李麒崙，張萬昌，易亞寧

(1 中國科學(xué)院遙感與數(shù)字地球研究所，北京 100094； 2 中國科學(xué)院大學(xué)，北京 100049)

中國是世界上地震活動(dòng)最頻繁和受損最嚴(yán)重的國家之一，如2008年“5·12”汶川特大地震、2010年青海玉樹地震、2013年四川雅安地震、2017年四川九寨溝地震等都造成了十分嚴(yán)重的生命財(cái)產(chǎn)損失[1-2]。而在地形地貌復(fù)雜的山區(qū)，地震滑坡是地震引發(fā)的多種次生地質(zhì)災(zāi)害中最為常見且破壞力最強(qiáng)的災(zāi)害[3]，其造成的生命財(cái)產(chǎn)損失可占一次地震的一半以上[4]。因此準(zhǔn)確快速地獲取地震滑坡災(zāi)害的范圍、位置等信息，對開展地震應(yīng)急救援和災(zāi)后重建等工作具有重要意義。

目前，地震滑坡信息主要通過人工現(xiàn)場勘查及遙感影像目視解譯等方法來獲取[5]，然而現(xiàn)場勘查常因震后地面交通阻塞受到限制，需要耗費(fèi)大量的人力物力，效率低耗時(shí)長，而目視解譯方法則過于依賴專家經(jīng)驗(yàn)，工作量過于龐大，無法滿足地震應(yīng)急救援的工作要求[6]。近年來，隨著高分辨率遙感影像的不斷發(fā)展，越來越多的自動(dòng)/半自動(dòng)提取算法如變化檢測方法、面向?qū)ο筇崛》椒ǖ缺粡V泛應(yīng)用在滑坡信息的提取識別中[7-11]。Zhao等[12]針對尼泊爾地震，利用基于像元的變化檢測方法對Landsat-8數(shù)據(jù)進(jìn)行滑坡體提取，并取得精度較高的提取結(jié)果。Li等[13]基于航空遙感影像結(jié)合變化檢測和水平集算法分別提出基于邊緣的ELSE和基于區(qū)域的RLSE半自動(dòng)化滑坡識別算法，RLSE提取結(jié)果較好，準(zhǔn)確率達(dá)90%，漏檢率約20%。Martha等[14]綜合利用滑坡體的光譜、空間和形狀特征，使用面向?qū)ο蟮乃惴▽?shí)現(xiàn)對滑坡體的半自動(dòng)化提取。閆琦[15]結(jié)合超像素分割和顯著性檢測提出一種基于面向?qū)ο蟮幕滦畔⑻崛∷惴ǎY(jié)果表明該算法具有較高的召回率和準(zhǔn)確率，但對于面積大、信息量多的影像，檢測性能相對不足。然而，基于像元的變化檢測雖然能夠快速提取變化信息，但是其沒有考慮到幾何、紋理等特征信息，從而引起很多非滑坡體地物的誤判；相反，面向?qū)ο蟮幕绿崛∷惴m然充分利用遙感影像豐富的地物信息，提高了滑坡識別的精度，但是由于地物信息繁亂復(fù)雜，選取合適的特征以及分割參數(shù)的選取都需要人工干預(yù)，自動(dòng)化程度較低，且時(shí)效性較差。

因此，本文基于變化檢測和面向?qū)ο筇崛∷惴?，深入分析地震滑坡的遙感影像特征，研究一種結(jié)合變化檢測和面向?qū)ο笏惴ǖ牡卣鸹滦畔⒖焖偬崛》椒āＴ摲椒ㄔ诨谙裨淖兓瘷z測基礎(chǔ)上，結(jié)合滑坡的紋理、幾何和空間結(jié)構(gòu)特征，篩選誤判像元，并利用改進(jìn)的區(qū)域生長算法優(yōu)化滑坡體提取范圍，從而實(shí)現(xiàn)地震滑坡信息的高效率、高自動(dòng)化提取，為震后應(yīng)急救援提供信息技術(shù)支撐。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)域概況

