譚秋焰 吳彩燕 賈菊桃 朱新婷 廖軍

摘要：為實(shí)現(xiàn)滑坡遙感影像的自動(dòng)提取，以貴州省水城縣為研究區(qū)，運(yùn)用GF-1遙感影像數(shù)據(jù)，剔除明顯非滑坡地物后，應(yīng)用云變換計(jì)算樣本區(qū)影像像元亮度值，統(tǒng)計(jì)得到聚類(lèi)中心值和聚類(lèi)個(gè)數(shù)，結(jié)合快速?gòu)V義模糊C-均值聚類(lèi)算法進(jìn)行像元聚類(lèi)，提取出128處準(zhǔn)確滑坡，kappa系數(shù)達(dá)0.752，總體精度達(dá)0.880。該方法可自動(dòng)提取出滑坡范圍，減少工作量和主觀影響，提高了基于遙感影像進(jìn)行滑坡識(shí)別的效率和精度。

關(guān)鍵詞：滑坡遙感影像快速?gòu)V義模糊C-均值聚類(lèi)算法云變換

中圖分類(lèi)號(hào)：P237;P642.22文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1671-8755（2023）01-0054-07

Abstract：Inordertorealizetheautomaticextractionoflandslidefromremotesensingimages，ShuichengCounty，GuizhouProvince，wastakenastheresearcharea.UsingtheGF-1remotesensingimagedataandremovingtheobviousnonlandslidefeatures，theimagedigitalnumberinthesampleareawascalculatedbycloudtrasforation，andtheclustercentervalueandclusternumberwereobtainedstatistically.AndcombinedwiththefastgeneralizedfuzzyC-meansclusteringalgorithmforpixelclustering，128accuratelandslideswereextracted.Thekappacoefficientwas0.752，andtheoverallaccuracywas0.880.Thismethodcanautomaticallyextractthelandsliderange，reducetheworkloadandsubjectiveinfluence，andimprovetheefficiencyandaccuracyoflandsliderecognitionbasedonremotesensingimages.

Keywords：Landslide;Remotesensingimages;FastgeneralizedfuzzyC-meansclusteringalgorithm;Cloudtransformation

滑坡屬于我國(guó)最常見(jiàn)的地質(zhì)災(zāi)害類(lèi)型之一，分布廣泛，發(fā)生率高，威脅著人類(lèi)的生命和財(cái)產(chǎn)安全［1］。傳統(tǒng)的滑坡調(diào)查是依靠人力現(xiàn)場(chǎng)調(diào)查，在易發(fā)生滑坡的山區(qū)中，往往因?yàn)?zāi)害造成的交通堵塞而不能及時(shí)到達(dá)現(xiàn)場(chǎng)。遙感技術(shù)具有成像快、范圍廣的優(yōu)勢(shì)，能夠快速準(zhǔn)確地獲取滑坡災(zāi)害的位置、數(shù)量、大小等信息，現(xiàn)已作為調(diào)查滑坡的基本手段被廣泛應(yīng)用［2］。通過(guò)目視解譯對(duì)遙感影像上的目標(biāo)地物進(jìn)行提取耗時(shí)耗力且易有主觀誤差。

自1976年Kettig［3-5］首次對(duì)遙感影像分割進(jìn)行了簡(jiǎn)單闡述以來(lái)，國(guó)內(nèi)外學(xué)者對(duì)其進(jìn)行了更加深入的研究，并將遙感影像分割引入到滑坡提取的應(yīng)用中［4-5］。模糊聚類(lèi)作為一種多元分析方法，可根據(jù)對(duì)象間的模糊關(guān)系將其自動(dòng)分類(lèi)，在具有模糊性和不均勻性的遙感影像上，能夠抑制噪聲，更好分割影像［6］。該方法被廣泛運(yùn)用到滑坡災(zāi)害相關(guān)的研究中，如監(jiān)測(cè)滑坡變形［7-8］、調(diào)查滑坡影響因素和破壞機(jī)制［9］、滑坡敏感性評(píng)價(jià)［10］等。

