滑坡信息提取與分析
1.多尺度分割與參數(shù)的選擇
無(wú)人機(jī)遙感獲取的影像具有較高的分辨率,而傳統(tǒng)的基于像元的分類結(jié)果會(huì)產(chǎn)生椒鹽效應(yīng),分類精度低,而面向?qū)ο蠓诸惙椒ňC合利用了光譜信息、紋理信息、空間形態(tài)結(jié)構(gòu)和上下文等多源信息, 分類精度較高,更適合高分辨率的無(wú)人機(jī)影像。本文采用 ESP (Estimation of Scale Parameters)工具輔助影像分割 來(lái)獲取最佳的分割尺度,ESP工具是通過(guò)引入局部方差(Local Variance, LV)指數(shù)來(lái)反映分割結(jié)果的均質(zhì)性,其中LV指數(shù)代表分割單元的內(nèi)部標(biāo)準(zhǔn)差,隨著分割單元的增大而增加,達(dá)到某一范圍LV指數(shù)便不會(huì)增加,該尺度可能為最佳分割尺度。但LV指數(shù)所對(duì)應(yīng)的尺度閾值不易從圖像上觀察到,因此通過(guò)變化率(RateofChange,ROC)參數(shù)來(lái)表征(式(3)),其中ScaleL代表L層所對(duì)應(yīng)的LV參數(shù)值,ScaleL-1代表更低一層所對(duì)應(yīng)的LV參數(shù)值,運(yùn)用ESP 工具得到計(jì)算結(jié)果如圖5所示,圖1中ROC的極大值可能代表地物信息提取的最佳分割尺度,根據(jù)實(shí)驗(yàn)結(jié)果并結(jié)合目視解譯,最終選定分割尺度為320。
圖1 ESP工具計(jì)算結(jié)果
為了更好地將地形與地貌信息納入到分割體系中,因此加入了DEM和坡度影像參與分割。在均值因子的選擇上,形狀因子過(guò)大會(huì)制約光譜信息,緊密度過(guò)大會(huì)使得分割結(jié)果的邊緣形成鋸齒狀區(qū)域。為了獲取最佳的分割結(jié)果,本文通過(guò)充分的實(shí)驗(yàn),確定光譜權(quán)重中紅光波段、綠光波段、藍(lán)光波段、DEM、坡度影像分別占比例為1:1:1:0.2:0.2,分割尺度為320,形狀因子為0.2,緊密度為0.4,通過(guò)上述參數(shù)進(jìn)行分割時(shí),獲取的分割對(duì)象大小適中,內(nèi)部光譜差異小,不同類別間邊界清晰。
2. 基于模糊分類與決策樹(shù)的滑坡信息提取
基于決策樹(shù)的分類方法具有運(yùn)算速度快,漏分區(qū)域少的優(yōu)勢(shì),而決策樹(shù)的構(gòu)建方式以及每個(gè)節(jié)點(diǎn)分類算法和參數(shù)的選擇是研究的重點(diǎn)問(wèn)題。依據(jù) 成員函數(shù)建立決策樹(shù)的分類方法多是基于布爾邏輯陳述(Boolean Logic Statement),通過(guò)對(duì)待分類單 元賦予1或0來(lái)確定歸屬類別的二元硬分類。為了改善二元硬分類的不足,模糊分類的方法應(yīng)運(yùn)而生,它是以模糊邏輯(Fuzzy Logic)為理論基礎(chǔ),采用隸屬度函數(shù)來(lái)描述模糊的概念,從而將屬于與不 屬于的絕對(duì)概念過(guò)渡到相對(duì)概念,避免了人為設(shè)定 閾值的主觀性與差異性,更符合客觀真實(shí)規(guī)律。由于決策樹(shù)分類存在著誤差累積的現(xiàn)象,因此在決策 樹(shù)的構(gòu)建方面,最好先將易于區(qū)分的類別進(jìn)行分類,并且在每個(gè)節(jié)點(diǎn)上選擇合適的分類方法與參考 特征,以提高分類精度。遵循以上規(guī)則構(gòu)建決策樹(shù) (圖2)來(lái)實(shí)現(xiàn)研究區(qū)植被、道路、疑似滑坡區(qū)域的信息提取。
圖2 分類決策樹(shù)
(1)植被信息提取
