光学遥感图像滑坡检测研究进展.pdf
《光学遥感图像滑坡检测研究进展.pdf》由会员分享,可在线阅读,更多相关《光学遥感图像滑坡检测研究进展.pdf(12页珍藏版)》请在咨信网上搜索。
1、第 44 卷 第 3 期航天返回与遥感 2023 年 6 月 SPACECRAFT RECOVERY&REMOTE SENSING 133 收稿日期:2022-07-18 基金项目:广东省重点研发计划项目(2019B111101001)引用格式:牛朝阳,高欧阳,刘伟,等.光学遥感图像滑坡检测研究进展J.航天返回与遥感,2023,44(3):133-144.NIU Chaoyang,GAO Ouyang,LIU Wei,et al.Research Progress of Landslide Detection in Optical Remote Sensing ImagesJ.Spacecra
2、ft Recovery&Remote Sensing,2023,44(3):133-144.(in Chinese)光学遥感图像滑坡检测研究进展 牛朝阳1 高欧阳1,2 刘伟1 赖涛3 张浩波1 黄燕4(1 中国人民解放军战略支援部队信息工程大学数据与目标工程学院,郑州 450001)(2 郑州煤机液压电控有限公司,郑州 450013)(3 中山大学电子与通信工程学院,广州 510275)(4 中国人民解放军 32316 部队,乌鲁木齐 830001)摘 要 在全球气候变暖和降雨量不断增加的背景下,滑坡的现实危害和潜在风险日益增加,及时在滑坡发生后对其进行检测具有重要意义。光学遥感卫星依靠其成
3、像速度快、覆盖范围广、成本和风险低等优势,使得遥感图像在滑坡检测中得到了广泛应用。文章在广泛文献调研的基础上,对近年来国内外光学遥感图像滑坡检测的相关成果进行梳理,根据技术途径的区别将现有实现滑坡检测的方法分为四类,分别为特征阈值分割法、浅层机器学习法、深度神经网络法和变化检测法。文章阐述了每类方法的基本原理、研究现状、发展趋势,并对比分析了各类方法的优缺点,为推动滑坡检测的进一步研究提供有益借鉴。关键词 滑坡检测 特征阈值 机器学习 深度学习 变化检测 遥感应用 中图分类号:TP751.1 文献标志码:A 文章编号:1009-8518(2023)03-0133-12 DOI:10.3969/
4、j.issn.1009-8518.2023.03.014 Research Progress of Landslide Detection in Optical Remote Sensing Images NIU Chaoyang1 GAO Ouyang1,2 LIU Wei1 LAI Tao3 ZHANG Haobo1 HUANG Yan1(1 PLA Strategic Support Force Information Engineering University,School of Data and Target Engineering,Zhengzhou 450001,China)(
5、2 Zhengzhou Coal Machine Hydraulic Electric Control Co.,Ltd.,Zhengzhou 450013,China)(3 Sun Yat-Sen University,School of Electronics and Communication Engineering Guangzhou 510275,China)(4 Unit 32316 of the Chinese Peoples Liberation Army,Urumqi 830001,China)Abstract Under the background of global wa
6、rming and increasing rainfall,the actual hazards and potential risks of landslides are increasing.It is of great significance to detect landslides in time after they occur.Optical remote sensing satellites have been widely used in landslide detection by virtue of their advantages of fast imaging spe
