趙軍利，朱紅巍*，楊文濤

（1. 中國地質(zhì)大學(xué)（武漢）地質(zhì)探測與評估教育部重點實驗室，湖北 武漢 430074；2. 北京林業(yè)大學(xué)水土保持學(xué)院，北京 100083）

滑坡信息自動提取一直以來是學(xué)者們研究的熱點問題。如何高效率并高正確率提取滑坡信息，人們還在不斷地探索中[1-11]。近年來，機(jī)器學(xué)習(xí)理論和方法廣泛被人關(guān)注。支持向量機(jī)（SVM）由于泛化能力強(qiáng)、提取精度高等優(yōu)點，在遙感影像信息提取中常常被人們應(yīng)用[12]?；诖?，本文繼續(xù)探索僅采用WorldView-2影像基于SVM提取地震滑坡信息，為以后應(yīng)用影像開展滑坡信息提取及相關(guān)應(yīng)用研究提供參考價值。

1 研究區(qū)概況和數(shù)據(jù)準(zhǔn)備

1.1 研究區(qū)概況

本文研究區(qū)位于汶川縣境內(nèi)，映秀鎮(zhèn)（31.021°N，103.367°E）以北的一個區(qū)域，地理坐標(biāo)位于103°26′00″E～103°29′ 30″ E，31°4′ 30″ E～31°8′ 00″ N 之間（見圖1），面積25 km2，屬山間河谷的河流地貌，地形陡峭，平均坡度為34.7°[13]。從地質(zhì)構(gòu)造的角度而言，研究區(qū)位于龍門山活動斷裂帶的中央斷裂帶——北川-映秀斷裂帶上，研究認(rèn)為該斷裂帶是汶川地震的發(fā)震斷裂［13］。從地層巖性特征角度看，研究區(qū)以堅硬塊狀巖漿巖（中元古界花崗巖），侵入巖巖組（二疊系石英閃長巖，古元古界輝長巖）和片麻巖系（康定巖群）組成的彭灌雜巖體，以及沉積巖、火山巖及火山碎屑巖構(gòu)成[14]。2008年汶川地震發(fā)生后，映秀地區(qū)受災(zāi)情況非常嚴(yán)重，房屋幾乎全部倒塌，傷亡近萬人，大部分交通設(shè)施中斷，2 000多畝農(nóng)田被毀[15]。

圖1 研究區(qū)示意圖

1.2 數(shù) 據(jù)

本文使用的數(shù)據(jù)是WorldView-2 衛(wèi)星的高分辨率多光譜遙感影像，成像時間是2011-04-26。影像空間分辨率多2 m，影像由藍(lán)光波段（450～510 nm）、綠光波段（510～580 nm）、紅光波段（630～690 nm）和近紅外波段（770～895 nm）4 個波段組成，該影像質(zhì)量佳，無云。

本文驗證數(shù)據(jù)來自Yang[16]，滑坡是許沖[2]基于WorldView 數(shù)據(jù)半自動提取并對部分滑坡野外驗證的結(jié)果。

2 研究方法

2.1 支持向量機(jī)方法原理

本文采用支持向量機(jī)進(jìn)行滑坡信息提取，該方法是一種基于統(tǒng)計學(xué)理論為基礎(chǔ)的機(jī)器學(xué)習(xí)模型算法，該方法是通過最優(yōu)化問題解算以在數(shù)據(jù)高維特征空間里確定最優(yōu)分類超平面，從而能夠處理復(fù)雜數(shù)據(jù)分類問題[17-19]。SVM 通過將低維空間向量集映射到高維空間向量，再構(gòu)造核函數(shù)進(jìn)行分類，使得分類誤差最小，最大程度提升分類器的泛化能力[19]。

SVM最優(yōu)分類函數(shù)表達(dá)式如下：

式中，ai為非負(fù)拉格朗日乘子；yi為類別；K(xi,xj)為核函數(shù)；b為分類閾值。

目前，SVM 常采用的核函數(shù)有4 種，主要是Sig?moid核函數(shù)、多項式核函數(shù)（Polynomial）、徑向基核函數(shù)（RBF）、線性核函數(shù)（Linear）。其中，本文多項式采用2次多項式，所有核函數(shù)表達(dá)式如下：

線性核函數(shù)（Linear）為：

多項式核函數(shù)（Polynomial）為：

式中，g>0；c為自然數(shù)，c=2。

徑向基核函數(shù)（RBF）為：

Sigmoid核函數(shù)為：

2.2 結(jié)果可靠性評價指標(biāo)