本文研究區(qū)內(nèi)植被覆蓋度較高、邊界清晰,提取難度較小,因此在第1層進(jìn)行植被提取。VDVI指數(shù)對(duì)于僅含可見(jiàn)光波段的影像中綠色植被信息具有較好的提取效果,更適用于無(wú)人機(jī)影像;提取方法選擇基于閾值與隸屬度函數(shù)相結(jié)合的模糊分類方法,通過(guò)選取VDVI指數(shù)構(gòu)造植被的隸屬度函數(shù)來(lái)實(shí)現(xiàn)植被信息的提取。當(dāng)VDVI指數(shù)小于-0.018時(shí)地物類型為非植被,當(dāng)大于0.002時(shí)地物類型為植被,因此在(-0.018,0.002)區(qū)間構(gòu)建植被信息的隸屬度函數(shù)(表3),通過(guò)隸屬的函數(shù)值來(lái)確定類別的歸屬,通過(guò)上述方法將原始影像分為植被與非植被。
(2)道路信息提取
在非植被區(qū)域進(jìn)行下一步的道路信息提取,由于研究區(qū)為山區(qū),地勢(shì)起伏明顯,而人工修建的盤 山公路坡度平緩,因此依據(jù)坡度影像可以實(shí)現(xiàn)對(duì)道 路的提取,提取的方法選擇基于閾值與隸屬度函數(shù) 相結(jié)合的模糊分類方法。當(dāng)坡度小于14°時(shí),影像 對(duì)象的地物類型為道路,當(dāng)坡度大于16°時(shí)地物類 型為非道路,因此在(14,16)構(gòu)建道路信息的隸屬度 函數(shù)(表1),通過(guò)上述方法可以實(shí)現(xiàn)山區(qū)公路信息的 提取,從而將非植被區(qū)域劃分為道路與非道路區(qū)域。
表1 分類規(guī)則
(3)疑似滑坡區(qū)域的提取
經(jīng)過(guò)前2個(gè)步驟已經(jīng)提取了研究區(qū)的植被與道 路信息,下一步需要在非道路區(qū)域進(jìn)行滑坡信息的 提取。在滑坡信息的提取方面,很難設(shè)定合適的閾值來(lái)實(shí)現(xiàn)提取,因此本文通過(guò)人工選取樣本點(diǎn)并采用 SVM(Support Vector Machine)分類方法進(jìn)行分類,SVM具有較強(qiáng)的小樣本學(xué)習(xí)能力,并且魯棒性 強(qiáng),是一種優(yōu)秀的監(jiān)督分類算法。本實(shí)驗(yàn)在待分類影像區(qū)域選擇9個(gè)滑坡區(qū)域的 樣本點(diǎn)和10個(gè)非滑坡區(qū)域的樣本點(diǎn),分別獲得每個(gè)樣本區(qū)域的8種 GLCM 紋理,并對(duì) 8 種紋理值進(jìn)行歸一化處理,統(tǒng)計(jì)結(jié)果如圖3所示。
圖3 樣本點(diǎn)的GLCM紋理特征統(tǒng)計(jì)
通過(guò)比較滑坡區(qū)域與非滑坡區(qū)域在8種GLCM紋理影像上值的差異,可以發(fā)現(xiàn)在方差(Variance)統(tǒng)計(jì)值中,滑坡區(qū)域集中在0.64-0.81之間,在對(duì)比度(Contrast)統(tǒng)計(jì)值,滑坡區(qū)域集中在0.48-0.79之間,在角二階矩(Angular Second Moment)統(tǒng)計(jì)值中,滑坡區(qū)域集中在 0.51-0.78 之間,由于滑坡區(qū)域主要為堆積的碎石,異質(zhì)性強(qiáng)于側(cè)壁巖石,弱于裸露土壤,因此在以上3種紋理特征中(表 2),滑坡區(qū)域與非滑坡區(qū)域具有較明顯的分界值,而在其他5種紋理特征中,滑 坡區(qū)域與非滑坡區(qū)域相混淆。
表2 GLCM紋理特征
人工選取的樣本點(diǎn)在坡度值上也存在著較明顯的分界值,滑坡區(qū)域的坡度值主要集中在30°~40°之間,而非滑坡區(qū)域主要為側(cè)壁巖石和裸露土地,側(cè)壁巖石坡度大于45°,而裸露土壤的坡度集中在20°~30°之間。綜上所示,選定方差、對(duì)比度、角二階矩與坡度作為分類參考特征,通過(guò)人工選擇樣本點(diǎn)的方式,采用 SVM 監(jiān)督分類算法實(shí)現(xiàn)滑坡信息的提取,提取結(jié)果如圖4所示。
圖4 研究區(qū)信息提取結(jié)果
3.3重點(diǎn)滑坡區(qū)域的形態(tài)分析和精度評(píng)價(jià)