對(duì)高分辨率遙感影像進(jìn)行面向?qū)ο蠓指?，可以更好地提取地物，Cai等［11］提出應(yīng)用快速?gòu)V義模糊C-均值聚類(lèi)算法（FastgeneralizedfuzzyC-meansclusteringmodel，F(xiàn)GFCM）可利用影像中局部區(qū)域像素間的灰度信息和距離關(guān)系定義一個(gè)新的線(xiàn)性加權(quán)和影像，能準(zhǔn)確反映影像包含的空間結(jié)構(gòu)信息，在該影像灰度直方圖上進(jìn)行影像聚類(lèi)，可得到抗噪能力強(qiáng)的影像分割成果。在FGFCM算法中，選擇的聚類(lèi)中心初始值和聚類(lèi)數(shù)目一般是由經(jīng)驗(yàn)決定的，主觀因素會(huì)對(duì)結(jié)果產(chǎn)生較大影響。而針對(duì)影像分割，云變換作為一種可轉(zhuǎn)換定性定量信息的算法，可以很好兼顧影像信息的模糊性與算法的穩(wěn)定性，彌補(bǔ)傳統(tǒng)“硬分割”算法無(wú)法處理不確定性問(wèn)題的缺點(diǎn)［12-13］。

本文以貴州省水城縣為研究區(qū)，基于高分1號(hào)（GF-1）影像，運(yùn)用逆云變換算法計(jì)算滑坡影像像元亮度值的聚類(lèi)初始中心值和聚類(lèi)數(shù)目，以克服人為選擇該值的主觀影響，結(jié)合FGFCM聚類(lèi)算法進(jìn)行影像分割，提取該區(qū)的滑坡信息，可為當(dāng)?shù)胤罏?zāi)減災(zāi)工作提供參考依據(jù)。

1研究區(qū)概況及數(shù)據(jù)來(lái)源

1.1研究區(qū)概況

1.1.1地理位置

水城縣隸屬于貴州省六盤(pán)水市，位于滇東高原向黔中丘原和廣西丘陵的過(guò)渡地帶，地處烏蒙山脈東北段之東南，境內(nèi)總體地勢(shì)是北西高、南東低。全縣南北長(zhǎng)97km，東西寬69km，總面積3605km2，總?cè)丝?6萬(wàn)人。

1.1.2滑坡發(fā)育情況

研究區(qū)因水系切割，地形以山地為主，受地殼層運(yùn)動(dòng)的影響，區(qū)內(nèi)經(jīng)歷多次間歇性掀斜抬升，形成了多級(jí)夷平面，地形起伏較大。研究區(qū)地質(zhì)構(gòu)造復(fù)雜，巖體內(nèi)片理和裂隙普遍發(fā)育，抗風(fēng)化能力弱，結(jié)構(gòu)松散，地質(zhì)災(zāi)害易在褶皺密集和斷裂交匯等構(gòu)造部位發(fā)生。境內(nèi)采礦活動(dòng)突出，山體裂縫常直達(dá)地表，導(dǎo)致一些原本平穩(wěn)的邊坡成為不穩(wěn)定的斜坡。降水集中的6-8月，暴雨容易造成土石層飽水、滑體重量增加、巖土層抗剪強(qiáng)度降低，最終導(dǎo)致滑坡。

水城縣地質(zhì)災(zāi)害分布如圖1。主要類(lèi)型包括：崩塌、滑坡、不穩(wěn)定斜坡、地裂縫、地面塌陷、泥石流等，其中滑坡155處，占該縣地質(zhì)災(zāi)害總數(shù)的53.82%。研究滑坡自動(dòng)提取方法對(duì)提高滑坡識(shí)別效率具有重要意義。

1.2數(shù)據(jù)來(lái)源

高分一號(hào)（GF-1）影像數(shù)據(jù)具有大面積、高精度、時(shí)效性強(qiáng)等特點(diǎn)。本文選取2018年5月份6景GF-1遙感影像融合成的2m分辨率遙感影像，包含水城縣大部分區(qū)域。水城縣滑坡災(zāi)害點(diǎn)是通過(guò)遙感影像目視解譯、野外排查驗(yàn)證得到的可信數(shù)據(jù)。

