基于时间序列遥感影像的滑坡检测方法

虎振兴 徐泓 汪超亮 周增光 李子扬 李传荣*



基于时间序列遥感影像的滑坡检测方法

虎振兴1,2徐泓3汪超亮1周增光1李子扬1李传荣1*

（1 中国科学院光电研究院 中国科学院定量遥感信息技术重点实验室，北京 100094）（2 中国科学院大学，北京 100049）（3 中华人民共和国科学技术部高技术研究发展中心，北京 100044）

植被覆盖指数（NDVI）的变化广泛应用于滑坡检测，通过检测滑坡后时间序列NDVI的恢复速率可以有效区分与滑坡光谱特征变化相似的区域。但时间序列检测需要较多遥感影像数据，单一传感器的数据难以满足需求，因此多源遥感影像成为一种可供选择的解决方案。由于滑坡区域植被恢复缓慢而非滑坡区域植被恢复较快的差异，基于此特点利用高时间分辨率的时间序列遥感影像对滑坡区域的植被恢复速率进行多次检测的方法，可以有效排除非滑坡区域，得到更加准确的滑坡检测结果。文章以云南省鲁甸地区为试验区，对该地区2013年5月~2015年4月发生的滑坡进行检测，滑坡检测率为83.28%。相比Behling方法，拥有基本相同的滑坡检测率的基础上，错分误差下降了31.96%，可以更加有效地区分滑坡与耕地和裸地等非滑坡因素，极大提高了滑坡检测结果的可信度。

植被覆盖指数 植被恢复速率 时间序列检测 滑坡遥感检测 遥感应用

0 引言

滑坡作为大型地质灾害之一，破坏力极强，常常造成大量经济损失和生命伤亡，因此对滑坡灾害的监测和检测十分重要。传统的遥感目视解译和现场勘查的方法[1-2]，耗费大量人力物力，效率较低，因此国内外学者针对滑坡遥感检测开展了大量研究，前期主要集中在单时相遥感滑坡检测和多时相遥感检测[3-5]。

单时相遥感滑坡检测方法，如文献[6]基于SPOT-5卫星影像，建立滑坡解译的标志，利用滑坡在遥感影像上的色度和结构差异检测滑坡；文献[7]使用Landsat-7卫星ETM影像的8个波段作为特征数据，训练得到支持向量机分类模型，再对滑坡进行检测；文献[8]使用Quick Bird卫星影像，利用灰度共生矩阵提取滑坡的纹理特征，逐像元进行监督分类后检测滑坡；文献[9-10]使用地物在遥感影像上的多光谱信息，获取滑坡在多光谱波段上的特征，采用计算机分类的方法进行滑坡检测；文献[11]使用Resourcesat-1卫星影像，通过对影像进行分割，分析滑坡对象的多光谱特征、形状特征和纹理特征等信息，实现滑坡检测。

多时相影像滑坡检测，如文献[12]利用滑坡前后两张影像的差异，使用极大似然分类法检测滑坡；文献[13]利用滑坡前后植被覆盖指数（NDVI）序列数据，根据NDVI的异常变化检测汶川地震区的滑坡；文献[14]使用Cartosat-1卫星和IRS-1D卫星影像中全色波段，利用变化检测的思想和纹理信息对1998年~2006年喜马拉雅山脉滑坡进行多时相编目。文献[15]利用滑坡后引起地表NDVI较大变化以及滑坡发生后植被恢复速率缓慢的特点，使用多时相Rapid Eye卫星影像，对吉尔吉斯斯坦南部地区2009年~2013年的历史滑坡进行检测。

