“高分二号”卫星数据遥感滑坡灾害识别研究——以云南东川为例

刘肖姬 梁树能 吴小娟 甘甫平

（1 中国地质大学北京地球科学与资源学院，北京 100083）

（2 中国国土资源航空物探遥感中心，北京 100083）（3 武汉大学遥感工程学院，武汉 430027）

0 引言

我国是一个地质灾害多发的国家，因而研究地质灾害成因和防治具有巨大的现实意义。从 20世纪80年代起，国内就开始系统地研究地质灾害，期间的研究主要集中于铁路、公路及其它工程建设的斜坡稳定性方面，为工程建设提供理论依据。90年开始，部分地质研究人员将遥感、地理信息系统（geo-information system，GIS）和地质灾害研究结合起来，为地质灾害研究提供了方便快捷的获取、处理及分析数据的方式，极大提高了研究速度。特别是近年来国产卫星的发射，为国土资源调查与监测、农林水利、生态环境、防灾减灾等领域的研究提供了极大的便利。文献[1]利用中巴“资源”卫星对福建南平地质灾害进行了动态遥感解译；文献[2]利用“环境一号”卫星高光谱数据开展了减灾应用研究，提高了灾害预警监测能力和灾害预警监测精度；文献[3]利用“高分一号”卫星多光谱遥感数据提出了一种基于多特征的面向对象分类方法，对分水岭进行了分割，该方法可以有效的提高遥感图像分类精度。

2014年发射的“高分二号”（GF-2）卫星，其数据的高空间分辨率、高辐射精度等特征为地质灾害研究提供了更加可靠的数据支持。GF-2卫星具有全色0.8m的空间分辨率，多光谱3.2m的空间分辨率，以及优于 45km的观测幅宽，且同时还有高辐射精度、高定位精度等特点[4]。本文以地质灾害频发的云南东川区为例，选择已经发生滑坡的区域，通过对研究区 GF-2卫星数据进行正射校正、配准、融合、裁剪等操作，并利用面向对象分类方法进行影像分割、合并分块，建立分类规则，剔除误分对象，最后得到研究区滑坡位置信息。在进行分类规则建立时，需结合研究区的高程和植被覆盖数据，分析滑坡易发区的植被、高程等特点，建立滑坡区的光谱、纹理和空间分类规则。滑坡数据的识别证实了 GF-2卫星在滑坡灾害识别方面的适用性。

1 研究区概况

东川是云南省昆明市所辖五区之一，东邻曲靖市会泽县，南接昆明市寻甸县，西连昆明市禄劝县，北与四川省会东县隔金沙江相望。东川区地处云贵高原北部边缘，属川滇经向构造带与华夏东北构造带结合过度部位。境内山高谷深，地势陡峻，最高海拔为4 344.1m，最低海拔695m，高差3 649.1m。区内有小江流域南北纵贯，沿江有规模巨大的小江断裂带，活动强烈。年平均降水量为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。境内气流、降水、土壤、植被等方面的差异使区内呈现了“一山分四季，十里不同天”的立体气候。且东川区内矿产资源丰富，历史上就是有名的铜矿采集区，素有“天南铜都”之称[5]。图1显示的遥感影像是从获取的GF-2卫星影像中裁剪的不含云覆盖的研究区，研究区内分布有道路、植被、水体、居民地及山体，可以看出区内部分山体同周围山体的颜色不同，呈现亮色调，且没有植被覆盖。

2 GF-2卫星数据的预处理

GF-2卫星幅宽45km，轨道高度640km。全色空间分辨率优于0.8m，光谱范围0.45～0.90μm；多光谱空间分辨率优于3.2m，包括蓝、绿、红、近红外4个波段，光谱范围分别为0.45～0.52μm、0.52～0.59μm、0.63～0.69μm、0.77～0.89μm[6]。

图1 研究区位置及GF-2卫星影像Fig.1 Location of the study area and GF-2 data

研究选取了2014年12月29日14:46:16获取的覆盖部分东川区的影像。由于遥感系统空间、时间以及辐射分辨率的限制，很难精确地记录复杂地表信息，在数据获取过程中不可避免的会出现误差，这些误差降低了遥感数据的质量，从而影响了图像分析的精度。因而在进行应用前有必要对图像进行预处理。本研究中所涉及的 GF-2卫星数据的预处理主要包括影像正射校正、图像配准、图像融合和数据裁剪等。

2.1 正射校正

正射校正是利用地面控制点与相机或卫星模型结合，确立传感器、图像与地面3个平台关系，建立校正公式，生成多中心投影平面正射图像的过程，它在纠正了受系统因素影响产生的几何畸变的基础上，还消除了地形引起的畸变[7]。一般是通过在像片上选取一些地面控制点，并利用影像范围内的数字高程模型（digital elevation model，DEM）数据，对影像进行倾斜改正和投影差改正。

