF-2衛星數據進行正射校正、配準、融合、裁剪等操作，并利用面向對象分類方法進行影像分割、合并分塊，建立分類規則，剔除誤分對象，最后得到研究區滑坡位置信息。在進行分類規則建立時，需結合研究區的高程和植被覆蓋數據，分析滑坡易發區的植被、高程等特點，建立滑坡區的光譜、紋理和空間分類規則?；聰祿淖R別證實了 GF-2衛星在滑坡災害識別方面的適用性。

1 研究區概況

東川是云南省昆明市所轄五區之一，東鄰曲靖市會澤縣，南接昆明市尋甸縣，西連昆明市祿勸縣，北與四川省會東縣隔金沙江相望。東川區地處云貴高原北部邊緣，屬川滇經向構造帶與華夏東北構造帶結合過度部位。境內山高谷深，地勢陡峻，最高海拔為4 344.1m，最低海拔695m，高差3 649.1m。區內有小江流域南北縱貫，沿江有規模巨大的小江斷裂帶，活動強烈。年平均降水量為1 000.5mm，月最大降雨量208.3mm，日最大降雨量153.3mm，降雨主要集中在5～9月。境內氣流、降水、土壤、植被等方面的差異使區內呈現了“一山分四季，十里不同天”的立體氣候。且東川區內礦產資源豐富，歷史上就是有名的銅礦采集區，素有“天南銅都”之稱[5]。圖1顯示的遙感影像是從獲取的GF-2衛星影像中裁剪的不含云覆蓋的研究區，研究區內分布有道路、植被、水體、居民地及山體，可以看出區內部分山體同周圍山體的顏色不同，呈現亮色調，且沒有植被覆蓋。

2 GF-2衛星數據的預處理

GF-2衛星幅寬45km，軌道高度640km。全色空間分辨率優于0.8m，光譜范圍0.45～0.90μm；多光譜空間分辨率優于3.2m，包括藍、綠、紅、近紅外4個波段，光譜范圍分別為0.45～0.52μm、0.52～0.59μm、0.63～0.69μm、0.77～0.89μm[6]。

圖1 研究區位置及GF-2衛星影像Fig.1 Location of the study area and GF-2 data

研究選取了2014年12月29日14:46:16獲取的覆蓋部分東川區的影像。由于遙感系統空間、時間以及輻射分辨率的限制，很難精確地記錄復雜地表信息，在數據獲取過程中不可避免的會出現誤差，這些誤差降低了遙感數據的質量，從而影響了圖像分析的精度。因而在進行應用前有必要對圖像進行預處理。本研究中所涉及的 GF-2衛星數據的預處理主要包括影像正射校正、圖像配準、圖像融合和數據裁剪等。

2.1 正射校正

正射校正是利用地面控制點與相機或衛星模型結合，確立傳感器、圖像與地面3個平臺關系，建立校正公式，生成多中心投影平面正射圖像的過程，它在糾正了受系統因素影響產生的幾何畸變的基礎上，還消除了地形引起的畸變[7]。一般是通過在像片上選取一些地面控制點，并利用影像范圍內的數字高程模型（digital elevation model，DEM）數據，對影像進行傾斜改正和投影差改正。

選擇比例尺為1∶10 000的覆蓋研究區的高程圖，利用遙感影像處理軟件ENVI5.1的正射校正工具，根據GF-2衛星數據自帶的有理多項式系數（RPC）文件，以Generic RPC and RSM為校正模型，對選擇的GF-2衛星數據進行校正，輸出的坐標系參數為：Proj:UTM, Zone 48 North；Datum:D_WGS_1984；線性單位：Meter (1.000 000)；False_Easting：500 000；Scale_Factor：0.999 6。影像正射校正的參數設置及輸出坐標系，如圖2所示。

圖2 GF-2衛星影像正射校正參數設置Fig.2 Orthorectification parameter of GF-2 data

2.2 圖像配準

圖像配準指在同一區域里通過一幅圖像（基準圖像）對另一幅圖像的校準，以使兩幅圖像中的同名像元配準。通過觀察發現研究所需的GF-2衛星遙感影像的1m全色數據和4m多光譜數據間同名點存在比較明顯的幾何偏差，必須進行數據的圖像配準。

