基于无人机遥感的湖南金童山保护区滑坡监测

童荣瑜，李 营，李 儒，吴 强，梁子豪

（1.中国矿业大学（北京）地球科学与测绘工程学院，北京 100083；2.生态环境部卫星环境应用中心，北京 100094；3.中国科学院 空天信息创新研究院，北京 100094；4.中国人民大学环境学院，北京 100872）

我国特殊的地质环境条件决定了地质灾害呈长期高发态势[1]，如何从高分辨率影像中快速、准确、低成本地提取出山区公路两侧中小规模滑坡信息，已成为遥感技术应用于滑坡防治需要解决的重要工程问题之一。近些年无人机遥感技术迅速发展，可以机动灵活、低成本、快速及时的获取监测区域高空间分辨率影像数据。基于无人机一次飞行获取的数据，可以同步生产高精度的数字正射影像、数字地表模型产品，这些为构建滑坡监测区域高精度三维模型提供了现实条件。因此，针对如何解决遥感技术应用于中小规模滑坡信息快速准确提取的问题，本文采用旋翼无人机搭载相机，使用倾斜摄影的拍摄方式，获取监测区域图像并完成数字地表模型与数字正射影像数据生产。使用面向对象分类方法充分利用无人机数据，引入可见光差异植被指数、坡度、形状等特征作为分类参数，运用了隶属度函数与决策树分类等方法实现了中小规模滑坡信息的提取。

1 研究区概况与数据获取

本文以城步苗族自治县境内湖南金童山国家级自然保护区内某条山区公路修建区域为研究区，经度范围为110.177°E ～110.219°E，纬度范围为26.173°N～26.228°N。研究区长约6 km，宽约1.3 km，面积约7.8 km2，海拔范围约为540～1 750 m。湖南金童山国家级自然保护区是一个以保护中亚热带常绿阔叶林生态系统及其保护区内栖息的生物物种为主要保护对象的森林生态类型自然保护区[2]，研究区内主要为山地地形，地势起伏较大，且有一条山区道路经过。因公路建设对生态与地质环境造成破坏，滑坡风险较高。根据2019 年国家重点生态功能区县域生态环境质量考核工作要求，对自然保护区内县域生态环境变化与人类活动信息均需重点关注。对保护区内公路及其他基础设施建设引发的滑坡监测既关系到保护区基础设施安全，也是保护区生态监测的重要工作之一。具体研究区位置与数据获取如图1 所示。

图1 研究区与数据获取示意图

高空间分辨率影像数据、高精度三维数据是滑坡监测的重要数据源，因此本文采用多旋翼无人机开展研究区域航飞数据获取，一次飞行可以完成光学影像与三维地表模型的数据生产。此外，研究区地处山区，地形起伏大，为构建高精度三维数据和保留地物的侧面纹理信息，无人机搭载双镜头，采用倾斜摄影进行数据获取，同时保证旁向重叠度在70%以上，航向重叠度在80%以上。为保证数据成果的测绘精度，同步实地布设并量测像控点。内业处理方面，经数据整理-空三解算-像控点刺点-空三建模-成果输出步骤，并经过成果质量检查，获取研究区高精度数字正射影像与数字地表模型产品，其中数字正射影像空间分辨率为0.1 m，具有可见光波段红、绿、蓝波段光谱信息，成像清晰，能真实反映实际地物分布；数字地表模型（DSM）是指包含了地表建筑物、桥梁和树木等高度的地面高程模型，是在数字高程模型基础上进一步涵盖了除地面以外的其他地表信息的高程。本文获取的数字地表模型空间分辨率为0.1 m，可以真实地刻画地面起伏情况，在其基础上，可以对地表形态进行地形属性计算及特征提取。

2 研究方法

2.1 面向对象分类方法

面向对象的分类方法通过设置分割尺度、形状因子、光谱特征、波段权重、光滑度等参数将相同特征的像元归为同质对象，根据目标地类的特征属性建立模糊判别规则，对同质性对象进行影像分类及信息提取。该方法突破了传统影像分类方法，利用像元的光谱信息，将对象作为最基本的空间表达方式，综合考虑对象的光谱、形状、坡度、相邻关系等，实现多层次遥感图像分类与目标地物提取。

本文基于无人机遥感数据，利用面向对象的方法提取中小规模滑坡，首先根据无人机影像高分辨率的特点与提取地物的特征，对传统面向对象方法先分割再分类的流程进行改变，在初次较小尺度分割并提取植被信息后，再次对分割结果进行优化，使分割与分类流程相结合。这样的改变使初次植被信息提取更好的利用了影像的光谱信息，而分割优化更好的保留了人工构筑物的形状特征。本文所采用的方法除了充分利用面向对象方法外，还加入了无人机航拍影像生产的高空间分辨率的数字正射影像和与其高匹配度的三维数字地表模型，这是以往航天和有人机航空遥感数据所不具备的，方法基本流程如图2 所示，关键步骤包括影像分割、特征选取、建立规则集并分类。

