汶川县震后崩塌滑坡遥感信息提取

陈勇国谢 莲彭述刚张 勇陈 宾吴 淼

（1.湖南科技大学建筑与城乡规划学院，湖南 湘潭 411201；2.湖南省地质测绘院信息中心，湖南 衡阳 421001；3.湘潭大学能源工程学院，湖南 湘潭 411100）

汶川县震后崩塌滑坡遥感信息提取

陈勇国1谢 莲2彭述刚1张 勇1陈 宾3吴 淼3

（1.湖南科技大学建筑与城乡规划学院，湖南 湘潭 411201；2.湖南省地质测绘院信息中心，湖南 衡阳 421001；3.湘潭大学能源工程学院，湖南 湘潭 411100）

崩塌、滑坡、泥石流是震后最常见的三类次生地质灾害，震后灾区崩塌、滑坡极度发育，同时为泥石流灾害提供丰富的物源，极大的危害人类生产生活。文章结合TM影像和DEM地形数据，通过决策树模型建立了汶川县震后崩塌滑坡遥感判识标志库，自动提取了该县2009年、2010年、2013年3期崩塌滑坡灾害体，分类精度明显优于最大似然监督分类法。结果表明该县崩塌滑坡灾害体主要集中分布在断裂带沿线5km范围内、海拔1200m～3000m内的中高山中上部位、坡度25°～70°之间的中陡坡地带。该自动提取模型方法解决了低分辨影像提取地质灾害体方法单一、精度不高、效果不佳的问题，且模型可拓性强，适用于地质灾害体自动提取。

崩塌滑坡；决策树；信息提取；ETM；汶川县

“5.12”特大地震波及大半个中国，受灾面积达 50× 104km²，强震引发了大量的崩塌、滑坡、泥石流的发生[1]，据国土部门调查，灾区84个受灾县（市）主要崩塌、滑坡、泥石流和不稳定斜坡等灾害隐患点有16644处[2]。在强震和次生地质灾害的影响下，造成了87149人死亡和失踪，80%的交通干线和大部分桥梁、隧道受损，全线中断 110天，直接经济损失总计9121.4108元[3]。强震引发的崩塌、滑坡不仅给当地灾后重建、交通运输、生产生活和安全带来极大阻碍和威胁，同时为泥石流的形成提供了丰富的固体物质来源，引发了“红椿沟泥石流”、“舟曲泥石流”等特大泥石流灾害，造成极大伤亡和损失。对灾区震后崩塌、滑坡的发生机制和原理、分布和演化规律进行深入研究，不仅为重建改建工作和人民生命安全提供有力保障，同时对地质灾害的深入研究和防灾减灾管理工作具有重要意义。

迅速发展的遥感技术成为地质灾害调查和监测的重要手段。国外，Mantovani利用TM影像和SPOT进行了滑坡的监测和确认[4]；Lina CW开始利用Spot影像对震后爆发的次生泥石流物源崩塌滑坡进行解译，并建立了泥石流发生与松散物源类型、数量的统计模型[5]；Chadwick等通过多时相高分辨率影像进行了工人解译，研究滑坡的地表形态位移量[6]。国内，傅文杰等人研究了向量机模型实现地质灾害信息提取的研究，并通过实例分析，确定了该方法的可行性[7]。2007年，叶润青通过影像分类方法，实现了三峡库区归州老城滑坡的光谱识别与特征提取[8]。2008年，胡德勇分析了热带雨林内的滑坡遥感图像特点，建立了高分遥感影像的滑坡检测知识库[9]。总体而言，国内外对于崩塌、滑坡、泥石流的监测和信息提取技术已比较成熟，成果也相对丰富，但大部分学者采用高分辨率影像进行地质灾害信息提取，成本太高且数据量很大。也有部分学者运用面向对象和重分类的方法对 TM影像进行灾害提取，但其模型方法不适合低分辨率影像。本文以汶川县为研究区，通过资料收集和遥感调查，提出震后泥石流决策树判识模型和自动提取方法，分析了震后崩塌滑坡分布规律，为震后防灾减灾提供依据。

1 研究区概况

汶川县位于四川省阿坝藏族羌族自治州境内东南部，地处四川盆地向川西高原过渡地带。县域东西宽88km、南北长105km，总面积4084km2，G213、G317和都汶高速穿行境内。该县位于邓峡山系和龙门山系之间，三面环山，山脉的走向与断裂带线一致，呈北东-南西走向 ，其间山高坡陡、切割强烈、沟床比降大，为崩塌、滑坡、泥石流等次生山地灾害的发育提供了良好条件。研究区地处龙门山构造带，地震活动强烈，地质构造复杂，气候四季分明，南湿北旱，垂直分带明显。