本次以1m全色數據為基準，采用手動選擇控制點和軟件自動配準功能相結合，利用控制點二次多項式擬合校正方法對4m多光譜影像數據進行校正，控制點的選取分布均勻、合理，校正處理的均方根（RMS）誤差控制在0.5個像元內。圖像配準控制點分布如下，控制點誤差如圖3所示。

圖3 GF-2衛星影像配準Fig.3 Image registration of GF-2 data

2.3 影像融合

影像融合是將低空間分辨率的多光譜影像或高光譜數據與高空間分辨率的單波段影像重采樣生成一幅高分辨率多光譜影像的圖像處理技術，使得處理后的影像既有較高的空間分辨率，又具有多光譜特征[8]。

對完成圖像配準后的1m全色和4m多光譜數據進行影像數據的融合處理，融合前后影像如圖4所示。從影像對比中可以發現融合前的影像地物顯示模糊，地物邊界不清楚。融合后的影像可以清楚地分辨地物的邊界，保持了地物的空間紋理信息，達到了提高分辨率的融合目的。

圖4 影像融合前后效果對比Fig.4 Contrast of image fusions before and after fusion

2.4 影像裁剪

選擇不含云且陰影較少的區域，利用ENVI5.1的感興趣區裁剪對融合后的影像做裁剪，得到研究區影像。

3 面向對象的地質災害信息提取

本文中滑坡的識別通過面向對象分類方法來實現。面向對象分類方法是一種智能化的自動影像分類方法，它的分析單元是由若干像素組成的像素群，即具有實際意義和特征意義的目標對象。面向對象分類技術集合臨近像元為對象用來識別感興趣的光譜要素，充分利用高分辨率的全色和多光譜數據的空間、紋理和光譜信息來分割和分類的特點，并以高精度的分類結果或者矢量輸出。它主要分成兩個過程：影像對象構建和對象的分類[9]。

影像對象構建主要用了影像分割技術，常用分割方法包括基于多尺度的、基于灰度的紋理的、基于知識的及基于分水嶺的等分割算法。研究采用多尺度分割算法對影像進行分割，這是一種從單像素對象開始的自下而上的區域合并算法[10]。多尺度分割是基于同質性或異質性準則將一幅影像劃分為若干有意義的子區域（影像對象）的過程，在這個過程中，像素的平均異質性最小，每個像素均勻地接收了像素所在的影像對象的異質性。

影像對象的分類，這里選擇面向對象基于知識的分類方法?；谥R分類是根據影像對象的特征來設定規則進行分類。

高分遙感影像災害信息識別需要對綜合目標的光譜特征、幾何信息以及結構信息等進行分割[11]。對象是目標特征表達的載體，通過分割準確地構建能夠表達目標特征的對象是高分影像災害因子提取的關鍵。

3.1 多尺度影像分割

影像分割是遙感影像面向對象分類的前提，影像分割的結果（影像對象）直接影響目標信息的識別精度[12]。

本研究采用 ENVI5.1自帶的面向對象特征提?。╢eature extraction）工具進行分類，選擇 feature extraction工具中基于規則的特征提?。╮ule based feature extraction），將裁剪所得到的研究區影像導入進行影像分割，分割時以DEM數據作為輔助數據，并利用影像波段3、波段4計算植被指數，色彩選擇321波段真彩色組合，經過試驗選擇合適的分割、合并尺度（分割尺度30，合并尺度90）進行影像分割。圖5為按照規則執行的影像分割結果。

圖5 影像分割結果Fig.5 Results of image segmentation

3.2 影像對象分類

在遙感影像中滑坡災害通過造成正常自然地形地貌破壞，使得圖像的色調、紋理和圖案等出現異常顯示。

植被的根莖有保持水土的作用，同時還有利于減緩坡面水流速度和下滲速度。植被覆蓋度還在一定程度上反映了人類的活動方式對滑坡活動的影響[13]?；露喟l生在植被覆蓋率低的區域，分析研究區的影像特征，發現滑坡區的植被不發育，植被指數值低，根據這一特點，選擇分割時計算的植被指數來建立分類規則，經過多次試驗將歸一化植被指數值范圍在[–0.389 99,0.007 02]的區域分為初步滑坡區進行下一步的滑坡分類。