图2 基于面向对象的无人机数据分类基本流程图

2.2 影像分割与分割参数

采用面向对象分类方法时，为获得较好的分类结果，必须先对影像数据进行合适的分割[3]，其目的是将影像同质区域划分出来，分割的算法和尺度直接决定是否会分割不足或者过度分割，进而会影响进一步分类提取的效果。由于研究区地势起伏较大，并且受太阳高度角影响，影像上有较多光影区域，单一算法和尺度图像分割难以将影像中不同地物清晰地区分。同时由于道路，建筑物等人工构筑物的外表形态与自然地物差别较大，加入了数字地表模型与坡度数据参与图像分割。通过充分实验，对比了不同分割算法与尺度下图像分割结果，确定初次分割算法为多尺度分割方法，提取植被等自然地物信息后，采用光谱差异分割优化分割结果。多尺度分割（multiresolution segmentation）是最常用的分割算法，它是给定尺度下局部最小化影像对象的异质性，从单一像素对象开始的自下而上的区域合并技术[4]，具体参数如图3 所示。光谱差异分割（spectral difference segmentation）是一种分割优化手段，在已有影像对象的基础上，通过分析相邻对象的均值层亮度值是否满足给定的阈值，决定是否将临近的对象进行合并[5]。提取植被等自然地物信息后，基于三维数字地表模型，根据高程与坡度属性特征，采用光谱差异分割优化分割结果，使过度分割的细碎地物（如道路）得到一定合并，使其更大程度保留其形状特征，具体优化效果如图4 所示。

图3 多尺度分割参数设置

图4 多尺度分割结果与光谱差异分割优化结果

2.3 特征选取及规则建立及分类

影像分割将影像划分成若干影像对象，包含许多可以用于分类的特征，如光谱特征、几何特征、地形特征、空间关系等[6]。目前，特征选取大多依靠经验与实验，然后采用试错法建立规则。研究区内感兴趣地物主要类别为植被，道路，滑坡，通过实验分析其对应特征如表1 所示。

表1 研究区内地物特征分析

根据研究区内主要地物特征，通过反复实验与比较，本文计算了光谱特征包括可见光差异植被指数VDVI、归一化绿-红差值指数NGRDI，几何特征包括密度（density），地形特征包括坡度（slope），空间关系包括距离（distance），运用了隶属度函数与决策树分类。其中VDVI 与NGRDI 计算方法见公式（1）与公式（2）所示，具体规则集如表2 所示。

表2 研究区分类规则集

3 提取结果与讨论

通过前文介绍的基于面向对象方法的信息提取方法，本文将研究区内的植被、道路、滑坡区域提取出来，最终分类结果与滑坡信息提取结果如图5 所示。通过实地验证，其中滑坡区域为植被覆盖度低的砂土地，同时坡度较高，最大坡度均超过40°。在强降雨或其他影响下发生再次滑坡风险很高，且滑坡区域均位于山区道路周边，发生滑坡后会给行人带来巨大的危险。

图5 提取地物与真实地物分布图

为检验研究区内信息提取的精度，以高精度数字正射影像为参考，通过目视解译与结合实地考察确定地物具体详细的分类情况，并通过手绘出研究区内3 种主要感兴趣地物真实分布图（见图5）。通过混淆矩阵的方式对提取结果进行分析，得到混淆矩阵精度评价，如表3 所示。

由表3 可知，提取效果良好，总体精度为94.75%，滑坡区域提取生产者精度为81.46%，用户精度为80.64%。滑坡提取数量为62 处，其中61 处验证为真实滑坡，滑坡提取数量基本与实际相符，但由于受到周围地物光照阴影等影响，提取范围有所偏差。经实地验证，滑坡规模在20 m2～1 700 m2不等，未发生小规模滑坡漏提现象，对中小规模滑坡提取表现出较大优势。

表3 基于面向对象的无人机数据分类精度评价

随着大规模基础设施的建设，山区公路与铁路修建越来越多，本文的方法同样适用于其他山区滑坡提取。

4 结 语

本文以湖南省金童山国家级自然保护区内某条盘山公路修建区域为研究区，通过无人机航摄获取高精度正射影像与数字地表模型，采用面向对象的方法对山区公路修建区域进行了滑坡提取。通过反复实验获取最优分割算法和参数，同时将传统面向对象方法先分割再分类的流程进行创新，在植被信息提取后再次进行分割优化，将分割与分类流程结合，更好的提取出植被等自然地物，同时也最大程度保留了人工构筑物的形状特征。本文方法适用于山区滑坡提取，可以达到对监测区域快速、低成本，准确的模滑坡提取，及时对滑坡地区及时进行边坡治理，可以保障公路与铁路基础设施的安全，也可以避免山区内的生态环境破坏。

由于研究区地势起伏较大，且受太阳高度的影响，无人机正射影像中有许多阴影区域，对影像光谱信息的利用存在一定干扰。同时，无人机影像数据量较大，在进行分割与分类实验时，为获取最优分割参数与分类规则集，需要耗费大量的时间进行反复实验，且受制于无人机续航等因素，数据覆盖范围还比较小，有待今后进一步提高。