2 数据来源与处理

2.1数据来源

本研究采用的数据为30m分辨率的DEM数据和Landsat 5 TM和landsat8遥感影像数据，以上数据均可在地理空间数据云平台免费下载。Landsat5 TM影响包含7个分辨率为30m的波段，landsat 8包含9个波段，除新增一个B6波段和一个分辨率为15m的全色波段外，其他波段与landsat 5 TM波段相同。其中Landsat5 TM影像包括2009-6-3、2010-3-8共2期影像，Landsat 8影像则为2013-8-17共1期影像，其轨道号分别是P130R038和 P130R039。

2.2数据处理

为削弱遥感影像普遍存在的同谱异物、同物异谱对信息提取的影响，更好的提取研究目标，需要对图像进行预处理，增强某种地物的波段特征值。本研究影像经过校正、镶嵌、裁剪、去云、NDVI计算、缨帽变换和主成分分析等预处理和图像增强处理。消除了影像坐标误差、大气干扰，增强了地物信息和影像辨识度。

图1　汶川县2009～2013年TM遥感影像

3 研究方法

3.1决策树模型

决策树是数据挖掘与知识发现领域基于逻辑的经典的分类预测方法之一，又称为判定树[10-13]。由一个根节点、多个分支和最终的叶节点构成，每一个分支结点（内部结点）有多个子结点和唯一的父结点，结点与子结点之间形成分支（如图2）。其中树的每个内部结点表示一个决策过程所要测试的属性；每个分支表示测试的一个结果，不同属性值形成不同分支；而每个叶节点代表一个类别，即图像的分类结果。树的最高层节点称为根节点，是整个决策树的开始[14～15]。运用决策树模型进行遥感信息提取的主要过程如图3所示。

图2　决策树分类结构图

图3　决策树模型遥感信息提取主要过程

3.2崩塌滑坡遥感判识标志库的建立

崩塌、滑坡是一种块体运动，它的发育和活动严重破坏了原有的地表结构，所有可以通过遥感影像影像光谱、地貌形态、植被分布、生长和地形数据建立崩塌滑坡遥感判识标志库。通过训练样本，提取各地物波谱信息最大值、最小值、均值，并利用均值建立如图4所示的典型地物波谱响应曲线，辅助建立判识标志库。

图4　典型地物的波谱响应曲线

图5　地质灾害决策树提取模型

3.3崩塌滑坡遥感信息提取

通过试验研究发现（如图5）：利用非研究区在TM影像第1波段上的值为0的特点，建立了TM1=0的规则，去除汶川县影像范围以外的区域；TC3波段上积雪与其他地物的区分度较大，当TC3>20时可以实现积雪地物类型的提取；在剔除了积雪的基础上，利用TM1波段上积雪和云的平均灰度值与其他地物的平均灰度值差异较大，可以有效提取云，即TM1>200；PC1波段上利用阴影与其他地物的平均灰度值最小相差 70的基础上可以实现阴影的提取，该临界值为PC1<-15；建立改正归一化差异水体指数（MNDWI），波段运算 表达 式 为 (TM2- TM5)/(TM2+ TM5)， 发 现 当0-0.16时能较好的提取地质灾害居民地、滩地和耕地等在内的地物信息。通过对震后汶川县地质灾害调查结果的规律探讨分析、及地质灾害发生机理可知，地质灾害易发生在坡度大于15°和高程小于3500m区间上，利用DEM数据，建立了Slope>15°、DEM<3500，同时也有效的排除了居民地、滩地及耕地等区域，最终得到较为准确的崩塌滑坡信息提取结果（图6）。

图6　汶川县2009（a）、2010（b）、2013（c）年崩塌滑坡提取结果

经分析发现，震后汶川县境内崩塌滑坡灾害体广泛分布，主要集中分布在映秀-北川断裂带和茂汶断裂带沿线5km范围内、海拔1200～3000m的中高山中上部位、坡度25°～70°的中陡坡地带。2009年，崩塌滑坡灾害体大量分布，灾害体面积达73.73 km2,到2010和2013年，灾害体有所减少，稳定在50 km2左右，仅岷江沿线有分布，灾害体总体变化率逐年减少。

表1　汶川县震后崩塌滑坡总体变化统计表

3.4分类精度评价

为探究决策树模型提取崩塌滑坡的效果，本研究采用监督分类中效果最好的最大似然法对研究区的崩塌滑坡进行了信息提取，以供对比。同时采用混淆矩阵方法来对分类结果进行精度评价。根据研究区的实际情况，结合野外调查和高分辨率遥感解译数据，采用随机抽样的方法，分别确定了不同年份的样本点数及对应的象元数量。分别对最大似然和决策树方法的分类结果进行精度评价，结果如表2所示。

表2　崩塌滑坡图像分类精度

从表2可知：决策树模型的生成精度和用户精度都在90%以上，Kappa系数都在0.9以上，而最大似然法的生成精度仅在75%左右，用户精度平均值仅为88.95%，Kappa系数介于0.64～0.76之间。基于决策树模型方法提取崩塌滑坡信息的精度明显高于最大似然法分类，且模型可拓性强，可以结合多种数据自动提取目标信息。