基于单时相影像的滑坡检测方法容易将与滑坡光谱特征相似的地物（岩石、裸土和道路等）视为滑坡，尤其在多岩石和道路的山区，很多岩石和道路以及裸地被误判为滑坡，滑坡误报率较高；基于多时相影像的方法利用滑坡前后NDVI差异较大的特点检测滑坡，而农田收割和植被的自然变化也可能引起NDVI较大变化，多时相滑坡检测方法容易将农田、植被的自然变化识别为滑坡。随着遥感数据源的增多，可以利用多源遥感卫星影像组成的时间序列遥感数据进行滑坡检测，时序遥感数据可以提供滑坡相关特征在时间序列上的变化信息，因而成为解决单时相和多时相滑坡遥感检测存在问题的一种可选方案，另外，由于近些年来可以获取的卫星影像越来越多，该类方法逐渐成为滑坡遥感检测的研究热点。目前已有研究学者采用时间序列遥感影像进行滑坡检测[15-16]，但利用时序影像检测滑坡需要较多遥感影像，单一传感器的数据难以满足需求，尤其对于常年多云的区域，质量（quality）较好的遥感影像更加稀少，因而多源遥感影像成为一种可行的方案。

基于以上背景，本文在文献[16]利用高分辨率Rapid Eye卫星时间序列影像进行滑坡识别的方法上，以Landsat-8卫星、HJ-1A/1B卫星和GF-1卫星多源影像为数据源，研究滑坡发生后植被恢复速率的量化方法，构建了利用NDVI时序的变化信息检测历史滑坡的方法，对我国云南鲁甸地区进行了滑坡检测，验证了本文方法的有效性，与Behling方法相比，本文方法能检测到植被覆盖度较低区域发生的滑坡，同时有效解决了单时相影像和多时相影像在检测滑坡中存在的问题，提高了滑坡遥感检测结果的准确性和可靠性。

1 滑坡检测方法

单时相影像识别滑坡，容易将与滑坡光谱特征相似的地物识别为滑坡。利用多时相进行变化检测的方法虽然可以解决滑坡光谱相似的问题，但容易将与滑坡光谱变化特征相似的区域识别为滑坡，如在耕地和裸地较多的区域，滑坡检测中误报率较高，在很大程度上制约了滑坡检测结果的可靠性。针对该问题，本文从滑坡区域的NDVI时序变化角度开展分析，利用滑坡区域植被恢复缓慢而非滑坡区域植被恢复较快的差异，量化滑坡区域的植被恢复速率，有效区分了滑坡与耕地和裸地等非滑坡因素。整个滑坡检测方法流程如图1所示。图中DN（digit number），表示遥感影像像元亮度值；TOA（Top of Atmosphere Reflectance）为大气表观反射率；DEM数据来自Aster卫星，分辨率30m。

图1 滑坡检测方法流程

1.1 研究区域与数据源介绍

2014年“8·3”鲁甸地震诱发了很多大规模滑坡，有1 000处之多[17-19]，因此本文选择该地区作为滑坡检测的试验区，整个研究区如图2所示。本文以GF-1卫星、Landsat-8卫星和HJ-1A/1B卫星组成的多源遥感影像为数据源，如表1所示。

图2 整个研究区域地理位置

表1 本文所使用的遥感影像信息

Tab.1 Information of remote sensing images

1.2 数据预处理

为了尽可能减少多源遥感影像之间以及遥感影像在成像过程中由于外部条件不一致带来的偏差，需要对获取到的多源遥感影像进行预处理，预处理步骤如下：

1）为减少辐射亮度不一致对变化检测的影响，将所有影像中的像素值化为大气表观反射率（TOA）。

2）为尽量减少误差，用DEM数据对所有时序影像进行正射校正。再以2013年5月22日Landsat-8卫星影像为基准影像对其他影像进行配准，配准精度在1个像元以内。

3）为了排除云、雪对滑坡检测结果的影响，对所有影像进行云和雪的掩膜处理，Landsat-8卫星影像中自带云掩膜文件，可直接进行掩膜处理。GF-1卫星和HJ-1A/B卫星影像，在蓝波段采用基于阈值的方法进行掩膜除去云和雪的影响。

4）利用TOA值计算出所有影像的NDVI值，形成NDVI时间序列影像。

1.3 基于像素的变化检测

利用变化检测的原理进行滑坡遥感检测，首要步骤是选择两张影像进行变化检测。选取生长季节（3月下旬至11月初）中的两幅影像进行基于像素的变化检测，设定一个扰动变化参数[15]。