选择比例尺为1∶10 000的覆盖研究区的高程图，利用遥感影像处理软件ENVI5.1的正射校正工具，根据GF-2卫星数据自带的有理多项式系数（RPC）文件，以Generic RPC and RSM为校正模型，对选择的GF-2卫星数据进行校正，输出的坐标系参数为：Proj:UTM, Zone 48 North；Datum:D_WGS_1984；线性单位：Meter (1.000 000)；False_Easting：500 000；Scale_Factor：0.999 6。影像正射校正的参数设置及输出坐标系，如图2所示。

图2 GF-2卫星影像正射校正参数设置Fig.2 Orthorectification parameter of GF-2 data

2.2 图像配准

图像配准指在同一区域里通过一幅图像（基准图像）对另一幅图像的校准，以使两幅图像中的同名像元配准。通过观察发现研究所需的GF-2卫星遥感影像的1m全色数据和4m多光谱数据间同名点存在比较明显的几何偏差，必须进行数据的图像配准。

本次以1m全色数据为基准，采用手动选择控制点和软件自动配准功能相结合，利用控制点二次多项式拟合校正方法对4m多光谱影像数据进行校正，控制点的选取分布均匀、合理，校正处理的均方根（RMS）误差控制在0.5个像元内。图像配准控制点分布如下，控制点误差如图3所示。

图3 GF-2卫星影像配准Fig.3 Image registration of GF-2 data

2.3 影像融合

影像融合是将低空间分辨率的多光谱影像或高光谱数据与高空间分辨率的单波段影像重采样生成一幅高分辨率多光谱影像的图像处理技术，使得处理后的影像既有较高的空间分辨率，又具有多光谱特征[8]。

对完成图像配准后的1m全色和4m多光谱数据进行影像数据的融合处理，融合前后影像如图4所示。从影像对比中可以发现融合前的影像地物显示模糊，地物边界不清楚。融合后的影像可以清楚地分辨地物的边界，保持了地物的空间纹理信息，达到了提高分辨率的融合目的。

图4 影像融合前后效果对比Fig.4 Contrast of image fusions before and after fusion

2.4 影像裁剪

选择不含云且阴影较少的区域，利用ENVI5.1的感兴趣区裁剪对融合后的影像做裁剪，得到研究区影像。

3 面向对象的地质灾害信息提取

本文中滑坡的识别通过面向对象分类方法来实现。面向对象分类方法是一种智能化的自动影像分类方法，它的分析单元是由若干像素组成的像素群，即具有实际意义和特征意义的目标对象。面向对象分类技术集合临近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱数据的空间、纹理和光谱信息来分割和分类的特点，并以高精度的分类结果或者矢量输出。它主要分成两个过程：影像对象构建和对象的分类[9]。

影像对象构建主要用了影像分割技术，常用分割方法包括基于多尺度的、基于灰度的纹理的、基于知识的及基于分水岭的等分割算法。研究采用多尺度分割算法对影像进行分割，这是一种从单像素对象开始的自下而上的区域合并算法[10]。多尺度分割是基于同质性或异质性准则将一幅影像划分为若干有意义的子区域（影像对象）的过程，在这个过程中，像素的平均异质性最小，每个像素均匀地接收了像素所在的影像对象的异质性。

影像对象的分类，这里选择面向对象基于知识的分类方法。基于知识分类是根据影像对象的特征来设定规则进行分类。

高分遥感影像灾害信息识别需要对综合目标的光谱特征、几何信息以及结构信息等进行分割[11]。对象是目标特征表达的载体，通过分割准确地构建能够表达目标特征的对象是高分影像灾害因子提取的关键。

3.1 多尺度影像分割

影像分割是遥感影像面向对象分类的前提，影像分割的结果（影像对象）直接影响目标信息的识别精度[12]。

本研究采用 ENVI5.1自带的面向对象特征提取（feature extraction）工具进行分类，选择 feature extraction工具中基于规则的特征提取（rule based feature extraction），将裁剪所得到的研究区影像导入进行影像分割，分割时以DEM数据作为辅助数据，并利用影像波段3、波段4计算植被指数，色彩选择321波段真彩色组合，经过试验选择合适的分割、合并尺度（分割尺度30，合并尺度90）进行影像分割。图5为按照规则执行的影像分割结果。

