隆星宇 李輝 白雪山 翟星 王賢敏 潘怡

摘要：

針對(duì)植被茂密且地形陡峭地區(qū)的人工滑坡隱患識(shí)別難題，提出了耦合變化檢測(cè)與深度學(xué)習(xí)的人工滑坡隱患自動(dòng)識(shí)別思路，構(gòu)建了由影像光譜、NDVI、土地利用、高程、坡度和地表覆被變化組成的隱患識(shí)別指標(biāo)體系，建立深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)CNN算法，并在植被茂密、地形陡峭的河北省涉縣、邢臺(tái)縣和寬城縣等地區(qū)進(jìn)行了應(yīng)用驗(yàn)證，自動(dòng)識(shí)別出2016～2020年間出現(xiàn)的人工滑坡隱患134處。目視驗(yàn)證和野外調(diào)查驗(yàn)證結(jié)果表明：該方法識(shí)別精度為91.9%，F(xiàn)1分?jǐn)?shù)值為93.6%。此方法在廣袤地區(qū)具有普適性，為滑坡隱患自動(dòng)識(shí)別提供了新思路，為人類(lèi)工程活動(dòng)的合理規(guī)劃提供了科學(xué)依據(jù)。

關(guān) 鍵 詞：

人類(lèi)工程活動(dòng)； 滑坡隱患； 滑坡識(shí)別； 遙感影像； 數(shù)字高程模型； 卷積神經(jīng)網(wǎng)絡(luò)； 變化檢測(cè)

中圖法分類(lèi)號(hào)： P237；P642.22

文獻(xiàn)標(biāo)志碼： A

DOI：10.16232/j.cnki.1001-4179.2023.07.016

0 引 言

近年來(lái)，隨著城市化進(jìn)程加快，人工滑坡（人類(lèi)工程活動(dòng)誘發(fā)的滑坡）災(zāi)害隱患為城鎮(zhèn)智慧化建設(shè)和社會(huì)經(jīng)濟(jì)可持續(xù)發(fā)展帶來(lái)了巨大的風(fēng)險(xiǎn)和挑戰(zhàn)，如特大型深圳光明滑坡導(dǎo)致73人死亡、4人失蹤，直接經(jīng)濟(jì)損失8.81億元［1］。誘發(fā)滑坡隱患的人類(lèi)工程活動(dòng)主要包括削坡建房和削坡修路，通過(guò)開(kāi)挖山體，形成高陡人工邊坡，破壞了坡體的穩(wěn)定性，在降雨、融雪、地震、地下水等外力作用下，易發(fā)生滑坡。此外，斜坡上的工程建設(shè)增加了坡體的荷載，在建設(shè)過(guò)程中產(chǎn)生的棄渣，未經(jīng)夯實(shí)、堆積過(guò)高、范圍過(guò)大，亦可能導(dǎo)致滑坡災(zāi)害［2-3］。因此，亟需開(kāi)展針對(duì)人工滑坡隱患的自動(dòng)識(shí)別方法研究，及時(shí)采取有效防治措施，從源頭上化解滑坡災(zāi)害風(fēng)險(xiǎn)，規(guī)避巨大損失，并且為合理指導(dǎo)人類(lèi)工程活動(dòng)和城市化發(fā)展提供科學(xué)依據(jù)。

