馬玉林，吳 華，張文海

（1.西藏大學(xué) 工學(xué)院，西藏 拉薩 850012；2.中科院重慶綠色智能技術(shù)研究院，重慶 400714）

全球范圍內(nèi)，滑坡是最頻發(fā)的自然災(zāi)害之一，滑坡、崩塌在我國(guó)分布非常廣泛。據(jù)統(tǒng)計(jì)，自1949 年以來(lái)，東起遼寧、浙江、福建，西至西藏、新疆，北起內(nèi)蒙古，南到廣東、海南，全國(guó)范圍內(nèi)至少22 個(gè)省、市、自治區(qū)不同程度地遭受過(guò)滑坡、崩塌的侵?jǐn)_和危害。滑坡的發(fā)生往往具有突發(fā)性，不可預(yù)料性，且分布分散，傳統(tǒng)的實(shí)地勘察具有效率低、費(fèi)時(shí)費(fèi)力等缺點(diǎn)。遙感技術(shù)的發(fā)展為滑坡的識(shí)別提供了快速、準(zhǔn)確、簡(jiǎn)便的解決方案。隨著不同類別和更高分辨率的遙感影像更易獲取，滑坡的識(shí)別技術(shù)也發(fā)生了顯著變化。文章對(duì)此進(jìn)行綜述，對(duì)滑坡遙感識(shí)別技術(shù)進(jìn)行了歸納總結(jié)，并對(duì)未來(lái)可能的發(fā)展趨勢(shì)進(jìn)行展望。

1 滑坡及其遙感解譯標(biāo)志

1.1 滑坡的定義與分類

滑坡是地質(zhì)體在重力作用下，沿地質(zhì)弱面向下向外滑動(dòng)的現(xiàn)象?；峦ǔ＞哂须p重含義，指重力滑動(dòng)過(guò)程，或重力滑動(dòng)地質(zhì)體和所形成的堆積體。

國(guó)內(nèi)外眾多學(xué)者在長(zhǎng)期對(duì)滑坡的調(diào)查研究中積累了大量資料，他們依據(jù)各自對(duì)滑坡的認(rèn)識(shí)以及不同部門滑坡防治的需要，從不同的角度提出了不同的滑坡分類方法。依據(jù)不同的分類要素（如運(yùn)動(dòng)形式、發(fā)生原因等）也可將滑坡劃分為不同的類別。根據(jù)中國(guó)地質(zhì)調(diào)查局制定的《滑坡防治工程勘察規(guī)范》（GB/T 32864-2016），滑坡可以按照滑體厚度、運(yùn)動(dòng)形式、發(fā)生原因、發(fā)生年代、穩(wěn)定程度和滑坡體積進(jìn)行不同分類。其中按照滑坡體體積可以分為五級(jí)（表1）：

表1 依據(jù)滑坡體積分類

1.2 滑坡的遙感解譯標(biāo)志

在遙感影像上顯示為特定的色調(diào)、紋理及幾何形態(tài)組合，被稱為滑坡的直接解譯標(biāo)志；而滑坡造成的地形地貌、植被、水系及景觀生態(tài)等的異常突變，可以為滑坡的判定提供某種信息，則被稱為間接解譯標(biāo)志[1]。

1.2.1 直接解譯標(biāo)志

（1）平面形態(tài)

滑坡后壁、滑坡體、滑動(dòng)面、滑動(dòng)帶、滑坡床和滑坡邊界是所有滑坡都具備的基本要素，在進(jìn)行遙感圖像解譯時(shí)，由于不能直接見(jiàn)到滑坡的地下部分，只能看見(jiàn)滑坡后壁、滑坡體和滑坡邊界3 個(gè)地形要素，所以就遙感方法而言，稱該3 個(gè)要素為滑坡基本地形（形態(tài)）要素[2]?；碌钠矫嫘螒B(tài)標(biāo)志主要有弧形、椅形、馬蹄形、新月形、梨形、漏斗形和葫蘆形、舌形等各種形態(tài)[3]。

（2）顏色標(biāo)志

新發(fā)生的滑坡其滑坡后壁土體裸露，色調(diào)較淺與裸土相似；后緣洼地由于積水的緣故常常呈深色調(diào)?；掳l(fā)生一段時(shí)間后，滑坡土體上往往呈淺綠色。無(wú)論是新滑坡還是老滑坡，滑坡土體的顏色與周圍環(huán)境色調(diào)有顯著差異。