2研究方法

2.1FGFCM算法

模糊集理論是通過(guò)對(duì)傳統(tǒng)非此即彼分類(lèi)的集合理論中加入過(guò)渡區(qū)間，使針對(duì)單體分類(lèi)的間斷過(guò)程變成對(duì)區(qū)間分類(lèi)的連續(xù)狀態(tài)。由Ruspini［14］提出的FCM（模糊C均值）算法是依據(jù)最小二乘原理，通過(guò)迭代對(duì)目標(biāo)函數(shù)進(jìn)行優(yōu)化，從而對(duì)數(shù)據(jù)集進(jìn)行模糊劃分。將FCM算法引入影像分割，需要把影像的像素灰度值視為數(shù)據(jù)集的樣本點(diǎn)，將影像分割問(wèn)題轉(zhuǎn)換為FCM目標(biāo)函數(shù)優(yōu)化問(wèn)題。

FGFCM算法針對(duì)FCM算法計(jì)算復(fù)雜度高的問(wèn)題，通過(guò)利用原始影像中局部區(qū)域像素間的灰度信息和距離關(guān)系定義一個(gè)新的線(xiàn)性加權(quán)和影像，在該影像灰度直方圖上進(jìn)行聚類(lèi)，可大大減少計(jì)算量，且最終能得到抗噪能力強(qiáng)、精度高的影像分割成果。

該算法將局部區(qū)域像素間的灰度信息和距離關(guān)系以相似度量值轉(zhuǎn)為線(xiàn)性表達(dá)，這一步驟使該算法對(duì)噪聲具有魯棒性，其公式為［15］：

通過(guò)引入云變換，將樣本影像的定量信息轉(zhuǎn)換為定性概念，能更科學(xué)地計(jì)算出FGFCM聚類(lèi)時(shí)使用的聚類(lèi)參數(shù)。

2.3基于云變換優(yōu)化的FGFCM聚類(lèi)

使用遙感影像像元亮度值（Digitalnumber，DN），即地物的灰度值作為基本單元，可將不同類(lèi)別地物在遙感影像上的像元亮度頻率以不同云變換表示，每一個(gè)云視為一類(lèi)，將遙感影像視為云共同疊加組成的［17］。本文通過(guò)統(tǒng)計(jì)滑坡候選物的影像DN值進(jìn)行逆云變換計(jì)算，得出滑坡地物的初始聚類(lèi)中心值與聚類(lèi)個(gè)數(shù)，算出單個(gè)或組合的DN值對(duì)每個(gè)聚類(lèi)中心的隸屬度，然后進(jìn)行聚類(lèi)，實(shí)現(xiàn)影像分割，提取滑坡范圍。

3滑坡提取及精度驗(yàn)證

本文重點(diǎn)在于通過(guò)基于云變換優(yōu)化的FGFCM聚類(lèi)方法在GF-1影像上提取滑坡信息，主要步驟為：（1）剔除水體、植被、道路、建筑物等非滑坡地物；（2）選擇訓(xùn)練樣本，應(yīng)用云變換計(jì)算聚類(lèi)參數(shù)，通過(guò)FGFCM聚類(lèi)提取滑坡信息；（3）使用kappa系數(shù)進(jìn)行精度驗(yàn)證。

3.1提取滑坡候選物

在提取滑坡信息前對(duì)具有明顯影像特征的非滑坡地物進(jìn)行剔除，可避免后期將其誤分為滑坡，對(duì)提高滑坡識(shí)別的整體精度有很重要的作用。本文基于eCognition軟件，選取NDVI、光譜特征、形狀特征、紋理特征等作為對(duì)非滑坡地物提取的主要特征信息，剔除了水體、植被、道路、建筑物4類(lèi)非滑坡地物。

（1）水體。水體提取主要依靠在該方面具有優(yōu)勢(shì)的紅外波段，通過(guò)調(diào)整閾值范圍，設(shè)置紅外波段值小于27提取水體，除部分河道兩旁的陰影容易被誤分外，提取效果理想，如圖2（a）所示。

（2）植被。植被對(duì)歸一化植被指數(shù)NDVI及綠色波段具有較高的敏感度，結(jié)合兩者設(shè)置閾值測(cè)試得出，NDVI參數(shù)值為0.5～1.0、綠波段均值為50～110范圍的植被能基本被提取出來(lái)，如圖2（b）所示。