目前滑坡隱患識(shí)別主要采用InSAR或LiDAR技術(shù)。鐘儲(chǔ)漢等［4］采用SBAS-InSAR方法提取黑方臺(tái)地區(qū)地表形變速率，根據(jù)地表形變特征，識(shí)別滑坡隱患。戴可人等［5］利用時(shí)序InSAR技術(shù)，在雅礱江流域雅江縣-木里縣段的高山峽谷區(qū)域成功識(shí)別出8處隱患。Fobert等［6］借助InSAR調(diào)查多米尼加地區(qū)的邊坡滑動(dòng)前狀況，發(fā)現(xiàn)坡度較緩的黏土質(zhì)邊坡比坡度較陡的在滑動(dòng)前有更強(qiáng)的變形運(yùn)動(dòng)；同時(shí)，使用連續(xù)的高分辨率SAR數(shù)據(jù)識(shí)別和監(jiān)測(cè)活動(dòng)邊坡，用于驗(yàn)證和更新當(dāng)?shù)氐幕乱装l(fā)性圖和滑坡編目，很好地協(xié)助了當(dāng)?shù)氐姆罏?zāi)減災(zāi)工作。然而，在植被茂密、地形陡峭、地表變形劇烈的地區(qū)，InSAR技術(shù)會(huì)因失相干導(dǎo)致不能有效識(shí)別災(zāi)害隱患［7-8］；而LiDAR技術(shù)價(jià)格昂貴，難以在大尺度區(qū)域廣泛開(kāi)展監(jiān)測(cè)，且在植被茂密地區(qū)應(yīng)用效果有限［9］。因此，亟需針對(duì)植被茂密、地形陡峭的廣袤地區(qū)，提出適用的滑坡隱患自動(dòng)識(shí)別方法，將災(zāi)害風(fēng)險(xiǎn)化解在萌芽狀態(tài)。此外，針對(duì)人工滑坡隱患這類(lèi)特殊的城鎮(zhèn)災(zāi)害隱患的識(shí)別，目前研究較少。針對(duì)現(xiàn)有研究的局限性，本文采用高分二號(hào)影像和數(shù)字高程模型（DEM）數(shù)據(jù)，提出了耦合變化檢測(cè)與深度學(xué)習(xí)的人工滑坡隱患自動(dòng)識(shí)別新方法，應(yīng)用于InSAR和LiDAR技術(shù)難以實(shí)施、植被茂密且地形陡峭的河北省三縣，以分析這些隱患的分布特征、類(lèi)型、規(guī)模與威脅對(duì)象，以及導(dǎo)致這些隱患的人類(lèi)工程活動(dòng)類(lèi)型，以期為滑坡隱患自動(dòng)識(shí)別與合理的人類(lèi)工程活動(dòng)規(guī)劃提供新的思路。

1 研究區(qū)概況

研究區(qū)位置如圖1所示。河北省涉縣、邢臺(tái)縣和寬城滿族自治縣（以下簡(jiǎn)稱(chēng)“寬城縣”）地質(zhì)復(fù)雜、地形陡峭。涉縣和邢臺(tái)縣位于太行山東麓，地勢(shì)西北高、東南低，地形復(fù)雜，峰巒疊嶂；寬城縣位于燕山山脈東段，全縣平均海拔300～400 m。

研究區(qū)地層主要由太古界和第四系地層組成。太古界地層以麻粒巖、片麻巖、變粒巖、斜長(zhǎng)角閃巖、磁鐵石英巖、大理巖等為主，裂隙發(fā)育，易風(fēng)化，強(qiáng)度低［10］；第四系松散堆積地層土體抗剪性差，易發(fā)生剪切破壞，土層沿著某個(gè)面產(chǎn)生與剪切方向一致的滑動(dòng)，從而引發(fā)滑坡災(zāi)害［11］。研究區(qū)地質(zhì)構(gòu)造復(fù)雜、斷裂發(fā)育、新構(gòu)造活動(dòng)較活躍，為地質(zhì)災(zāi)害的發(fā)生提供了條件。

研究區(qū)內(nèi)礦產(chǎn)資源豐富，人類(lèi)工程活動(dòng)頻繁。2016～2020年，開(kāi)展了大量道路、鐵路修建工程和城鎮(zhèn)建設(shè)項(xiàng)目。在山區(qū)工程建設(shè)中，如果開(kāi)挖不穩(wěn)定斜坡，則坡腳會(huì)形成較大臨空面而造成巖土體失穩(wěn)，當(dāng)達(dá)到臨界點(diǎn)時(shí)就可能產(chǎn)生巖崩或者滑坡災(zāi)害。

研究區(qū)內(nèi)人類(lèi)活動(dòng)導(dǎo)致災(zāi)害隱患發(fā)育，然而植被覆蓋較茂盛，地形起伏較大，InSAR技術(shù)難以實(shí)施，人工滑坡隱患較難準(zhǔn)確識(shí)別，制約了城鎮(zhèn)快速發(fā)展。

2 數(shù)據(jù)源

本文采用高分遙感影像和DEM數(shù)據(jù)開(kāi)展人工滑坡隱患自動(dòng)識(shí)別，如表1所列。其中，多時(shí)相高分二號(hào)影像用于：①? 開(kāi)展2016～2020年地表覆被變化檢測(cè)，反映人類(lèi)工程活動(dòng)特征；②? 建立2016年與2020年歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）和土地利用信息，反映孕災(zāi)和致災(zāi)特征。DEM數(shù)據(jù)用于提取高程和坡度等地形特征，反映孕災(zāi)環(huán)境特征。