（3）結(jié)構(gòu)標(biāo)志

滑坡多呈扇形或圓弧狀結(jié)構(gòu)，影像紋理較粗，滑坡體上常有斑點(diǎn)狀影紋出現(xiàn)。

1.2.2 間接解譯標(biāo)志

滑坡識(shí)別的間接解譯標(biāo)志主要是斜坡地形特征、植被特征以及水文特征。具體表現(xiàn)在山坡溝谷出現(xiàn)突然改道、橫斷面變淺；土體上的植被表現(xiàn)為馬刀樹(shù)、醉漢林等現(xiàn)象；不正常的河流彎曲、局部河道突然變窄等[4]。

2 基于遙感影像的滑坡識(shí)別方法

從數(shù)據(jù)源來(lái)看，基于遙感技術(shù)滑坡識(shí)別包括衛(wèi)星遙感技術(shù)和航空遙感技術(shù)。其中衛(wèi)星遙感技術(shù)又分為光學(xué)遙感和成像雷達(dá)衛(wèi)星遙感，航空遙感包括航空攝影測(cè)量技術(shù)和機(jī)載LiDAR 技術(shù)。本文從滑坡識(shí)別的技術(shù)手段分別進(jìn)行闡述。

2.1 人工目視解譯

遙感影像能夠客觀、真實(shí)地記錄地質(zhì)體的多種特征，包括幾何特征和光譜特征。一方面，不同的地物由于其各自物質(zhì)成分、結(jié)構(gòu)構(gòu)造、物理化學(xué)性質(zhì)以及所處的環(huán)境不同，呈現(xiàn)出不同的外表特征，在遙感影像上呈現(xiàn)出形狀、大小、影紋圖案的差異。另一方面，不同地物發(fā)射、反射電磁波的能力不同，人們根據(jù)需要，有針對(duì)性地選擇不同的傳感器和探測(cè)波段，將地物反射、輻射的能量記錄下來(lái)，在影像上表現(xiàn)為色調(diào)或色彩的差別。除此之外，我們還可以結(jié)合斜坡地形特征、植被特征、水文特征等這些間接解譯標(biāo)志從滑坡可能出現(xiàn)地和出現(xiàn)后的景觀異常表征來(lái)識(shí)別滑坡。間接解譯標(biāo)志有助于我們了解滑坡發(fā)生地區(qū)的整體地質(zhì)環(huán)境，而直接解譯標(biāo)志則可以讓我們更準(zhǔn)確地發(fā)現(xiàn)滑坡發(fā)生的確切位置。

人工目視解譯是遙感技術(shù)于滑坡識(shí)別初期廣泛應(yīng)用的技術(shù)，它依賴于有經(jīng)驗(yàn)的專業(yè)人員進(jìn)行判讀。隨著衛(wèi)星技術(shù)的發(fā)展，越來(lái)越多的高分辨率影像用于遙感解譯，而滑坡識(shí)別的模式也從之前的人工目視解譯向人機(jī)交互解譯和計(jì)算機(jī)自動(dòng)識(shí)別方向發(fā)展。

