EN中文

地球信息科学学报 >

2022 , Vol. 24 >Issue 7: 1275 - 1285

DOI: https://doi.org/10.12082/dqxxkx.2022.210704

地球信息科学理论与方法

基于GEE和U-net模型的同震滑坡识别方法

  • 刘佳 , 1, 3 ,
  • 伍宇明 , 1, * ,
  • 高星 1 ,
  • 司文涛 2
展开
  • 1.中国科学院地理科学与资源研究所 资源与环境信息系统国家重点实验室,北京 100101
  • 2.山东师范大学公共管理学院,济南 250100
  • 3.中国科学院大学,北京 100049
* 伍宇明（1989—）,北京人,男,博士,副研究员,主要从事地质灾害研究,E-mail:

刘 佳（1993—）,男,河北沧州人,博士研究生,主要研究方向为滑坡识别与动力学模拟,E-mail:

收稿日期: 2021-11-03

  修回日期: 2022-01-17

  网络出版日期: 2022-09-25

基金资助

中国科学院战略性先导科技专项（A类）子课题(XDA23090503)

国家重点研发计划项目(YS2018YFGH000001)

国家重点研发计划项目(2018YFC1505503)

收起

Image Recognition of Co-seismic Landslide based on GEE and U-net Neural Network

  • LIU Jia , 1, 3 ,
  • WU Yuming , 1, * ,
  • GAO Xing 1 ,
  • SI Wentao 2
Expand
  • 1. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 2. School of Public Administration, Shandong Normal University, Jinan 250100, China
  • 3. University of Chinese Academy of Sciences, Beijing 100049, China
* WU Yuming, E-mail:

Received date: 2021-11-03

  Revised date: 2022-01-17

  Online published: 2022-09-25

Supported by

The Strategic Priority Research Program of the Chinese Academy of Sciences(XDA23090503)

National Key Research and Development Plan of China(YS2018YFGH000001)

National Key Research and Development Plan of China(2018YFC1505503)

Fold

摘要

地震滑坡解译是震后重建的重要基础工作,主要通过室内人工遥感解译和室外野外调查确定。地震滑坡相比其他地物来说更为复杂,很难通过简单指数识别。室内遥感解译通过滑坡后壁、侧壁和堆积等纹理特征进行识别,大面积同震滑坡解译工作往往耗费大量人力和物力,且耗时长,难以满足灾害应急需求。本研究利用U-net神经网络模型,结合Google Earth Engine（GEE）云平台和人工智能学习平台Tensorflow,以地震局解译的汶川滑坡作为样本数据,以震后30 m分辨率的Landsat影像、高程、坡度以及NDVI数据作为模型输入参数,自动识别并获取了汶川地震后的同震滑坡数据,同时比较了不同参数组合情况下U-net神经网络模型的分割识别精度。研究表明：① U-net模型可以用于以Landsat影像为基础数据的同震滑坡快速自动识别;② 随着高程、坡度以及NDVI等输入参数增加,模型分割精度在逐渐提高,但假阳性结果也会出现增多,震后滑坡影像+高程+坡度+NDVI的输入参数组合精度最高;③ 在细节上,模型在多参数组合的情况下,大型滑坡能够很好被识别,一些较小型的滑坡受制于影像分辨率的影响,分割精度较差。为了更好识别小型滑坡,后续研究可能需提高影像的分辨率。此外,GEE云平台大大提高了训练样本获取的效率,为科研人员快速进行基于神经网络与遥感数据的地物识别研究提供了条件。

关键词： 地震滑坡; U-net模型; GEE; 图像分割; Landsat影像; 均方误差; 召回率; 平均交并比

本文引用格式

刘佳 , 伍宇明 , 高星 , 司文涛 . 基于GEE和U-net模型的同震滑坡识别方法[J]. 地球信息科学学报, 2022 , 24(7) : 1275 -1285 . DOI: 10.12082/dqxxkx.2022.210704

