遥感技术与应用, 2023, 38(1): 108-115 doi: 10.11873/j.issn.1004-0323.2023.1.0108

青促会专栏

基于高分辨率卫星遥感影像滑坡提取方法研究现状

赵会芹,1, 于博2,3, 陈方2,3, 王雷,1,2,3

1.桂林电子科技大学，广西 桂林 541004

2.可持续发展大数据国际研究中心，北京 100094

3.中国科学院空天信息创新研究院，中国科学院数字地球重点实验室，北京 100094

Research Status of Landslide Extraction Methods based on High-resolution Satellite Remote Sensing Images

ZHAO Huiqin,1, YU Bo2,3, CHEN Fang2,3, WANG Lei,1,2,3

1.Guilin University of Electronic Technology，Guilin 541004，China

2.International Research Center of Big Data for Sustainable Development Goals，Beijing 100094，China

3.Key Laboratory of Digital Earth Science，Aerospace Information Research Institute，Chinese Academy of Sciences，Beijing 100094，China

通讯作者: 王 雷（1982-），男，河北邢台人，博士，副研究员，主要从事遥感图像研究。E⁃mail: wanglei@radi.ac.cn

收稿日期: 2022-05-06   修回日期: 2022-12-05  

基金资助: 中国-东盟地球大数据平台与应用示范.  桂科 AA20302022

Received: 2022-05-06   Revised: 2022-12-05  

作者简介 About authors

赵会芹（1997-），女，河南商丘人，硕士研究生，主要从事遥感图像处理研究E⁃mail:zhqly202111@163.com , E-mail：zhqly202111@163.com

摘要

滑坡具有强大的爆发力和破坏性，是世界上发生频率较高的自然灾害之一，给人们的生命财产造成了严重的损害。灾后准确快速的提取滑坡，获取滑坡的分布范围，对滑坡灾害调查及危险性评估极为重要。围绕基于高分辨率卫星遥感影像监测滑坡的方法进行了调研，首先介绍了滑坡在高分辨率卫星遥感影像上的解译特征，而后论述了滑坡提取方法和精度评价分析方法的研究进展，最后总结了当前方法的优势与不足，以及未来研究的发展方向。结果表明：深度学习方法具有较大的潜力，未来应加强深度学习与其他自动化解译方法的结合在滑坡监测中的应用，解决样本规模对模型结果的影响，实现模型的可迁移性，提高其自动化程度。

关键词： 滑坡 ; 自然灾害 ; 高分辨率卫星遥感影像 ; 精度评价

Abstract

Landslides are powerfully explosive and destructive， and are one of the natural disasters with high frequency in the world， causing serious damage to people's lives and properties. Accurate and rapid extraction of landslides and obtaining the distribution range of landslides after a disaster are extremely important for landslide disaster investigation and hazard assessment. The method of landslide monitoring based on high-resolution satellite remote sensing images is investigated. Firstly， the decoding characteristics of landslides on high-resolution satellite remote sensing images are introduced， while the research progress of landslide extraction methods and accuracy evaluation and analysis methods are discussed， and finally the advantages and shortcomings of current methods are summarized， as well as the development direction of future research. The results show that the deep learning method has greater potential， and the combination of deep learning and other automated interpretation methods should be strengthened in landslide monitoring in the future to solve the influence of sample size on the model results， realize the migrability of the model， and improve its automation.

Keywords： Landslides ; Natural disasters ; High-resolution satellite remote sensing image ; Accuracy evaluation

PDF (2352KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

赵会芹, 于博, 陈方, 王雷. 基于高分辨率卫星遥感影像滑坡提取方法研究现状. 遥感技术与应用[J], 2023, 38(1): 108-115 doi:10.11873/j.issn.1004-0323.2023.1.0108

ZHAO Huiqin, YU Bo, CHEN Fang, WANG Lei. Research Status of Landslide Extraction Methods based on High-resolution Satellite Remote Sensing Images. Remote Sensing Technology and Application[J], 2023, 38(1): 108-115 doi:10.11873/j.issn.1004-0323.2023.1.0108

1 引 言

滑坡是地质体受自然因素和人为因素的影响，在重力作用下沿着滑动面整体向下滑动形成的，具有分布范围广、突发性强、规模大等特点［1］。根据自然资源部发布的数据可知，2021年全国共发生地质灾害4 772起，造成80人死亡，11人失踪，直接经济损失32亿元，其中滑坡2 335起，占地质灾害总数的48.9%［2］。由此可见，滑坡对人们的生命和财产构成了严重的威胁，开展滑坡自动提取研究，对灾后救援和评估具有重要意义。