7、ed,wide coverage,low cost,and low risk.Based on extensive literature research,this paper systematically sorts out the related researches on landslide detection in optical remote sensing images at home and abroad in recent years.According to the difference in technical approaches,the existing researc
8、hes are divided into four categories.They implement landslide detection based on feature threshold segmentation,shallow machine learning,deep learning,and change detection,respectively.The 134 航 天 返 回 与 遥 感 2023 年第 44 卷 basic principle,research status,and development trend of each method are expound
9、ed,and the advantages and disadvantages of each method are compared and analyzed.The work of this paper provides a useful reference for further research in this direction.Keywords landslide detection;feature threshold;machine learning;deep learning;change detection;remote sensing application 0 引言 滑坡
10、是指斜坡上的土体或者岩体,受河流冲刷、地下水活动、雨水浸泡、地震及人工切坡等因素影响,在重力作用下沿着一定的软弱面顺坡向下滑动的自然现象1。滑坡是中国的主要地质灾害类型,受当前全球气候变化、地震活动和城市化加速的影响,滑坡发生的频率逐渐提高,现实危害和潜在风险日益凸显。因此,在滑坡发生后及时地进行滑坡检测,进一步确定滑坡的区域、规模以及分布情况,对灾区的减灾救灾和规划建设具有重要意义2。传统的滑坡检测方法以野外调查为主,需要投入大量的人员和时间,并且存在一定的危险性3。空间光学遥感技术具有成像速度快、覆盖范围广、成本和风险低等优势4,在防灾减灾应用方面发挥着越来越重要的作用。目视解译是一种最基
11、本的遥感图像滑坡检测方法,该方法依托研究人员的专业知识,通过对地物的形状、色调、纹理和布局等多种影像特征进行判读,同时结合其他相关资料进行合理的推理和分析,进而从遥感图像中检测出滑坡区域5。目视解译要求研究人员具有丰富的经验,能提供精确的滑坡检测结果,这些结果通常用作计算机自动/半自动检测滑坡结果的评价标准。随着计算机科学、图像检测等技术的发展,计算机在处理遥感图像方面表现出了巨大的优势6。计算机算法通过系统定量化模拟研究人员目视解译的过程完成滑坡检测工作,成为滑坡检测的主要方式。通过整理目前公开的相关研究,按照技术原理将常用的光学遥感图像滑坡检测方法分为四类:基于特征阈值法、基于浅层机器学习
12、法、基于深度神经网络法、基于变化检测法。本文将对各类方法的发展现状进行讨论和分析,最后对比各个方法的优缺点并对光学遥感图像滑坡检测的发展趋势进行探讨。1 基于特征阈值的滑坡检测方法 1.1 基本原理 在不使用分类器的情况下,基于特征阈值的滑坡检测方法是利用灾后单时相遥感图像,通过制定合适的分类规则,达到检测滑坡的目的,一般流程如图 1 所示。首先通过多尺度分割将遥感图像分割成不包含特殊含义的子区域,这些子区域具有区域内特征相近、区域间特征不同的特点7;然后根据滑坡区域与未被滑坡影响的植被覆盖区域存在较大特征差异的特点,通过反映植被特征的相关指数,将植被从遥感图像中剔除,得到滑坡候选区域;最后根
13、据地物特征(主要包含光谱特征、几何特征和纹理特征),依托经验建立分类规则,从图像中检测出滑坡区域。图 1 基于特征阈值的滑坡检测方法一般流程 Fig.1 General flow of the landslide detection method based on the characteristic threshold 第 3 期 牛朝阳 等:光学遥感图像滑坡检测研究进展 135 1.2 研究现状 根据最终输出的类别,基于特征阈值的滑坡检测方法又可分为多类别方法和单类别方法:前者针对研究区域所包含的若干主要地物类型分别设计规则,最终输出包含滑坡的若干类别;后者针对研究区域中的滑坡,设计相应的