Abstract

Landslide identification is a fundamental work in geological survey. Characterizing the distribution of earthquake-induced landslides can help define where areas are prone to landslides and where areas are safe, which is important for subsequent post-earthquake reconstruction. At present, the co-seismic landslide is usually identified by remote sensing interpretation and field survey based on color changes and textual characteristics such as crown cracks, accumulation, and flank. However, the identification and segmentation of large-area earthquake-induced landslides often takes a lot of time and resources, making it difficult to provide timely relevant data to rescuers in disasters. Recently, the combination of Google Earth Engine (GEE), Colab, and Cloud storage provides new technique support for post-earthquake landslide interpretation. Remote sensing images can be quickly extracted in GEE, learned in the Colab platform, and stored in Cloud storage. Based on these technologies, a U-net model built on Tensorflow was integrated in the GEE to identify co-seismic landslides of Wenchuan. We tested three combinations of different remote sensing data to identify landslides, namely Landsat 5 (LT05), LT05+slope+DEM, and LT05+slope+DEM+NDVI. The results showed that all these three combinations had an accuracy of 0.71~0.87, precision of 0.66~0.75, recall of 0.29~0.57, and mIoU of 0.50~0.64. Due to the complexity of landslides in remote sensing images, the U-net model still resulted in misclassification and cannot replace human interpretation completely. However, this model can help us in interpreting earthquake-induced landslides to some extent. From the detailed images, there is a high possibility for areas that have been marked as landslides, but there may also be a large number of landslides for areas that are not marked as landslides. The accuracy and precision increased about 1% in all three data combinations with the increasing number of parameters, but the number of false positives also increased with the increasing number of parameters. The NDVI, a derivative image from LT05, enhanced learning efficiency and accuracy, which indicated that the prior knowledge was very important in a neural network model. By comparison, the model can segment large-scale landslides well in the case of using the combination of LT05+NDVI+DEM+slope. However, due to the limited image resolution, the segmentation accuracy of small landslides was still not good. We need higher spatial resolution images to improve segmentation accuracy. This study demonstrates the computation efficiency of the GEE+Colab+Cloud storage platform, which provides a technique support for researchers to conduct object recognition quickly using remote sensing data based on neural networks.

Key words： co-seismic landslide; U-net model; GEE; image segmentation; Landsat; MSE; recall; mIoU

1 引言

由于地质构造复杂、地质环境脆弱、地形陡峻,加之大型地震频繁发生[1],我国西南山区成为滑坡主要发生地区之一[2],如：易贡滑坡[3]、白格滑坡[4]和汶川地区大量地震诱发滑坡群等。这些滑坡给当地人民生产生活,带来了严重影响,并直接威胁着当地人民群众的生命财产安全[5]。同震滑坡分布对于救援、城镇规划等工作起到了至关重要的作用[6-7],如何高效快速识别同震滑坡是目前亟待解决的问题。随着技术的发展,遥感监测具有成本低和快速等特点,为同震滑坡分割识别提供了可能[8-9]。
地表纹理和色彩特征是滑坡识别的主要方法之一。该方法主要通过色彩的连续性以及有针对性的遥感指数进行体现[10]。因此,滑坡光谱特征和相关的遥感指数对于滑坡的识别起到了至关重要的作用。目前归一化植被指数（NDVI）,主要反映土壤和植被的特征,是在滑坡研究中使用最为广泛的指数。在植被茂密地区,滑坡造成植被破坏区域能够被NDVI影像快速识别和分割[11]。因此,针对白格滑坡,Yang等[12]利用NDVI揭示了白格滑坡的运动过程。此外,Ni[13]利用长时间NDVI序列,揭示了震后滑坡的活跃规律,并与黄润秋预测结果保持了高度一致。归一化湿度指数（NDWI）也是能够分割识别滑坡的重要指标[14]。因此,利用这些指数和纹理性质能够初步识别出一些简单的滑坡,但是对于一些特征不明显滑坡很难进行提取。为了提高滑坡自动识别的精度,可以用于区分滑坡与非滑坡的特征因子被应用于滑坡识别中。李勋等[15]定量分析了多种地形指标与影像指标在识别滑坡中的效果并建立了多层滑坡识别模型,彭令等[16]构建了融合多因子的多维滑坡识别规则,建立了面向高分影像与场景理解过程的分层滑坡识别模型。这类方法在滑坡识别中具有较高的精度,但大多仍为半自动处理模式。
随着人工智能技术的发展,深度神经网络成为滑坡分割识别的主要方法之一[17⇓-19]。其中,卷积神经网络模型（CNN）是最为成功的深度学习网络。CNN神经网络主要由输入层、卷积层、激活函数（ReLU）层、池化（Pooling）层和全连接层组成,从而解决传统神经网络中丢失空间信息、训练困难和网络过拟合的问题。但是,CNN模型由于卷积和池化的过程会丢失图像细节,造成这类方法很难进行精确分割识别。为此,Jonathan等[20]提出了Fully Convolutional Networks（FCN）用于图像语义分割。自从这个方法提出后,FCN已经成为分割的基本框架,后续算法都是在这个框架中改进而来。
在此框架下,U-net网络是由Olaf等[21]提出,目前成为最流行的神经网络之一。它使用包含压缩路径和扩展路径的对称U形结构,该结构能够保留原始特征图像,使其有更大视野域。由于浅层的卷积更关注纹理细节,深层的卷积更关注本质的特征,U-net网络将这2个合并获取不同尺度的特征。由于简单和快捷特点,它已经广泛应用到医疗CT影像分割和自动驾驶等领域。U-net神经网络模型具有局部感知能力,非常适合滑坡的分割识别。在平台方面,Tensorflow和Pytorch等神经网络平台的出现,使得学习和应用神经网络模型的成本变得更低,也更容易将各种各样的神经网络模型和遥感数据进行结合。
Google Earth Engine（GEE）是一个基于云的地理空间分析平台。它的出现使得遥感影像的计算和应用变得更为方便。在GEE平台上,可以对多源遥感影像进行融合分析、快速计算、并结合大数据技术得到遥感指数变化的时空规律等,从而为滑坡的快速图像分割提供可能[22]。另外,GEE 和Tensorflow结合技术使得神经网络在遥感领域有了更大的优势,也更容易利用人工智能技术探测我们的地球。这一技术的发展,使得遥感滑坡识别和图像分割工作可能出现新的方法[23-24]。
因此,本研究采用U-Net神经网络,在Tensorflow框架下实现,并结合GEE大型遥感平台,快速识别大面积同震滑坡,并分析在不同输入参数组合情况下的学习精度,从而确定不同输入参数组合情况下对于U-net网络结构学习过程的影响,为神经网络在同震滑坡图像分割中的应用提供参考。