變化檢測(cè)技術(shù)路線如圖2所示，通過(guò)構(gòu)建變化檢測(cè)特征集，建立CNN模型，提取地表覆被變化。

3 研究方法

3.1 人類(lèi)工程活動(dòng)區(qū)域確定

3.1.1 基于CNN的地表覆被變化自動(dòng)檢測(cè)

3.1.1.1 變化檢測(cè)特征集建立

變化檢測(cè)特征集包括影像光譜、NDVI和變化強(qiáng)度圖特征。光譜信息反映了地物類(lèi)型的變化，NDVI反映了植被覆蓋的變化，變化強(qiáng)度圖反映了空間鄰域上地物的變化特征［12］。其中，變化強(qiáng)度圖由改進(jìn)的RCVA（Robust change vector analysis）算法［12］生成。該算法能夠有效減少配準(zhǔn)誤差的影響，從而提高變化檢測(cè)精度。

采用（2w+1）大小的移動(dòng)窗口提取鄰近像元的光譜變化特征，計(jì)算過(guò)程分兩步。

（1） 獲取變化后影像x2中每點(diǎn)與變化前影像x1對(duì)應(yīng)點(diǎn)鄰近像元內(nèi)光譜差異值最小的點(diǎn)，計(jì)算差異影像d1；再通過(guò)變化前影像x1中每點(diǎn)與變化后影像x2對(duì)應(yīng)點(diǎn)鄰近像元內(nèi)光譜差異值最小的點(diǎn)，計(jì)算差異影像d2，如式（1） ～（2） 所示。

d1j，k=min（p∈［j-w，j+w］， q∈［k-w，k+w］）ni=1［xi2j，k-xi1p，q］2（1）

d2j，k=min（p∈［j-w， j+w］， q∈［k-w，k+w］）ni=1［xi1j，k-xi2p，q］2（2）

式中：d1（j，k）和d2（j，k）分別為差異影像d2和d1中（j，k）處的像元值；xi1和xi2分別為第i個(gè)波段遙感影像變化前與變化后的像素值。

（2） 根據(jù)式（3） 計(jì)算考慮鄰近像元信息的光譜變化強(qiáng)度圖（D）。

D=d2j，k d1j，k≥d2j，kd1j，k d1j，k＜d2j，k（3）

3.1.1.2 變化檢測(cè)CNN模型構(gòu)建

CNN是由Lecun等［13］提出，包括局部感受野、權(quán)值共享和池化3個(gè)主要結(jié)構(gòu)，以提高神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能［13］。局部感受野（或稀疏連通性）是指卷積層的節(jié)點(diǎn)僅與前一層的部分節(jié)點(diǎn)相連，以學(xué)習(xí)局部特征，從而減少網(wǎng)絡(luò)參數(shù)，提高學(xué)習(xí)效率［14］。權(quán)值共享意味著相同的參數(shù)可以用于多個(gè)函數(shù)，使參數(shù)數(shù)量減少，提高CNN的計(jì)算能力［15］。池化可以降低網(wǎng)絡(luò)的輸入維數(shù)和復(fù)雜性，不僅可以避免過(guò)擬合問(wèn)題，還可以減少網(wǎng)絡(luò)的計(jì)算，提高CNN網(wǎng)絡(luò)的泛化能力和效率［16］。

本文建立的變化檢測(cè)CNN模型包括兩個(gè)卷積層、兩個(gè)池化層和一個(gè)全連接層，模型結(jié)構(gòu)如圖2所示，輸入是大小為m×n行11列的變化檢測(cè)特征集，變化檢測(cè)特征集包括11個(gè)特征，其中光譜特征8個(gè)，NDVI特征2個(gè)，變化強(qiáng)度特征1個(gè)。第一層卷積核大小為5×1，進(jìn)行初步變化特征提取，第二層卷積核大小為5×1，用于提取更深層的變化特征；每一層卷積后通過(guò)一個(gè)3×1的池化層進(jìn)行特征降維，減少參數(shù)量以減少模型過(guò)擬合，提高模型效率；每一層池化后面添加一層dropout，減少模型過(guò)擬合［17］。全連接層用于將卷積層學(xué)習(xí)到的變化特征映射到變化樣本標(biāo)記空間，通過(guò)一個(gè)帶退出策略的softmax函數(shù)計(jì)算每個(gè)像素是變化區(qū)域的空間概率，進(jìn)而得到1（變化）、0（未變化）的預(yù)測(cè)結(jié)果。此外，使用ReLU函數(shù)作為非線性激活函數(shù)，相比sigmoid、tanh等傳統(tǒng)激活函數(shù)，它具有計(jì)算簡(jiǎn)單、有效緩解梯度消失和減少過(guò)擬合等優(yōu)點(diǎn)［18］，其函數(shù)表達(dá)式如式（4） 所示。