4 结论与讨论

（1）本文采用TM影像数据和DEM地形数据，基于决策树模型建立了汶川县崩塌滑坡灾害体遥感判识规则库，自动提取了汶川县2009年、2010年、2013年3期崩塌滑坡灾害体，分类精度达 90%以上，明显高于监督分类中效果最好的最大似然法，解决了低分辨影像提取崩塌滑坡灾害体方法单一、精度不高、效果不佳的问题。但该模型建立的规则库有区域性和局限性，不同的研究区、不同时相或色差明显的遥感影像所对应的规则库都是不同的，需修改参数重新建立规则库。

（2）对汶川县崩塌滑坡灾害体分布规律进行了研究和分析，发现该县崩塌滑坡灾害体主要集中分布在映秀-北川断裂带和茂汶断裂带沿线5km范围内、海拔1200-3000m的中高山中上部位、坡度25°～70°的中陡坡地带，灾害体总体变化率逐年减少，为灾区防灾减灾工作提供指南。由于灾害演化是一个漫长的过程，短时间内难以下定论，本研究未能很好的探究灾害的演化规律。

[1] 韩用顺,梁川,崔鹏,等.地形条件对次生山地灾害易发性分析[J].四川大学学报(工程科学版),2010,(S1):15-21.

[2] 殷跃平.汶川八级地震地质灾害研究[J].工程地质学报,2008,16(4):433-444.

[3] 韩用顺,崔鹏,朱颖彦,等.汶川地震危害道路交通及其遥感监测评估—以都汶公路为例[J].四川大学学报(工程科学版),2009,(3):273-283.

[4] Mantoviani F,Soeters R,Van Westen C J.Remote sensing techniques for landslide studies and hazard zonation in Europe[J].Geomorphology,1996,15(3/4):213-225.

[5] Mukherjee S.Microzonation of seismic and landslide prone areas for alternate highway alignment in a part of Western Coast of India using remote sensing techniques[J].Journal of the Indian Society of Remote Sensing,1999,27(2):81-90.

[6] Chadwick J,Dorsch S,Glenn N,et al. Application of multitemporal high-resolution imagery and GPS in a study of the motion of a canyon rim landslide[J].Journal of Photogrammetry and Remote Sensing,2005,59(4):212-221.

[7] 傅文杰,洪金益.基于支持向量机的滑坡灾害信息遥感图像提取研究[J].水土保持研究,2006,13(4):120-122.

[8] 叶润青,邓清禄,王海庆.基于图像分类方法滑坡识别与特征提取—以归州老城滑坡为例[J].工程地球物理学报,2007,4(6):475-477.

[9] 胡德勇,李京,赵文吉,等.基于对象的高分辨率遥感图像滑坡检测方法[J].自然灾害学报,2008,17(6):42-46.

[10] 白秀莲.基于决策树方法的遥感影像分类研究[D].呼和浩特:内蒙古师范大学,2012.

[11] 杨凯.城市土地利用/覆盖分类及其空间格局分析[D].湖南:中南大学,2008.

[12] Weiss E,Marsh E.E,Pfirman E.S.Application of NOAAAVHRR NDVI Time-serial Data to Assess Change in Saudi Arabia,s rangelands[J].International Journal of Remote Sensing,2001,22(6):1005-1027.

[13] 刘勇洪,牛铮,王长耀.基于 MODIS数据的决策树分类方法研究与应用[J].遥感学报,2005,9(4):405-412.

[14] 李国清.南方山地丘陵森林主要树种遥感信息提取研究[D].福州:福建农林大学,2009.

[15] 潘琛,杜培军,张海荣.决策树分类法及其在遥感图像处理中的应用[J].测绘科学,2008,(5):22-26.

Remote sensing information extraction of landslide in Wenchuan County

Collapse, landslide and debris flow are the three most common types of secondary geological disasters, which are very common in the earthquake disaster area. Based on TM image and DEM terrain data, the paper established the remote sensing identification mark database of landslide in Wenchuan County in 2009, 2010 and 2013. The classification accuracy was better than the maximum likelihood supervised classification method. The results show that the landslide hazard in the county is mainly concentrated in the middle and steep slope of the middle and upper part of the fault zone, which is located in the middle and upper part of the middle and upper part of the middle and high mountain ranges from 25 degrees to 70 degrees above the middle part of the fault zone along the 3000m range. The method of automatic extraction of the model is a simple, accurate and effective method for the extraction of geological hazard in low resolution images, and the model can be applied to geological hazard body.

Decision tree; decision tree; information extraction; ETM; Wenchuan County

P315

A

1008-1151(2015)09-0026-04

2015-08-10

交通运输部科技计划项目（2015 316 T19 060），湖南省学位与研究生教育教学改革研究课题（JG2013B048），湖南省研究生科研创新项目（CX2015B471）。

陈勇国（1973－），湖南科技大学建筑与城乡规划学院硕士研究生，从事灾害遥感与3S技术及应用研究；谢莲（1980－），湖南省地质测绘院信息中心工程师，从事航测成图和土地开发整理工作。