2.2 基于變化檢測(cè)滑坡提取

變化檢測(cè)技術(shù)發(fā)展于20 世紀(jì)80 年代，被用來(lái)識(shí)別遙感數(shù)據(jù)在不同時(shí)相所記錄的地表實(shí)體變化信息，涉及遙感圖像處理中的輻射校正、幾何校正、配準(zhǔn)、分類、特征提取等方面[5]。D.Lu 等人[6]將變化檢測(cè)分為代數(shù)運(yùn)算法（algebra）、轉(zhuǎn)換法（transformation）、分類法（classification）、高級(jí)模型法（advanced models）、GIS 法（Geographical Information System）、目視分析法（visual analysis）、其他方法（other approaches）共7 個(gè)類別。具體的遙感變化檢測(cè)方法包括貝葉斯網(wǎng)絡(luò)分類法、自適應(yīng)參數(shù)估計(jì)法、正交變換法、線性特征法、目標(biāo)匹配法、ICA 法、特征匹配法、紋理分析法等。變化檢測(cè)的操作對(duì)象有兩種，一種是基于像元的變化檢測(cè)，另外一種是先對(duì)像元進(jìn)行分類，然后對(duì)類別對(duì)象進(jìn)行變化檢測(cè)。前者速度更快、更簡(jiǎn)單，而后者在去除“椒鹽”現(xiàn)象方面很有優(yōu)勢(shì)?；谧兓瘷z測(cè)滑坡提取總體思路是利用同一地區(qū)不同時(shí)期的遙感影像經(jīng)影像預(yù)處理（幾何校正、輻射校正等）后，通過(guò)各種算術(shù)運(yùn)算（比如差值運(yùn)算）得到滑坡發(fā)生前后該地區(qū)的影像差異圖，從而提取該地區(qū)滑坡，但人為施工開(kāi)挖、工程建設(shè)而造成的遙感影像光譜差異會(huì)對(duì)滑坡識(shí)別結(jié)果的準(zhǔn)確性造成影響。

2.3 基于面向?qū)ο蠡绿崛?/h3>

人眼對(duì)看到的事物往往不是簡(jiǎn)單直接的反映，而是基于已有經(jīng)驗(yàn)的重構(gòu)，看到認(rèn)知對(duì)象的部分可以推測(cè)其全部。基于對(duì)象影像分析（object-based images analysis，OBIA）模仿人類目視解譯過(guò)程，不是以單個(gè)像素，而是以均質(zhì)像素組成的影像對(duì)象為分析單元。基于像素的分類只能依靠像素的光譜信息，而基于影像對(duì)象的分類除了應(yīng)用了遙感影像光譜信息，還運(yùn)用了形狀信息、紋理信息和上下文信息[7]?；卤旧聿⒉痪邆浯_定的光譜信息，部分滑坡表面植被光譜特征與周邊地物差別不明顯，在進(jìn)行滑坡識(shí)別時(shí)僅僅依靠光譜特征很難對(duì)滑坡進(jìn)行準(zhǔn)確提取。此外，傳統(tǒng)的基于像元的分類手段會(huì)出現(xiàn)“椒鹽”現(xiàn)象。而基于對(duì)象的分類技術(shù)不僅可以減少對(duì)象邊緣的混合像素，還可以消除對(duì)象內(nèi)部的光譜變異，從而大大提高遙感影像分類精度。當(dāng)前應(yīng)用于滑坡提取較為常用的方式是使用eCognition 軟件對(duì)圖層進(jìn)行多尺度分割，然后基于分割的對(duì)象使用機(jī)器學(xué)習(xí)算法進(jìn)行滑坡分類識(shí)別?；诿嫦?qū)ο蟮幕绿崛∫话阌幸韵铝鞒蹋瑪?shù)據(jù)預(yù)處理、多尺度分割、影像分類、分類后優(yōu)化以及精度評(píng)定。

2.4 基于LiDAR 技術(shù)滑坡識(shí)別

激光雷達(dá)（Light Detection And Ranging，LiDAR）技術(shù)是一種主動(dòng)對(duì)地觀測(cè)技術(shù)，它通過(guò)激光測(cè)距和差分GPS 等技術(shù)，直接得到帶地表三位坐標(biāo)的點(diǎn)云數(shù)據(jù)。具有常規(guī)測(cè)量方法和攝影測(cè)量技術(shù)無(wú)法取代的優(yōu)勢(shì)，時(shí)間、空間分辨率很高，探測(cè)范圍廣，具有一定的植被穿透能力，可以快速獲取高精度的真實(shí)地表信息。濾除地表植被點(diǎn)云的LiDAR 影像很適合用于滑坡的精細(xì)識(shí)別，例如滑坡發(fā)生的初始階段，邊坡上巖土體處于蠕滑變形、植被覆蓋下滑坡后緣的拉張裂縫，通過(guò)LiDAR 影像可以通過(guò)目視解譯快速獲取以上特征?？偠灾?，當(dāng)傳統(tǒng)的光學(xué)影像難以獲取真實(shí)的地表特征且難以對(duì)其進(jìn)行實(shí)地勘察，從而判斷邊坡穩(wěn)定性時(shí)，LiDAR 技術(shù)往往可以發(fā)揮重要作用。得益于對(duì)地形的高精度表達(dá)，LiDAR 影像還可以用于識(shí)別滑坡堆積物，以及通過(guò)構(gòu)建模型測(cè)算堆積物儲(chǔ)量，可以為后續(xù)其他地質(zhì)災(zāi)害的防治提供支持。激光雷達(dá)技術(shù)目前較多用于對(duì)小范圍或單體滑坡進(jìn)行分析，這是由于雷達(dá)平臺(tái)需要掛載在無(wú)人機(jī)平臺(tái)之上，相較于衛(wèi)星影像雷達(dá)影像需要耗費(fèi)更多的物力和人力成本，因此雷達(dá)技術(shù)常常搭配傳統(tǒng)衛(wèi)星遙感手段進(jìn)行滑坡識(shí)別。

