题 目: Mapping Co-Seismic Landslides in Vegetated Areas by Incorporating Tri-Temporal Logical Information in Change Detection Method
期 刊: IEEE Transactions on Geoscience and Remote Sensing
![]()
图1. 论文首页
地震诱发滑坡制图对于应急响应和灾后重建具有重要意义，准确的滑坡空间分布信息能显著提升救援效率和重建策略的科学性。近日，南京大学地理与海洋科学学院杨承翰（2023级硕士生）等提出了一种基于三时相变化检测的地震诱发滑坡制图方法。该方法结合三时相逻辑信息和遥感影像光谱特征，实现了对植被区地震诱发滑坡空间范围的精确、快速识别。成果以“Mapping Co-Seismic Landslides in Vegetated Areas by Incorporating Tri-Temporal Logical Information in Change Detection Method”为题，发表于遥感领域期刊IEEE Transactions on Geoscience and Remote Sensing，论文通讯作者为杜培军教授。该成果为地震滑坡研究提供了新的技术手段。地震诱发滑坡是破坏性极大的自然灾害，快速准确地绘制地震诱发滑坡区域对于灾后救援和重建至关重要。遥感领域的变化检测方法是识别滑坡的重要技术，通过比较不同时期图像提取地表变化信息。然而，处理地震诱发滑坡时，边缘模糊和噪声干扰等问题影响检测精度和可靠性。本文提出了一种基于三时相逻辑信息的变化检测方法（CD-TLI），结合四种植被指数突出滑坡特征，利用变化矢量分析（CVA）生成初步变化结果并计算逻辑信息，生成可靠训练样本，基于集成学习策略实现滑坡区域精确识别。实验结果表明，该方法显著提高了滑坡制图的准确性，相较于传统方法更加稳定可靠。为了实现快速、准确且鲁棒的地震诱发滑坡制图，本文提出了一种基于三时相逻辑信息的变化检测方法（CD-TLI），其流程图如图2所示。该方法主要包括以下五个关键步骤：（1）特征提取：通过四种植被指数突出滑坡区域的特征；（2）变化矢量分析：对每个像素的逻辑模式进行分析，以确定滑坡区域的变化特征；（3）自动样本选择：从初步变化结果中自动选择高质量样本，以提高制图的准确性；（4）集成学习：通过集成多个分类器对滑坡区域进行精准绘制；（5）逻辑融合：基于逻辑信息生成最终的滑坡制图结果，进一步提升了制图的可靠性。 (1) 特征提取。在滑坡制图中，植被指数发挥着重要作用，因为滑坡常常会破坏周围的植被。本研究采用了四种植被指数来有效突出地震诱发滑坡的光谱特征，这些指数包括：归一化差异绿度指数（NDGI）；归一化差值植被指数（NDVI）；土壤调节植被指数（SAVI）；以及Green-NDVI（GNDVI）。这些指数经过指数函数调整，确保了特征值为正。通过特征提取的操作，能够显著突出和增强地震诱发滑坡的光谱特征，为后续的滑坡识别提供了有利的条件。
(2) 变化矢量分析。为了获得每个像素的变化模式，我们应用了变化矢量分析（CVA）来检测三时相图像之间的变化。CVA 通过对每对图像执行差异操作，来计算每个像素的变化矢量。变化矢量的大小表示变化的强度，而变化矢量的方向则指示变化的方向。我们使用Otsu方法，来确定变化的阈值。通过对三幅不同时相的影像的两两之间的分析，我们可以得出每一个像素在三个时间点之间的变化逻辑信息。
假设历史图像、震前图像和震后图像分别为T1、T2和T3，形成了三对双时相图像对T12、T23和T13。对每对图像，应用变化向量分析（CVA）检测变化，得到变化检测结果CD12、CD23和CD13。由于每个结果有两个可能的类别：“变化”或“未变化”，因此每个像素存在总共23=8种可能的逻辑模式。如图3所示。图3. 八种逻辑模式及其对应的三时相变化检测结果（其中 U 和 C 分别代表未变化和已变化） (3) 自动样本选取。针对上文提及的八种逻辑模式，我们进行了进一步的分析与解释。以从中得到可利用的信息。
图4展示了八种逻辑模式及其对应的变化特征和分类结果。其中，模式1代表没有变化，显示了稳定的地表类型，如未变化的植被、河流和建筑物，排除滑坡情况。模式2表示T1到T2以及T2到T3之间发生了两次变化，且T1和T3的特征相似，展示了“回归”特征。然而，滑坡通常会导致显著的地表变化，T1和T3的特征往往差异巨大。因此模式2被分类为与滑坡无关的变化，例如阴影、云层或水面反射。模式3表示在T2到T3期间，即地震发生时，发生了显著的地表变化。这种特征符合地震诱发滑坡的典型特征，因此模式3被认为是可靠的滑坡标志。模式4表示在T1到T2期间发生变化，而T2到T3期间没有变化，因此无法归因于地震诱发的滑坡，分类为其他变化。模式5展示了每个时相之间都发生了变化，因此难以确定地表变化类型。因此，该模式被归类为不确定变化。模式6展示了“渐变”特征，在达到变化阈值之前，变化强度逐渐增强，这不符合地震诱发滑坡的突然性和显著性，因此被识别为其他变化。模式7和模式8也显示了“回归”特征，类似于模式2，归类为其他变化。根据上述讨论，像素被根据其特定模式分类为不同类型。然后基于表Ⅰ，选择滑坡样本和非滑坡样本。模式3的像素被选择为滑坡样本，模式1、2、4以及6至8的像素被确定为非滑坡样本。模式5的像素由于变化复杂未被选为任何样本。