本文選取2017年8月8日九寨溝7.0級地震(震中北緯33.2°，東經(jīng)103.82°)的核心地區(qū)九寨溝縣漳扎鎮(zhèn)(北緯32°54′～33°25′，東經(jīng)103°38′～104°41′)為研究區(qū)(圖1)。漳扎鎮(zhèn)位于四川省北部，隸屬于四川省阿壩藏族羌族自治州九寨溝縣，地處青藏高原和四川盆地過渡地帶，全鎮(zhèn)面積1 306 km2，地勢南高北低，地形以山地為主，平均海拔約為3 400 m。研究區(qū)位于塔藏?cái)嗔押突⒀罃嗔迅浇黐16]，是本次地震受災(zāi)最嚴(yán)重的地區(qū)之一，同時(shí)漳扎鎮(zhèn)轄區(qū)內(nèi)還包含有著名的九寨溝風(fēng)景區(qū)，也受到地震的嚴(yán)重破壞[17-18]。本次地震在研究區(qū)內(nèi)引發(fā)了大量的地震滑坡，從其中選取2處地震滑坡分布最為密集的地區(qū)作為本次實(shí)驗(yàn)樣區(qū)，如圖1所示。其中，樣區(qū)1為九寨天堂洲際大飯店北部大型滑坡體；樣區(qū)2為九寨溝景區(qū)內(nèi)熊貓海附近滑坡群。

圖1 研究區(qū)位置圖Fig.1 Location of the study area

1.2 研究數(shù)據(jù)

本文選取研究區(qū)震前2017年7月29日和震后2017年9月7日的Sentinel-2A衛(wèi)星遙感影像作為實(shí)驗(yàn)數(shù)據(jù)。Sentinel-2A衛(wèi)星是歐空局(https:∥sentinel.esa.int/)對地觀測任務(wù)計(jì)劃的一部分，攜帶的多光譜成像儀，覆蓋包括可見光、近紅外等13個(gè)光譜波段，同時(shí)相較于同類型的Landsat-8衛(wèi)星，Sentinel-2A衛(wèi)星有著更高的空間分辨率(10 m)，以及更短的重返周期(5 d)，這使得Sentinel-2A衛(wèi)星能夠更好地完成地震滑坡信息快速提取的任務(wù)。

2 研究方法

本文針對地震滑坡信息提取的主要方法和流程如圖2所示。首先對震前震后遙感影像數(shù)據(jù)進(jìn)行幾何校正、輻射校正等數(shù)據(jù)預(yù)處理，并通過自動(dòng)云掩膜提取算法得到去云的遙感影像；接著利用投票法對3種基于像元的變化檢測閾值結(jié)果進(jìn)行整合，得到滑坡體的初始掩膜；然后基于多特征參數(shù)，對初始掩膜進(jìn)行逐層修正，剔除非滑坡體，再利用改進(jìn)的區(qū)域生長算法對滑坡邊界進(jìn)行優(yōu)化，最后通過形態(tài)學(xué)運(yùn)算得到更加精確的滑坡范圍。同時(shí)研究以變化向量分析法(change vector analysis，簡稱CVA)作為對比試驗(yàn)方法，將兩種方法得到的結(jié)果與目視解譯結(jié)果進(jìn)行對比分析，從而對地震滑坡信息快速提取方法的提取精度做出評估。

2.1 數(shù)據(jù)預(yù)處理

本文下載的Sentinel-2A遙感影像數(shù)據(jù)均為L1C級產(chǎn)品，已經(jīng)經(jīng)過正射校正和幾何精校正，幾何配準(zhǔn)誤差小于0.5個(gè)像元，滿足變化檢測算法所需的配準(zhǔn)精度要求[19]，所以只利用ENVI5.4對遙感影像進(jìn)行輻射定標(biāo)、FLAASH大氣校正、圖像鑲嵌、圖像裁剪等預(yù)處理后得到10 m可見光和近紅外影像。云掩膜自動(dòng)提取算法是依據(jù)波長越短的電磁波越容易受到大氣中的水汽和氣溶膠的散射作用影響，所以云在波長較短的波段中反射率大于波長較長波段這一現(xiàn)象[20-21]，選取Sentinel-2A中波長最短的波段Band1-Coastal aerosol(60 m)進(jìn)行實(shí)驗(yàn)分析。在該波段中，云層的灰度值很高，與非云區(qū)域的差異度比其他波段更為突出，故本研究利用OTSU自動(dòng)閾值分割法,得到基礎(chǔ)云掩膜M1。但是考慮到Band1空間分辨率僅為60 m，生成的掩膜對于后續(xù)研究中使用的10 m可見光和近紅外波段的誤差較大，所以引入只利用可見光波段計(jì)算的HOT指數(shù)[22]，其計(jì)算公式為