ReLUx=x? x≥00? x＜0（4）

根據(jù)變化強(qiáng)度圖結(jié)合目視解譯圈定研究區(qū)部分變化區(qū)域作為訓(xùn)練數(shù)據(jù)，構(gòu)建變化檢測(cè)數(shù)據(jù)集，選取其中70%作為訓(xùn)練集，30%用做測(cè)試，調(diào)整參數(shù)，獲取最優(yōu)檢測(cè)模型。

3.1.2 人類(lèi)工程活動(dòng)區(qū)域識(shí)別

人類(lèi)工程活動(dòng)通常體現(xiàn)為地表覆被的變化，因此將變化檢測(cè)結(jié)果與2020年土地利用分類(lèi)結(jié)果進(jìn)行耦合分析，將農(nóng)業(yè)用地、林業(yè)用地、建筑用地、交通建設(shè)用地和水域及水利設(shè)施用地等地類(lèi)中地表覆被變化的區(qū)域確定為人類(lèi)工程活動(dòng)區(qū)域。其中，土地利用分類(lèi)采用多尺度分割算法［19］和CART決策樹(shù)算法［20］實(shí)現(xiàn)。

3.2 隱患識(shí)別指標(biāo)集建立

選擇能夠反映滑坡災(zāi)害隱患發(fā)育特征的指標(biāo)，包括NDVI、變化檢測(cè)、土地利用類(lèi)型、高程、坡度等，構(gòu)建隱患識(shí)別指標(biāo)集。①? NDVI指標(biāo)：由于植被根系的固土作用和冠層遮擋降雨減少雨水入滲的作用，裸露坡體通常比有植被覆蓋的坡體更易發(fā)生水土流失和滑坡災(zāi)害［21］，NDVI能夠反映地表植被覆蓋信息及滑坡隱患活動(dòng)導(dǎo)致的裸地面積擴(kuò)大。②? 變化檢測(cè)指標(biāo)：變化檢測(cè)反映了人類(lèi)工程活動(dòng)區(qū)域和特征和滑坡隱患導(dǎo)致的地表覆被變化。③? 土地利用類(lèi)型：土地利用類(lèi)型反映了人類(lèi)工程活動(dòng)的類(lèi)型，對(duì)河北省涉縣、邢臺(tái)縣等多個(gè)縣的野外實(shí)地調(diào)查表明，滑坡災(zāi)害通常發(fā)生在道路和建筑附近的裸露地區(qū)，而在耕地、林地和水系及水利建設(shè)等土地類(lèi)型上鮮有發(fā)生。④? 地形指標(biāo)：滑坡通常發(fā)生在山區(qū)，發(fā)生在一定高度且坡度大于10°的地區(qū)［22］。

綜上，構(gòu)建了包含2016年和2020年影像的單波段光譜特征（共8個(gè)波段）、2016年和2020年的NDVI、土地利用類(lèi)型、高程、坡度和變化檢測(cè)結(jié)果等14個(gè)隱患識(shí)別指標(biāo)的識(shí)別特征集。

3.3 人工滑坡隱患自動(dòng)識(shí)別

根據(jù)建立的植被覆蓋、地表覆被變化、土地利用類(lèi)型、地形等各類(lèi)指標(biāo)，同時(shí)綜合遙感影像的光譜特征，建立包括14個(gè)指標(biāo)的隱患識(shí)別綜合指標(biāo)集，構(gòu)建CNN模型開(kāi)展人工滑坡隱患自動(dòng)識(shí)別，并采用數(shù)學(xué)形態(tài)學(xué)方法對(duì)識(shí)別結(jié)果進(jìn)行優(yōu)化。人工滑坡隱患識(shí)別的技術(shù)路線如圖3所示。