2.5 基于InSAR 技術(shù)滑坡識(shí)別

合成孔徑雷達(dá)干涉測(cè)量（Interferometric Synthetic Aperture Radar，InSAR）結(jié)合了干涉測(cè)量以及雷達(dá)成像技術(shù)以獲取地表高程信息。其基本原理是利用雷達(dá)向目標(biāo)區(qū)發(fā)射微波，接收目標(biāo)反射的回波，得到同一目標(biāo)區(qū)域成像的SAR 復(fù)圖像對(duì)，利用圖像對(duì)共軛相乘得到干涉圖，依據(jù)干涉圖的相位值可以得到兩次成像中微波的路程差，以厘米級(jí)甚至是毫米級(jí)精度計(jì)算出目標(biāo)地區(qū)的地形、地貌以及表面的微小變化。因此，該方法可以通過(guò)監(jiān)測(cè)地表形變進(jìn)而發(fā)現(xiàn)不穩(wěn)定邊坡，實(shí)現(xiàn)大區(qū)域潛在不穩(wěn)定邊坡識(shí)別。InSAR 數(shù)據(jù)的處理流程分為以下幾個(gè)步驟。首先以其中一幅影像作為主影像，另一幅作為從影像，然后依次進(jìn)行SAR 影像配準(zhǔn)、生成干涉圖、去平地相位、干涉相位濾波、相位解纏、相位向高程的轉(zhuǎn)換及地理編碼。

InSAR 技術(shù)具有高空間分辨率和時(shí)間分辨率，在滑坡的變形監(jiān)測(cè)方面具有其他常規(guī)遙感技術(shù)無(wú)可比擬的優(yōu)勢(shì)。但該技術(shù)也有一些問(wèn)題亟待解決，例如SAR 影像對(duì)的失相干問(wèn)題，雖然眾多學(xué)者已經(jīng)提出了一些解決方案，但該問(wèn)題尚未形成公認(rèn)成熟有效的方法。

2.6 基于人工智能算法滑坡提取

近年來(lái)隨著人工智能算法的突破以及計(jì)算機(jī)硬件水平的提高，深度學(xué)習(xí)技術(shù)取得了長(zhǎng)足的發(fā)展，已不限于計(jì)算機(jī)領(lǐng)域，成為各個(gè)領(lǐng)域研究的熱點(diǎn)。目前，在圖片分類、圖片檢索、目標(biāo)檢測(cè)、目標(biāo)分割、目標(biāo)跟蹤、視頻分類、姿態(tài)估計(jì)等圖像視頻相關(guān)領(lǐng)域已有較為成功的應(yīng)用。