圖2 算法流程圖Fig.2 Flowchart of the proposed algorithm

HOT=B-0.5R，

(1)

式中：B為藍(lán)波段(10 m)輻射值，R為紅波段(10 m)輻射值。但是HOT指數(shù)缺陷明顯：藍(lán)色建筑物會被識別出來，同時(shí)會對一些高亮度無云地區(qū)產(chǎn)生高估[23]。所以本文利用改進(jìn)的區(qū)域生長算法(RGA，在2.4節(jié)中詳細(xì)介紹)，將云掩膜M1與HOT指數(shù)結(jié)合起來得到更加精確的云掩膜。

2.2 變化檢測提取

基于像元的變化檢測方法是直接對遙感影像灰度值進(jìn)行分析處理，該方法容易實(shí)現(xiàn)，可以更好地保留遙感影像的真實(shí)變化信息，快速有效地提取地震滑坡信息。因此本文選取最為實(shí)用的3種變化檢測方法，即差值法、比值法和變化向量分析法對震前震后遙感影像進(jìn)行變化信息提取。差值法和比值法在實(shí)現(xiàn)原理上十分相似，通過將配準(zhǔn)后的兩時(shí)相影像上各波段的對應(yīng)像元值相減或相除，構(gòu)造差異影像，并通過OTSU自動(dòng)閾值算法計(jì)算出變化閾值，來提取變化區(qū)域，使用兩種方法分別在紅綠藍(lán)三波段進(jìn)行變化提取，共得到6個(gè)滑坡體掩膜。變化向量分析法是用一個(gè)空間向量表示遙感影像的多波段變化，在每個(gè)像元位置得到一個(gè)同時(shí)具有變化方向和變化大小的變化向量，根據(jù)比較變化向量的模和設(shè)定的閾值判斷該像元點(diǎn)的變化信息，該方法能綜合紅綠藍(lán)三波段信息，只得到1個(gè)滑坡體掩膜。而后在得到的7個(gè)滑坡體掩膜的基礎(chǔ)上，引入基于混合思想的變化檢測方法[24]，將目標(biāo)區(qū)域分別使用多種變化檢測算法，利用投票法綜合分析7種方法的閾值分割結(jié)果，將所有結(jié)果的缺點(diǎn)最小化，從而得到準(zhǔn)確率較高的滑坡體掩膜。

2.3 逐層特征信息篩選

目前國內(nèi)外已有很多學(xué)者在面向?qū)ο蟮幕麦w提取研究中提出滑坡在遙感影像上的特征[25-29]，總結(jié)歸納為：在光譜特征上，滑坡體比周圍的植被和陳舊裸土的亮度相對較高，這是變化檢測算法能夠提取滑坡信息的最主要原因；在形狀特征上，震后滑坡多呈現(xiàn)為舌狀活片狀，也有橢圓形、梨形、馬蹄形等，普遍沒有統(tǒng)一的形態(tài)，而大部分人工地物如建筑物、耕地、道路等經(jīng)常呈現(xiàn)為較為規(guī)則的形狀；在紋理特征上，震后滑坡整體紋理較為細(xì)膩，而與之易混淆的耕地則較為粗糙，所以可以輔助形狀特征，有效地排除耕地的干擾。

依據(jù)上述總結(jié)的地震滑坡的特征信息，對投票法得到的變化檢測結(jié)果逐層分析，剔除非滑坡體，從而得到最終的滑坡提取掩膜。算法具體包括以下幾個(gè)步驟：

1)將投票法綜合分析得到的滑坡體掩膜作為輸入T1，震前震后多光譜影像作為輔助數(shù)據(jù)。

2)選取多個(gè)光譜特征參數(shù)，如歸一化植被指數(shù)NDVI、歸一化水體指數(shù)NDWI等，利用光譜指數(shù)對震區(qū)進(jìn)行初步篩選，得到結(jié)果T2；

3)對T2做4鄰域的連通區(qū)域劃分，并計(jì)算所有連通區(qū)域的形狀參數(shù)，同時(shí)基于震后影像和連通區(qū)域計(jì)算紋理參數(shù)，利用Otsu自動(dòng)閾值確定算法，得到各參數(shù)的最佳閾值；

