D-InSAR与随机森林模型耦合的活动性滑坡识别方法探究

高星月，王世杰,4，高鹏程

（1.兰州交通大学测绘与地理信息学院，甘肃 兰州,730070；2.地理国情监测技术应用国家地方联合工程研究中心，甘肃 兰州,730070；3.甘肃省地理国情监测工程实验室，甘肃 兰州 730070；4.甘肃大禹九洲空间信息科技有限公司院士专家工作站，甘肃 兰州 730050）

0 引言

滑坡是岩石碎屑或大型边坡移动的自然现象，在山地演变进程中发挥了重要的作用，其诱发因素通常包括强降雨、径流、地震或者火山爆发等[1]。近年来，甘肃省舟曲县滑坡地质灾害频发[2]，给经济发展和社会稳定造成了严重影响。由于滑坡孕灾环境及各类诱发因素的复杂性，早期识别与预测难度较大，对滑坡灾害的预防缺乏依据[3]。

实地调查发现潜在滑坡区域并更新滑坡库存是常见和可靠的方法，传统方法使用全站仪、全球定位系统(Global Positioning System，GPS)等进行实地调查，可以得到滑坡数据集，包括精确的边界、空间位置和分布，但由于地形的复杂和不稳定性，这些技术费时费力且成本高昂，一般只能针对已知的滑坡体进行监测，无法实现大范围探测[4-7]。遥感影像具有获取周期短，覆盖面积大及获取快速方便等特点，因此SAR 影像和光学遥感影像在滑坡识别中得到广泛应用。除此之外，随着人工智能和大数据的蓬勃发展，机器学习算法在区域滑坡隐患识别中也得到了越来越多的应用。代聪等[2]利用2017年10月—2018年12月Sentinel-1A 雷达卫星升降轨数据，基于短基线干涉测量方法（Small Baseline Subset，SBAS）得到了舟曲县城上下游区域活动滑坡的地表形变；Shirvani 等[8]采用Sentinel-1A 和Sentinel-2 数据协同分析的方法和面向对象的随机森林模型绘制历史滑坡数据，利用光学和SAR 振幅图像进行滑坡隐患识别，利用Sentinel-1A SAR 数据和Sentinel-2 光学图像在印度东北部植被和丘陵地区识别新的滑坡；Piralilou 等[9]使用多尺度的图像分割和不同的机器学习模型进行了喜马拉雅山脉滑坡监测；涂宽等[10]结合D-InSAR 技术和高分辨率光学遥感影像，基于专家判识经验对滑坡隐患进行识别探测。目前已有的研究主要集中在采用单一方法如InSAR 技术或机器学习模型方法进行活动性滑坡识别。

文中选定甘肃舟曲县为研究区域，结合Sentinel-1A 卫星SAR 影像数据，利用D-InSAR 技术和已知的滑坡数据集，运用随机森林算法（Random Forests，RF）进行模型训练，对研究区滑坡隐患进行识别，并利用叠置分析方法对地表形变与滑坡隐患识别结果进行耦合分析。

1 研究区概况

舟曲县地处甘肃甘南藏族自治州，东邻陇南市，北接宕昌县，西南与四川省九寨沟县接壤。地处秦岭山脉，岷山山系贯穿全境，是典型的高山峡谷地貌。该区域位于白龙江流域，自然灾害频发[11-12]，是“5·12”特大地震和“8·8”泥石流灾害中受灾严重的区域[13]。

近年来人类活动愈发频繁，舟曲县生态环境不断恶化，斜坡的岩土结构失稳，滑坡灾害频发。2017年灾害统计发现，研究区内自西向东产生了锁儿头、门头坪及江顶崖等[14]34 处滑坡及隐患点，其中多数属于大型深层滑坡。2018年7月12日南峪乡江顶崖滑坡发生大规模失稳，堵塞白龙江形成堰塞湖，严重威胁人民生命财产安全，滑坡稳定性问题再次引起社会广泛关注[15]。研究区地理位置及地形地貌见图1。

图1 研究区行政区划及地形图Fig.1 Topographic map and administrative division of the study area

2 数据与方法

2.1 研究数据及预处理

（1）Sentine-lA 数据

分别从阿拉斯加卫星通讯社（https://search.asf.ala ska.edu/）和欧空局哥白尼数据中心网站（https://scihub.copernicus.eu/）收集了研究区Sentinel-1A 降轨数据和Sentinel-2 光学遥感影像数据，进行了基线估算、辐射定标和大气校正等预处理（表1）。