式中pre为滑坡前影像的NDVI；post为滑坡发生后影像的NDVI。

对于植被覆盖良好的区域，若该区域发生滑坡，利用双时相影像进行变化检测时，前一时相影像未发生滑坡，因而植被覆盖良好，其NDVI值（pre）较大；后一时相影像上发生滑坡，地表植被遭到破坏，其NDVI（post）明显降低。若该区域未发生滑坡，双时相影像前后其NDVI变化很小；根据式（1）的结构可知，同一区域，利用双时相影像进行变化检测，未发生滑坡时的值明显小于发生滑坡时的值。式（1）利用该特点排除变化较小的非滑坡像素的干扰，对发生变化的像素进行后续滑坡检测。再根据和post的值对每个像素的扰动变化进行分类，分类依据如表2（本文中的所有阈值来自统计分析），共分为9类，编号为1~9。若不符合表2中的分类情况，则将其分类为其他类，编号为0。

表2 Behling方法中植被扰动分类规则

Tab.2 Vegetation disturbance classification rules in Behling’s method

当植被覆盖度较低的区域发生滑坡时，式（1）中pre和post的差值很小，计算出的值较小，无法反应出滑坡引起的地表植被变化，发生滑坡像素的植被扰动变化分为0类，导致后续步骤无法检测到该区域的滑坡。基于上述问题，本文对植被覆盖度较低（NDVI<0.18）的区域，使用式（2）计算扰动变化。

式（2）将植被覆盖度较低区域的变化按照NDVI变化的比例进行计算，可以有效反应出低植被覆盖区域滑坡引起的NDVI变化。依据*和post对植被扰动分类；通过对研究区域数据的统计分析，发现NDVI较低区域发生滑坡后NDVI的变化超过45%，滑坡后NDVI基本低于0.10左右，因此得到了表3的分类依据。

表3 改进的植被扰动变化分类依据

Tab.3 Improved vegetation disturbance classification rules

随后利用空间相关性做如下的分类：对每个像素空间8邻域组成的“九宫格”对象的扰动变化分为4类，分类依据如下：

1）九宫格对象中扰动变化为第9类的像素个数>1；

2）九宫格对象中扰动变化为6~9的像素个数≥4；

3）九宫格对象中扰动变化为4~9的像素个数≥6。

若只满足1个条件则将九宫格对象中间的像素变化分为第1类，若满足两个条件，则将九宫格对象中间的像素变化分为第2类，同时满足三个条件则分为第3类，若全都不满足则分为第0类。

上述得到的非0类像素，称为滑坡备选对象，分别基于每个滑坡备选对象的植被恢复和其空间8邻域像素的植被恢复进行分类，依次检测滑坡后3年内植被覆盖度的平均值和最大值，以排除植被恢复过快的非滑坡因素[15]影响。

1.4 计算滑坡后植被恢复速率影像的时间选择

Behling方法利用检测滑坡后3年内滑坡像素的NDVI平均值和NDVI最大值作为阈值，将植被恢复过快的像素视为非滑坡。但计算滑坡发生3年中植覆盖度变化的平均值和最大值与影像所属季节有关，若获取的影像中春季和冬季影像较多，则导致平均NDVI值偏低，部分非滑坡像素的植被恢复速率较低，符合滑坡后植被平均恢复速率较低的特征，容易将其误判为滑坡像素；若获取的影像中夏秋季节影像较多，则平均NDVI值偏高，植被平均恢复速率较快，一些滑坡像素容易被误判为非滑坡因素。