4)利用形狀參數(shù)閾值，排除T2中形狀規(guī)則的建筑物、道路，得到結(jié)果T3；

5)利用紋理參數(shù)閾值，排除T3中耕地，最終得到更加準(zhǔn)確的滑坡體掩膜。

由于逐層特征信息篩選是建立在已得到的變化檢測的結(jié)果上設(shè)計(jì)的，所以在此只選取針對性強(qiáng)、效果顯著的特征參數(shù)進(jìn)行干擾排除。光譜特征參數(shù)采用歸一化植被指數(shù)NDVI和歸一化水體指數(shù)NDWI，公式如下：

(2)

(3)

式中：NIR為近紅外波段反射率，G為綠波段反射率，R為紅波段反射率。這2個(gè)指數(shù)被廣泛應(yīng)用在眾多植被和水體提取研究中，能夠很好地增強(qiáng)植被和水體的信息，并弱化其他干擾噪聲，從而將滑坡體掩膜中的植被和水體誤判剔除。形狀特征參數(shù)采用長寬比r和緊致度c，公式如下：

(4)

(5)

式中：l為區(qū)域外接矩形的長度，w為區(qū)域外接矩形的寬度，a為區(qū)域面積；r為區(qū)域外接矩形的長寬比，能夠很好地表征區(qū)域的線性程度，從而排除道路信息的誤判；c為區(qū)域最小外接矩形面積與區(qū)域面積的比值，比值越接近1，說明該區(qū)域的形狀越接近矩形。由于人工地物往往較為規(guī)則，因此，本文使用矩形度這一特征參數(shù)去掉人工地物等錯(cuò)誤信息。紋理特征參數(shù)采用區(qū)域方差來描述，公式如下

(6)

由于經(jīng)過上述方法篩選剔除，只剩余部分耕地作為誤判地物，而耕地區(qū)域與滑坡區(qū)域的紋理差異較大，用區(qū)域方差完全可以區(qū)分，故沒有選取計(jì)算更為復(fù)雜、耗時(shí)更長的灰度共生矩陣作為紋理特征參數(shù)。

2.4 改進(jìn)的區(qū)域生長算法

為了進(jìn)一步完善滑坡范圍，并排除一些誤判的薄云干擾，本文使用改進(jìn)的區(qū)域生長算法(regional growth algorithm, 簡稱RGA)對特征信息篩選后的結(jié)果進(jìn)行優(yōu)化[10]。RGA是一種應(yīng)用廣泛的基于區(qū)域的圖像分割方法，而在本文中，通過對RGA的改進(jìn)，使其能夠結(jié)合背景影像和滑坡體掩膜優(yōu)化滑坡提取范圍，具體流程如圖3(a)所示。首先，規(guī)定初始種子點(diǎn)是震后滑坡掩膜中各個(gè)連通區(qū)域的第一個(gè)像元。其次，將掩膜圖像中孤立的像元判定為噪聲直接剔除。然后，將變化向量法提取的變化檢測結(jié)果與滑坡掩膜疊加在一起，并使用變化向量檢測結(jié)果中的差異值建立每一個(gè)初始生長區(qū)域?qū)?yīng)的生長標(biāo)準(zhǔn)，其置信區(qū)間為[mi-σi,mi+σi]，其中，mi與σi分別是第i個(gè)區(qū)域的均值與標(biāo)準(zhǔn)偏差。區(qū)域生長算法應(yīng)用時(shí)像元的生長過程如圖3(b)所示，相同的顏色表示該區(qū)域內(nèi)像素的灰度值和屬性值有著相似的特征。如果一個(gè)臨近種子點(diǎn)的像元值處在置信區(qū)間之內(nèi)，那么這個(gè)像素就被標(biāo)記為滑坡，同時(shí)如果該像素本身已被判定為云掩膜區(qū)域，則該區(qū)域會被標(biāo)記為云從而被剔除。以此迭代，當(dāng)沒有像元被發(fā)現(xiàn)并滿足這種條件時(shí)迭代終止。

圖3 改進(jìn)的RGA流程圖及生長過程示意圖Fig.3 Flowchart and diagram of the example of the modified RGA

2.5 算法精度評估

為評估快速提取算法得到的滑坡掩膜，本文將基于Google Earth、GF-1和GF2等遙感影像的人工目視解譯提取的滑坡范圍作為驗(yàn)證數(shù)據(jù)，并利用混淆矩陣分別計(jì)算準(zhǔn)確率A(accuracy)、漏檢率M(miss rate)、總體精度OA(overall accuracy)以及Kappa系數(shù)等精度評價(jià)指標(biāo)，公式如下：

(7)

(8)