传统的滑坡提取主要靠野外实地调查，对于地域辽阔，地势复杂的地区，往往具有很大的困难［3］。随着卫星的发射，传感器的不断发展，利用遥感技术识别滑坡已成为一种重要手段［4］。中低分辨率影像分辨率低，处理单元为像元，导致滑坡提取精度有限和具有明显的“椒盐”效应［5］。激光雷达影像和无人机影像虽然具有较高的分辨率，但数据获取成本高，且难以对大范围滑坡进行分析监测［6］。高分辨率卫星遥感影像具有覆盖范围广、分辨率高、纹理和空间信息丰富等优点，解决了上述影像的局限性，可以为大范围滑坡提取提供夯实的数据基础［7］。国内外专家、学者也基于高分辨率卫星遥感影像提取滑坡展开了大量研究，并取得了显著的成果，为提高滑坡识别精度提供了方向。本文以滑坡为研究对象，系统性地介绍了滑坡识别的解译特征、研究方法和精度评价方法，总结了当前识别方法的优势和局限性，并对滑坡智能提取的发展方向进行了分析。

2 滑坡的解译特征

高分辨率卫星遥感影像含有不同地物的详细信息，对不同地物进行判别分类可根据影像不同地物所特有的特征。判别滑坡常用到的特征包括光谱特征、形状特征和纹理特征。

2.1　光谱特征

光谱特征是影像分类的主要特征。由于不同地物对光具有不同的反射率，光谱曲线也不同，分析光谱曲线的特点，得出地物对光的敏感波段范围，就可以区分地物的类别。如图1所示，在高分辨率遥感影像上，新生的滑坡光谱具有较强的反射率，一般呈浅色调和灰白色调，时间较久的滑坡，一般呈土棕色调。与植被色调相比，滑坡体色调较亮，大范围植被的色调较暗。研究光谱特征可以去除植被干扰。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   滑坡的光谱特征

截图于2013年9月 截图于2018年11月

（a） 新生的滑坡 （b） 时间较久的滑坡

Fig.1   Spectral characteristics of landslides


2.2　形状特征

滑坡一般由坡度较缓的滑坡体与陡峭的滑坡壁组成，分为土质滑坡和岩质滑坡，没有固定的形态［8］。如图2所示 ，在高分辨率遥感影像上，滑坡常呈马蹄形、簸箕形、舌形、牛角形、长椅形、新月形、椭圆形、倒梨形等形状，其中土质滑坡多为横长式，岩质滑坡多为纵长式或纵横约等式，整体方向指向沟谷［9］。研究形态特征，可以去除形状规则特征的干扰，如：房屋、道路或其他人工建筑物。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   滑坡的平面形态图

（a）土质滑坡 （b）岩质滑坡

Fig.2   Plane map of landslide


2.3　纹理特征

在高分辨率遥感影像上，纹理特征主要表现为地物表面颜色和灰度的某种变化，建筑物、道路、耕地、植被、水体与滑坡都有各自的纹理特征。滑坡由于自身重力作用影响，会顺着滑动面向下滑动，滑坡体下部会出现一些岩石或土壤的堆积，使得滑坡体的上部纹理较为细腻，下部较为粗糙［10］。不同因素引发的滑坡在纹理上的表现也是不同的，如：地震引发的滑坡，多为岩土体，纹理比较细腻，暴雨引发的滑坡，多为土壤、泥沙，纹理比较粗糙。由于滑坡与多种地物具有亮度的相似之处，纹理存在较大的差别，利用纹理特征有助于消除光谱上相似特性的影响［11］。

2.4　其他特征

除了采用滑坡自身特征外，有些研究者还采用上下文关系、地形地貌特征（如：岩性、地形、坡度、高程等）对滑坡进行提取，进一步剔除了其他背景地物的干扰，提高了滑坡提取的精度和效率［12-13］。

总体来说，采用单一特征提取滑坡结果通常较差，会存在同物异谱、同谱异物等现象，干扰对地物的判断［14］。采用多个特征结合的方法更容易提取出滑坡，精度也高［15］。

3 滑坡提取方法

随着高分辨率遥感卫星的快速发展，对滑坡信息提取的方法已从目视解译、人机交互式解译到自动化解译方向发展，识别精度和效率越来越高，解译标志也越来越具体［16］。

3.1　目视解译

目视解译是解译者依据肉眼观察遥感影像上滑坡的颜色、纹理、形态等特征，并结合其他辅助数据来分析和圈定滑坡边界［17］。目视解译过程如图3所示。该方法精度虽高，但成本也高，需要解译者花费大量的时间，并且具有丰富的专业知识和判读经验［18］。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   目视解译过程图

Fig.3   Visual interpretation process diagram


人机交互式解译是以遥感影像为数据源，常借助Photoshop、ArcGIS、ENVI等软件结合DEM等形式，利用计算机的快速处理能力对遥感影像上的信息进行提取［29］。人机交互式解译是目前滑坡提取运用最广泛的一种方法［20］。该方法精度高，效率也高于目视解译方法。但该方法仍依赖于解译人员的经验与水平，本质上突破较少，同样属于目视解译方法，面对突发性灾害及大型地质灾害仍然不能满足高效性［21］。