（3）道路?；诘缆吩谶b感影像上寬度均勻、與周?chē)匚锷畲蟮忍卣?，本文選取亮度值范圍［120，255］、坡度<30、橫向系數(shù)≥1.5、長(zhǎng)寬比≥4、形態(tài)參數(shù)0.3進(jìn)行道路提取。除部分因植被陰影影響斷裂或與相鄰建筑物合并的情況，整體效果較為理想，如圖2（c）所示。

（4）建筑物?；诮ㄖ镌谶b感影像上幾何形狀分明、集中的特征，通過(guò)控制變量法選取分割參數(shù)，最后選擇藍(lán)波段均值85～165、分割面積35、形狀因子1.5～3.5、緊致度0.8對(duì)建筑物進(jìn)行提取，最終提取效果理想，如圖2（d）所示。

對(duì)水體、植被、道路、建筑物進(jìn)行剔除后就能得到滑坡候選物的影像，從而進(jìn)行基于FGFCM算法的樣本訓(xùn)練和滑坡提取。

3.2基于FGFCM的滑坡自動(dòng)提取

剔除非滑坡地物后，在滑坡候選物區(qū)域選擇滑坡樣本訓(xùn)練和滑坡識(shí)別。本文將水城縣劃分為27個(gè)格網(wǎng)，選擇其中發(fā)生滑坡數(shù)量較多的兩個(gè)格網(wǎng)作為樣本區(qū)。

提取流程為：在ENVI系統(tǒng)中導(dǎo)入樣本區(qū)滑坡候選物的影像，提取影像DN值，獲取單個(gè)DN值的個(gè)數(shù)和出現(xiàn)的頻率。應(yīng)用云變換計(jì)算可得出樣本區(qū)滑坡候選物影像DN值的聚類(lèi)中心值和聚類(lèi)個(gè)數(shù)。隨后在MATLAB軟件中導(dǎo)入實(shí)驗(yàn)區(qū)滑坡候選物影像，基于云變換算法得出的樣本區(qū)聚類(lèi)參數(shù)，應(yīng)用FGFCM聚類(lèi)算法進(jìn)行像元聚類(lèi)，實(shí)現(xiàn)影像分割和滑坡提取。

基于云變換改進(jìn)FGFCM聚類(lèi)方法的實(shí)現(xiàn)步驟如下：

（1）統(tǒng)計(jì)像元的亮度值頻率。以影像的亮度級(jí)數(shù)為x軸，各亮度級(jí)在影像中出現(xiàn)的頻率為y軸，生成數(shù)據(jù)分布函數(shù)f（x）。

（2）尋找數(shù)據(jù)分布函數(shù)曲線(xiàn)f（x）的波峰值位置T。設(shè)定一個(gè)鄰域范圍W，以點(diǎn)T為中心將影像中DN值落在（T-W，T+W）范圍內(nèi)的所有數(shù)據(jù)點(diǎn)利用逆向云發(fā)生器算法生成云模型C（Ex，En，He）表示的定性概念，并用式（10）計(jì)算云模型的分布函數(shù)fi（x）：

y=e-（x-Ex）22En2（10）

從f（x）中減去該云模型的數(shù)據(jù)分布fi（x），得到新的數(shù)據(jù)分布函數(shù)f′（x）。

（3）重復(fù)步驟（1）、步驟（2），直至波峰值小于頻率閾值ε時(shí)停止，最后得到云模型的期望值，也就是初始化聚類(lèi)中心值，分別為0，22，47，86，105，141，181和223，得到共8個(gè)云模型的數(shù)據(jù)分布函數(shù)。聚類(lèi)過(guò)程主要是通過(guò)計(jì)算分析每個(gè)像元的空間位置與周?chē)裨镜匚镌诩y理、光譜上的差異性，賦予每個(gè)像元屬于每個(gè)聚類(lèi)中心的隸屬度，最后合并隸屬度最相近的像元，得到滑坡提取結(jié)果。圖3為提取滑坡結(jié)果示意圖，圖中藍(lán)線(xiàn)為自動(dòng)提取的滑坡邊界，紅線(xiàn)為目視解譯的滑坡邊界，橙色為漏提取邊界，綠色為過(guò)提取邊界。