滑坡發生區往往因耕地破壞、植被傾倒、巖體破壞變形等出現高反射，色調上多表現為灰白色。對于特定空間分辨率和成像條件下的遙感圖像，區域亮度過飽和導致滑坡邊緣難以檢測。因此采用閾值分割提取較亮的滑坡區作為潛在滑坡區域的補充[14]。分析分割后的影像可知滑坡所在區域藍光波段的反射值大于400，因而在建立分類規則時，在上一步分類的基礎上，設置規則為藍光波段的光譜均值大于456，去除陰影、水體等干擾因素，得到一個滑坡的大致范圍。

不同高程的地區，其斜坡相對高度差異較大，高程與斜坡的穩定性具有一定關系[15]。高程通過影響水系的發育、土壤類型、人類活動等對滑坡的發生發育產生影響。對研究區的高程統計發現，滑坡發生的高程范圍在900～1 600m范圍內。以高程范圍[919, 1 380]m建立分類規則，提取出滑坡發生區。

按照上述建立的規則，輸出矢量類型和柵格類型的滑坡分類結果，將滑坡的分類矢量結果和原始影像疊加效果顯示如圖6所示，其中紅色線顯示的區域為基于規則面向對象提取的滑坡區域。

將提取結果與遙感影像疊加發現，由于部分居民區和道路的高反射率，在遙感影像中顯示出和滑坡顏色相近的白色，且其高程在滑坡發生的范圍內，因而未能將這部分道路和居民區完整的剔除。在輸出的滑坡分類數據中，其分割后的光譜、紋理、空間信息被完整的保存，根據空間信息中的面積因子，選取面積值大于1 200m2，將分類結果中的非滑坡信息進行剔除，得到完成的滑坡信息，如圖7所示。通過輸出的滑坡矢量數據可知提取的滑坡面積為18 622.1m2。

圖6 基于規則分類效果Fig.6 Results of rule-based classification

圖7 剔除干擾元素的滑坡信息Fig.7 Landslide excluding interference element

4 結束語

本次試驗研究發現：采用面向對象的遙感影像分類方法，結合滑坡災害的光譜、形狀、DEM等多種信息特征，建立滑坡災害識別規則，可以較好地從 GF-2衛星遙感影像上提取滑坡災害位置信息，基本滿足滑坡的災害識別研究要求；研究滑坡易發區的DEM、植被等信息對滑坡識別提取具有重要的意義，能在很大程度上區分滑坡區與非滑坡區；通過面向對象的滑坡災害特征提取所輸出矢量結果可以方便的計算出滑坡的面積，對滑坡的研究提供了極大的便利。

References)

[1]徐岳仁, 何宏林, 陳立澤, 等. 基于 CBERS數據的福建南平地質災害動態遙感解譯[J]. 國土資源遙感, 2014, 26(3):153-159.XU Yueren, HE Honglin, CHEN Lize, etal. Dynamic Remote Sensing Interpretation of Geological Disasters in Nanping City of Fujian Province Using CBERS Serial Data[J]. Remote Sensing for Land and Resources, 2014, 26(3): 153-159. (in Chinese)

[2]和海霞, 楊思權, 陳偉濤, 等. 環境減災衛星高光譜數據在減災中的應用研究[J]. 航天器工程, 2011, 20(6): 118-125.HE Haixia, YANG Siquan, CHEN Weitao, etal. Application of HJ-1A Hyperspectral Data to the Disaster Reduction[J]. Spacecraft Engineering, 2011, 20(6): 118-125. (in Chinese)

[3]劉書含, 顧行發, 余濤, 等. 高分一號多光譜遙感數據的面向對象分類[J]. 測繪科學, 2014, 39(12): 91-94.LIU Shuhan, GU Xingfa, YU Tao, etal. Object-oriented Classification Method Based on GF-1 Multi-spectral Remote Sensing image[J]. Science of Surveying and Mapping, 2014, 39(12): 91-94. (in Chinese)