2 研究方法

深度神经网络模型主要是在学习数据和标记之间建立复杂函数f。f 通过各个神经元链接和激活函数进行确定。对于神经网络模型而言,特征影像、模型结构和损失函数决定着神经网络模型的学习精度。本工作主要在GEE平台和Tensorflow框架下建立滑坡的U-net神经网络图像分割模型。根据神经网络学习原理,学习过程主要分为5个阶段：① 归一化原始遥感影像和相关地图,使其取值范围在[0,1]区间内;② 建立相关神经网络结构;③ 训练模型;④ 验证模型;⑤ 输出神经网络模型。具体的操作流程如图1所示。
图1 同震滑坡神经网络模型计算框架

Fig. 1 Co-seismic landslide neural network model framework

2.1 数据预处理

根据传统滑坡理论知识,纹理特征、地形地貌特征和植被特征是滑坡识别和图像分割的主要依据要素。考虑到当时卫星状况,研究采用Landsat 5卫星的影像数据作为输入数据。Landsat 5卫星的最高分辨率为30 m,共有7个波段,可以识别图像上较大型的滑坡,对于图像上较小型滑坡,图像分辨率低且很难识别;考虑到GEE上的可获得性和精度,滑坡的地形地貌是采用SRTM 90m Digital Elevation Database v4.1及其衍生的坡度地图;植被特征是利用Landsat 5的植被指数（NDVI）指标来反映。因此,研究拟选用归一化的Landsat遥感影像和DEM数据,和他们的衍生产品NDVI和坡度作为主要输入参数,用于神经网络特征学习。按照神经网络学习的要求,所有数据都需在统一标准范围内。为了进行归一化处理,研究分别针对不同产品取值范围建立相关函数。具体的公式为：
y = x t
式中：x为参数的取值;t为大于或等于max(x)的分割阈值;y为神经网络输入参数值。由于影像和DEM的取值范围在10 000以内, t为10 000;由于坡度值取值范围为[0,90],t为90。
对于遥感影像而言,云是主要的影响影像质量的因素。为了消除云的影响,研究采用Google Earth Engine提供的Landsat 5的地表反射数据（LANDSAT/LT05/C01/T1_SR）。该产品QA波段能够给用户提供一些有用信息,包括：区分云、像素等,并用二进制来表示,从右到左为位0、位1、位2和位3。位0到位3中表示不同条件的满足情况。如果条件为真,则该位设置为“1”,如果为假,则该位设置为“0”。因此,研究利用QA波段筛选出无云有效区域,并取所有时间序列像素的中值得到最后影像数据,来排除季节性变化影响。

2.2 生成学习样本

由于滑坡是罕见事件,即使在地震后滑坡较多的情况下,滑坡像素数量占总像素数量比例仍较低。为了解决这一问题,研究尽可能保证每个滑坡影像中均存在一定数量的滑坡图斑和有效学习数据。为此,在GEE上,研究以滑坡中心点为影像中心,生成256像素×256像素的多层图像,并利用0和1标记影像中的非滑坡区域和滑坡区域,从而保证每幅影像中存在大量的滑坡像素点,保证学习滑坡特征的数量。最后采用GEE的数据集导出功能,导出为TFRecord数据集并存储在Cloud Storage上,这样能够和Colab的Tensorflow进行对接,方便建立神经网络模型。

2.3 学习模型

参照U-net结构[21],该网络是由一个收缩路径（左边）和一个扩张路径（右边）组成的。其中,收缩路径遵循典型卷积网络结构,由2次重复3×3卷积核组成,且均使用修正线性单元（ReLU）激活函数和一个用于下采样（down-sample）的池化操作进行处理。因此,在每一个下采样的步骤中,特征通道数量会出现加倍现象。在扩张路径中,每一步都进行上采样（up-sample）;然后用卷积核进行卷积运算（上卷积,up-convolution）,来减少一半的特征通道数量;接着,级联收缩路径中相应裁剪后的特征图,再用2个3×3卷积核进行卷积运算,也均用ReLU激活函数进行处理。模型的训练采用最小化均方误差（MSE）,训练算法为随机梯度下降算法（SDG）。整个U-net神经网络模型建立在Colab的Tensorflow的Karas下。