3.2　自动化解译

自动化解译是基于计算机分类的识别技术，常用的方法有：变化检测、机器学习、深度学习和面向对象分类方法。

3.2.1　变化检测

变化检测方法是根据观察对比不同时相地物的差异变化来定量分析有无发生滑坡的过程，以及确定滑坡分布范围。传统的变化检测法，如差值法、比值法、植被指数（NDVI）、变化向量分析和主成分分析（PCA）等，需要较高质量滑坡灾前灾后影像图，往往实际过程中很难实现［22］。面对高分辨率卫星遥感影像上丰富多样的信息和数据，变化检测法容易受背景地物干扰［23］。另外，变化检测阈值的确定需要人工参与和反复测验，导致了滑坡提取结果自动化程度低、主观性强［24］。随着人工智能的快速发展，基于目标的变化检测方法的出现 ，打破了传统方法的局限性，提高了检测的精度，确定了变化性质，成为了现阶段最高级别的变化检测方法［25］。但不同方法适用不同的场景，如何提取有效特征、进一步提高检测精度和自动化程度、解决“语义鸿沟”问题仍然是未来研究的重点和难点［26］。

3.2.2　机器学习方法

机器学习方法在遥感影像分类和识别中具有较强的泛化能力，包括监督分类和无监督分类［33］。在滑坡信息提取中，由于无监督分类是根据地物的光谱差异和纹理差异进行分类，错分率较高，所以常采用监督分类的方法。目前，最大似然值分类（MLE）、支持向量机（SVM）和随机森林算法（RF）是滑坡信息提取最常用的方法［27-29］。具体应用过程包括模型训练和测试两个部分，应用效果、范围和优缺点如表1所示。Zheng等［30］采用朴素贝叶斯（NB）、决策树（DT）、支持向量机和随机森林4种机器学习算法，分别对金沙河流域潜在滑坡危害和非潜在滑坡危害的变形堆积区进行分类和识别，通过分析精度、召回率、F1分数得出，SVM算法在小尺度不平衡滑坡变形数据集上的分类精度，优于RF、DT和NB。龙玉洁等［31］分别利用最大似然法和随机森林算法自动提取汶川地震绵远河流域滑坡，得出随机森林算法识别准确率优于最大似然法，均值可达86.73%，错分率和漏检率较低。虽然RF是集成学习最具有代表性的算法，但当前对该方法的研究都是针对每种数据源分别设定规则，同一个规则能否运用到不同数据源上还有待研究和验证［32-33］。

表1   机器学习技术应用效果、范围和优缺点

Table 1  Machine learning technology application effect， scope and advantages and disadvantages

方法分类效果优点缺点应用范围
最大似然法差简单，容易实现训练样本必须超过波段数波段较少的数据
支持向量机小数据集较好，大数据集较差泛化能力比较强，无须进行数据降维，易解释对核函数以及参数敏感，大样本时，效率并不是很高小样本、非线性识别问题
随机森林小数据集较差，大数据集较好泛化能力强，训练速度快，不用做特征选择，具有稳定的可移植性解释性差大规模数据和高维特征方面

新窗口打开| 下载CSV


3.2.3　面向对象分类

面向对象分类方法以同质像元为基本目标，结合地物的形状、光谱、纹理和上下文等特征，通过将其具有相似特征的集合到一起，利用外接多边形的面积，定量的表达了滑坡的灾情信息。

面向对象方法可以充分利用高分辨率遥感影像上的信息，减少了 “椒盐”效应，成为了当前滑坡识别研究的重点［34］。采用多尺度最优分割方法，对光谱、形状、纹理、地形和上下文等特征进行优选和组合，建立多层次滑坡识别规则已得到了较高的分类精度［35-37］。但分割尺度的确定仍需人工干预是当前研究的短板，如何获取最优分割尺度，成为了当前研究的热点［38］。Feng等［39］使用旋转森林（RoF）和遥感影像从粗到细的不确定性分析的方法获取最优分割尺度，有效避免尺度选择中的主观性。闫琦等［10］改进最大类间方差法算法（Otsu），通过多次运用Otsu算法，逐步缩小阈值范围，实现了阈值的自动选取。

3.2.4　深度学习

基于深度学习的滑坡信息提取以卷积神经网络（CNN）为主，不同于机器学习方法，CNN可以自动从影像中提取特征［40］。其典型结构图如图4所示。该模型在运用到滑坡信息提取中首先会通过卷积层得到特征图，经过池化层降维后，根据影像特征进行迭代训练，全连接层筛选出感兴趣区域，感兴趣区域再通过分类和定位获得其类别标签和准确边界位置实现目标的自动检测［41］。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   卷积神经网络结构图