为了减少影像获取的季节因素对滑坡植被恢复速率检测的影响，本文在计算植被恢复速率时统一使用3月中旬至11月中旬的影像。

1.5 基于像素的滑坡后一年内的植被恢复速率检测

利用NDVI的变化检测滑坡，容易将非滑坡因素引起的NDVI变化较大的像素判定为滑坡，较为典型的因素是农作物收割或者气候等导致植被不同年份的相近月份之间的NDVI较大差异，为了排除这些非滑坡因素，Behling方法利用滑坡后3年内植被的NDVI均值和NDVI最大值作为阈值进行分类。不同程度的滑坡，对地表造成的破坏程度各不相同，滑坡内部的植被破坏程度也各不相同，Behling方法滑坡检测结果中，在误报的滑坡中，耕地和裸地占有很大的比例，将Behling方法应用于本文云南鲁甸区域进行滑坡检测时难以有效排除上述非滑坡因素影响。

由于Behling方法在验证区域中将很多耕地和裸地误报为滑坡，本文对验证区域的滑坡、耕地和裸地在NDVI骤降后的时序变化状态进行分析。选择一些典型滑坡区域，分别求出这些区域在后续每幅遥感影像中的NDVI均值，形成滑坡区域NDVI时间序列，同时选择被误判为滑坡的典型区域，例如裸地和梯田，分别计算这些区域在后续时间序列影像上NDVI均值，形成时间序列。由于该地区常年多云，生长季节内可用的遥感影像仅有2015年4月4日、5月28日，7月11日以及10月2日，根据这些后续影像，计算典型滑坡、耕地、裸地的NDVI均值形成时间序列，得到三种区域的NDVI均值时序变化状态，如图3所示。由图可知，滑坡前影像日期为2013年5月22日，滑坡后影像日期为2015年4月4日，在此期间，滑坡、农田和裸地区域的NDVI均值相比去年同期都出现较大幅度的下降，但三者后续的NDVI恢复速度却各不相同，滑坡区域的NDVI均值在5月~10月恢复速度比农田、裸地的恢复速度缓慢得多。事实上，由于植被自然变化和农作物收割并未破坏地表植被后续生长潜力，而滑坡破坏了地表植被的生长潜力，所以在NDVI发生较大变化的后续生长季节内，裸地和耕地区域的植被恢复速度比滑坡区域的植被恢复速度快得多。

基于上述事实，利用时序遥感数据高时间分辨率的优势，检测滑坡备选对象后续一年中生长季节内植被的恢复速率可以区分滑坡、耕地和裸地。本试验地区常年多云，2015年4月以后获取的质量较好的影像仅有5月28日、7月11日、10月2日的影像，因此选择以上3幅影像计算滑坡备选对象后续NDVI植被恢复速率。计算方式如下：

1）滑坡后1个月的NDVI恢复率<滑坡前影像NDVI×55%；

2）滑坡后3个月的NDVI恢复率<滑坡前影像NDVI×75%；

3）滑坡后6个月的NDVI恢复率<滑坡前影像NDVI×85%。

若同时满足两个条件，则将该滑坡备选对象分类为1类，若满足三个条件，则分类为2类，否则视为非滑坡对象排除之。

图3 不同地物在生长季节的NDVI恢复情况

1.6 基于空间相关性滑坡发生后一年内植被恢复检测

多源中分辨率遥感影像中，引起像素值变化的因素很多，这些因素也会导致像素NDVI前后变化较大，若仅仅考虑单个像素的变化，滑坡检测结果会出现较多“椒盐”现象[20]，因此利用像素的空间相关性可以降低单个像素的变化对滑坡检测结果的影响。

一般情况下，发生滑坡的像素，其周边像素也会发生较大扰动变化，若仅仅只有单个像素发生较大变化而其周边像素变化程度较小，本文认为这种变化不太可能是滑坡引起的，将其视为噪声。对于上一节中的滑坡备选对象，分析该对象与其空间8邻域像素组成的“九宫格”对象在滑坡后一年内的植被恢复速率，若“九宫格”对象植被恢复速率较快，则判定该像素为非滑坡像素，否则判定为滑坡候选对象。分类依据如下：

