基于马尔科夫随机场的PLANET高分影像滑坡提取研究

doi:10.11873/j.issn.1004-0323.2023.5.1180

基于马尔科夫随机场的PLANET高分影像滑坡提取研究

高梦洁^,¹^,²^,³, 陈方^,¹^,²^,³, 王雷¹^,², 杨阿强¹^,², 于博¹^,²

1.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

2.可持续发展大数据国际研究中心，北京 100094

3.中国科学院大学，资源与环境学院，北京 100049

Research on Extraction of Landslide from PLANET High Spatial Resolution Remote Sensing Image based on Markov Random Field

GAO Mengjie^,¹^,²^,³, YU Bo^,¹^,²^,³, WANG Lei¹^,², YANG Aqiang¹^,², CHEN Fang¹^,²

1.Key Laboratory of Digital Earth Science，Aerospace Information Research Institute，Chinese Academy of Sciences，No. 9 Dengzhuang South Road，Beijing 100094，China

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

3.University of Chinese Academy of Sciences，Beijing 100049，China

通讯作者: 陈方（1981-），男，陕西西安人，研究员，主要从事灾害特征的遥感反演方法研究。E⁃mail: chenfang_group@radi.ac.cn

收稿日期: 2022-07-06 修回日期: 2023-09-04

基金资助:

中国—东盟地球大数据平台与应用示范项目. 桂科AA20302022

Received: 2022-07-06 Revised: 2023-09-04

作者简介 About authors

高梦洁（1999-），女，湖北武汉人，博士研究生，主要从事基于遥感影像的信息提取研究E⁃mail:gaomengjie21@mails.ucas.ac.cn , E-mail：gaomengjie21@mails.ucas.ac.cn

摘要

滑坡是自然界频繁发生的地质灾害，会对人民的生命造成威胁，并带来巨大的财产损失。因此，高效准确地进行滑坡提取对快速制定应急救灾方案、减少损失有着重要的意义。目前滑坡提取研究大多针对单个或少许事件，且背景地物比较单一。研究采用高分辨率遥感影像，针对复杂背景地物条件下的多起滑坡构建提取模型，并对其进行精度验证。采用马尔科夫随机场最小化能量方程结果作为滑坡提取特征，并用于滑坡提取模型构建，与目前滑坡提取研究中常用的特征相比较，验证这一特征对于滑坡提取的有效性。选用多时相的PLANET 3 m分辨率遥感影像，对2018年9月6日北海道地震引发的多起滑坡进行提取。结果表明：本研究提出的特征运用于滑坡提取中，可以提高提取精度2%，在滑坡提取的完整性上得到一定提升，为在大区域范围内的滑坡精确提取提供帮助。

关键词： 滑坡提取 ; 随机森林 ; 变化检测 ; 马尔科夫随机场

Abstract

Landslides represent a prevalent geological hazard with serious consequences for the safety of human lives and properties. Therefore， the efficient and accurate extraction of landslides is of great significance for the timely development of emergency response plans aimed at reducing losses. Current studies typically focus on single or a few events， often under relatively simple background conditions. To address these limitations， we propose using high-resolution remote sensing images to extract multiple landslides under complex background conditions， with the precision of the approach being verified. Specifically， we construct a landslide extraction model that utilizes the result of the minimization of energy equation using Markov random field as a feature. To evaluate the effectiveness of the model， we compare it with features commonly used in landslide extraction research. We select multi-temporal Planet 3M resolution remote sensing images to extract landslides in Hokkaido on September 6， 2018. Our results demonstrate that the proposed feature improves the accuracy of landslide extraction by 2%， while also improving the integrity of the extraction to a certain extent. This approach offers valuable assistance for accurately extracting landslides in large areas.