Fig.4   Convolutional neural network structure diagram


目前，深度学习已成为智能解译滑坡的可靠工具，并超过了其他传统方法，如深度可分离卷积神经网络（DSCNN）、Mask等［42-45］。但随着模型越来越复杂，网络深度的不断增加，滑坡检测精度也受到限制［46］。残差神经网络（ResNet）的出现不仅解决了随着网络深度增加带来的副作用问题，还准确检测出了滑坡的边界［47-48］。Liu等［49］提出的改进的U-Net模型（U-Net+六通道+ResNet）最具有代表性。除此之外，训练样本太少或质量差，也会影响模型的性能。Yang等［50］提出了一个相对较新的网络U-Net++，通过结合ResNet50和迁移学习，证明了其方法在小型滑坡数据集研究领域的可行性及可移植性。Yang等［51］同年又提出了CTransUnet网络，并在两种不同的数据集上做验证，证明了该模型在小样本滑坡提取的巨大潜力。

4 滑坡提取结果精度评价分析方法

遥感影像分类完成后，判断评价其结果的精度，是检验提取方法是否能应用到滑坡提取研究中的重要环节。目前，滑坡提取结果精度评价方法最成熟的方法就是混淆矩阵法［45］。通过混淆矩阵可以计算生产者精度（Producer’s Accuracy）、用户精度（User’s Accuracy）、总体精度评价（Overall Accuracy），Kappa系数、错分误差、漏分误差和F1分数等。为了直观的显示各分类器的优劣性，研究者基于混淆矩阵衍生出了ROC曲线，但ROC曲线交叉时无法判别哪个分类器的性能最好［52］。AUC的出现解决了ROC曲线交叉时的局限性问题［53］。误差分析法将精度评价指标提高到面向属性、几何、位置等层次［54］。

深度学习的快速发展又促进了语义分割评价指标mIOU（平均交并比）的使用热潮［48］。虽然当前精度评价方法在滑坡提取结果分析上都有较好的性能，但缺乏特征级的精度评价方法，同时对评价效率的研究较少。现有的研究均是利用传统的抽样方法对其进行精度评价，容易造成评价样本点间信息冗余度高，评价计算量大等问题［55］。改进评价样本抽样方法，提高评价效率有待深入研究。

5 结 语

高分辨率卫星遥感影像含有丰富的地物信息，采用单一特征和基于像素的方法已经不能满足当前研究需要，基于对象充分利用高分辨率遥感影像的信息是目前研究的重点。分类后进行精度评价也是滑坡提取研究中的重要一步，目前的精度评价方法也越来越具体、形象。虽然当前的研究方法都取得了较好的结果，但每种方法都存在各自的缺陷，如表2所示。除此之外，当前研究还存在以下需要解决的问题：

表2   滑坡提取方法的优缺点

Table 2  Advantages and disadvantages of landslide extraction methods

方法优点缺点
目视解译精度最高工作量大，成本高，效率低，需要解译者具有丰富的专业知识和经验，解译结果具有依赖性
变化检测方法简单、速度快，容易获得变化区域需要较高质量的震前震后影像，且容易受背景地物干扰
机器学习具有较强的泛化能力，能处理高维数据和非常复杂的特征需要手动提取影像特征，结果容易受到相似特征地物的影响，且高维数据可能会出现过拟合和引入噪声
面向对象精度高，充分利用遥感影像丰富的地物信息，能消除基于像元提取的“椒盐”效应精度受分割尺度的限制，最优分割尺度的确定需要人工干预，自动化程度低，且时效性差
深度学习具有鲁棒性和可扩展性，可以自动提取影像特征，自动化程度高不能充分利用全局信息，模型复杂，需要大量的训练数据，计算量大，且随着网络深度增加，精度变差

新窗口打开| 下载CSV


（1）滑坡信息提取只关注于提取过程，且高度依赖于人工参与，如：分割尺度和变化阈值的确定。

（2）滑坡提取模型不能充分利用高分辨率卫星遥感影像上的全局信息。

（3）针对所有类型滑坡的提取模型还没有统一的标准和普遍适用性，小范围和大范围的滑坡提取准确度不高，有漏分和错分现象。

（4）滑坡提取模型的可迁移性比较差，同一个模型很难应用于不同影像数据源。

（5）滑坡提取结果精度评价方法没有考虑地物间的关系会造成评价样本信息冗余度高，评价效率低。

综上，机器学习、深度学习在大规模训练样本具有较强的性能。尤其是深度学习，因其较强的鲁棒性和可扩展性，已超过了传统的研究方法，被证明为具有较大发展潜力的方法。深入研究深度学习方法，并与其他方法相结合，解决小规模样本对模型的影响还有待进一步探索。基于多特征提高模型的自动化程度和迁移性也是未来研究的重点。采用数据增强预处理方法，减少背景，获取潜在滑坡区，是降低滑坡的误判率的一个方向。此外，充分利用地物间的相关性和异质性，降低精度评价样本点间的信息冗余，提高评价效率还有待深入研究。

参考文献

ZHANG Shuaijuan.