1）“九宫格”对象中分类为1类的像素个数≥5；

2）“九宫格”对象中分类为2的像素个数≥3。

若每个九宫格对象1）、2）条件皆不满足，则视为非滑坡因素，排除该对象；若满足1）、2）中任一个条件，则视为滑坡像素。

1.7 利用坡度等辅助信息排除非滑坡因素

绝大多数滑坡都是发生在坡度较大的区域，而平原和城镇由于地势平坦，发生滑坡的概率很低，因此利用坡度作为辅助信息排除地形平坦的区域[14,21]。设置单个像素坡度值大于30°或者一个像素的空间8邻域像素的坡度中值>25°作为滑坡过滤条件，对上一节的滑坡候选对象进一步筛选，最终得到滑坡的检测结果。

2 滑坡检测试验

2.1 两种滑坡检测方法的对比试验

首先在样本区对滑坡、裸地、农田等区域的NDVI时间序列变化状态进行统计分析，以确定Behling方法和本文方法中每个步骤的参数值，将两种方法应用于验证区域对其效果进行验证，根据验证结果中存在的问题，对相应的参数阈值进行相应调整以达到最佳效果。最后将两种方法应用到整个研究区，对该区域2013年5月和2015年4月之间发生的滑坡进行检测。经过统计，验证区目视解译得到264个滑坡，Behling方法检测到528个滑坡，本文方法检测到365个滑坡。整个研究区目视解译得到1 017个滑坡，本文方法检测到1 224个滑坡，Behling方法检测到2 127个滑坡。图4为两种方法在验证区域的检测结果。

图4 两种方法在验证区的滑坡检测结果

为了对滑坡检测方法进行对比，使用与Behling方法相同的检测指标：检测率（Detection Percentage，DP）、质量百分比（Quality Percentage，QP）、错分误差（Commission Error，CE）[14,22,23]，见公式（3）~（5）。

DP=TP/(TP+FN)×100% （3）

QP=TP/(TP+FN+FP)×100% （4）

CE=FP/(TP+FP)×100% （5）

式中 TP为正确检测到的滑坡；FN为漏检的滑坡；FP为误检的滑坡。

表4为两种滑坡检测方法对比，可以看出本文方法在整个研究区的滑坡检测率较Behling方法略低，整体的质量百分比提升21.87%，错分误差降低26.26%。将两种方法应用于整个试验区域进行统计比较，Behling方法检测率比本文方法大约高2%，Behling方法的错分误差上升至59.00%，而本文方法仅为34.64%，相比错分误差下降24.36%。

表4 两种滑坡检测方法的对比

Tab.4 Comparison between the landslide detection results of two methods

图5为试验区中植被覆盖率较低区域的两种滑坡检测方法比较，该图表明改进的方法可以有效检测到低植被覆盖区域的滑坡。这是因为Behling方法受扰动公式的限制，难以检测到植被覆盖度较低的区域的滑坡，本文方法增加了植被覆盖度较低区域的扰动变化计算公式和扰动判别方法，因而可有效检测到植被覆盖率较低区域的滑坡。

图5 植被覆盖率较低区域两种方法滑坡检测结果的比较

2.2 试验结果分析

针对滑坡区域植被覆盖程度不同，分别按照式（1）和式（2）对滑坡前后NDVI进行变化检测。现以试验区NDVI变化为例，说明式（2）的有效性。植被覆盖度较低的区域发生滑坡，滑坡前pre为0.10，滑坡后post变为0.02，若按式（1）计算，值为1.03，与此同时，植被覆盖区域较高的区域未发生滑坡，pre为0.30，post为0.20，计算值为1.04，以植被覆盖度较高的区域进行评判，则为1.04的变化较小，不是滑坡引起的变化，而实际上低植被覆盖区域为1.03时已经发生了滑坡，这说明不能对植被覆盖度不同的区域采用统一的扰动检测公式，因此本文提出对于植被覆盖度较低区域的像素扰动变化采用式（2）进行计算，最终图5的检测结果证明了式（2）的有效性。

表5为两种方法在整个试验区域中的误报滑坡成分分析。Behling方法中，梯田、裸地被误报为滑坡的总比例为58.44%，而本文方法的误报滑坡中梯田和裸地占比24.05%，同比下降34.39%，该统计结果证明本文方法能够有效的降低农田和裸地等非滑坡因素。