Keywords： Landslide detection ; Random forest ; Change detection ; Markov random field

PDF (12167KB) 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

高梦洁, 陈方, 王雷, 杨阿强, 于博. 基于马尔科夫随机场的PLANET高分影像滑坡提取研究. 遥感技术与应用[J], 2023, 38(5): 1180-1191 doi:10.11873/j.issn.1004-0323.2023.5.1180

GAO Mengjie, YU Bo, WANG Lei, YANG Aqiang, CHEN Fang. Research on Extraction of Landslide from PLANET High Spatial Resolution Remote Sensing Image based on Markov Random Field. Remote Sensing Technology and Application[J], 2023, 38(5): 1180-1191 doi:10.11873/j.issn.1004-0323.2023.5.1180

1 引言

滑坡是自然界频繁发生的地质灾害，会对自然和基础设施造成大规模且具有长久影响力的损害^［1］。据统计，仅2019年中国发生了6 181起地质灾害，其中4 220起为滑坡，占比高达68.27%。这些地质灾害共导致211人死亡，13人失踪，75人受伤，并直接造成了约277万元的经济损失^［2］。滑坡的诱发有多种因素，包括地震、强降雨以及丘陵地区的道路建设等^［3］。在全球气候变化的影响下，已有多项研究表明滑坡的发生将会更加频繁^［3］。因此，滑坡发生后，快速精准地获取滑坡信息，对制定救灾方案及应急措施，显得尤为重要。

在滑坡信息获取方法中，地面调查是一种准确可靠的手段，但其受限条件多，难以在大面积区域中得到快速、及时的应用^［4］。尽管已有一些实地调查的方法被提出，但在大多数区域的应用上存在较大的困难和危险。

随着遥感成像技术的日益成熟，大量的光学和微波遥感影像使得大空间范围内的滑坡提取成为可能^［5］。传统的滑坡提取主要依赖研究人员的经验，通过遥感影像目视解译的方法确定大面积滑坡发生的位置及其他相关信息。这一过程需要消耗大量的人力和时间，在实际应用中耗时耗力。

近年来，研究人员采用图像处理方法，结合计算机视觉和机器学习等方法，致力于构建滑坡自动提取模型^［6］。通过光谱、地形和纹理等特征构建滑坡自动提取模型，可以迅速准确地对滑坡灾害进行提取，从而快速制定应急救灾方案，减少损失。在现有研究中，传统的滑坡提取模型可分为基于像元的方法和基于对象的方法^［7］。

基于像元的滑坡提取方法中，高思远等^［8］利用合成孔径雷达对山体滑坡进行提取，将雷达比指数用于滑坡提取中，整体精度达到80%以上，雷达比指数图可以更好地表达滑坡的图像特征；Gorsevski等^［9］基于LiDAR的数字高程模型生成的山体阴影图来检测浅层滑坡；Mondini等^［10］等采用VHR全色和HR多光谱卫星图像，结合变化检测，针对降雨引起的浅层滑坡进行半自动滑坡提取，该方法能够检测并提取研究区域内新的降雨诱发的滑坡；Ganneels等^［11］提出一种从多光谱遥感影像中检测滑坡的自动化方法，采用双阈值和直方图阈值对滑坡进行提取，通过形状和地貌特性对背景地物进行滤除，并将该方法的提取结果与人工神经网络（ANN）进行了比较，实验表明该方法输出的结果更加稳定。随着计算机视觉和图像处理相关技术的发展，基于对象的分类方法得到了广泛的应用^［12］。王和平等^［13］基于多尺度分割方法，与变化矢量分析（CVA）和最大数学期望（EM）方法相结合，构建可见光波段差异植被指数（VDVI）对滑坡进行提取，精度可达81.7%；Lu等^［14］采用面向对象的变化检测方法，基于高分影像对滑坡进行半自动提取，在图像分割上做出多尺度优化，并在意大利南部验证其准确度；Si等^［15］将敏感性分析和变化检测阈值的方法相结合，构建一种半自动滑坡提取模型，其有效地将基于像素的方法与面向对象的图像分析方法相结合，以提高滑坡的识别精度。