SVM 提取滑坡信息的好壞，需要進(jìn)行可靠性檢驗。本文選取許沖在文獻(xiàn)[11]中提出的滑坡提取率、滑坡非誤判率和滑坡提取正確率3 個指標(biāo)（見表1）評價SVM提取滑坡信息的可靠性。

表1 滑坡提取可靠性的評價指標(biāo)

3 個指標(biāo)中，A為檢驗數(shù)據(jù)集，即研究區(qū)內(nèi)滑坡的正確數(shù)據(jù)集，本文以許沖[2]等學(xué)者目視解譯提取的滑坡信息數(shù)據(jù)集為檢驗數(shù)據(jù)集。B為采用分類方法自動提取的滑坡數(shù)據(jù)集；A∩B為采用分類方法自動提取得到正確的滑坡數(shù)據(jù)；A∪B為采用分類方法自動提取的滑坡數(shù)據(jù)集與正確數(shù)據(jù)集的并集，即所有滑坡數(shù)據(jù)集。因此，理想狀況下，應(yīng)該可以得到A=B=A∩B=A∪B，即滑坡提取的正確率為100%。

3 結(jié)果及評價

3.1 提取方法

本文采用ENVI 5.3軟件中的SVM進(jìn)行滑坡信息提取。SVM 分類器的提取結(jié)果主要受核函數(shù)和分類可能性閾值（CPT）影響。在SVM 分類器中，CPT 值為0時，表示影像上的所有像元都參與分類；為1時，表示所有像元都不參與分類。為此，本文結(jié)合SVM核函數(shù)與CPT 的值域進(jìn)行實驗。SVM 4 個核函數(shù)為線性（Lin?ear）、多項式（Polynomial）、徑向基（RBF）和Sig?moid，CPT 的值分別設(shè)置為0、0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9共10種情況，依次進(jìn)行實驗。然后將分類結(jié)果由柵格數(shù)據(jù)轉(zhuǎn)換為矢量數(shù)據(jù)，并單獨提取滑坡數(shù)據(jù)集，并做可靠性評價。將SVM提取的滑坡數(shù)據(jù)集與許沖[2]等學(xué)者目視解譯的數(shù)據(jù)集進(jìn)行對比分析，對每一個提取結(jié)果進(jìn)行可靠性評價，該方法的流程圖如圖2所示。

圖2 滑坡信息提取流程圖

SVM分類器是一種監(jiān)督分類方法，首先需要選取訓(xùn)練樣本ROI。本文重點考慮提取WorldView-2 影像中的滑坡信息，滑坡概念上有廣義和狹義之分。本文采用廣義的界定，滑坡指坡體上、裸露的沒有植被覆蓋的不穩(wěn)定基巖、碎屑物質(zhì)等，包含滑坡、崩塌以及泥石流等[4]。其余地物主要分為不透水面（道路、堤岸、橋梁等）、植被以及水體4類。結(jié)合前期相關(guān)研究成果，并參照影像共采集4 種地物的訓(xùn)練樣本，共30 181個像元。

為了更加快速自動提取滑坡信息，本文主要基于影像的光譜信息提取研究區(qū)的滑坡信息。結(jié)合World?View-2影像特點以及研究區(qū)地物情況，本文主要選取影像的多光譜波段、歸一化植被指數(shù)（NDVI）和歸一化水體指數(shù)（NDWI）以及紋理特征作為特征數(shù)據(jù)集。研究區(qū)位于山區(qū)，有不少地區(qū)被植被覆蓋，NDVI能夠靈敏地反映植被生長狀況，在遙感影像植被信息提取中經(jīng)常被用的度量參數(shù)[5]。研究區(qū)有河流經(jīng)過，NDWI能夠在遙感影像上反映水體的特征狀況，并且能夠?qū)⑺w與非水體信息有效地區(qū)分[20]。WorldView-2是高分辨率影像，空間信息豐富，各種地物的紋理、結(jié)構(gòu)和細(xì)節(jié)等信息更加突出，為此本文還加入了影像的紋理特征。

3.2 結(jié)果評價

實驗總共獲得了40個滑坡信息提取的結(jié)果，基于滑坡提取率、滑坡非誤判率和滑坡提取正確率3 個指標(biāo)評價滑坡信息提取的可靠性，詳見表2，其中，滑坡檢驗數(shù)據(jù)集A包含2 358 273個像元。

表2 滑坡自動提取結(jié)果及可靠性評價

從表2反映出，采用SVM提取滑坡信息，同時取決于核函數(shù)與CPT 兩個量。且無論選取哪個核函數(shù)，當(dāng)CPT 的值為0 時，影像中的所有像元參與分類，提取的滑坡面積最大，與之對應(yīng)的滑坡提取率也最大，相應(yīng)的滑坡非誤判率最小。