表5 两种方法误报成分分析

Tab.5 The false alarm components of two methods

对两种方法在试验区域中误报滑坡进行成分分析，除梯田和裸地外，一部分误报的滑坡为新建的道路，试验区域地处山区，新建道路铲除了植被导致植被覆盖度降低，同时后期植被恢复速率也非常缓慢，和滑坡后植被恢复特征非常相似，因此被误报为滑坡；另外一部分误报滑坡为采沙场，当地采沙场分布广泛，每年都会出现新的采沙场，并且采沙场一般位于山坡上，这些采沙场也被误报为滑坡，其他误报为河床、山区阴影等。

从试验验结果可知，两种方法都受噪声数据的影响，具体表现是滑坡识别结果中存在零星的像素点，为了尽量减少这些噪声数据影响，滑坡检测过程中在每次基于像素的检测之后对其空间8邻域像素组成的“九宫格”对象再次进行检测，以排除单个像素的由于噪声而造成的误判。在实际进行滑坡检测中，分别对空间4邻域像素和空间8邻域的像素检测结果进行了对比，空间8邻域扩大了判断范围，对于较大滑坡的面积、形状判定与目视解译结果的外形更加符合。利用空间4邻域像素进行检测，可以检测到更多的面积较小的滑坡。因此，若需要检测规模较大的滑坡，则可以考虑空间8邻域像素组成的对象进行滑坡检测，若要检测更多的滑坡，则考虑使用空间4邻域像素组成的对象进行滑坡检测。

3 结束语

1）本文利用滑坡区域植被恢复缓慢而非滑坡区域植被恢复较快的差异，量化滑坡区域的植被恢复速率，将植被恢复速率时序变化较为缓慢的区域视为滑坡。相比于Behling方法，本文方法能有效检测到植被覆盖度较低区域发生的滑坡，同时可以有效区分滑坡与耕地和裸地等非滑坡因素，极大降低了滑坡检测中的误报率，提高了滑坡检测结果的可信度。

2）本文利用时间序列遥感影像对植被发生较大扰动变化区域的植被恢复速率进行多次量化，以排除耕地和裸地等植被恢复较快的地物，这种检测方法来源于滑坡、耕地以及裸地在时序NDVI数据上的变化规律，因此，在拥有足够时间序列遥感影像的情况下，本文方法可以应用于其他研究区域，对该区域的历史滑坡以年为单位进行检测编目工作，提供高检测率、低虚报率的滑坡编目信息，为该地区后续滑坡监测、滑坡活动变化研究等提供可靠的基础数据源，这也是本文后续要开展的研究工作。

[1] GUZZETTI F, CARDINALI M, REICHENBACH P, et al. Comparing Landslide Maps: A Case Study in the Upper Tiber River Basin, Central Italy[J]. Environmental Management, 2000, 25(3): 247-263.

[2] CASSON B, DELACOURT C, BARATOUX D, et al. Seventeen Years of the “La Clapière” Landslide Evolution Analysed from Ortho-rectified Aerial Photographs[J]. Engineering Geology, 2003, 68(1-2): 123-139.

[3] HOLBLING D, FRIEDL B, EISANK C. An Object-based Approach for Semi-automated Landslide Change Detection and Attribution of Changes to Landslide Classes in Northern Taiwan[J]. Earth Science Informatics, 2015, 8(2): 327-335.

[4] 陈莹. 基于遥感影像的变化检测方法在滑坡体提取中的应用[D]. 重庆: 西南大学, 2011. CHEN Ying. Application of Change Detection Based on Remote Sensing Data on Extracting the Slip Mass[D]. Chongqing: South West University, 2011. (in Chinese)

[5] 李松, 邓宝昆, 徐红勤, 等. 地震型滑坡灾害遥感快速识别方法研究[J]. 遥感信息, 2015 (4): 25-28. LI Song, DENG Baokun, XU Hongqin, et al. Fast Interpretation Methods of Landslides Triggered by Earthquake Using Remote Sensing Imagery[J]. Remote Sensing Information, 2015 (4): 25-28. (in Chinese)