The method of landslide extraction with high resolution remote sensing image combining change detection and object oriented method

［D］.Chengdu： Southwest Jiaotong University，2017.

[本文引用: 1]

张帅娟.

变化检测和面向对象结合的高分辨率遥感影像滑坡体提取方法研究

［D］.成都：西南交通大学，2017.

[本文引用: 1]

Ministry of Natural Resources.

2021 national geological disaster situation and 2022 trend forecast

［EB/OL］， ，2022-01-13，2022-05-09.

URL     [本文引用: 1]

自然资源部.

2021年全国地质灾害灾情及2022年趋势预测

［EB/OL］，，2022-01-13，2022-05-09.

URL     [本文引用: 1]

ZHANG Qun， ZHAO Chaoying.

Semiautomatic object-oriented loose landslide recognition based on high resolution remote sensing images in Heifangtai，Gansu

［J］. Journal of Ca-tastrophology，2017，32（3）：210-215.

[本文引用: 1]

张群，赵超英.

基于面向对象的高分遥感数据甘肃黑方台黄土滑坡半自动识别

［J］.灾害学，2017，32（3）：210-215.

[本文引用: 1]

ZHU Jing， TANG Chuan.

An overview of remote sensing applications for landslide research in China

［J］. Remote Sensing Technology and Application，2012，27（3）：458-464.

[本文引用: 1]

朱静，唐川.

遥感技术在我国滑坡研究中的应用综述

［J］. 遥感技术与应用，2012，27（3）：458-464.

[本文引用: 1]

LI Qiang， ZHANG Jingfa， LUO Yi， et al. 2019.

Recognition of earthquake-induced landslide and spatial distribution patterns triggered by the Jiuzhaigou earthquake in August

8， 2017［J］.Journal of Remote Sensing，2019，23（4）：785-795

[本文引用: 1]

李强，张景发，罗毅，等.

2017年“8.8”九寨沟地震滑坡自动识别与空间分布特征

［J］.遥感学报，2019，23（4）：785-795.

[本文引用: 1]

MA Yulin， WU Hua， ZHANG Wenhai.

Discussion on the application of remote sensing technology in landslide identification

［J］. Technology Innovation and Application，2022，12（3）：142-145.

[本文引用: 1]

马玉林，吴华，张文海.

遥感技术在滑坡识别中的应用探讨

［J］.科技创新与应用，2022，12（3）：142-145.

[本文引用: 1]

WANG Qingya.

Scene analysis and feature extraction of high-resolution remote sensing images in typical landslide area

［D］. Taiyuan： Taiyuan University of Technology，2020.

[本文引用: 1]

王庆雅.

典型滑坡区域场景解析与高分辨率遥感影像特征提取

［D］.太原：太原理工大学，2020.

[本文引用: 1]

YAN Tongzhen， YANG Shun' an， FANG Yun. Landslide Science［M］. Wuhan： China University of Geoscience Press，2000.

[本文引用: 1]

晏同珍，杨顺安，方云.滑坡学［M］.武汉：中国地质大学出版社，2000.

[本文引用: 1]

XU Chong， DAI Fuchu， CHEN Jian， et al.

Identification and analysis of secondary geological hazards triggered by a magnitude 8.0 Wenchuan earthquake

［J］. Journal of Remote Sensing， 2009，13（4）：754-762.

[本文引用: 1]

许冲，戴福初，陈剑，等.

汶川Ms8.0地震重灾区次生地质灾害遥感精细解译

［J］.遥感学报，2009，13（4）：754-762.

[本文引用: 1]

YAN Qi， LI Hui， JING Linhai.

Automatic extraction algorithm of seismic landslide information based on after-calamity high-resolution remote sensing image

［J］. Laser & Optoelectronics Progress，2017，54（11）：416-426.

[本文引用: 2]

闫琦，李慧，荆林海，等.

灾后高分辨率遥感影像的地震型滑坡信息自动提取算法研究

［J］.激光与光电子学进展，2017，54（11）：416-426.

[本文引用: 2]

LI Song， LI Yiqiu， AN Yulun.

Automatic recognition of landslides based on change detection

［J］.Remote Sensing Information，2010，25（1）：27-31.李松，李亦秋，安裕伦.基于变化检测的滑坡灾害自动识别［J］. 遥感信息，2010，（1）：27-31.

[本文引用: 1]

JIAN W， PENG C， Liu Y， et al.

The method of earthquake landslide information extraction with high-resolution remote sensing

［C］∥ Remote Sensing of the Environment： 18th National Symposium on Remote Sensing of China. International Society for Optics and Photonics， 2014.

[本文引用: 1]

WANG S， XU S， PENG L，et al.

A rapid extraction of lands-lide disaster information research based on GF-1 image

［J］.Pro-ceedings of SPIE-The International Society for Optical Engineering，2015，9669（1）：307-314.DOI：10.1117/12.2204784 .

[本文引用: 1]

HU Fangchi， FAN Yajing.