(9)

(10)

式中:TP(ture positive)為把實(shí)際滑坡正確提取為滑坡的像元數(shù)；FN(false negative)為把實(shí)際滑坡錯(cuò)誤提取為非滑坡的像元數(shù)；TN(ture negative)為把實(shí)際非滑坡正確提取為非滑坡的像元數(shù)；FP(false positive)為把實(shí)際非滑坡錯(cuò)誤提取為滑坡的像元數(shù)。A代表提取到的地震滑坡結(jié)果準(zhǔn)確的比率；M指提取結(jié)果中未提取出來的滑坡像元占所有實(shí)際發(fā)生滑坡像元的比率；OA是指所有提取正確像元之和與總像元數(shù)的比值；Kappa系數(shù)能夠準(zhǔn)確反映最終提取的精度。

3 實(shí)驗(yàn)結(jié)果

3.1 滑坡體提取結(jié)果

依據(jù)本文上述方法流程，對整個(gè)研究區(qū)的Sentinel-2A遙感影像進(jìn)行地震滑坡信息的快速提取，并將本文方法提取結(jié)果與CVA的提取結(jié)果進(jìn)行對比，研究區(qū)整體和樣區(qū)1、2的滑坡提取結(jié)果分別如圖4～圖6所示。通過對比圖4(c)和圖4(d)發(fā)現(xiàn)，本文算法在研究區(qū)整體提取效果良好，大部分滑坡體都被準(zhǔn)確識別出來。與CVA提取結(jié)果相比，本文算法提取滑坡范圍與人工目視解譯結(jié)果更為一致，尤其在大面積滑坡邊緣處更為明顯；而在厚云的邊緣處，本文算法的誤檢像元更少，其主要原因是改進(jìn)的區(qū)域生長算法不僅可以完善滑坡范圍，還將與云掩膜有重疊的區(qū)域判定為薄云，從而從提取結(jié)果中剔除。而觀察圖5(c)、5(d)和圖6(c)、6(d)樣區(qū)1、2中的兩種方法的提取結(jié)果對比，可以更加清晰地看出，相較CVA方法本算法對滑坡邊界進(jìn)行了優(yōu)化，同時(shí)將大部分鄰近的零碎斑塊整合成一個(gè)完整的滑坡體，盡管也將少部分夾雜在滑坡區(qū)域間的非滑坡像元誤判為滑坡，但整體來看提高了提取精度。

圖4 研究區(qū)滑坡提取結(jié)果Fig.4 The landslide extraction results in the whole study area

圖5 樣區(qū)1滑坡提取結(jié)果對比Fig.5 The landslide extraction results in the first sample area

圖6 樣區(qū)2滑坡提取結(jié)果對比Fig.6 The landslide extraction results in the second sample area

3.2 提取結(jié)果精度評估

為了更直觀地對兩種算法進(jìn)行評估，本文算法與CVA算法的滑坡提取精度評估結(jié)果如表1所示。對比表1數(shù)據(jù)可以看出，在兩個(gè)樣區(qū)中，本文算法的提取準(zhǔn)確率分別為86.65%和87.26%，均低于CVA的準(zhǔn)確率93.83%和96.57%，其原因主要是上述的在進(jìn)行區(qū)域生長和形態(tài)學(xué)運(yùn)算時(shí)，將一些夾雜在滑坡區(qū)域間的非滑坡像元誤判為滑坡，從而使得準(zhǔn)確率有所降低，但幅度并不十分明顯。在研究區(qū)整體中本文算法的準(zhǔn)確率達(dá)到68.33%，高于CVA算法的43.14%，但仍然低于在樣區(qū)1、2中的準(zhǔn)確率，分析圖4(c)、4(d)發(fā)現(xiàn)原因?yàn)楸疚臑榱吮M量減少提取結(jié)果的人為干預(yù)而采用的自動(dòng)云提取算法，雖然將大部分云區(qū)域掩膜掉，但是仍有部分面積小的薄云很難自動(dòng)識別出來，而云在遙感影像中的特征與滑坡體極為相似，經(jīng)常被誤識別為滑坡，所以導(dǎo)致整體的準(zhǔn)確率偏低。再觀查漏檢率，本文算法基本保持在20%～25%之間，而CVA算法則在50%左右，證明本文算法在對滑坡范圍的優(yōu)化上有著明顯的改進(jìn)，但仍然有一些面積較小或亮度低的滑坡未被準(zhǔn)確提取出來，其中面積小的滑坡在區(qū)域生長算法和形態(tài)學(xué)運(yùn)算后很容易被當(dāng)做噪聲剔除，而亮度較低的滑坡在初始的變化檢測提取時(shí)沒有被作為變化像元檢測出來。而觀察整體精度發(fā)現(xiàn)，不論本文算法還是CVA在樣區(qū)均基本在90%左右，而研究區(qū)整體則達(dá)到98%，這主要是由于未發(fā)生改變的像元和經(jīng)過算法處理后剔除的非滑坡體變化像元較多，使得整體精度較高。最后觀察表1中兩算法的Kappa系數(shù)可以看出，本文算法在樣