[6] 李铁锋, 徐岳仁, 潘懋, 等. 基于多期SPOT-5影像的降雨型浅层滑坡遥感解译研究[J]. 北京大学学报(自然科学版), 2007, 43 (2): 204-210. LI Tiefeng, XU Yueren, PAN Mao, et al. Study on Interpretation of Rain-induced Group Shallow Landslides Based on Multi-period Spot-5 Remote Sensing Images[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2007, 43 (2): 204-210. (in Chinese)

[7] 傅文杰, 洪金益. 基于支持向量机的滑坡灾害信息遥感图像提取研究[J]. 水土保持研究, 2006, 13(4): 120-121. FU Wenjie, HONG Jinyi. Discussion on Application of Support Vector Machine Technique in Extraction of Information on Landslide Hazard from Remote Sensing[J]. Research of Soil and Water Conservation, 2006, 13(4): 120-121. (in Chinese)

[8] 万保峰, 袁水华, 苏建平. 基于纹理分析的滑坡遥感图像识别[J]. 地矿测绘, 2009, 25(2): 11-14. WAN Baofeng, YUAN Shuihua, SU Jianping. Remote Sensing Image Recognition of Landslide Based on Texture[J]. Surveying and Mapping of Geology and Mineral Resources, 2009, 25(2): 11-14. (in Chinese)

[9] BORGHUIS A M, CHANG K, LEE H Y. Comparison between Automated and Manual Mapping of Typhoon-triggered Landslides from SPOT-5 Imagery[J]. International Journal of Remote Sensing, 2007, 28(8): 1843-1856.

[10] MARCELINO E V, FORMAGGIO A R, MAEDA E E. Landslide Inventory Using Image Fusion Techniques in Brazil[J]. International Journal of Applied Earth Observation and Geoinformation, 2009, 11(3): 181-191.

[11] MARTHA T R, KERLE N, JETTEN V, et al. Characterising Spectral, Spatial and Morphometric Properties of Landslides for Semi-automatic Detection Using Object-oriented Methods[J]. Geomorphology, 2010, 116(1): 24-36.

[12] NICHOL J, WONG M S. Detection and Interpretation of Landslides Using Satellite Images[J]. Land Degradation & Development, 2005, 16(3): 243-255.

[13] 杨文涛, 汪明, 史培军. 利用NDVI时间序列识别汶川地震滑坡的分布[J]. 遥感信息, 2012, 27(6): 45-48. YANG Wentao, WANG Ming, SHI Peijun. Identification of Landslides in Wenchuan Earthquake Affected Region Using NDVI Time Series[J]. Remote Sensing Information, 2012, 27(6): 45-48. (in Chinese)

[14] MARTHA T R, KERLE N, VAN WESTEN C J, et al. Object-oriented Analysis of Multi-temporal Panchromatic Images for Creation of Historical Landslide Inventories[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2012, 67(2): 105-119.

[15] BEHLING R, ROESSNER S, KAUFMANN H, et al. Automated Spatiotemporal Landslide Mapping Over Large Areas Using Rapid Eye Time Series Data[J]. Remote Sensing, 2014, 6(9): 8026-8055.

[16] BEHLING R, ROESSNER S, GOLOVKO D, et al. Derivation of Long-term Spatiotemporal Landslide Activity—A Multi-sensor Time Series Approach[J]. Remote Sensing of Environment, 2016, 186: 88-104.