基于像元和基于对象的方法在滑坡提取中均已取得较高的提取精度，但是都需要人工设定阈值。机器学习可以通过训练样本自动学习特征阈值，并在应用效果上存在明显优势，在滑坡提取中已经得到广泛应用^［1］。徐乔等^［16］等基于QuickBird影像采用面向对象的方法，构建随机森林模型对滑坡提取，在道路沿线范围内可达到较高的精度；Chen等^［17］利用LiDAR数据和特征选择方法，采用随机森林模型对中国三峡区域的滑坡进行提取；Liu等^［18］提出了一种改进的Mask R-CNN模型，并以四川省九寨沟县为研究区域进行滑坡提取实验，总准确率为94.7%，相较于传统的Mask R-CNN模型提高了9.9%；Yi等^［19］构建LandsNet深度学习网络，通过形态学对提取出的滑坡结果进一步优化，在研究区内最佳精度为86.89%，比ResUNet和DeepUNet的结果分别高出约7%和8%；付萧等^［20］利用低空无人机对芦山地区构建高分辨率滑坡样本库，并采用迁移学习对其进行信息提取，最终得到87.2%的提取精度；Yu等^［21］构建一种端到端的基于轮廓的深度学习框架，对2015年尼泊尔的滑坡进行提取，达到65%的召回率和55.35%的提取精度，与同类文献相比准确率提高了44%；Chen等^［22］利用结合上下文、光谱信息和几何特征的概率回归模型进行滑坡提取，并在汶川县进行实验，得到了较高的F1值（0.771~0.998），解决了滑坡提取中数据分布不均的问题，比类似研究拥有更高的准确率。

高空间分辨率遥感影像具有丰富的地表信息，可以为灾害应急、滑坡机理分析和预警提供夯实的数据基础^［4］，但同时也增加了滑坡背景地物的复杂度。

目前，滑坡提取研究多局限于单个或少许事件，而且背景地物也均比较单一。因此针对复杂背景地物条件下，对高空间分辨率遥感影像中的多起滑坡事件构建高效的提取模型，具有十分重要的意义。

研究实现了高分影像滑坡提取的方法，基于马尔科夫随机场最小化能量方程提出了MK特征，并采用此特征协同常用滑坡提取的光谱、纹理和地形特征共同构建随机森林模型对滑坡进行提取。为了验证模型的精度和适用性，与基于常用特征构建的随机森林滑坡提取模型相比较。研究选用PLANET 3 m分辨率高分数据，针对北海道2018年9月6日发生的地震引起的多起滑坡进行提取。

2 研究区与数据源

2.1　研究区概况

2018年9月6日发生北海道地震，震中位于42.72° N，142.0° E。研究区如图1中灰色区域所示，位于地震烈度最强的厚真町、安平町等地交界处。该地震造成44人死亡，滑坡数量达到9 000余次^［23］。研究区的基底由沉积岩组成，覆盖着火山产物丰富的地表地质，可能是此次地震引发大量滑坡的原因^［24］。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 研究区图

Fig.1 study area map

图2为本次研究区内的典型滑坡，其表面与周围密集的植被覆盖情况有明显差异，滑坡表面呈现灰白色，边界不规则。在光谱、纹理和地形上与周围非滑坡区域存在较为明显的区别。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 滑坡影像图

Fig.2 Landslide image map

2.2　数据源介绍

高空间分辨率数据相较于中低空间分辨率数据可以为滑坡提取提供更详尽的地表信息。研究采用3 m分辨率的3B级别PLANET卫星数据进行滑坡提取研究。PLANET卫星数据空间分辨率为3 m至5 m，有蓝、绿、红、红外4个光谱波段，分为1B和3B两种产品级别。该数据能每日覆盖全球，覆盖率高。

研究选用地震发生前后，2018年8月3日和2018年9月11日研究区域的PLANET卫星数据。其具体参数如表1所示。滑坡的真实发生位置和形状通过对地震前后的3 m分辨率光学卫星影像进行目视解译得到^［23］，其具体位置如图3所示，图中红色像元点代表真实的滑坡。