人工智能算法涵蓋范圍較廣，目前常用的人工智能算法有最鄰近、樸素貝葉斯、邏輯回歸、決策樹(shù)、支持向量機(jī)、隨機(jī)森林和神經(jīng)網(wǎng)絡(luò)等。就滑坡識(shí)別而言，大致可以分為基于傳統(tǒng)的機(jī)器學(xué)習(xí)算法和深度學(xué)習(xí)算法?；谶b感的地物識(shí)別都可以大致分為兩個(gè)步驟，即特征選取和閾值設(shè)定。傳統(tǒng)的方式是依靠人工進(jìn)行理論分析、對(duì)比分析等經(jīng)過(guò)多次試驗(yàn)最終確定。機(jī)器學(xué)習(xí)算法僅僅需要輸入可以體現(xiàn)滑坡與周邊地物差異的特征圖層以及訓(xùn)練樣本，特征閾值由算法自動(dòng)獲取而無(wú)需人為干預(yù)，相較于傳統(tǒng)方式更為智能。深度學(xué)習(xí)算法輸入的是原始影像圖層，無(wú)需設(shè)定用于滑坡提取的特征及其閾值，深度學(xué)習(xí)算法的實(shí)現(xiàn)依托深層卷積神經(jīng)網(wǎng)絡(luò)以及大量的訓(xùn)練樣本，因此可以提取深層次語(yǔ)義信息，滑坡的識(shí)別精度也大大提高。孫曉敏等人[8]基于U-Net 的“高分五號(hào)”衛(wèi)星高光譜影像對(duì)土地類型進(jìn)行分類，該模型分類精度和Kappa 系數(shù)均高于SVM 和CNN 方法的分類結(jié)果。用于滑坡識(shí)別的深度學(xué)習(xí)技術(shù)主要包括目標(biāo)檢測(cè)技術(shù)以及語(yǔ)義分割技術(shù)。LeCun 等[9]提出OverFeat，采用多尺度滑動(dòng)窗口來(lái)做分類、定位和檢測(cè)，這是目標(biāo)檢測(cè)技術(shù)的雛形。2014-2016年間，R-CNN、Fast-RCNN、Faster-RCNN、Yolo、SSD 算法模型相繼出現(xiàn)，目標(biāo)檢測(cè)技術(shù)進(jìn)入了快速發(fā)展階段[10]。目標(biāo)檢測(cè)主要是對(duì)待識(shí)別目標(biāo)的定位，識(shí)別的理想結(jié)果為目標(biāo)的最小外接矩形框。圖像分割技術(shù)不僅要求能夠識(shí)別圖像類別和目標(biāo)的位置，而且要求在像素級(jí)別對(duì)圖像中的每一個(gè)像元進(jìn)行分類。

深度學(xué)習(xí)技術(shù)依托數(shù)據(jù)量龐大的數(shù)據(jù)集，目前公開(kāi)的用于滑坡識(shí)別的數(shù)據(jù)集相對(duì)較少，當(dāng)前研究中所用到的滑坡數(shù)據(jù)集大多是從Google Earth 上的高清遙感影像上截取制作的。因此，基于深度學(xué)習(xí)的滑坡識(shí)別的發(fā)展受到了一定的限制，如何從較少的樣本中。更快地提取和學(xué)習(xí)目標(biāo)的關(guān)鍵特征，加速損失函數(shù)收斂已是當(dāng)前研究的方向之一。此外，建立滑坡數(shù)據(jù)集共享平臺(tái)是促進(jìn)該技術(shù)快速應(yīng)用于滑坡識(shí)別的另一重要途徑。

3 精度評(píng)定方法

對(duì)分類結(jié)果進(jìn)行精度評(píng)定是評(píng)價(jià)模型優(yōu)劣的重要手段，評(píng)價(jià)指標(biāo)的數(shù)值直接表征該分類器對(duì)特定分類影像的適用性。目視評(píng)估是最簡(jiǎn)單的評(píng)價(jià)方式，但往往具有主觀性且缺乏穩(wěn)定性，是一種定性評(píng)價(jià)方式，不能定量地表示分類效果。以下介紹幾種滑坡識(shí)別常用的評(píng)價(jià)指標(biāo)。

3.1 基于混淆矩陣的評(píng)價(jià)方法

混淆矩陣有時(shí)候也被稱為誤差矩陣，是一個(gè)用于表示分為某一類別的像素個(gè)數(shù)與地面檢驗(yàn)為該類別像素的比較陣列，包含了當(dāng)前分類和參考結(jié)果之間關(guān)聯(lián)的所有信息量。該矩陣常用來(lái)提取一些指數(shù)，常見(jiàn)的有全局精度（QA）、制圖精度（PA）、用戶精度（UA）以及最常用的Kappa 系數(shù)。

Kappa 系數(shù)是用來(lái)檢驗(yàn)一致性的常用方法，也可以用來(lái)檢驗(yàn)分類精度。Kappa 系數(shù)的數(shù)學(xué)表達(dá)式：