3.3滑坡提取的精度驗(yàn)證

如圖3所示，本文提出的自動(dòng)提取方法所提取出的滑坡區(qū)域與準(zhǔn)確災(zāi)害點(diǎn)數(shù)據(jù)所顯示的滑坡區(qū)域基本一致，在具體面積上存在過(guò)提取和漏提取的問(wèn)題。這是因?yàn)槿祟?lèi)開(kāi)采礦物或進(jìn)行建筑修建時(shí)造

成的裸地易被誤提取為滑坡，或一些較早發(fā)生的滑坡表面已被植被覆蓋，影像特征弱化而未被識(shí)別出。

本文對(duì)滑坡正確提取、漏提取和過(guò)提取的面積進(jìn)行了統(tǒng)計(jì)。實(shí)地調(diào)查統(tǒng)計(jì)得到的滑坡共152處，總面積1664432m2。自動(dòng)提取統(tǒng)計(jì)得到的滑坡共157處，面積1714671m2。128處滑坡提取面積與準(zhǔn)確災(zāi)害點(diǎn)數(shù)據(jù)基本一致；漏提取滑坡12處，面積共136863m2；過(guò)提取滑坡17處，面積共187102m2。

kappa系數(shù)在評(píng)價(jià)遙感分類(lèi)方面應(yīng)用廣泛，本文用于分析基于FGFCM自動(dòng)提取的滑坡信息和已有滑坡數(shù)據(jù)的一致性。通過(guò)建立如表1所示的自動(dòng)提取結(jié)果和滑坡數(shù)據(jù)的轉(zhuǎn)換矩陣，根據(jù)式（11）計(jì)算得到kappa系數(shù)值。

式中：a表示滑坡自動(dòng)識(shí)別和災(zāi)害數(shù)據(jù)相一致的面積；b表示滑坡漏提取面積；c表示滑坡過(guò)提取面積；d表示非滑坡類(lèi)型提取結(jié)果和災(zāi)害數(shù)據(jù)相一致的面積，n為總數(shù)。P0表示兩者相一致的概率，即總體精度，Pe表示兩者偶然相一致的概率。

kappa指數(shù)評(píng)價(jià)一致性通?？梢苑譃?個(gè)級(jí)別［17］，0.61～0.80范圍則為高度一致，本文將滑坡面積統(tǒng)計(jì)相關(guān)的數(shù)據(jù)帶入表1，計(jì)算得到kappa系數(shù)達(dá)0.752，總體精度達(dá)0.880，可見(jiàn)基于云變換優(yōu)化的FGFCM滑坡自動(dòng)提取方法可以滿(mǎn)足實(shí)際應(yīng)用的要求。

4結(jié)論

本文以高分1號(hào)（GF-1）為主要數(shù)據(jù)源，通過(guò)云變換優(yōu)化的FGFCM方法對(duì)貴州省水城縣的滑坡進(jìn)行提取，對(duì)結(jié)果進(jìn)行評(píng)價(jià)，得出以下結(jié)論：（1）在進(jìn)行滑坡提取前對(duì)明顯非滑坡地物的剔除，提高了對(duì)目標(biāo)地物提取的精度，加快了計(jì)算聚類(lèi)參數(shù)及聚類(lèi)過(guò)程的運(yùn)算速度。（2）應(yīng)用云變換算法計(jì)算FGFCM聚類(lèi)中要使用的聚類(lèi)中心值和聚類(lèi)數(shù)目，避免了主觀對(duì)該聚類(lèi)參數(shù)選擇的影響，使最終提取結(jié)果更有效可靠。（3）滑坡提取結(jié)果經(jīng)計(jì)算驗(yàn)證，kappa系數(shù)為0.752，總體精度為0.880，與實(shí)地調(diào)查統(tǒng)計(jì)結(jié)果高度一致，因此通過(guò)該方法可以快速準(zhǔn)確識(shí)別滑坡及其范圍，有效提高遙感解譯的效率和精度。

本文使用的滑坡自動(dòng)提取方法準(zhǔn)確提取了整體滑坡位置，可應(yīng)對(duì)實(shí)際應(yīng)用需求，但在單體滑坡面積精度上存在誤差，有待改善。在算法方面，對(duì)模糊聚類(lèi)算法還可以基于自適應(yīng)濾波、局部空間限制、鄰域加權(quán)等方法進(jìn)行改進(jìn)。在數(shù)據(jù)處理方面，本文是在剔除了其他明顯非滑坡地物后的高分影像上進(jìn)行滑坡提取，易漏提取植被覆蓋的滑坡，可以采用激光雷達(dá)等技術(shù)獲取穿透植被的地表信息數(shù)據(jù)，從而對(duì)植被覆蓋密度較大的古滑坡進(jìn)行提取，彌補(bǔ)傳統(tǒng)方法的不足。

