本文约4000字，阅读时间约10分钟
一、隐患识别的基本逻辑
地质灾害隐患综合遥感识别的基本逻辑是对遥感观测数据或者信息所反映的与灾害风险发育相关的要素或特征的探测。结合地质环境条件和成灾理论，判断评估地质体潜在发灾的风险程度。我们将遥感观测反映的隐患发育信息称之为隐患关联特征。那么对于斜坡类灾害隐患，考虑到其发育的空间尺度，相对于稳定的背景场而言，其本质上属于局部变化。在这个意义上，找隐患就是“找异常、找变化、找非连续性”！
变形是隐患关联特征中最常见的一类，也是判识滑坡的关键因子。尽管滑坡变形与发生灾害之间并非线性关系。因为其他诸多因素的存在，导致变形加剧，到一定程度后失稳破坏。这个结果的发生，或是突然的，也或是渐进的。但斜坡在演化过程中出现的各种变形是滑坡的外在表现。从变形这一特征出发，滑坡变形通常表现为斜坡的局部聚集性变形。这种聚集区视滑坡规模，可能存在一个斜坡单元，或跨多个斜坡单元。很显然，这种局部形变不同于区域性变形场。
二、从探测形变聚集区开始
从InSAR解算所提供的形变数据中目视解译并确定形变聚集区周界，是当前识别滑坡极为有效的途径。InSAR监测结果（包括一定时间间隔内的变形量、长时序变形速率或者累积变形量）反映了一定空间范围的连续变形，其中多数是稳定区域。从一张覆盖更大范围的变形图中提取变形聚集区的本质是广域尺度下探测滑坡个体，通过局部变形这个异常探测来实现。以往，人们多是通过交互解译的方式目视找到变形区，再结合滑坡结构特征，“圈定”变形范围和滑坡周界。更详细的工作则细分变形子区，对次级滑坡予以标注。这是一项耗时费眼且需要灾害专业知识佐证的工作。面向大范围识别以及动态更新，自动探测斜坡形变聚集区是滑坡隐患识别的必经之路。
为降低解译工作者的劳动强度，自动探测形变聚集区成了InSAR数据后处理紧接着的一步。归纳现有的实现方法，一类是阈值+区域扩展法，通过形变数据圈定变形区，该方法依赖于阈值的给定；第二类是梯度探测法，通过形变场的梯度差异，探测形变聚集区的边界位置，是先探测-后识别的第一步，也同样依赖于梯度阈值；第三类是形变场相似性，即将形变场映射为图像，通过标注样本，构建训练模型，再扩展到更大的场景下预测滑坡。
人们已经习惯了InSARers畅谈大范围形变结果，人们的兴趣点已经不再满足于获得形变数据的初级阶段，人们更着急的是想快速智能可更新地找到斜坡变形聚集区，看看到底是不是滑坡，长得什么样，是否有风险。显然，这就成了必须要解决的问题。
三、智能提取方法实现
深度学习是影像智能解译中常用方法，通过设计一定的模型，扩展到更大的场景，循序渐进，增强鲁棒性。地质灾害遥感技术团队在国家重点研发计划项目研究过程中，提出了一种顾及形变聚集区相似性的一步式探测策略。通过构建基于活动特征和地形特征的广义卷积神经网络，自动绘制潜在的滑坡活动形变区，并结合地形自动滤除非斜坡变形（平原区地面沉降等）。该技术已经在青海、甘肃、四川和云南等地滑坡识别中得到应用，自动识别的精度优于70%，为动态探测形变聚集区提供了一种可工程化应用的方法。
3.1 研究方法
（1）通过相位叠加（Stacking InSAR）方法获得平均形变速率对应的相位，这一过程充分利用了哨兵-1卫星短重访的优势，通过短基线组合生成干涉像对，对相干性高于0.3以上的区域进行相位解缠。在此过程中分离轨道误差、山区大气延迟等非形变相位。在相位与速率两种数据中选择相位图作为输入，其更好地映射了变形区的表面形态特征和形变量值差异，刻画了更大空间（场景）下滑坡作为局部形变的差异性特征。
（2）设计了一种用于活动特征和地形特征输入的广义卷积神经网络，其中，编码器是基于 ResNet-50 的主干网络，使用了一组卷积结构和四组残差瓶颈结构来提取图像特征，逐步压缩特征图的空间维度，扩展特征图的通道。解码器包含卷积层、双线性上采样、ReLU激活函数和拼接特征融合层，用于逐步恢复特征图的细节信息和空间维度，压缩特征图通道。综合利用活动特征和地形特征多模态数据可以提高潜在的滑坡活动变形区域识别的准确性。
（3）以甘肃舟曲、青海化隆等地区为例开展应用示范，提取滑动区的范围和周界。预测结果与实际变形区相交即视为预测正确。通过对比人工解译结果并进行野外查证，滑坡形变区识别精度达到 90%，验证了该技术方法在未知地区的可迁移性。
（4）尽管自动识别的活动变形区域反映了滑坡变形的位置，但可能与在光学图像中观察到的滑坡空间位置有所不同，而这并不影响对缓慢变形滑坡的识别。本工作的识别结果均包含在已有滑坡编目数据中[1-5]，此外还发现了其他中大型滑坡或不稳定斜坡，证明了该技术在大型滑坡自动探测中的有效性和高效率。
3.2 技术路线
图1 技术路线图
图 2 舟曲县潜在的滑坡形变区CNN识别结果。(a) 基于降轨数据的活动形变区识别结果 (红色框)，(b) 基于升轨数据的活动形变区识别结果 (橙色框)。
图3. CNN识别大型滑坡位置重叠度。(b1-b3) 锁儿头、大小湾，(c1-c3)中牌滑坡。
四、基本结论
（1）从滑坡发育的形变过程看，多期InSAR数据得到的形变速率是一定时间内变形结果的平均，有利于识别持续活动的斜坡。以变形量值为依据对滑坡阶段进行划分，这种变形更多对应的是滑坡蠕滑阶段。这个阶段的破坏迹象往往并不突出，不易被发现。
（2）提出的“一步式策略”可快速实现潜在滑坡活动变形区域的绘制和更新。将Stacking InSAR结果与深度学习技术结合，通过一定条件的约束，在山区滑坡检测中可取得较好的效果。这种方法在大规模识别中易于实现，能够快速圈定著性形变区，有助于减少目视解译的工作量，并提高探测效率。
撰 文 | 葛大庆
校 稿 | 张 丽
本公众号依托“自然资源部地质灾害隐患遥感识别与监测工程技术创新中心”技术团队，立足遥感技术研究与地质灾害应用，面向图谱遥感与几何遥感，致力于创新InSA测量、影像变化检测、遥感智能解译、定量评估方法，构建联通地质灾害业务应用——遥感信息提取技术研究—业务应用系统平台开发—卫星（传感器）设计的发展模式，以科技创新支撑综合防灾减灾，服务经济社会高质量发展。
GeoHazards_Detector
扫码关注我们