图5 影像分割结果Fig.5 Results of image segmentation

3.2 影像对象分类

在遥感影像中滑坡灾害通过造成正常自然地形地貌破坏，使得图像的色调、纹理和图案等出现异常显示。

植被的根茎有保持水土的作用，同时还有利于减缓坡面水流速度和下渗速度。植被覆盖度还在一定程度上反映了人类的活动方式对滑坡活动的影响[13]。滑坡多发生在植被覆盖率低的区域，分析研究区的影像特征，发现滑坡区的植被不发育，植被指数值低，根据这一特点，选择分割时计算的植被指数来建立分类规则，经过多次试验将归一化植被指数值范围在[–0.389 99,0.007 02]的区域分为初步滑坡区进行下一步的滑坡分类。

滑坡发生区往往因耕地破坏、植被倾倒、岩体破坏变形等出现高反射，色调上多表现为灰白色。对于特定空间分辨率和成像条件下的遥感图像，区域亮度过饱和导致滑坡边缘难以检测。因此采用阈值分割提取较亮的滑坡区作为潜在滑坡区域的补充[14]。分析分割后的影像可知滑坡所在区域蓝光波段的反射值大于400，因而在建立分类规则时，在上一步分类的基础上，设置规则为蓝光波段的光谱均值大于456，去除阴影、水体等干扰因素，得到一个滑坡的大致范围。

不同高程的地区，其斜坡相对高度差异较大，高程与斜坡的稳定性具有一定关系[15]。高程通过影响水系的发育、土壤类型、人类活动等对滑坡的发生发育产生影响。对研究区的高程统计发现，滑坡发生的高程范围在900～1 600m范围内。以高程范围[919, 1 380]m建立分类规则，提取出滑坡发生区。

按照上述建立的规则，输出矢量类型和栅格类型的滑坡分类结果，将滑坡的分类矢量结果和原始影像叠加效果显示如图6所示，其中红色线显示的区域为基于规则面向对象提取的滑坡区域。

将提取结果与遥感影像叠加发现，由于部分居民区和道路的高反射率，在遥感影像中显示出和滑坡颜色相近的白色，且其高程在滑坡发生的范围内，因而未能将这部分道路和居民区完整的剔除。在输出的滑坡分类数据中，其分割后的光谱、纹理、空间信息被完整的保存，根据空间信息中的面积因子，选取面积值大于1 200m2，将分类结果中的非滑坡信息进行剔除，得到完成的滑坡信息，如图7所示。通过输出的滑坡矢量数据可知提取的滑坡面积为18 622.1m2。

图6 基于规则分类效果Fig.6 Results of rule-based classification

图7 剔除干扰元素的滑坡信息Fig.7 Landslide excluding interference element

4 结束语

本次试验研究发现：采用面向对象的遥感影像分类方法，结合滑坡灾害的光谱、形状、DEM等多种信息特征，建立滑坡灾害识别规则，可以较好地从 GF-2卫星遥感影像上提取滑坡灾害位置信息，基本满足滑坡的灾害识别研究要求；研究滑坡易发区的DEM、植被等信息对滑坡识别提取具有重要的意义，能在很大程度上区分滑坡区与非滑坡区；通过面向对象的滑坡灾害特征提取所输出矢量结果可以方便的计算出滑坡的面积，对滑坡的研究提供了极大的便利。

References)

[1]徐岳仁, 何宏林, 陈立泽, 等. 基于 CBERS数据的福建南平地质灾害动态遥感解译[J]. 国土资源遥感, 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, 杨思权, 陈伟涛, 等. 环境减灾卫星高光谱数据在减灾中的应用研究[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]刘书含, 顾行发, 余涛, 等. 高分一号多光谱遥感数据的面向对象分类[J]. 测绘科学, 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. 我国成功发射“高分二号”卫星. [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. 云南省昆明市辖区——东川[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]中国资源卫星应用中心.“高分二号”卫星介绍[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]杨坤, 顾东成. ZY-1 02c星在乌蒙山区域地质调查中的应用[J]. 四川地质学报, 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]王龙飞. 国产卫星数据在地质灾害遥感调查中的应用研究[D]. 北京: 中国地质大学(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]关元秀, 程晓阳. 高分辨率卫星影像处理指南[M]. 北京: 科学出版社, 2008: 86-87.GUAN Yuanxiu, CHENG Xiaoyang. High-resolution Satellite Image Processing Guide[M]. Beijing, Science Press, 2008:86-87. (in Chinese)

[11]刘玲, 孟庆昕, 刘晓东. 高分卫星遥感技术在公路地质灾害损毁评估中的应用[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]罗真富, 蒲达成, 谢洪斌, 等. 基于GIS和信息量法的泥石流流域滑坡危险性评价[J]. 中国安全科学学报, 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]杨萍, 姜志国, 刘斌涛. 一种遥感图像建筑物检测新方法[J]. 航天返回与遥感, 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]宁娜, 马金珠, 张鹏, 等. 基于GIS和信息量法的甘肃南部白龙江流域泥石流灾害危险性评价[J]. 资源科学, 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)