表1 卫星数据参数Table 1 Satellite data parameters

（2）滑坡数据集

选用武汉大学滑坡检测数据集，该滑坡数据集来自于全色波段0.8 m，多光谱波段为3.2 m的TripleSat 卫星数据，通过卷积神经网络基于注意力机制从Triple-Sat 卫星图像和数字高程模型数据集来检测滑坡[16]，主要使用卫星数据中划分开的滑坡数据和非滑坡数据2 个部分（表2）。

表2 滑坡数据集[16]Table 2 Landslide data set[16]

使用滑坡发生前两景Sentinel-1A 降轨数据，结合SRTM（Shuttle Radar Topography Mission）数字高程模型（Digital Elevation Model，DEM）数据（空间分辨率为90 m），辅助去除地形相位，提取研究区地表形变信息。选取一幅滑坡发生后的Sentinel-2 光学遥感影像数据，运用Sen2cor 软件，结合随机森林模型识别潜在的滑坡体。

2.2 研究方法

通过对Sentinel-1A 滑坡发生前的2 景影像进行基线估算，确定其小于临界基线，根据同极化方式的文件生成干涉图，进行滤波和相干性计算，采用最小费用法相位解缠，输入控制点文件，进行轨道精炼和相位偏移计算，消除可能出现的斜坡相位和纠正相位偏移，最后结合合成相位转换为形变数据。Sentinel-1A IW 宽幅干涉SAR 数据具有超高的地面覆盖范围，可利用差分干涉测量技术获取大范围的地表形变信息，为后期基于遥感影像的活动性滑坡信息准确识别缩小搜寻范围，提升滑坡隐患识别效率。

采用随机森林模型，基于决策树方法，训练过程中通过重采样得到样本数据，构造大量决策树，综合预测结果，利用均值或者投票方式得到最终预测结果[17]。决策树的训练样本以及节点选取采用随机机制，以降低对过拟合问题[18]的敏感性。基于每个决策树产生输出，然后根据输出确定权重。建树过程中，每个属性都要遍历所有可能的分割方法，选择具有最小Gini系数的属性为分裂属性。Gini系数越小，代表所产生的样本子集中，样本类别内容越单纯。技术路线如图2所示。

图2 滑坡识别技术路线图Fig.2 Technology road map of landslide identification

3 试验结果与分析

运用D-InSAR 方法提取甘肃舟曲的地表形变信息，利用随机森林模型对该区域的滑坡隐患点进行识别，通过重采样对比分析地表形变与滑坡隐患识别之间的关系。

3.1 地表形变分析

Sentinel-1A 卫星降轨影像，经过D-InSAR 差分干涉处理得到舟曲县1年间的地表形变信息（图3）。红色区域（正值）表示目标沿着LOS 方向向卫星方向上移动，蓝色区域（负值）表示目标沿着LOS 方向向卫星反方向移动，绿色区域表示相对稳定。由图3可知，舟曲县的地表形变存在明显的区域分异特征，舟曲县北部形变具有分散分布特征，形变信息大的区域位于立节乡，最大沉降量为0.12 m，形变量集中在0.03～0.04 m。舟曲县南部形变量分布在0.02～0.10 m，最大形变量为0.20 m，集中分布在舟曲县西南方向的博峪乡和插岗乡，具有密集分布特征。舟曲县域内滑坡运动方向总体以东西向滑动为主，与贯穿舟曲县境内的秦岭山脉走向一致。

图3 舟曲地表形变信息图Fig.3 Surface deformation information map of Zhouqu

3.2 滑坡识别

利用随机森林模型，基于已知滑坡数据集对Sentinel-2 预处理后的数据进行滑坡隐患识别。构建网格参数，采用网格搜索得到合适的参数进行模型训练。随机数种子确定为10 以确保每次运行可以得到相同的结果，决策树分裂节点的标准采用基尼系数法，数量取100，保证训练精度与运算速度相协调。融合地表形变信息，选择精度吻合最佳结果进行分析预测，结果如图4（a）所示。训练测试过程中，运用75%的样本图像作为训练数据，25%的样本图像进行测试，滑坡识别测试精度、召回率、准确率分别为0.85，0.75，0.70，综合得到ROC 曲线和曲线下面积值，如图4（b）所示。识别结果分析可知，舟曲潜在滑坡体主要分布在东北方向与西南方向上，与图3提取出的地表形变量较大区域具有高度重合性，地表形变信息可以较好地辅助判断滑坡隐患识别点。实验过程中，研究区边界会误判定为滑坡，为了提高识别精度，将边界部分去除后预测。滑坡隐患识别中，识别精度很大程度上会受到切片影响，图像不同分割方法会产生不同的实验结果。通过调参确定，切片精度为255 时，识别准确性最高。