表1 PLANET数据参数

Table1 PLANET data parameters

参数	详细描述
卫星数量	100余颗
运行轨道	太阳同步轨道（475~600 km）
运行轨道	国际空间站轨道（约400 km）
分辨率	3 m
光谱波段	Band1:蓝（455~515 nm）
	Band2:绿（500~590 nm）
	Band3:红（590~670 nm）
	Band4:近红外（780~860 nm）
产品级别	1B：基础的产品数据，已进行传感器和辐射定标
产品级别	3B：已经进行过传感器、辐射、正射校正以及大气校正的正射产品

新窗口打开| 下载CSV

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 滑坡位置图

Fig.3 Landslide location map

3 结合马尔科夫随机场的随机森林滑坡提取模型

研究提出将马尔科夫随机场最小化能量方程结果作为一维特征（MK特征），基于该改进特征利用随机森林模型对滑坡进行提取，构建面向变化检测的马尔科夫随机场模型（RF+MK模型）。具体技术流程图如图4所示，首先对滑坡发生前后的影像进行变化检测，再结合马尔科夫随机场构建MK特征，与光谱特征、纹理特征和地形特征一起构建滑坡提取模型（RF+MK）。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 技术流程图

Fig.4 Technical flow chart

3.1　随机森林原理

机器学习已经在各领域被广泛地使用，例如，支持向量机、决策树、人工神经网络等^［25］，随机森林是一种常见的集成学习方法，经常被运用到分类和回归问题中，是机器学习算法其中的一种^［26］。在过去的近10 a，因其训练速度快、抗噪声能力强、可以处理高维数据等优势，随机森林在滑坡提取中有不错的应用效果。

随机森林采用bootstrap抽样方法，由多颗决策树构成。其构建的具体流程为有放回地随机抽取数据构成子集，生成多个被分为训练集和测试集的样本集，并对每个样本集构建一个决策树。在待选特征集合中随机抽取特征进行节点的分裂，直至节点中所有样本属于一类，最后的分类结果由所有决策树投票得出。

3.2　滑坡特征选择

在自然界中，滑坡由于所处的自然环境、气候条件以及地形的不同，其形态特征及地貌特征各有差异。利用遥感影像进行滑坡提取时，人们普遍关注滑坡的典型特征，包括形状特征、地形地貌特征、光谱特征、纹理特征等^{［9， 14］}。

研究区内的滑坡发生于山区，具有明显的地形特征；滑坡表面被损毁程度严重，裸露的土壤较多，反射率较高，因此具有普遍为灰白色等浅色色调的光谱特征；在纹理特征中，滑坡具有粗糙的纹理，整体呈现无规律的状态，因此利用纹理特征也能较好的将滑坡与周围地表分开^［27］。

针对研究区内的滑坡特点，采用在滑坡提取中常用的光谱特征、地形特征及纹理特征，共11个特征构建随机森林模型，具体特征如表2所示。

表2 随机森林的特征选择

Table2 Feature selection in random forest

编号	特征类型	特征描述
1	光谱特征	红色波段
2		绿色波段
3		蓝色波段
4		近红外波段
5	纹理特征	GLCM对比度
6		GLCM自相关
7		GLCM ASM能量
8		GLCM相异性
9		GLCM同质性
10		GLCM能量
11	地形特征	DEM

新窗口打开| 下载CSV

纹理特征是滑坡提取中的重要特征，滑坡表面地层因被破坏而呈现粗糙的纹理，与背景地物有明显差异，因此利用纹理特征也能较好的将滑坡与周围地表区分。一般而言，选取标量信息来代表灰度共生矩阵的特征信息，包括对比度、自相关、ASM能量、相异性、同质性和能量这6个特征。

灰度共生矩阵的对比度特征（ $C o n$ ）直接地反映了像元与周围邻域像元间亮度的对比，计算如公式（1）所示：

C o n = \sum_{i} \sum_{j} {(i - j)}^{2} P (i - j)

(1)