參考文獻(xiàn)

［1］朱新婷，吳彩燕，譚秋焰，等.基于熵權(quán)法的滑坡危險(xiǎn)性評(píng)價(jià)——以貴州省晴隆縣為例［J］.桂林理工大學(xué)學(xué)報(bào)，2022，42（1）：100-108.

［2］徐濤，張峰，張桂林，等.基于GIS的玉林-鐵山港公路地質(zhì)災(zāi)害危險(xiǎn)性評(píng)價(jià)［J］.桂林理工大學(xué)學(xué)報(bào)，2012，32（1）：55-62.

［3］WILKINSONGG.AreviewofcurrentissuesintheintegrationofGISandremotesensingdata［J］.InternationalGeographicalInformationSystems，1996，10（1）：85-101.

［4］TAVAKKOLIPS，SHAHABIH，JARIHANIB，etal.Landslidedetectionusingmultiscaleimagesegmentationanddifferentmachinelearningmodelsinthehigherhimalayas［J］.RemoteSensing，2019，11（21）：2575.

［5］陳婷，李百壽，康弋，等.基于遙感陰影與財(cái)產(chǎn)密度的城市房屋滑坡災(zāi)害風(fēng)險(xiǎn)評(píng)估方法——以廣西梧州市為例［J］.桂林理工大學(xué)學(xué)報(bào)，2017，37（1）：154-162.

［6］路彬彬，賈振紅，何迪，等.基于新的遺傳算法的模糊C均值聚類(lèi)用于遙感圖像分割［J］.激光雜志，2010，31（6）：15-17.

［7］LEIT，XUED，LVZ，etal.Unsupervisedchangedetectionusingfastfuzzyclusteringforlandslidemappingfromveryhighresolutionimages［J］.RemoteSensing，2018，10（9）：1381.

［8］鄧勇，張正祿，謝年生，等.模糊聚類(lèi)及其在滑坡監(jiān)測(cè)中的應(yīng)用研究［J］.測(cè)繪科學(xué)，2010，35（4）：163-165.

［9］ALIMOHAMMADLOUY，NAJAFIA，GOKCEOGLUC.EstimationofrainfallinducedlandslidesusingANNandfuzzyclusteringmethods：acasestudyinSaeenSlope，Azerbaijanprovince，Iran［J］.Catena，2014，120：149-162.

［10］LIY，WANGH，CHENJ，etal.DebrisflowsusceptibilityassessmentintheWudongdedamarea，ChinabasedonrockengineeringsystemandfuzzyC-meansalgorithm［J］.Water，2017，9（9）：669.

［11］CAIW，CHENS，ZHANGD.FastandrobustfuzzyC-meansclusteringalgorithmsincorporatinglocalinformationforimagesegmentation［J］.PatternRecognition，2007，40（3）：825-838.

［12］姚紅.多步逆向云變換算法在圖像分割中的應(yīng)用［J］.電腦知識(shí)與技術(shù)，2015，11（12）：202-205.

［13］孟暉，王樹(shù)良，李德毅.基于云變換的概念提取及概念層次構(gòu)建方法［J］.吉林大學(xué)學(xué)報(bào)（工學(xué)版），2010，40（3）：782-787.

［14］RUSPINIEH.Anewapproachtoclustering［J］.InformationandControl，1969，15（1）：22-32.

［15］王小鵬，張永芳，王偉，等.基于自適應(yīng)濾波的快速?gòu)V義模糊C均值聚類(lèi)圖像分割［J］.模式識(shí)別與人工智能，2018，31（11）：1040-1046.

［16］孫鴻鵠，程先富，倪玲，等.基于云模型和熵權(quán)法的巢湖流域防洪減災(zāi)能力評(píng)估［J］.災(zāi)害學(xué)，2015，30（1）：222-227.

［17］王軍.Kappa系數(shù)在一致性評(píng)價(jià)中的應(yīng)用研究［D］.成都：四川大學(xué)，2006.