图4 舟曲县随机森林模型滑坡识别区域和ROC 曲线Fig.4 Landslide identification area of Random Forest model and ROC curve in Zhouqu

3.3 地表形变与滑坡识别叠置分析

由于地表形变信息与滑坡隐患高度相关，将滑坡识别结果转化为区域点，与地表形变信息叠加，结果如图5所示。针对地表形变信息与滑坡隐患识别的关联性，选取滑坡隐患识别点分布集中且形变量大的舟曲县东北和西南方向进行融合。

图5分析可以看出，形变量较大的东北方向上，滑坡隐患识别点主要分布在立节乡和城关镇区域，其中地表沉降量大于0.06 m 的区域大都被识别为潜在滑坡体；西南方向上，滑坡识别点集中在博峪乡范围内，分布区域的地表形变量多数大于0.14 m。对于形变信息较大的区域，果耶乡等都被识别为滑坡区域，证实了地表形变与滑坡识别结果的一致性。在将识别的滑坡隐患区域转化为滑坡点的过程中存在一定的误差，所以对于滑坡点的筛选应结合地表沉降信息进行分析。

为了验证地表形变与潜在滑坡体之间的强相关性，以舟曲县沉降量明显的立节乡为例进行叠置分析，结果见图6。立节乡北坡存在较大地表形变，最大沉降量为0.12 m，该区域也相应的识别出了滑坡隐患点，证实了地表形变信息与滑坡隐患的识别结果具有高度一致性。通过对立节乡遥感影像的局部区域进行目视解译，见图7(a)，可见滑坡沿东西向产生滑动，与该区域的地表形变信息进行叠加分析，见图7(b)，滑坡与地表形变区域具有高度重合性且滑坡方向一致。据中国自然资源报报道，2021年1月，立节乡北山滑坡发生了滑动，证明了地表形变信息辅助滑坡识别的科学性。从图5可以看出，立节乡南部存在地表沉降区域，相应地识别出了滑坡隐患点，应作为重点监测区域。识别与形变出现重合时应提前预防，对该区域实施不间断地监测评估，根据评估结果针对不同灾害等级采取应对措施，及时撤离相关区域人员，保证人民生命与财产安全。

图5 舟曲地表形变与滑坡识别点叠合图Fig.5 Overlap diagram of Zhouqu surface deformation and landslide identification points

图6 立节乡地表形变信息图Fig.6 Information map of surface deformation in Lijie Township

图7 立节乡局部滑坡区域遥感影像图和地表形变信息对比图Fig.7 Comparison map of remote sensing image and surface deformation information of local landslide in Lijie Township

4 结论

利用Sentinel-1A 降轨影像和Sentinel-2 光学遥感影像，通过D-InSAR 技术对舟曲县地表形变信息进行探测，结合随机森林模型对研究区滑坡隐患进行识别，并针对典型滑坡区域（立节乡）进行实证研究，主要结论如下：

（1）舟曲县的整体形变绝对量在0.08 m 以内，存在明显的形变区域分异，整体滑坡运动方向为东西向，与贯穿舟曲县境内的秦岭山脉走向一致。

（2）滑坡隐患识别结果与地表形变数据基本吻合，说明地表形变信息对于潜在滑坡体的识别具有强参考性，进而证实了结合地表形变信息运用已有滑坡数据集进行区域滑坡识别学习的可行性。

（3）立节乡研究时段内形变量达到0.18 m，是舟曲县域地表沉降最大的区域，也识别出了潜在滑坡体，同时该区域于2021年1月18日发生北山滑坡，证实了DInSAR 与随机森林模型耦合的活动性滑坡识别方法具有一定的可靠性。

（4）通过地表形变信息和随机森林识别结果相结合的方法进行潜在滑坡体的识别，两者可以在相辅相成的情况下提高识别精度，最大限度地识别出滑坡灾害隐患，对提高滑坡隐患识别的精度具有可靠性和一定的广泛适用性。

（5）由于文中主要目的是探测研究区域活动滑坡，因此仅选取了时间间隔为1年的2 期Sentinel-1A 雷达影像数据，不能充分揭示研究区滑坡隐患点的形变规律，该问题可作为后续研究的重点。