為了更直觀地分析SVM中的核函數(shù)與CPT值之間對滑坡信息提取的影響，繪制SVM每個核函數(shù)滑坡提取率、滑坡非誤判率和滑坡提取正確率結(jié)果圖（見圖3）

圖3 SVM 4個核函數(shù)滑坡提取率、滑坡非誤判率和滑坡提取正確率結(jié)果圖

圖3 四個子圖直觀反映出一個總的趨勢，滑坡正確提取率隨著CPT 的值越大，正確提取率逐漸變大。當(dāng)CPT 值達(dá)到某一個數(shù)值時，正確提取率達(dá)到最大值，然后正確提取率隨著CPT值變大而又逐步減小。

從圖3 四個子圖反映出，CPT、滑坡提取率與滑坡非誤判率之間存在一個總體趨勢，當(dāng)CPT的值越大時，滑坡提取率越小，滑坡非誤判率越大，相反，當(dāng)CPT的值越小時，滑坡提取率越大，滑坡非誤判率越小。但是在局部范圍內(nèi)存在一定的波動，如Sigmoid核函數(shù)CPT值為0.2時，線性核函數(shù)CPT值為0.3和0.5時，滑坡提取率出現(xiàn)了一小的波動。其中，Sigmoid核函數(shù)滑坡提取率最大，為77.77%；其正確提取率也最大，為73.34%，CPT值為0.7。表2實驗數(shù)據(jù)表明，滑坡提取率大，并不一定代表滑坡正確提取率就高。如線性核函數(shù)最大提取率為70.97%，其正確提取率最大為67.33%。而多項式核函數(shù)最大提取率為68.18%，其正確提取率最大為67.39%。

根據(jù)圖4b目視解譯的滑坡信息，可以發(fā)現(xiàn)研究區(qū)滑坡體多，并主要位于山區(qū)地帶。從圖4c、4d、4e、4f 4個子圖可以看出，SVM能夠提取大部分研究區(qū)的滑坡信息，但是總而言，滑坡信息提取的精度不夠高。主要是：①本文選擇分類器為基于像元的提取方法，基于像元的分類器在對影像信息提取時，部分影像像元受地形、地表覆蓋物、陰影等因素影響，導(dǎo)致在信息提取時被錯分或漏分，以至于降低影像信息提取的精度。②由于滑坡與不透水面之間在影像上存在一些差異，但是其包含的光譜信息差異卻不大，從4個信息提取的結(jié)果圖上看，滑坡提取的誤差主要是將一部分河岸、人工建筑物等要素錯分到滑坡中，滑坡中的一些像元又錯分至不透水面中去，導(dǎo)致滑坡信息提取精度不夠高。③面積較小的滑坡體由于其光譜特征在影像上表現(xiàn)的不明顯，多數(shù)小滑坡體被提取時存在錯分或漏分的情況，這也是導(dǎo)致本文滑坡提取正確率不高的一個關(guān)鍵因素。

圖4 影像原圖及SVM提取的滑坡信息結(jié)果圖

4 結(jié) 論

本文僅采用WorldView-2 高分辨率影像為數(shù)據(jù)基礎(chǔ)，選擇汶川縣境內(nèi)映秀鎮(zhèn)以北的一個區(qū)域作為研究區(qū)，采用SVM 分類器，針對該分類器中的核函數(shù)與CPT 閾值設(shè)定進(jìn)行滑坡信息提取，結(jié)果表明采用Sig?moid 核函數(shù)，CPT 為0.7 時，SVM 提取的滑坡 正確率最高，為73.34%。但是相比許沖[11]采用最大似然法提取的滑坡正確率有顯著提高，且本文采用SVM提取的滑坡信息，面積較大的滑坡體提取的邊界和分布范圍相對完整?；碌刭|(zhì)災(zāi)害發(fā)生后，在時間緊、區(qū)域大、滑坡數(shù)量多等緊急狀況下，快速獲得滑坡信息值得進(jìn)一步研究探索，本文只采用一種影像數(shù)據(jù)，這種方法的可避免多種數(shù)據(jù)源在融合過程中存在的各種誤差或復(fù)雜處理過程，但是本文自動提取的結(jié)果正確率還不夠高，直接應(yīng)用到滑坡定量分析研究中去，顯然達(dá)不到要求。定量分析研究針對每一個滑坡的邊界、位置等其他要素都有嚴(yán)格的量化要求，否則，其研究結(jié)果可靠性難以保證。因此，本文基于SVM在高分辨率影像上提取滑坡信息，雖然較前人研究在精度上取得了提高，但還需要進(jìn)一步探索研究。