2.4 模型训练

在训练过程中,为了防止训练过程中出现欠拟合和过拟合问题,研究对滑坡训练数据进行切片、洗牌、分组等操作,每步在训练区域内随机抽取2000组训练数据进行学习。滑坡验证集在验证区域内随机抽取500个影像作为验证集合,来验证模型精度,避免出现过拟合现象。神经网络收敛终止条件为滑坡验证集的MSE连续出现2次增加,这种现象表明已经到达训练终点,可以停止相关训练,并输出验证集最低MSE训练的模型。由于U-net神经网络模型给出的是概率, 为此,研究采用0.5作为阈值进行分割,即：概率大于0.5为发生滑坡点;概率小于0.5为不发生滑 坡点。
整个模型训练过程是在Colab提供的NVIDIA的Tesla P100上学习和训练。该平台能够很好对接Google Earth Engine遥感平台和Tensorflow框架,方便使用神经网络学习相应的影像数据。

2.5 精度验证

为了分析具体的滑坡分割效果,我们采用混淆矩阵进行分析。混淆矩阵是以矩阵形式对预测数据和实际数据进行汇总,并给出各个统计指标来评价滑坡模型。在图像分割中,混淆矩阵是表示精度评价的一种标准格式。混淆矩阵中P代表阳性案例,N代表阴性案例。在图像分割中,阳性精度（precision）、总体精度（accuracy）、召回率（recall）和平均交并比（mIoU）是重要的指标。阳性精度（precision）为阳性正确案例数量占总阳性数据的比例;准确率（accuracy）为正确预测结果占总结果的比例;召回率（recall）是反映预测为正确的滑坡样本占实际所有滑坡样本的比值;平均交并比（mIoU）为真实值和预测值2个集合的交集和并集之比的平均值,公式分别为：
p r e c i s i o n = T P T P + F P
a c c u r a c y = T P + T N T P + T N + F P + F N
r e c a l l = T P T P + F N
m I o U = 1 2 T P T P + F P + F N + T N T N + F P + F N
式中： T P为真阳性案例,即当实际情况和预测情况均为阳性时的案例; T N为真阴性案例,即当实际情况和预测情况均为阴性时的案例; F N为假阴性案例,即当实际情况为阳性,预测情况为阴性时的案例; F P为假阳性案例,即当实际情况为阴性,预测情况为阳性时的案例。

3 实验及结果分析

3.1 实验区概况及数据来源

2008年5月12日,四川省阿坝藏族羌族自治州汶川县境内发生特大地震,地震影响范围巨大,发震断裂位于青藏高原东缘龙门山断裂带。灾区总面积达50万km2,重灾区面积超过10万km2,涉及周边6个市（州）。由于其超常的地震动力,触发了大量的滑坡。汶川地震滑坡主要分布在烈度7度以上,且具有一定的规律性[25]。这些滑坡造成了当地大量人员伤亡和财产损失,严重的阻碍了应急救援工作。本文研究区为映秀-北川断裂带周围的滑坡发生密集区,境内为海拔高度变化大的高山山区,海拔从600多米到5000 m以上,地形崎岖,深切峡谷发育,地质构造复杂。这些复杂的环境给解译工作带来了严重的阻碍。
针对复杂震后地质、地貌情况和考虑数据在GEE平台上的可获得性,本文所使用的数据主要包括样本数据集、震后滑坡影像、高程、坡度数据以及NDVI数据,如表1所示。地震局Xu等[26]在美国USGS网站（ https://www.sciencebase.gov/catalog/item/586d7498e4b0f5ce109fc93b）上提供的滑坡数据集作为本研究的主要滑坡数据。为了准确在图像上分割和识别滑坡,研究选取部分区域将滑坡数据集分为训练集、验证集,来分析模型的特点,其中绿色为训练集,橘黄色为验证集（图2）。遥感影像为经过去云处理后的Landsat-5数据,1~7波段,时间范围为2008年5月13日至2010年12月31日,上述遥感影像集合的中位影像被用于计算NDVI植被指数,坡度数据则是基于高程数据并利用GEE平台的坡度算法计算得到。
表1 主要数据说明

Tab. 1 The data used in this study

数据类型 数据说明 获取日期 数据来源
滑坡数据 汶川地震滑坡数据集（Xu） 2008年5月13日至2014年 USGS网站
震后影像 Landsat-5 1-7波段数据 2008年5月13日至2010年12月31日 GEE平台
高程数据 SRTM 90 m分辨率数据 2000年 GEE平台
坡度数据 基于高程数据计算得到 2000年 GEE平台
NDVI数据 根据震后影像数据计算得到 2008年5月13日至2010年12月31日 GEE平台
图2 训练集和验证集的滑坡分布

Fig. 2 Landslide distribution of training set and validation set

根据滑坡面要素的中心点生成256像素×256像素的数据框,据此生成参数的样本切片数据。实验数据集合是在相应区域内随机选取样本切片数据,并组合为训练集和验证集。训练集共生成 69 622组训练数据,验证集生成27 315组验证数据。最后,利用Tensorflow中自带的抽稀功能和洗牌功能对其进行随机分组和抽取（2000个滑坡一组）。根据不同的参数组合,得到不同的U-net神经网络模型。