建立的隱患識(shí)別CNN模型包括兩個(gè)卷積層、兩個(gè)池化層和一個(gè)全連接層。輸入為大小m×n×14的識(shí)別指標(biāo)集，輸出為隱患（1）和非隱患（0）識(shí)別結(jié)果。算法思路與變化檢測(cè)CNN模型類(lèi)似。根據(jù)歷史災(zāi)害和已知的潛在隱患構(gòu)建數(shù)據(jù)集，選取其中70%用于訓(xùn)練模型，30%用于測(cè)試模型的性能和精度，調(diào)整參數(shù)，獲取最優(yōu)識(shí)別模型。

為了保障識(shí)別的隱患區(qū)域的連續(xù)性，同時(shí)消除一些無(wú)物理意義的破碎區(qū)域，采用二值形態(tài)學(xué)開(kāi)運(yùn)算［23］對(duì)隱患識(shí)別結(jié)果進(jìn)行優(yōu)化。

對(duì)識(shí)別結(jié)果進(jìn)行腐蝕，如式（5） 所示，其中“-”為腐蝕運(yùn)算符，表示圖像A用卷積模板B進(jìn)行腐蝕處理，計(jì)算覆蓋區(qū)域的像素點(diǎn)最小值，并用最小值替代參考點(diǎn)的像素值。

3.4 精度評(píng)價(jià)指標(biāo)

采用精確率（Precision，P）［24］、F1分?jǐn)?shù)［25］作為評(píng)價(jià)指標(biāo)定量評(píng)價(jià)隱患識(shí)別的精度。精確率P的計(jì)算公式如式（7） 所示，其中，TP為正確識(shí)別隱患區(qū)域的數(shù)量，F(xiàn)P為錯(cuò)誤識(shí)別隱患區(qū)域的數(shù)量，F(xiàn)N為正確識(shí)別的非隱患區(qū)域數(shù)量，P表示在隱患識(shí)別結(jié)果中正確識(shí)別的比例，R為召回率，如式（8） 所示。F1分?jǐn)?shù)值是用來(lái)衡量二分類(lèi)模型精確度的一種指標(biāo)，如式（9） 所示。

P=TP/TP+FP（7）

R=TP/TP+FN（8）

F1=2·P·RP+R（9）

4 識(shí)別結(jié)果

選取研究區(qū)中3個(gè)典型區(qū)域展示滑坡隱患識(shí)別指標(biāo)值，如圖4所示。由圖4的NDVI數(shù)據(jù)、變化檢測(cè)結(jié)果和土地利用類(lèi)型數(shù)據(jù)可知，區(qū)域內(nèi)的土地利用類(lèi)型以林地和耕地為主，道路和建筑物多位于山谷處或開(kāi)挖山體形成的坡腳位置，附近均為裸地區(qū)域。各區(qū)域均有明顯的地表覆被變化，基本表現(xiàn)為山體開(kāi)挖導(dǎo)致的農(nóng)林業(yè)區(qū)域轉(zhuǎn)變?yōu)槁愕亍⒌缆坊蚪ㄖ^(qū)域，結(jié)合土地利用類(lèi)型發(fā)現(xiàn)這些地區(qū)表現(xiàn)為明顯的道路修建和房屋修建等人類(lèi)工程活動(dòng)。由圖4的高程與坡度數(shù)據(jù)可知，各隱患區(qū)域均位于山區(qū)，高程均在300 m以上，大部分地區(qū)坡度在10°以上。