14、规则,实现滑坡区域的直接提取。(1)多类别滑坡检测方法 文献8通过对比不同分辨率数字高程模型(Digital Elevation Model,DEM)条件下的滑坡检测结果发现,DEM 分辨率越高,滑坡检测正确率越高;低分辨率 DEM 条件下,可以通过修改与 DEM相关的特征参数(如坡度、坡向与主方向夹角等)实现滑坡检测。文献9构建一种地理本体驱动的滑坡自动检测方法,该方法建立的滑坡概念本体可以保证滑坡领域知识的客观性和准确性,有效减少专业经验的干扰;文献10结合滑坡的影像特征和地形特征,采用分层检测模型完成对潜在滑坡区和滑坡分布的准确提取,以及滑坡组成要素的检测;文献11首先根据归一化植被指数
15、(Normalized Difference Vegetation Index,NDVI)剔除植被区域,然后通过基于光谱、纹理、地形和上下文关系特征的规则逐步剔除非滑坡区域,实现滑坡检测;文献12综合利用归一化土壤亮度指数(Normalized Differential Soil Brightness Index,NDSI)、NDVI 和阴影指数(Shadow Index,SI)提取出疑似滑坡区域,然后根据坡度、形状、面积等滑坡特征剔除非滑坡区,实现滑坡自动检测;文献13构建一种使用同一区域不同空间分辨率图像的分层次滑坡检测方法,多分辨率遥感图像的使用使得滑坡检 测结果不会被数据的大小和细节水
16、平所困扰,通过从数字地形模型(Digital Terrain Mode,DTM)获得的先验知识来指导检测过程,同时使用改进的区域适应策略以减少处理大型图像数据集时的人为干预。(2)单类别滑坡检测方法 文献14通过 SEaTH(Seperability and Thresholds)自动构建滑坡分类规则,实现滑坡检测,但是该方法在对象分割的过程中仍无法避免人为因素的干预。文献15使用近红外和红光波段数据,通过半方差函数计算基台值,进一步通过 DEM 剔除河道,得到滑坡区域;该方法对覆盖面积广、特征明显的滑坡有较好的检测效果,但对形状细小狭长的滑坡检测精度较低。文献16综合利用遥感图像和 DEM,
17、结合光谱、空间和地貌特征进行黄土滑坡检测,可以得到较高的滑坡检测率,但是该方法没有充分利用滑坡特征与空间信息的关系,使得与滑坡相似的地物容易被错检为滑坡。文献17通过 DEM 计算生成的山体阴影,提出一种地形因子参与的滑坡检测方法,该方法可以更加客观的判断出滑坡边界,但也会导致地形高差小的滑坡难以检测。文献18首先通过常量化修正的土壤调节植被指数(Constant Modified Soil-Adjusted Vegetation Index,CMSAVI)提取裸地信息,基于改进的峰直方图阈值自动选取算法进行滑坡的自动检测,但该方法中形态学滤波算子的大小依旧是根据专业经验设定的。文献19在滑坡
18、检测过程中,通过 NDVI 估算比辐射率以增强裸土辨别能力,在稀疏植被区和高植被区共存的复杂灾区环境下可以达到较好的滑坡检测结果。文献20在分类规则建立的过程中,通过改进的 Otsu算法自动确定阈值,实现滑坡的自动检测;该算法完全摆脱了人为干预,使滑坡检测过程更加简单、高效。文献21针对区域遥感图像背景复杂、光照不均匀的特点,将蒙特卡罗模拟引入到局部阈值法中,在二值化图像中引入数字表面模型(Digital Surface Model,DSM),显著地减少了来自居民区、梯田和河流的干扰。1.3 发展趋势 基于特征阈值的滑坡检测方法以遥感图像中包含的空间信息、纹理信息等为基础,先把具有滑坡 136
19、 航 天 返 回 与 遥 感 2023 年第 44 卷 特征的临近像元分割成新的图层,再使用一定的分类规则对图像进行分类。该类方法使用了多种遥感图像特征,可以有效地避免“同谱异物”和“同物异谱”现象的出现;其他地学信息特征(如,DEM、DSM 和 SI)的利用,进一步提高了滑坡检测结果的品质。该类方法是目前滑坡检测领域的常用方法之一,但是其分类规则通常较为复杂,在制定过程中需要工作人员具有丰富的经验。虽然能够取得可观的滑坡检测结果,但是无法完全摆脱人为因素的干扰,从而实现滑坡的自动检测。该类方法在制定分类规则时,通常基于某一特定的研究区域,在面对不同的研究区域和不同卫星的数据时,滑坡的遥感图像