3.2 实验结果

3.2.1 总体精度

在本研究中,损失函数所采用的是均方误差（MSE）。训练集的均方误差和验证集的均方误差在不同参数组合情况下的收敛过程能够表示U-net神经网络收敛过程（图3）。训练集的收敛过程能够表明模型学习效率和收敛情况;验证集的收敛过程能够在一定程度上表示是否存在欠学习和过学习的过程。总体而言,训练集的均方误差（MSE）呈现出初期下降较快,后期较缓的特征。不同输入参数组合下,模型的总体验证集MSE在0.36~0.39之间,训练集的MSE在0.34~0.38之间。当组合为纯影像时,第12次训练达到最低,验证集MSE为0.3702;当组合为影像+slope+DEM时,第12次训练达到最低,验证集MSE为0.3640;当组合为NDVI+影像+slope+DEM时,第14次训练达到最低,验证集MSE为0.3626。3个组合的MSE大致为0.36~0.37之间,差距不大,但相比其他地物分割的精度略低。这一结果表明,随着神经网路模型的不断训练,3种组合的精度均呈现出了不断下降的情况,但是验证集的变化过程较为复杂,部分情况出现了轻微上升,这样的变化会造成模型收敛判断更为复杂,很难判断模型是否收敛。
图3 不同输入参数情况下的均方误差收敛过程

Fig. 3 MSE convergence process under different parameters combinations

3.2.2 精度分析

为了精细看出在不同区域的分割效果,研究在验证集内随机抽取了3个区域作为案例区进行对比分析。3个案例区影像分割结果表明大部分滑坡都已经被U-net神经网络模型分割出来,但一些少量像素点表示的滑坡很难被分割出（图4）。另外,模型参数也决定影像分割情况。当输入参数为仅有影像时,图像上较大型滑坡容易被分割为几个小型滑坡,这样会为滑坡后期提取造成一定的困难。对于较小型滑坡,受制于遥感影像分辨率影响,一些细小的滑坡没有被识别出来,这种较小型滑坡的分割很难通过改进模型和增加参数来解决,需要选用更高分辨率的影像和数据进行处理和分析（图4）。
图4 不同参数组合下不同地区滑坡提取比较

Fig. 4 Comparison of different models in different areas under different parameter combinations

混淆矩阵（表2）显示随着模型参数的增加,TP的值在每个案例区都出现了增加,但与此同时,FP的像元数量也会出现增加。这意味着增加相应的阳性数量,假阳性数量也会增加,其增加速度在部分区域大于真阳性增加速度。从阳性精度（precision）角度来说,3个案例的阳性精度在0.66~0.75之间。一些区域单影像的阳性精度比多参数的组合阳性精度要优,这表明增加相关参数阳性精度有可能降低（表3）;从准确率（accuracy）的角度上来说, 3个案例的准确率在0.71~0.87之间。当增加了有效参数后,滑坡分割的准确率是整体上升的（表4）。这说明随着参数的增加,准确率上升,但同时带来了一定程度假阳性增多的现象。因此,避免假阳性增多现象可能是后续模型研究的重点。
表2 不同参数组合情况下不同地区的混淆矩阵

Tab. 2 Confusion matrix in different parameters combinations in different areas

A区实际 B区实际 C区实际
P N P N P N
方案1预测 P 4731 1774 9836 4211 5232 2572
（LT05） N 8929 50 102 14 603 36 886 7115 50 617
方案2预测 P 4022 1337 10 669 4830 6579 2960
（LT05+DEM+SLOPE） N 9638 50 539 13 770 36 267 5768 50 229
方案3预测 P 4868 1796 12 141 6060 7066 3241
（LT05+DEM+SLOPE+NDVI） N 8792 50 080 12 298 35 037 5281 49 948
表3 不同参数组合下不同地区滑坡分割精度

Tab. 3 Precisions of different parameters combinations in different areas

A区 B区 C区
LT05 0.73 0.70 0.67
LT05+DEM+SLOPE 0.75 0.69 0.69
LT05+NDVI+DEM+SLOPE 0.73 0.67 0.69
表4 不同参数组合下不同地区滑坡分割准确率

Tab. 4 accuracies of different parameters combinations in different areas

A区 B区 C区
LT05 0.84 0.71 0.85
LT05+DEM+SLOPE 0.83 0.72 0.87
LT05+NDVI+DEM+SLOPE 0.84 0.72 0.87
但是,所有组合的召回率均较低,结果范围为0.29~0.57之间（表5）。LT05和LT05+DEM+SLOPE的组合在不同区域内的召回率互有高低,而组合LT05 + NDVI + DEM + SLOPE在3个区域中召回率最高。总体来说,滑坡识别的召回率较低。这说明较多的小型滑坡没有被提取出来,主要受制于影像的影响。另外,均交并比的范围为0.50~0.64,当组合为LT05 + NDVI + DEM + SLOPE的均交并比值在三个区域内均是最高的,另外2个组合在不同区域中是互有高低。这样的结果说明组合为LT05 + NDVI + DEM + SLOPE识别的滑坡和实际的滑坡重合率最高（表6）。因此,在利用神经网络识别中,一些识别为较为安全的地区有可能存在滑坡。
表5 不同参数组合下不同地区滑坡分割召回率