通過(guò)前文介紹的信息提取方法,可以將研究區(qū)的植被、道路、疑似滑坡區(qū)域很好地提取出來(lái),其中疑似滑坡區(qū)域大部分為堆積的碎石,結(jié)合滑坡的空間位置以及公路的分布特征,可以發(fā)現(xiàn)區(qū)域A(圖9) 具有較高的風(fēng)險(xiǎn)等級(jí)。為了更準(zhǔn)確地對(duì)區(qū)域 A 進(jìn)行滑坡形態(tài)與紋理的分析,本文獲取了基于滑坡表面的投影影像,其中投影面的位置如圖5所示。
圖5 重點(diǎn)滑坡區(qū)域的投影影像以及滑坡形態(tài)分析
結(jié)合前文獲取的DEM與坡度數(shù)據(jù),可以發(fā)現(xiàn)該區(qū)域在形態(tài)方面,斜面上出現(xiàn)馬蹄形狀的洼地,形狀與周圍區(qū)域明顯不協(xié)調(diào),在斜坡面形成上部陡峭中部平緩下部陡峭的折線狀地形,其中上部區(qū)域平均坡度為37°,中部區(qū)域?yàn)?6°,下部區(qū)域?yàn)?4°,滑坡后壁較陡,中間有一個(gè)較平緩的核心臺(tái)階。該區(qū)域的 巖石類型主要為施工遺留的碎石,在重力作用下呈 流態(tài)分布于滑坡表面,結(jié)構(gòu)上較為松散,與周圍未 滑動(dòng)的整塊巖石具有明顯的差異。本文采用用戶精度,生產(chǎn)者精度作為評(píng)價(jià)指標(biāo),其中分類結(jié)果的精度評(píng)價(jià)如表5所示。結(jié)果表明本文的方法具有較高的精度,3種主要地物類型中生產(chǎn)者精度在80%左右,用戶精度在90%左右,其中重點(diǎn)提取的滑坡區(qū)域用戶精度為91.44%,生產(chǎn)者精度為84.65%。
圖6 精度評(píng)價(jià)方法示意圖
表3 分類結(jié)果精度評(píng)價(jià)
4 結(jié)論與展望
針對(duì)研究區(qū)的滑坡信息提取要求,利用無(wú)人機(jī)遙感平臺(tái),采取傾斜拍攝與支持拍攝相結(jié)合的影像獲取方式,結(jié)合攝影測(cè)量基本原理與計(jì)算機(jī)視覺(jué)算法,得到了高精度的DOM與DEM數(shù)據(jù),通過(guò)面向?qū)ο蠓椒▽?shí)現(xiàn)了研究區(qū)滑坡信息的提取。具體結(jié)論如下:
(1)利用無(wú)人機(jī)遙感平臺(tái)獲取的影像有效地保留了光譜與紋理信息,并結(jié)合野外測(cè)量的控制點(diǎn)保證了位置精度,采用影像匹配、相對(duì)定向、光束法平差以及數(shù)字微分糾正的方法,獲取了研究區(qū)的DEM與DOM,通過(guò)對(duì)影像的精度驗(yàn)證,證明本文的研究方法適用于無(wú)人機(jī)影像的獲取與處理。
(2)確定了DOM影像分割的最佳尺度,結(jié)合研究地物的光譜、紋理以及形態(tài)特征,構(gòu)建了基于模糊分類與SVM算法相結(jié)合的決策樹(shù),實(shí)現(xiàn)了滑坡信息的提取。并對(duì)提取的滑坡區(qū)域進(jìn)行了形態(tài)與紋理的分析以及精度評(píng)價(jià),其中滑坡提取的用戶精度為91.44%、生產(chǎn)者精度為84.65%,證明本文的提取方法具有較高的精度與應(yīng)用價(jià)值。本文雖然獲得了研究區(qū)高分辨率和高精度的DEM和DOM數(shù)據(jù),但是影像的覆蓋面積較小,無(wú)法實(shí)現(xiàn)大范圍的滑坡信息提取與監(jiān)測(cè),其主要限制在于無(wú)人機(jī)的續(xù)航問(wèn)題,今后將大幅度地提升續(xù)航能力,以便實(shí)現(xiàn)大區(qū)域的滑坡信息提取與監(jiān)測(cè)。
萊森光學(xué)(深圳)有限公司是一家提供光機(jī)電一體化集成解決方案的高科技公司,我們專注于光譜傳感和光電應(yīng)用系統(tǒng)的研發(fā)、生產(chǎn)和銷售。
審核編輯 黃昊宇
-
無(wú)人機(jī)
+關(guān)注
關(guān)注
226文章
10274瀏覽量
178770 -
遙感數(shù)據(jù)
+關(guān)注
關(guān)注
0文章
14瀏覽量
7219
發(fā)布評(píng)論請(qǐng)先 登錄
相關(guān)推薦
評(píng)論