Application of remote sensing image for landslide disaster identification

［J］. Journal of Agricultural Catastropholgy，2021，11（4）：98-99.

[本文引用: 1]

胡芳驰，樊雅婧.

遥感影像滑坡灾害识别应用研究

［J］.农业灾害研究，2021，11（4）：98-99.

[本文引用: 1]

CHEN Qihao， GAO Wei， LIU Chen， et al.

Landslides information extraction by object-oriented methods based on high resolution image——A case study on hunan province zixing

［C］∥ Tenth National Institute of Mathematics Geology and Earthquanization Seminar，2011：164-169.

[本文引用: 1]

陈启浩，高伟，刘辰，等.

基于高分辨率影像的面向对象滑坡信息提取——以“湖南省资兴市“为例

［C］∥第十届全国数学地质与地学信息学术研讨会论文集. 2011：164-169.

[本文引用: 1]

WANG Yunnan， REN Guangming， WANG Jiazhu， et al.

Review on remote sensing landslide disasters

［J］. Northwest Hydropower，2017（1）：17-21.

[本文引用: 1]

王云南，任光明，王家柱，等.

滑坡遥感解译研究综述

［J］.西北水电，2017（1）：17-21.

[本文引用: 1]

LIU Junlong.

Application of refined terrain modeling based on UAV image in landslide recognition

［D］. Mianyang： Southwest University of Science and Technology，2019.

[本文引用: 1]

刘俊龙.

基于无人机影像的精细化地形建模在滑坡识别中的应用

［D］.绵阳：西南科技大学，2019.

[本文引用: 1]

CHEN Wenlong， HOU Yong， LI Nan， et al.

Post-earthquake landslide detection in nepal based on principal component analysis

［J］. Journal of Yangtze River Scientific Research Institute，2020，37（1）：166-171.

[本文引用: 1]

陈文龙，候勇，李楠，等.

基于主成分变换的滑坡识别方法及其在2015年尼泊尔地震中的应用

［J］.长江科学院院报，2020，37（1）：166-171.

[本文引用: 1]

DING Hui.

Study on landslides geo-hazard zoning base on remote sensing

［D］. Xi’an：Chang'an University，2011.

丁辉.

基于遥感技术滑坡灾害区划研究

［D］.西安：长安大学，2011.

DING Chao， FENG Guangcai， ZHOU Yushan， et al.

Nepal earthquake triggered landslides recognition and deformation analysis of avalanches' region

［J］. Geomatics and Information Science of Wuhan University，2018，43（6）：847-853.

[本文引用: 1]

丁超，冯光财，周玉杉，等.

尼泊尔地震触发滑坡识别和雪崩形变分析

［J］.武汉大学学报（信息科学版），2018，43（6）：847-853.

[本文引用: 1]

QIN Qiming.

The problem and approach in the auto-interpretation of remote sensing imagery

［J］.Science of Surveying and Mapping，2000，25（2）：21-24.

[本文引用: 1]

秦其明.

遥感图像自动解译面临的问题与解决的途径

［J］.测绘科学，2000，25（2）：21-24.

[本文引用: 1]

YAN Qi.

Study on rapid and intelligent extraction of typical seismic secondary geological disasters using high resolution remote sensing imagery

［D］.Beijing： University of Chinese Aca-demy of Sciences（Institute of Remote Sensing and Digital Earth， Chinese Academy of Sciences），2017.

[本文引用: 1]

闫琦.

基于高分辨率遥感影像的典型地震次生地质灾害快速智能提取研究

［D］.北京：中国科学院大学（中国科学院遥感与数字地球研究所），2017.

[本文引用: 1]

NIEMEYER I， MARPU P R， NUSSBAUM S.

Change detection using the object features

［C］∥IEEE International Symposium on Geoscience and Remote Sensing，2007：2374-2377. DOI： 10.1109/IGARSS.2007.4423319 .

[本文引用: 1]

ELEONORA G， GABRIELLA S， FEDERICA A， et al.

Rainfall threshold and landslides in the post- orogenic complex of the Esino River Basin， Central Italy

［C］∥ Engineering Geology for Society and Territory,2015:1553-1556.

[本文引用: 1]

SHI W Z， ZHANG M， KE H F， et al.

Landslide recognition by deep convolutional neural network and change detection

［J］. IEEE Transactions on Geoscience and Remote Sensing， 2020（99）：1-19. DOI：10.1109/TGRS.2020.3015826 .

[本文引用: 1]

SUI Haigang， FENG Wenqing， LI Wenzhuo， et al.

Review of change detection methods for multi-temporal remote sensing imagery

［J］. Geomatics and Information Science of Wuhan University， 2018，43（12）：1885-1898.

[本文引用: 1]

眭海刚，冯文卿，李文卓，等.

多时相遥感影像变化检测方法综述

［J］.武汉大学学报（信息科学版），2018，43（12）：1885-1898.