河北省涉縣、邢臺(tái)縣和寬城縣3個(gè)區(qū)域的隱患自動(dòng)識(shí)別結(jié)果如圖5所示，底圖為2020年的高分二號(hào)影像。共正確識(shí)別出人工滑坡隱患134處。為更清楚地顯示隱患識(shí)別結(jié)果，選取部分典型隱患區(qū)域疊加于3D谷歌影像上進(jìn)行顯示，如圖6所示，圖中編號(hào)與圖5隱患編號(hào)相對(duì)應(yīng)。圖7為邢臺(tái)縣典型隱患的遙感影像和實(shí)地拍攝照片，明顯看到有些隱患區(qū)域修建了護(hù)坡。通過(guò)目視驗(yàn)證和實(shí)地驗(yàn)證對(duì)隱患識(shí)別結(jié)果進(jìn)行精度驗(yàn)證，得到識(shí)別精度為91.9%，F(xiàn)1分?jǐn)?shù)值為93.6%。識(shí)別結(jié)果顯示滑坡災(zāi)害隱患均由交通建設(shè)和城鎮(zhèn)建設(shè)開(kāi)挖山體導(dǎo)致，共同點(diǎn)在于均為工程建設(shè)活動(dòng)開(kāi)挖山體形成的高陡切坡，坡度均大于10°，坡腳存在較大臨空面，易造成巖體失穩(wěn)，形成危巖體，在其他外力（二次人類(lèi)工程活動(dòng)、持續(xù)性強(qiáng)降雨等）作用下可能產(chǎn)生滑坡（包括巖崩）災(zāi)害。隱患主要分布在省道和縣道的山區(qū)路段兩側(cè)，部分位于山區(qū)鄉(xiāng)道以及居民房屋建筑附近，威脅對(duì)象為道路、通行車(chē)輛和房屋建筑。

根據(jù)導(dǎo)致滑坡隱患的人類(lèi)工程活動(dòng)類(lèi)型和護(hù)坡修建情況得到隱患識(shí)別統(tǒng)計(jì)結(jié)果（見(jiàn)圖8），可見(jiàn)，97%（130個(gè)）的滑坡災(zāi)害隱患位于道路兩側(cè)，僅有3%（4個(gè)）位于城鎮(zhèn)建筑附近，說(shuō)明研究區(qū)導(dǎo)致滑坡隱患形成的人類(lèi)工程活動(dòng)大多為交通建設(shè)。對(duì)于未來(lái)的工程建設(shè)活動(dòng)，應(yīng)盡量避開(kāi)山體開(kāi)挖或合理進(jìn)行山體開(kāi)挖（開(kāi)挖前進(jìn)行地質(zhì)穩(wěn)定性評(píng)估），若進(jìn)行山體開(kāi)挖形成高陡切坡，需及時(shí)評(píng)估其危險(xiǎn)性，并進(jìn)行相關(guān)治理工作。如圖8（b）所示，72%的隱患處未修建護(hù)坡，僅有28%的隱患處修建了護(hù)坡，說(shuō)明尚未對(duì)研究區(qū)域內(nèi)大部分切坡造成的隱患進(jìn)行治理，存在發(fā)生災(zāi)害的風(fēng)險(xiǎn)。對(duì)于已進(jìn)行治理的切坡，仍需定期對(duì)治理工程進(jìn)行檢查和加固。

5 討 論

5.1 基于時(shí)序InSAR的地表形變監(jiān)測(cè)

以寬城縣為例，開(kāi)展基于時(shí)序InSAR技術(shù)的地表形變監(jiān)測(cè)。采用2018年6月3日至2020年7月31日32景Sentinel-1A升軌影像，基于SBAS-InSAR方法提取地表形變。由于滑坡通常發(fā)生于坡度大于10°的山區(qū)，因此對(duì)形變結(jié)果進(jìn)行掩膜，僅保留坡度大于10°地區(qū)的形變，并與本文方法識(shí)別的滑坡隱患進(jìn)行疊加（見(jiàn)圖9），底圖為寬城縣的山體陰影圖，圖中白色區(qū)域表示InSAR技術(shù)失相干或者為平原地區(qū)。寬城縣86.8%的區(qū)域出現(xiàn)失相干，不能提取到有效形變，且形變速率值較小，最大值為16 mm/a，形變存在不確定性。此外，62.5%的隱患均位于失相干地區(qū)。圖9中存在地表形變的地區(qū)主要有3類(lèi)：①? 本文方法識(shí)別的滑坡災(zāi)害隱患區(qū)；②? 不具有滑坡形貌特征，非滑坡隱患區(qū)；③? 與人類(lèi)工程活動(dòng)無(wú)關(guān)的地表形變區(qū)。因此，在植被茂密和地形陡峭的影響下，InSAR技術(shù)在研究區(qū)不能有效檢測(cè)到滑坡隱患，具有明顯局限性。