[17] 田颖颖, 许冲, 徐锡伟, 等. 2014年鲁甸MS6.5地震震前与同震滑坡空间分布规律对比分析[J]. 地震地质, 2015, 37(1): 291-306. TIAN Yingying, XU Chong, XU Xiwei, et al. Spatial Distribution Analysis of Coseismic and Pre-earthquake Landslides Triggered by the 2014 Ludian MS6.5 Earthquake[J]. Seismology and Geology, 2015, 37(1): 291-306. (in Chinese)

[18] 许冲. 利用同震滑坡分析2014年鲁甸地震震源性质与破裂过程[J]. 工程地质学报, 2015, 23(4): 755-759. XU Chong. Utilizing Coseismic Landslides to Analyze the Source and Rupturing Process of the 2014 Ludian Earthquake[J]. Journal of Engineering Geology, 2015, 23(4): 755-9. (in Chinese)

[19] 赵旭, 刘杰, 冯蔚. 2014年云南鲁甸MS6.5地震震源运动学特征[J]. 地震地质, 2014, 36(4): 1157-1172. ZHAO Xu, LIU Jie, FENG Wei. The Kinematic Chararteristics of the MS6.5 Ludian Yunnan Earthquake in 2014[J]. Seismology and Geology, 2014, 36(4): 1157-1172. (in Chinese)

[20] 戴昌达, 姜小光, 唐伶俐. 遥感图像应用处理与分析[M]. 北京: 清华大学出版社, 2004: 269-270. DAI Changda, JIANG Xiaoguang, TANG Lingli. Application and Analysis of Remote Sensing Image[M]. Beijing: Tsinghua University Press, 2004: 269-270. (in Chinese)

[21] LU P, STUMPF A, KERLE N, et al. Object-oriented Change Detection for Landslide Rapid Mapping[J]. IEEE Geoscience & Remote Sensing Letters, 2011, 8(4): 701-705.

[22] LEE D S, SHAN J, BETHEL J S. Class-guided Building Extraction from Ikonos Imagery[J]. Photogrammetric Engineering & Remote Sensing, 2003, 69(2): 143-150.

[23] RAU J Y, JHAN J P, RAU R J. Semiautomatic Object-oriented Landslide Recognition Scheme from Multisensor Optical Imagery and DEM[J]. Geoscience & Remote Sensing IEEE Transactions on, 2013, 52(2): 1336-1349.

（编辑：王丽霞）

A Landslides Detection Method Based on Time Series Remote Sensing Images

HU Zhenxing1,2XU Hong3WANG Chaoliang1ZHOU Zengguang1LI Ziyang1LI Chuanrong1

（1 Key Laboratory of Quantitative Remote Sensing Information Technology, Academy of Opto-Electronics, Chinese Academy of Sciences, Beijing 100094, China）（2 University of Chinese Academy of Sciences, Beijing 100049, China）（3 The High-Tech Research & Development Center Ministry of Science & Technology, Beijing 100044, China）

The change of Normalized Difference Vegetation Index (NDVI) has been widely used to detect landslides. By analyzing NDVI recovery rate in time series after landslide, regions whose NDVI may decrease suddenly by other non-landslide reasons can be effectively distinguished. However, the time series data requires many remote sensing images, and images from single sensor are too few to compose adequate time series images. Thus, multi-source remote sensing images become an alternative solution. Since the revegetation rate in the landslide area is slower than in other non-landslide areas, by measuring revegetation rate of landslide areas with high temporal resolution time series remote sensing images as much as possible, non-landslide areas can be eliminated effectively, and then a more accurate landslide detection result can be obtained. This proposed method was used to detect the landslides from May 2013 to April 2015 in Ludian country, Yunnan province, and the results show that non-landslide areas, such as cultivated land and bare land, can be effectively eliminated, and the landslide detection percentage is 83.28%. Compared with Behling’s method, this method almost has the same detection percentage with the commission error dropped by 31.96%. Therefore, the credibility of landslide detection results can be improved effectively by the method.

normalized difference vegetation index; revegetation rate; time series detection; landslide remote sensing detection; remote sensing application

P237

A

1009-8518(2018)02-0104-11

10.3969/j.issn.1009-8518.2018.02.012

2017-12-28

中科院国际合作项目“时间序列遥感大数据异常信息分析技术”（181811KYSB20160001）

虎振兴，男，1991年生，2014年获武汉大学软件工程专业学士学位，现在中国科学院光电研究院计算机应用技术专业攻读硕士学位。研究方向为时空大数据分析技术。E-mail：hzxforward@163.com。