區(qū)1、2和研究區(qū)整體分別達(dá)到0.78、0.76、0.70，明顯高于CVA的0.59、0.57、0.42，說明本文算法的提取精度處于較高水平，滿足地震應(yīng)急救援時(shí)的提取精度需求，可以準(zhǔn)確地提取出地震滑坡信息。

表1 地震滑坡信息快速提取結(jié)果精度評價(jià)Table 1 Accuracy assessment of the results of seismic landslide extraction and CVA

3.3 算法效率評價(jià)

由于本研究是為滿足地震應(yīng)急需求所提出的滑坡提取算法，所以在保證較高提取精度的前提下，需要盡可能地合理優(yōu)化算法流程，選取合適的特征參數(shù)，從而減少算法的運(yùn)行時(shí)間，以精準(zhǔn)快速地提取地震滑坡信息。本研究的各算法均在Python平臺上實(shí)現(xiàn)，電腦配置為Intel Core i7-7700HQ@2.80 GHz，16 GB內(nèi)存，Windows 10操作系統(tǒng)。實(shí)驗(yàn)結(jié)果表明，在處理4 081像素×5 637像素的10 m分辨率遙感影像時(shí)，完成幾何校正、輻射校正、圖像配準(zhǔn)、鑲嵌裁剪等預(yù)處理過后，去云/陰影階段耗時(shí)39 s，基于投票法優(yōu)化的變化檢測提取方法耗時(shí)155 s，基于區(qū)域生長算法和逐層特征分析的優(yōu)化方法耗時(shí)158 s，本文算法流程整體耗時(shí)不超過6 min，僅比傳統(tǒng)的CVA算法多不到3 min，所以可以認(rèn)為本文提出的地震滑坡信息提取算法基本滿足地震應(yīng)急的時(shí)效性需求。

4 結(jié)論

本文提出一種結(jié)合變化檢測和面向?qū)ο笏惴ǖ牡卣鸹滦畔⒖焖偬崛》椒?，通過分析基于像元的變化檢測算法在滑坡提取中的特點(diǎn)，并總結(jié)歸納地震滑坡的光譜、形狀、紋理等遙感影像特征，從而剔除非滑坡體變化的提取范圍，最后利用改進(jìn)的區(qū)域生長算法對滑坡邊界進(jìn)行優(yōu)化，從而更加精確地提取滑坡信息。

本文以“8·8九寨溝地震”引發(fā)的地震滑坡為例，基于Sentinel-2A衛(wèi)星遙感影像數(shù)據(jù)，利用本文提出的方法提取震區(qū)滑坡信息，精度評價(jià)結(jié)果表明算法提取整體精度均在90%以上，Kappa系數(shù)均超過0.7，研究區(qū)內(nèi)大部分滑坡均被準(zhǔn)確識別，同時(shí)提取的滑坡范圍也與人工目視解譯結(jié)果較為一致。實(shí)驗(yàn)結(jié)果證明本文提出的地震滑坡快速提取方法滿足地震應(yīng)急救援時(shí)精度需求，可以高效準(zhǔn)確地提取出地震滑坡信息，從而為開展地震應(yīng)急救援和災(zāi)后重建等工作提供空間信息支撐。

本文提出的地震滑坡信息提取方法從影像去云階段開始，就已經(jīng)盡量減少人為干預(yù)，提高算法自動(dòng)化程度，但是在特征篩選階段閾值的選取仍依靠個(gè)人經(jīng)驗(yàn)，因此，在后續(xù)的研究中會進(jìn)一步提高算法的自動(dòng)化程度，從而更加簡單高效地提取滑坡信息，以更好地滿足地震應(yīng)急救援的準(zhǔn)確性和時(shí)效性的需求。