5.2 與其他機(jī)器學(xué)習(xí)算法比較

與2種經(jīng)典機(jī)器學(xué)習(xí)算法隨機(jī)森林（Random Forest，RF）和梯度提升樹(shù)（Gradient Boosting Decision Tree，GBDT）比較隱患識(shí)別精度，展示本文方法的優(yōu)勢(shì)。采用準(zhǔn)確率（Accuracy）、精確率（Precision，P）、F1分?jǐn)?shù)（F1-Score）、Kappa系數(shù)、均方誤差（RMSE）5個(gè)指標(biāo)對(duì)模型的性能和精度進(jìn)行評(píng)估，驗(yàn)證精度如圖10所示，可見(jiàn)，本文提出的CNN算法的隱患識(shí)別精度明顯優(yōu)于RF和GBDT兩種機(jī)器學(xué)習(xí)算法。

6 結(jié) 論

本文提出了耦合變化檢測(cè)與深度學(xué)習(xí)的人工滑坡隱患自動(dòng)識(shí)別新思路，在InSAR技術(shù)難以開(kāi)展的植被茂密且地形陡峭的河北省涉縣、邢臺(tái)縣和寬城縣地區(qū)進(jìn)行應(yīng)用，取得了較好的識(shí)別效果，為滑坡隱患識(shí)別提供了新思路和新方法。研究主要得出以下結(jié)論。

（1） 變化檢測(cè)技術(shù)能夠提取人類(lèi)工程活動(dòng)導(dǎo)致的地表覆被變化地區(qū)，如削坡建房、削坡修路等人類(lèi)工程活動(dòng)變化區(qū)域，為人工滑坡隱患識(shí)別提供了有效靶區(qū)。

（2） 本文提出的耦合變化檢測(cè)和CNN的隱患識(shí)別方法，建立在滑坡災(zāi)害隱患發(fā)生發(fā)育的孕災(zāi)環(huán)境和致災(zāi)因素上，綜合了隱患的活動(dòng)性（面積擴(kuò)張）、對(duì)植被的破壞、地形的控制作用以及人類(lèi)工程活動(dòng)誘發(fā)影響，取得了較好的識(shí)別結(jié)果，可應(yīng)用于其他滑坡災(zāi)害易發(fā)高發(fā)地區(qū)。

參考文獻(xiàn)：

［1］ 高楊.人工堆填體滑坡遠(yuǎn)程滑動(dòng)機(jī)理研究［D］.北京：中國(guó)地質(zhì)大學(xué)（北京），2018.

［2］ 汪潮，徐世光，李文堯，等.填土與切坡影響下滑坡的特征與防治［J］.低溫建筑技術(shù)，2016，38（2）：149-152.

［3］ 馮玉濤，牟海峰，周小平，等.堆積體陡斜坡路基滑坡機(jī)制及其處治對(duì)策［J］.災(zāi)害學(xué)，2021，36（3）：57-59.

［4］ 鐘儲(chǔ)漢，王強(qiáng)，樊茜佑，等.InSAR技術(shù)在黑方臺(tái)滑坡隱患早期識(shí)別中的應(yīng)用［J］.山西建筑，2021，47（16）：164-165.

［5］ 戴可人，鐵永波，許強(qiáng)，等.高山峽谷區(qū)滑坡災(zāi)害隱患InSAR早期識(shí)別—以雅礱江中段為例［J］.雷達(dá)學(xué)報(bào)，2020，9（3）：554-568.

［6］ FOBERT M，SINGHROY V，SPRAY J.InSAR monitoring of landslide activity in Dominica［J］.Remote Sensing，2021，13（4）：815.

［7］ 劉國(guó)祥.InSAR應(yīng)用實(shí)例及其局限性分析［J］.四川測(cè)繪，2005（3）：44-48.

［8］ MORETTO S，BOZZANO F，MAZZANTI P.The role of satellite InSAR for landslide forecasting：limitations and openings［J］.Remote Sensing，2021，13（18）：3735.

［9］ 劉世振，鄧建華，馮國(guó)正，等.機(jī)載LiDAR在山區(qū)型河道地形測(cè)繪中的適用性研究［J］.人民長(zhǎng)江，2021，52（1）：108-113.

［10］ 羅靖筠，房浩，孫秀娟，等.河北省泥石流分布特征及防治對(duì)策［J］.中國(guó)地質(zhì)災(zāi)害與防治學(xué)報(bào)，2009，20（2）：31-35.

［11］ 王瑞豐，翟延亮，張寶君，等.基于GIS與AHP耦合技術(shù)的承德地區(qū)地質(zhì)災(zāi)害危害性評(píng)價(jià)［J］.現(xiàn)代地質(zhì)，2021，160：1-12.