20、特征可能存在差异,因此进一步加强地学知识的运用,可以提高该类方法泛化能力。针对难以与滑坡区分的相似地物,需要探索构建区分度更高的规则,以更好地将滑坡疑似对象与滑坡区分开来,从而将其更彻底地剔除。2 基于浅层机器学习的滑坡检测方法 2.1 基本原理 随着人工智能技术的发展,建立在概率统计基础上的浅层机器学习模型,如 SVM、决策树、主成分分析法(Principal Component Analysis,PCA)和 k-means 等,为遥感图像滑坡检测提供了许多切实可行的方案,图 2 为浅层机器学习滑坡检测方法的一般流程。根据是否有训练样本的参与,浅层机器学习滑坡检测分为监督分类和无监督分类,其
21、中监督分类首先要根据先验类别知识来训练分类器,建立判别准则,并通过修正准则的不断调整,使得分类器达到最高的准确度,进而对分类器输入未知类别样本通过判别准则,达到滑坡检测的目的;无监督分类则仅需要将未知类别样本放入分类器,即可输出滑坡检测结果。图 2 基于浅层机器学习的滑坡检测一般流程 Fig.2 General flow of the landslide detection method based on shallow machine learning 在分类样本有限的前提下,支持向量机(Support Vector Machine,SVM)可以较好地平衡模型复杂性和学习能力,而且具有较好的
22、泛化能力6,使其在遥感图像滑坡检测中有较多的应用并取得了不错的结果,因此本文将基于 SVM 分类器的相关研究作为单独小节展开介绍。2.2 发展现状(1)基于 SVM 分类器的滑坡检测方法 文献22通过 Gabor 滤波对遥感图像的纹理特征进行多尺度多方向的处理,结合图像的光谱特征,采用 SVM 分类器进行滑坡检测,其中多尺度、多方向的 Gabor 特征可以在保留有效信息的基础上减少特征冗余;文献23根据光谱学和色度学的基本理论进行滑坡区域的颜色特征建模,利用 SVM 初步筛选出滑坡候选区域,最后通过滑坡的空间形状特征进一步精准筛选滑坡区域;文献24使用贝叶斯方法优化选择 SVM 分类器的参数,
23、找到核函数、核尺度、核约束级别上的最优参数,提升 SVM 的 第 3 期 牛朝阳 等:光学遥感图像滑坡检测研究进展 137 分类效果,进而实现滑坡检测的目的;文献25通过 SEaTH 算法从遥感影像多尺度分割结果中选取滑坡有效分类因子,然后基于有效因子构建一种高精度 SVM 分类模型,实现滑坡的自动检测;文献26根据滑坡周围的地物特征,构建了基于模糊分类与 SVM 相结合的决策树,运用面向对象的分类方法实现了对研究区内植被、道路和疑似滑坡区域的检测;文献27通过对比方向梯度直方图(Histogram of Oriented Gradient,HoG)和视觉词袋(Bag of Words,BoW
24、)两种遥感图像特征提取方法的效果,优选 BoW 构建滑坡检测特征,然后联合 SVM 分类器构建滑坡检测模型,对于遥感图像滑坡检测有一定指导意义。(2)基于其他分类器的滑坡检测方法 文献28综合研究区域遥感图像特征和地形特征,通过 SEaTH 算法构建滑坡检测特征体系,然后基于上述特征体系进行多尺度分割,并通过多层感知机构建滑坡检测模型。文献29从不同代数角度获取影像的变化信息,将变化信息组成一幅多通道影像,然后利用主成分提取方法提取该影像的主要特征,构建特征样本空间,最后通过粒子群搜索算法改进的 C 均值聚类提取滑坡。实验结果表明,与传统的变化检测方法相比,改进算法能有效提高多时相数据滑坡检测
25、的精度;文献30使用基于 BoW表示的场景分类方法,结合无监督概率潜在语义分析(Probabilistic Latent Semantic Analysis,PLSA)模型和 k-近邻算法(k-Nearest Neighbor,k-NN)分类器来实现遥感图像滑坡检测模型的构建,该方法在无地学信息支持的情况下,具有较强的鲁棒性和较好的性能;文献31应用穗帽变换生成研究区的亮度、绿度、湿度指标,然后结合滑坡遥感图像的特征,利用最大似然法监督分类构建滑坡检测模型;文献32利用最大似然分类器的监督和非监督两种分类方法,对滑坡发生后检测和绘制滑坡区域的能力进行了测试,并讨论了自动化方法和手动方法之间的显
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 光学 遥感 图像 滑坡 检测 研究进展
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。