图4. 一个模式案例及其对应的变化特征分类结果。红色和绿色分别代表变化和未变化，n 代表阈值![]()
表Ⅰ. 不同地表覆盖的变化模式
(4) 集成学习。由于地震诱发滑坡通常发生在复杂环境中，单一分类器可能难以取得令人满意的性能。因此，采用基于多数投票策略的多分类器集成方法，以提高模型的可靠性和精度。所使用的分类器包括：1) 支持向量机（SVM）；2) 随机森林（RF）；3) 多层感知器（MLP）。
为整合这些算法的优势，采用多数投票方法进行地震诱发滑坡预测。多数投票方法是一种集成学习模型，其基本原则是“多数规则”，通过投票确定最终结果，有效提升模型的鲁棒性和准确性。
(5) 逻辑融合。通过上述方法获得了每个像素的逻辑模式和初步的滑坡结果。在此基础上，采用了“逻辑融合”方法，结合变化模式和光谱信息，以生成更可靠的滑坡结果。
在研究区域中，如果一个像素的变化模式符合模式3，并且通过集成学习方法被识别为滑坡，则该像素被确定为地震诱发滑坡。相反，模式1、2、4以及6至8的像素被归类为非滑坡。对于模式5的像素，由于其复杂且不稳定的特征，直接采用集成学习的预测结果。这种方法通过以下方程生成最终结果，如以下公式所示。![]()
其中，Cfinal代表最终结果，而 CMV代表通过多数投票方法生成的滑坡图。
为了验证所提方法的有效性，选择了三个典型的地震滑坡区域进行测试。第一个区域位于中国西藏自治区的米林县，地处西藏自治区东南部。第二个区域位于中国四川省的泸定县，是中国最为地震活跃的区域之一。第三个区域位于日本北海道，处于日本列岛的东北段，属于环太平洋地震带。图5. 本研究的研究区域分布图。A: 米林；B: 泸定；C: 北海道选取了上述三个地区的Planet遥感影像作为研究数据，并通过目视解译获取标签。如下图所示。
![]()
图6. 米林地区的PlanetScope遥感影像。(a) 历史图像；(b) 地震前图像；(c) 地震后图像；(d)参考标签，其中红色、绿色和黑色分别代表滑坡、非滑坡和背景。
![]()
图7. 泸定地区的PlanetScope遥感影像。(a) 历史图像；(b) 地震前图像；(c) 地震后图像；(d)参考标签，其中红色、绿色和黑色分别代表滑坡、非滑坡和背景。
![]()
图8. 北海道地区的PlanetScope遥感影像。(a) 历史图像；(b) 地震前图像；(c) 地震后图像；(d)参考标签，其中红色、绿色和黑色分别代表滑坡、非滑坡和背景。
为了验证CD-TLI的优越性，采用了六种典型的变化检测方法进行对比。结果表明本文提出的方法在上述数据集上表现良好，在多数指标上都领先于对比方法，展示出了良好的精确性和鲁棒性。图9和图10展示了不同方法在米林数据集的对比结果。表Ⅱ展示了其定量指标对比。![]()
图9. 米林地区的实验结果：(a) 历史图像；(b) 地震前图像；(c) 地震后图像；(d) 参考标签，其中红色、绿色和黑色分别表示滑坡、非滑坡和背景。由以下方法生成的滑坡识别结果：(e) ITPCA；(f) SAM；(g) DCVA；(h) SFA；(i) IRMAD；(j) TLCVA；(k) CD-TLI，其中白色和黑色分别表示滑坡和非滑坡。图10. 米林地区的实验结果示例：(a) 历史图像；(b) 地震前图像；(c) 地震后图像；(d) ITPCA 方法结果；(e) SAM 方法结果；(f) DCVA 方法结果；(g) SFA 方法结果；(h) IRMAD 方法结果；(i) CD-TLI 方法结果，其中白色和黑色分别表示滑坡和非滑坡。![]()
表Ⅱ. 不同滑坡检测方法在米林地区精度评估
本研究提出了一种基于三时相模式分析的地震诱发滑坡制图方法，利用三组遥感影像实现准确的滑坡识别。主要贡献包括：1) 采用四种植被指数以突出滑坡特征并减少干扰；2) 基于逻辑模式的深入分析，提升了对滑坡的识别准确性；3) 结合光谱信息和逻辑信息，显著提高了滑坡制图的准确性和鲁棒性。这一方法有效克服了传统方法的局限，为地震灾害的应急响应和重建提供了有力支持。
C. Yang, X. Wang, S. Guo, H. Fang and P. Du, "Mapping Co-Seismic Landslides in Vegetated Areas by Incorporating Tri-Temporal Logical Information in Change Detection Method," in IEEE Transactions on Geoscience and Remote Sensing, vol. 62, pp. 1-19, 2024, Art no. 4706019, doi: 10.1109/TGRS.2024.3427145.全文链接：https://ieeexplore.ieee.org/document/10596327