［12］ 張?chǎng)锡?，陳秀萬(wàn)，李飛，等.高分辨率遙感影像的深度學(xué)習(xí)變化檢測(cè)方法［J］.測(cè)繪學(xué)報(bào)，2017，46（8）：999-1008.

［13］ LECUN Y，BOTTOU L，BENGIO Y.Gradient-based learning applied to document recognition［J］.Proceedings of the IEEE，1998，86（11）：2278-2324.

［14］ GOODFELLOW I，BENGIO Y，COURVILLE A.Deep learning［M］.Cambridge：MIT Press，2016.

［15］ LECUN Y，RANZATO M.Deep learning tutorial［C］∥IMLS.International Conference on Machine Learning（ICML′13），Atlanta：IMLS，2013.

［16］ LIU R，MENG G，YANG B，et al.Dislocated time series convolutional neural architecture：an intelligent fault diagnosis approach for electric machine［J］.IEEE Transactions on Industrial Informatics，2016，13（3）：1310-1320.

［17］ HINTON G E，SRIVASTAVA N，KRIZHEVSKY A，et al.Improving neural networks by preventing co-adaptation of feature detectors［J］.Computer Science，2012，3（4）：212-223.

［18］ NAIR V，HINTON G E.Rectified linear units improve restricted Boltzmann machines［C］∥IMLS.Proceedings of the 2010 International Conference on Machine Learning，Madison：Omnipres，2010.

［19］ TRIMBLE.eCognition developer 8.7：user guide［R］.Munich：Trimble Germany GmbH，2011.

［20］ BREIMAN L I，F(xiàn)RIEDMAN J H，OISHEN R A，et al.Classification and regression trees［J］.Biometrics，1984，40（3）：358.

［21］ 劉辰光.基于植被護(hù)坡的河道淺層滑坡防護(hù)技術(shù)［J］.水利科技與經(jīng)濟(jì)，2021，27（5）：55-59.

［22］ 廖代強(qiáng)，馬力.重慶市山體滑坡發(fā)生條件初步分析［C］∥中國(guó)氣象學(xué)會(huì).新世紀(jì)氣象科技創(chuàng)新與大氣科學(xué)發(fā)展：中國(guó)氣象學(xué)會(huì)2003年年會(huì)“城市氣象與科技奧運(yùn)”分會(huì)論文集，北京：氣象出版社，2003.

［23］ SERRA J.Image analysis and mathematical morpholog［M］.London：Academic Press，1982.

［24］ ZHU M.Recall，precision and average precision［D］.Waterloo：University of Waterloo，2004.

［25］ RIJSBERGEN C J V.Information retrieval［M］.London：Butterworth，1979.

（編輯：高小雲(yún)）

Automatic identification of engineering landslide hazards based on deep learning

LONG Xingyu1，2，LI Hui1，BAI Xueshan1，ZHAI Xing1，WANG Xianmin2，PAN Yi3

（1.Hebei Key Laboratory of Geological Resources and Environment Monitoring and Protection，Hebei Survey Institute of Environmental Geology，Shijiazhuang 050000，China； 2.Institute of Geophysics and Geomatics，China University of Geosciences，Wuhan 430074，China； 3.Hebei Vocational College of Geology，Shijiazhuang 050000，China）

Abstract：

Aiming at the problem of engineering landslide hazard identification in dense vegetation and steep terrain areas，an automatic identification idea of engineering landslide hazard by coupling change detection and deep learning was proposed.The hazard identification index system composed of image spectrum，NDVI，land use，elevation，slope and surface coverage vegetation change was constructed，and a deep learning convolutional neural network CNN algorithm was established.The application verification was carried out in Shexian County，Xingtai County and Kuancheng County of Hebei Province with dense vegetation and steep terrain，and 134 hidden dangers of engineering landslide hazards from 2016 to 2020 were automatically identified.The results of visual verification and field investigation showed that the recognition accuracy of this method was 91.9%，and the F1 score was 93.6%.This method is universal in the vast area，which can provide a new idea for the automatic identification of landslide hazards and a scientific basis for the rational planning of human engineering activities.

Key words：

human engineering activity；landslide hazard；landslide hazard identification；remote sensing image；digital elevation model；convolutional neural network；change detection