[4]施歌. 我國成功發射“高分二號”衛星. [EB/OL]. (2014-08-19):[2015-2-10]. http: //news.xinhuanet.com/photo/2014-08/19/c_126890250.htm.SHI Ge. China Successfully Launched the "Gaofen II" Satellite.[EB/OL]. (2014-08-19):[ 2015-2-10]. http: //news. xinhuanet.com/photo/2014-08/19/c_126890250.htm. (in Chinese)

[5]Hancooler. 云南省昆明市轄區——東川[EB/OL]. (2014-06-24):[2015-2-10]. http: //baike.haosou.com/doc/4830953-5047780.html.Hancooler. Dongchuan District, Kunming City, Yunnan Province.[EB/OL]. (2014-06-24):[2015-2-10]. http: //baike. haosou.com/doc/4830953-5047780. html. (in Chinese)

[6]中國資源衛星應用中心.“高分二號”衛星介紹[EB/OL].[2015-03-09]. http: //www. cresda. com/n16/n1130/n192766/192878.html.China Centre for Resources Satellite Data and Application. The Introduction to GF-2 Satellite[EB/OL]. [2015-03-09].http://www. cresda. com/n16/n1130/n192766/192878. html. (in Chinese)

[7]楊坤, 顧東成. ZY-1 02c星在烏蒙山區域地質調查中的應用[J]. 四川地質學報, 2014, 34(增刊1): 112-118.YANG Kun, GU Dongcheng. The Application of ZY-1 02c Satellite in Geological Survey in Wumeng[J]. Sichuan Geology,2014, 34(sup 1): 112-118. (in Chinese)

[8]王龍飛. 國產衛星數據在地質災害遙感調查中的應用研究[D]. 北京: 中國地質大學(北京), 2014.WANG Longfei. Application Study of Domestic Satellite Data in the Investigation of Geological Disasters[D]. Beijing: China University of Geosciences, Beijing, 2014. (in Chinese)

[9]HUANG Xin, ZHANG Liangpei. A Multilevel Decision Fusion Approach for Urban Mapping Using very High-resolution Multi/hyperspectral Imagery[J]. International Journal of Remote Sensing, 2012(33)11: 3354-3372.

[10]關元秀, 程曉陽. 高分辨率衛星影像處理指南[M]. 北京: 科學出版社, 2008: 86-87.GUAN Yuanxiu, CHENG Xiaoyang. High-resolution Satellite Image Processing Guide[M]. Beijing, Science Press, 2008:86-87. (in Chinese)

[11]劉玲, 孟慶昕, 劉曉東. 高分衛星遙感技術在公路地質災害損毀評估中的應用[J]. 公路, 2014(4): 159-164.LIU Ling, MENG Qingxin, LIU Xiaodong. The Application of Gaofen Satellite Remote Sensing Technology in Highway Geological Disasters Assessment[J]. Highway, 2014(4): 159-164. (in Chinese)

[12]Martha T R, Kerle N V, Westen C J, etal. Object-oriented Analysis of Multi-temporal Panchromatic Images for Creation of Historical Landslide Inventories[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2012(67): 105-119.

[13]羅真富, 蒲達成, 謝洪斌, 等. 基于GIS和信息量法的泥石流流域滑坡危險性評價[J]. 中國安全科學學報, 2011, 21(11):144-150.LUO Zhenfu, PU Dacheng, XIE Hongbin, etal. Landslide Hazard Evaluation in Debris Flow Catchment Area Based on GIS and Information Method[J]. China Safety Science Journal. 2011, 21(11): 144-150. (in Chinese)

[14]楊萍, 姜志國, 劉斌濤. 一種遙感圖像建筑物檢測新方法[J]. 航天返回與遙感, 2013, 34(5): 70-77.YANG Ping, JIANG Zhiguo, LIU Bintao. A New Approach to Building Detection in Remote Sensing Images[J]. Spacecraft Recovery amp; Remote sensing, 2013, 34(5): 70-77. (in Chinese)

[15]寧娜, 馬金珠, 張鵬, 等. 基于GIS和信息量法的甘肅南部白龍江流域泥石流災害危險性評價[J]. 資源科學, 2013, 34(4):892-899.NING Na, MA Jinzhu, ZHANG Peng, etal. Debris Flow Hazard Assessment for the Bailongjiang River, Southern Gansu[J].Resources Science, 2013, 34(4): 892-899. (in Chinese)