[本文引用: 1]

LIN Li.

Research on information extraction methods of landslide in the red-bed of Mayang

［D］.Beijing： China University of Geosciences，2020.

[本文引用: 1]

林莉.

湖南麻阳红层区滑坡信息提取方法

［D］. 北京：中国地质大学，2020.

[本文引用: 1]

CHEN Shanjing， XIANG Chaocan， KANG Qing， et al.

Multi-source remote sensing based accurate landslide detection leveraging spatial-temporal-spectral feature fusion

［J］. Journal of Computer Research and Development，2020，57（9）：1877-1887.

陈善静，向朝参，康青，等.

基于多源遥感时空谱特征融合的滑坡灾害检测方法

［J］.计算机研究与发展，2020，57（9）：1877-1887.

WANG H J， ZHANG L M， YIN K S， et al.

Landslide identification using machine learning

［J］. Geoscience Frontiers，2021，12（1）：351-364. DOI：10.1016/j.gsf.2020.02.012 .

[本文引用: 2]

ZHENG X， HE G， WANG S， et al.

Comparison of machine learning methods for potential active landslide hazards identification with multi-source data

［J］. International Journal of Geo-Information，2021，10（4）：253. DOI：10.3390/ijgi10040253 .

[本文引用: 1]

LONG Yujie， LI Weile， HUANG Runqiu， et al.

Automatic extraction and evolution trend analysis of landslides in Mianyuan river basin in the 10 years after Wenchuan Earthquake

［J］. Geomatics and Information Science of Wuhan University，2020，45（11）：1792-1800.

[本文引用: 1]

龙玉洁，李为乐，黄润秋，等.

汶川地震震后10a绵远河流域滑坡遥感自动提取与演化趋势分析

［J］.武汉大学学报（信息科学版），2020，45（11）：1792-1800.

[本文引用: 1]

LI Runxiang， GAO Xiaohong， TANG Min.

Study on boosting ensemble learning land cover classification based on dual-tree complex wavelet transformp

［J］. Remote Sensing Technology and Application，2022，37（2）：354-367.

[本文引用: 1]

李润祥，高小红，汤敏.

基于双树复小波分解的Boosting集成学习土地覆被分类研究

［J］.遥感技术与应用，2022，37（2）：354-367.

[本文引用: 1]

CHEN F， YU B， LI B.

A practical trial of landslide detection from single-temporal Landsat8 images using contour-based proposals and random forest： A case study of national Nepal

［J］.Landslides，2018，15（3）：453-464. DOI：10.1007/s10346- 017-0884-x .

[本文引用: 2]

HAN Yunfei， WANG Ping， ZHENG Yongguo， et al.

Extraction of landslide information based on object-oriented approach and cause analysis in Shuicheng， China

［J］. Remote Sensing，2022，14（3）：502. DOI： 10.3390/RS14030502 .

[本文引用: 1]

PENG Ling， XU Suning， MEI Junjun， et al.

Earthquake-induced landslide recognition using high-resolution remote sensing images

［J］. Journal of Remote sensing，2017，21（4）： 509-518.

[本文引用: 1]

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.

[本文引用: 1]

LIN Qigen， ZOU Zhenhua， WANG Ying，et a1.

Object-oriented detection of landslides based on the spectral，spatial and morphometric properties of landslides

［J］.Remote Sensing Te-chnology and Application，2017，32（5）：931-937.

林齐根，邹振华，王瑛，等.

基于光谱、空间和形态特征的面向对象滑坡识别

［J］.遥感技术与应用，2017，32（5）：931-937.

HUANG Ting， BAI Xianfu， ZHUANG Qifeng， et al.

Research on landslides extraction based on the Wenchuan Earthquake in GF-1 remote sensing image

［J］. Surveying and Mapping Bulletin，2018（2）：67-71，82.

[本文引用: 1]

黄汀，白仙富，庄齐枫，等.

高分一号汶川极震区滑坡提取研究

［J］.测绘通报，2018（2）：67-71，82.

[本文引用: 1]

WANG S， XU S N， PENG L， et al.

A rapid extraction of landslide disaster information research based on GF-1 image

［J］. Proceedings of SPIE-The International Society for Optical Engineering，2015，9669（1）：307-314. DOI：10.1117/12. 2204784 .

[本文引用: 1]

FENG W Q， SUI H G， TU J H， et al.

A novel change detection approach for multi-temporal high-resolution remote sensing images based on rotation forest and coarse-to-fine uncertainty analyses

［J］. Remote Sensing，2018，10（7）：10158. DOI：10. 3390/rs10071015 .

[本文引用: 1]

GUO Q H， JIN S C， LI M， et al.

Application of deep learning in ecological resource research： Theories，methods，and challenges

［J］. Science China Earth Sciences，2020. DOI：10. 1007/s11430-019-9584-9 .

[本文引用: 1]

JU Yuanzhen， XU Qiang， JIN Shichao， et al.