其中，po為總體分類精度，所有正確分類的樣本之和除以總樣本數(shù)。pe為每一類真實(shí)樣本數(shù)量分別乘以對(duì)應(yīng)的預(yù)測(cè)樣本數(shù)量，把乘得的結(jié)果相加后除以總樣本個(gè)數(shù)的平方。k的范圍為-1～1，通常情況下大于0，Kappa 系數(shù)越接近1 表明該分類結(jié)果越好。

3.2 基于對(duì)象精度評(píng)價(jià)方法

紀(jì)小樂(lè)[11]提出用屬性、面積和形狀三個(gè)精度評(píng)價(jià)指標(biāo)對(duì)面向?qū)ο笥跋竦姆诸惤Y(jié)果進(jìn)行精度評(píng)定?；趯?duì)象的分類結(jié)果以對(duì)象為基本單元，分類對(duì)象具有屬性精度和幾何精度，并且兩種精度相互作用共同影響最終的分類精度。相較于kappa 系數(shù)，該方法不僅考慮了分類結(jié)果的屬性精度，而且兼顧了幾何精度。該評(píng)價(jià)方法分為兩種，第一種為面積加權(quán)誤差矩陣法，第二種為基于形狀相似性的分類精度評(píng)價(jià)。該方法主要適用于基于對(duì)象影像分類結(jié)果的分類精度評(píng)定。

3.3 深度學(xué)習(xí)評(píng)價(jià)指標(biāo)

目標(biāo)檢測(cè)算法需要大量的訓(xùn)練樣本，由人工在圖像上標(biāo)記的目標(biāo)物體框稱為“真實(shí)物體框”（GroundTruth，GT），由訓(xùn)練好的目標(biāo)檢測(cè)模型預(yù)測(cè)出的物體框稱為“預(yù)測(cè)物體框”（DectionResult，DT）。IoU（Intersection over Union）是由“預(yù)測(cè)物體框”與“真實(shí)物體框”的交集與并集的比值，根據(jù)比值結(jié)果，IoU≥0.5 稱為正例，0.1

表2 評(píng)價(jià)指標(biāo)

精確度（precison，R）是被預(yù)測(cè)為正例的樣本數(shù)與樣本中實(shí)際為正例的比例，其表達(dá)式為：

其中P的范圍為[0，1]，P值越大，模型的效果越好。除了精確度，召回率（recall，R）也是一項(xiàng)評(píng)判模型優(yōu)劣的重要指標(biāo)：

一般來(lái)說(shuō)，精確度與召回率不能同時(shí)得到最優(yōu)值，往往召回率越高，準(zhǔn)確率越低。此外，當(dāng)類別較多時(shí)常用AP（Average Precision）和mAP（mean Average Precision）來(lái)評(píng)價(jià)模型好壞。其中AP 衡量的是模型在單個(gè)類別分類的效果優(yōu)劣，mAP 面向所有類別分類精度的評(píng)定。

4 結(jié)束語(yǔ)

當(dāng)前影像分類技術(shù)已經(jīng)取得很大進(jìn)展，以上提到的遙感數(shù)據(jù)及技術(shù)手段在用于提取特定滑坡類型，達(dá)到特定識(shí)別目的方面都有各自的優(yōu)勢(shì)。但基于遙感影像的滑坡識(shí)別技術(shù)還有很多問(wèn)題亟待解決，如基于傳統(tǒng)的光學(xué)遙感影像可以大范圍地識(shí)別特征較為明顯的地震型滑坡，難以識(shí)別地表光譜特征變化不明顯的滑坡。激光雷達(dá)技術(shù)雖可以對(duì)滑坡做到精細(xì)化識(shí)別，但難以進(jìn)行大區(qū)域滑坡的普查等。在現(xiàn)行技術(shù)手段下，不斷尋找滑坡區(qū)別于周邊地物的特征或者特征組合是提升滑坡識(shí)別精度的重要手段，有時(shí)甚至是多種遙感類型數(shù)據(jù)的組合?；碌闹悄芑R(shí)別需要依托自動(dòng)識(shí)別算法，人工智能算法尤其是深度學(xué)習(xí)算法最有望成為滑坡智能化識(shí)別的理想方案。