Tab. 5 Recalls of different parameters combinations in different areas

A区 B区 C区
LT05 0.35 0.40 0.42
LT05+DEM+SLOPE 0.29 0.44 0.53
LT05+NDVI+DEM+SLOPE 0.36 0.50 0.57
表6 不同参数组合下不同地区滑坡平均交并比（mIoU）

Tab. 6 mean Intersection over Union(mIoU) of different parameters combinations in different areas

A区 B区 C区
LT05 0.57 0.50 0.60
LT05+DEM+SLOPE 0.54 0.51 0.64
LT05+NDVI+DEM+SLOPE 0.57 0.53 0.65
通过案例区分析, U-net神经网络模型可以一定程度上在图像上分割出汶川震区的同震滑坡数据,并给出具体位置,为人工解译提供了一定的帮助。但是,由于滑坡的地物复杂性,机器学习容易出现错分或漏分的情况,无法完全取代人工解译。在单影像（LT05）作为学习数据时,影像上较大滑坡容易被分割为几个小滑坡,而增加相应的地形和NDVI数据,可以有效避免此类现象发生。U-net神经网络模型在震后同震滑坡分割中,精度和准确率都较高,说明对于滑坡的提取起到一定的帮助作用。但是,目前神经网络在滑坡中的应用仍存在一些问题,对于一些识别为无滑坡的区域,受制于影像分辨率的影响,可能存在大量小型滑坡。另外,在增加了有效输入参数后,相关的假阳性也出现了增加。因此,还需进一步研究相应神经网络模型,提取更多影像特征,避免假阳性增多现象,并选用更高分辨率影像和地形等来逐渐提高人工神经网络在滑坡图像中的分割精度。
地震后次生灾害的快速评价对于灾后救灾具有重要作用。本文研制的方法是应用神经网络在震后滑坡灾害快速评价中的一种尝试。由于滑坡的提取具有区域局限性,在不同区域可能存在不同的神经网络模型。神经网络模型应该对发震地区进行快速学习和快速输出,给抢险救灾人员起到一定的指引作用。GEE+Colab+Cloud Storage的组合能够实现这一功能。利用GEE的影像大数据,Cloud Storage的云存储功能,和Colab中的高性能GPU进行快速计算和开发模型。这3种技术能够高度集成,给神经网络模型快速应用提供可能。基于此技术,本文建立的U-net是在GEE开源平台上滑坡识别的一种尝试,为滑坡快速识别提供了一定的参考作用。在GEE平台上,由于Landsat卫星数据重现周期较短和图像质量较好,本研究以此为研究对象进行了一定的分析,发现神经网络模型给出的结果对于震后滑坡快速评估能够提供一定的支撑,但是由于目前开源的影像分辨率较低,滑坡快速识别方法仍存在一定的改进空间。在未来的滑坡识别过程中,模型既要保持一定的精度,还要保持效率,提高模型的学习效率和学习速度,从而保证在短时间内,给出合理可靠的结果。

4 讨论与结论

目前,在滑坡识别以及易发性分析中,机器学习和深度学习技术已经得到了广泛的应用。在滑坡易发性分析中,神经网络模型预测精度可以达到70%以上,具有较好的识别效果。例如,田乃满等[27]将BP（Back Propagation）人工神经网络模型和CART（Classification and Regression Tree）决策树模型应用于降雨型滑坡易发性分析,并深入探讨了二者之间的效果,其中BP人工神经网络模型预测精度在80%以上。Chen等[23]建立了一种适用于震后滑坡易发性分析的类U-net模型, DEM、坡度、坡向、岩性和宏观地震强度等被设置为模型的输入层,并将模型应用于汶川地震滑坡易发性分析中,验证精度同样达到了77%以上,而我们的结果表明在传统的易发性分析基础之上,增加相应的影像可以实现从滑坡易发性到震后滑坡识别的转变。深度学习同样在滑坡的识别中表现出良好的效果,特定区域内识别精度甚至可以达到90%。例如Ji等[28]制作了基于TripleSat 卫星图像的遥感滑坡数据集,利用引入注意力机制的卷积神经网络 (CNN)模型,从高分辨率影像中识别滑坡,得到较高的识别准确率。因此,影像质量的提升可以更好的提高识别精度。
对于基于深度学习的滑坡识别来说,样本集的质量对于模型效率至关重要。尽管上述研究相较传统的易发性分析以及滑坡识别方法具有较高的效率,然而样本集的生成仍然需要耗费大量的时间。GEE平台具有海量遥感数据的在线处理能力,为快速生成高质量训练数据提供了条件。本研究基于GEE平台生成了实验数据集,并基于U-net模型对地震滑坡数据集进行了识别,为基于机器学习的滑坡高效识别工作提供了一种新的思路。
研究利用GEE和Tensorflow平台,结合U-net神经网络模型,建立基于U-net神经网络的滑坡自动分割模型,实验结果表明,U-net神经网络模型在一定程度上能够准确识别汶川地区同震滑坡。对于案例区的研究和实验分析结果,可以得到以下3点重要结论：
（1）GEE平台和Tensorflow框架的结合,可以方便提取滑坡所需要的影像信息,为滑坡的图像分割技术提供了良好的基础平台,这种技术的组合能够为遥感大数据反演及地理空间数据探索提供良好的平台支撑。
（2）当输入的参数为遥感影像+NDVI+DEM+坡度时,对于汶川地区同震滑坡分割训练精度达到最高。因此,研究表明有效数据增加时,模型的训练精度和准确度在3个训练区域都提升了1%左右,但与此同时会带来一定假阳性也出现相应增多的现象。
（3）总体而言,U-net神经网络模型在一定程度上可以很好地在图像上识别滑坡。但是,受制于影像精度的影响,对于一些较小型的滑坡分割精度较差。因此,遥感影像的精度和相关滑坡参数对于滑坡自动分割会产生重要影响。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Chen C W, Tung Y S, Liou J J, et al. Assessing landslide characteristics in a changing climate in northern Taiwan[J]. CATENA, 2019, 175:263-277. DOI: 10.1016/j.catena.2018.12.023