Automatic object detection of Loess landslide based on deep learning

［J］. Geomatics and Information Science of Wuhan University， 2020，45（11）：1747-1755.

[本文引用: 1]

巨袁臻，许强，金时超，等.

使用深度学习方法实现黄土滑坡自动识别

［J］.武汉大学学报（信息科学版），2020，45（11）：1747-1755.

[本文引用: 1]

WANG Yu.

Research on landslide information extraction algori-thm of remote sensing image based on deep learning

［D］.Harbin： Heilongjiang University，2020.

[本文引用: 1]

王宇.

基于深度学习的遥感图像滑坡信息提取算法研究

［D］.哈尔滨：黑龙江大学，2020.

[本文引用: 1]

ZHANG P F， XU C， MA S Y， et al.

Automatic extraction of seismic landslides in large areas with complex environments based on deeep learning： An example of the 2018 Iburi Earthquake，Japan

［J］. Remote Sensing，2020，12（23）：3992. DOI：10.3390/rs12233992 .

YANG Ying.

Landslide extraction and analysis based on UAV images after the earthquake

［D］. Beijing： Institute of Earthquake Forecasting， China， Earthquake Administration，2020.

杨影.

基于震后无人机影像的滑坡提取分析研究

［D］.北京：中国地震局地震预测研究所，2020.

JIANG Wandong， XI Jiangbo， LI Zhenhong， et al.

Landslide detection and segmentation using Mask R-CNN with simulated Hard Samples

［J］. Geomatics and Information Science of Wuhan University，2021，46（8）：1-18.

[本文引用: 2]

姜万冬，席江波，李振洪，等.

模拟困难样本的Mask R-CNN滑坡分割识别

［J］.武汉大学学报（信息科学版），2021，46（8）：1-18.

[本文引用: 2]

MOHAN A， SINGH A K， KUMAR B， et al.

Review on remote sensing methods for landslide detection using machine and deep learning

［J］. Transactions on Emerging Telecommunications Technologies，2020（4）. DOI：10.1002/ett.3998 .

[本文引用: 1]

SAMEEN M I， PRADHAN B.

Landslide detection using residual networks and the fusion of spectral and topographic information

［J］. IEEE Access，2019，7：114363-114373. DOI： 10.1109/ACCESS.2019.2935761 .

[本文引用: 1]

LIU P， WEI Y， WANG Q， et al.

A research on landslides automatic extraction model based on the improved mask R-CNN

［J］. International Journal of Geo-Information， 2021， 10（3）：168. DOI：10.3390/rs12050894 .

[本文引用: 2]

LIU P， WEI Y， WANG Q， et al.

Research on post-earthquake Landslide Extraction Algorithm based on Improved U-Net Model

［J］.Remote Sensing，2020，12（5）：894. DOI：10. 3390/rs12050894 .

[本文引用: 1]

YANG Z， XU C.

Efficient detection of earthquake-triggered landslides based on U-Net++： An example of the 2018 Hokkaido Eastern Iburi（Japan） Mw=6.6 Earthquake

［J］. Remote Sensing，2022，14（12）：2826. DOI：10.3390/rs14122826 .

[本文引用: 1]

YANG Z， XU C， LI L.

Landslide detection based on resU-net with transformer and CBAM embedded： Two examples with geologically different environments

［J］. Remote sensing，2022，14（12）：2885. DoI：10.3390/rs14122885 .

[本文引用: 1]

LI Boyuan.

Research on method of landslide recognition based on object-oriented image analysis technology

［D］. Yinchuan： Ningxia University，2021.

[本文引用: 1]

李博渊.

基于面向对象影像分析技术的滑坡识别方法研究

［D］. 银川：宁夏大学，2021.

[本文引用: 1]

WANG Cheng， WANG Kai.

An improved random forest algorithm based on decision trees clustering reduction

［J］. Journal of Nanjing University of Posts and Telecommunications（Natural Science Edition），2019，39（3）：91-97.

[本文引用: 1]

王诚，王凯.

一种基于聚类约简决策树的改进随机森林算法

［J］.南京邮电大学学报（自然科学版），2019，39（3）：91-97.

[本文引用: 1]

ZHANG Qun.

Landslide recognition based on high resolution remote sensing images in Heifangtai

［D］. Xi’an： Chang'an University，2017.

[本文引用: 1]

张群.

基于高分遥感的黑方台滑坡识别

［D］.西安：长安大学，2017.

[本文引用: 1]

WANG Zhenhua， XU Lizhi， JI Qing， et al.

Accuracy assessment method of remote sensing classification result based on spatial heterogeneity

［J］.Remote Sensing Information，2020，35（6）：25-31.

[本文引用: 1]

王振华，徐利智，纪晴，等.

利用空间异质性的遥感分类结果精度评价方法

［J］. 遥感信息，2020，35（6）：25-31.

[本文引用: 1]

/

〈 〉