DOI

[2]
黄润秋. 中国西部地区典型岩质滑坡机理研究[J]. 地球科学进展, 2004, 19(3):443-450.

[ Huang R Q. Mechanism of large scale landslides in Western China[J]. Advance in Earth Sciences, 2004, 19(3):443-450. ] DOI: 10.3321/j.issn:1001-8166.2004.03.016

DOI

[3]
吕杰堂, 王治华, 周成虎. 西藏易贡大滑坡成因探讨[J]. 地球科学, 2003, 28(1):107-110.

[ Lü J T, Wang Z H, Zhou C H. Discussion on the occurrence of yigong landslide in Tibet[J]. Earth Science, 2003, 28(1):107-110. ] DOI: 10.3321/j.issn:1000-2383.2003.01.018

DOI

[4]
许强, 郑光, 李为乐, 等. 2018年10月和11月金沙江白格两次滑坡-堰塞堵江事件分析研究[J]. 工程地质学报, 2018, 26(6):1534-1551.

[ Xu Q, Zheng G, Li W L. et al. Study on successive landslide damming events of Jinsha River in baige village on octorber 11 and November 3, 2018[J]. Journal of Engineering Geology, 2018, 26(6):1534-1551. ]DOI: 10.13544/j.cnki.jeg.2018-406

DOI

[5]
冯文凯, 张国强, 白慧林, 等. 金沙江“10·11”白格特大型滑坡形成机制及发展趋势初步分析[J]. 工程地质学报, 2019, 27(2):415-425.

[ Feng W K, Zhang G Q, Bai H L. et al. A preliminary analysis of the formation mechanism and development tendency of the huge baige landslide in Jinsha River on October 11, 2018[J]. Journal of Engineering Geology, 2019, 27(2):415-425. ]DOI: 10.13544/j.cnki.jeg.2018-392

DOI

[6]
Yin Y P, Wang F W, Sun P. Landslide hazards triggered by the 2008 Wenchuan earthquake, Sichuan, China[J]. Landslides, 2009, 6(2):139-152. DOI: 10.1007/s10346-009-0148-5.

DOI

[7]
Dai F C, Xu C, Yao X, et al. Spatial distribution of landslides triggered by the 2008 Ms 8.0 Wenchuan earthquake, China[J]. Journal of Asian Earth Sciences, 2011, 40(4):883-895. DOI: 10.1016/j.jseaes.2010.04.010

DOI

[8]
王治华, 吕杰堂. 从卫星图像上认识西藏易贡滑坡[J]. 遥感学报, 2001, 5(4):312-316.

[ Wang Z H, Lü J T. Understand yigong landslide in Tibet based on the satellite image[J]. Journal of Remote Sensing, 2001, 5(4):312-316. ]

[9]
姚鑫, 邓建辉, 刘星洪, 等. 青藏高原泛三江并流区活动性滑坡InSAR初步识别与发育规律分析[J]. 工程科学与技术, 2020, 52(5):16-37.

[ Yao X, Deng J H, Liu X H, et al. Primary recognition of active landslides and development rule analysis for pan three-river-parallel territory of Tibet Plateau[J]. Advanced Engineering Sciences, 2020, 52(5):16-37. ] DOI: 10.15961/j.jsuese.202000529

DOI

[10]
Guo X Y, Guo Q, Feng Z K. Detecting the vegetation change related to the creep of 2018 baige landslide in Jinsha River, SE Tibet using SPOT data[J]. Frontiers in Earth Science, 2021, 9:706998. DOI: 10.3389/feart.2021.706998

DOI

[11]
Yang W T, Wang Y Q, Sun S, et al. Using Sentinel-2 time series to detect slope movement before the Jinsha River landslide[J]. Landslides, 2019, 16(7):1313-1324. DOI: 10.1007/s10346-019-01178-8

DOI

[12]
Ni, Yang, Li, et al. Decreasing trend of geohazards induced by the 2008 Wenchuan earthquake inferred from time series NDVI data[J]. Remote Sensing, 2019, 11(19):2192. DOI: 10.3390/rs11192192

DOI

[13]
Ji L, Zhang L, Wylie B. Analysis of dynamic thresholds for the normalized difference water index[J]. Photogrammetric Engineering & Remote Sensing, 2009, 75(11):1307-1317. DOI: 10.14358/pers.75.11.1307

DOI

[14]
李勋, 杨环, 殷宗敏, 等. 基于DEM和遥感影像的区域黄土滑坡体识别方法研究[J]. 地理与地理信息科学, 2017, 33(4):86-92,129.

[ Yang H, Yin Z M, et al. Regional loess landslide recognition method research based on DEM and remote sensing image[J]. Geography and Geo-Information Science, 2017, 33(4):86-92,129. ] DOI: 10.3969/j.issn.1672-0504.2017.04.015

DOI

[15]
彭令, 徐素宁, 梅军军, 等. 地震滑坡高分辨率遥感影像识别[J]. 遥感学报, 2017, 21(4):509-518.

[ Peng L, Xu S N, Mei J J, et al. Earthquake-induced landslide recognition using high-resolution remote sensing images[J]. Journal of Remote Sensing, 2017, 21(4):509-518. ] DOI: 10.11834/jrs.20176176

DOI

[16]
Ghorbanzadeh O, Blaschke T, Gholamnia K, et al. Evaluation of different machine learning methods and deep-learning convolutional neural networks for landslide detection[J]. Remote Sensing, 2019, 11(2):196. DOI: 10.3390/rs11020196

DOI

[17]
Qin S W, Guo X, Sun J B, et al. Landslide detection from open satellite imagery using distant domain transfer learning[J]. Remote Sensing, 2021, 13(17):3383. DOI: 10.3390/rs13173383

DOI

[18]
Meena S R, Ghorbanzadeh O, Westen C J, et al. Rapid mapping of landslides in the Western Ghats (India) triggered by 2018 extreme monsoon rainfall using a deep learning approach[J]. Landslides,2021, 18(5):1937-1950. DOI: 10.1007/s10346-020-01602-4

DOI

[19]
Long J, Shelhamer E, Darrell T. Fully convolutional networks for semantic segmentation[C]// 2015 IEEE Conference on Computer Vision and Pattern Recognition. IEEE, 2015:3431-3440. DOI: 10.1109/CVPR.2015.7298965

DOI

[20]
Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation[M]// Lecture Notes in Computer Science. Cham: Springer International Publishing, 2015:234-241. DOI: 10.1007/978-3-319-24574-4_28

DOI

[21]
Yu B, Chen F, Xu C. Landslide detection based on contour-based deep learning framework in case of national scale of Nepal in 2015[J]. Computers & Geosciences, 2020, 135:104388. DOI: 10.1016/j.cageo.2019.104388

DOI

[22]
Yi Y N, Zhang W C. A new deep-learning-based approach for earthquake-triggered landslide detection from single-temporal RapidEye satellite imagery[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13:6166-6176. DOI: 10.1109/JSTA RS.2020.3028855

DOI

[23]
Qi S, Xu Q, Lan H, et al. Spatial distribution analysis of landslides triggered by 2008.5. 12 Wenchuan Earthquake, China[J]. Engineering Geology, 2020, 116(1-2):95-108. DOI: 10.1016/j.enggeo.2010.07.011

DOI

[24]
Xu C, Xu X W, Yao X, et al. Three (nearly) complete inventories of landslides triggered by the May 12, 2008 Wenchuan Mw 7.9 earthquake of China and their spatial distribution statistical analysis[J]. Landslides, 2014, 11(3):441-461. DOI: 10.1007/s10346-013-0404-6

DOI

[25]
田乃满, 兰恒星, 伍宇明, 等. 人工神经网络和决策树模型在滑坡易发性分析中的性能对比[J]. 地球信息科学学报, 2020, 22(12):2304-2316.

DOI

[ Tian N M, Lan H X, Wu Y M, et al. Performance comparison of BP artificial neural network and CART decision tree model in landslide susceptibility prediction[J]. Journal of Geo-information Science, 2020, 22(12):2304-2316.] DOI: 10.12082/dqxxkx.2020.190766

DOI

[26]
Ji S P, Yu D W, Shen C Y, et al. Landslide detection from an open satellite imagery and digital elevation model dataset using attention boosted convolutional neural networks[J]. Landslides, 2020, 17(6):1337-1352. DOI: 10.1007/s103 46-020-01353-2

DOI

Options
文章导航

/

〈 〉