其中： $P$ 代表灰度共生矩阵； $i$ 、 $j$ 代表矩阵中某两个值。较大对比度值代表着较为清晰的纹理特征，反映纹理沟纹较深的情况^［28］。

灰度共生矩阵的自相关特征（ $C o r$ ）反映纹理分布的一致性，具体计算如公式（2）~（6）所示。自相关值越大，灰度共生矩阵的值越相近，反之，自相关值越小，灰度共生矩阵的元素差别越大。

C o r = \sum_{i = 1}^{k} \sum_{j = 1}^{k} \frac{(i j) P (i, j) - u_{i} u_{j}}{s_{i} s_{j}}

(2)

u_{i} = \sum_{i = 1}^{k} \sum_{j = 1}^{k} i \cdot P (i, j)

(3)

u_{j} = \sum_{i = 1}^{k} \sum_{j = 1}^{k} j \cdot P (i, j)

(4)

{S_{i}}^{2} = \sum_{i = 1}^{k} \sum_{i = 1}^{k} P (i - j) {(j - u_{i})}^{2}

(5)

{S_{j}}^{2} = \sum_{i = 1}^{k} \sum_{i = 1}^{k} P (i - j) {(j - u_{j})}^{2}

(6)

$A S M$ 值是灰度共生矩阵中各元素的平方和，反映出纹理特征的分布规律和分布的均匀程度，具体计算公式如（7）所示。能量 $e n e r g y$ 为 $A S M$ 的开方，如公式（8）所示。

A S M = \sum_{i} \sum_{j} P {(i - j)}^{2}

(7)

e n e r g y = \sqrt[]{A S M}

(8)

灰度共生矩阵的相异性（ $D i s$ ），计算公式如（9）所示。其中 $l e v e l s$ 表示所计数的灰度级数。

D i s = \sum_{i, j = 0}^{l e v e l s - 1} p_{i, j} |i - j|

(9)

同质性（ $H o m$ ），也被称为逆差距。反映图像局部均匀性，具体计算公式如（10）所示。同质性越大，说明图像越均匀，同质性越小，说明图像均匀程度低。

H o m = \sum_{i, j = 0}^{l e v e l s - 1} \frac{p_{i, j}}{1 + {(i - j)}^{2}}

(10)

3.3　马尔科夫随机场原理

马尔科夫随机场的理论基础是贝叶斯理论和马尔科夫模型。下一时刻的取值只与现在时刻的取值有关，与之前时刻的随机变量取值无关，这种性质被称为马尔科夫性质。随机场依据一种分布规则随机给相空间赋值，拥有马尔科夫性质的随机场为马尔科夫随机场。

在图像分割问题中，马尔科夫性质指图像某一处的取值只与其领域有关，与其他位置的取值无关。利用马尔科夫随机场进行图像分类，可以根据确定区域给不确定区域的像元点分类赋值，例如在滑坡的提取中，将滑坡点赋值为1，非滑坡点赋值为0。马尔科夫随机场有一元势函数、二元势函数这两个势函数^［29］，一元势函数考虑单个像元，计算该像元属于不同类别的概率，一般选用两个高斯混合模型，其中一个为滑坡的高斯混合模型，另一个被用作非滑坡类别。这两个高斯混合模型由训练样本进行训练。对于高斯混合模型的参数确定，可以将训练样本聚类，分别对应不同的高斯混合模型，最终，通过其权重确定最后的概率。二元势函数考虑到与相邻像素的联系，即通过周围像元点判断该点与周围像元一致的概率大小，通常选取4个领域或8个领域范围内的像元判断，这能使得它能够确保最终标签的空间平滑度。

构建马尔科夫随机场模型的过程分为3个部分，首先使用变化向量检测方法（CVA）自动生成差异图像，接着使用多阈值方法生成认定为滑坡和非滑坡的区域，并生成不确定区域，最终利用马尔科夫随机场对不确定区域进行分类。

CVA定义如下：

ρ (I) = {[\sum_{b = 1}^{n} {(I_{t_{1}} - I_{t_{2}})}_{b}^{2}]}^{1 / 2}

(11)

其中： $b$ 为波段数； $I_{t_{1}}$ 和 $I_{t_{2}}$ 是在 $t_{1}$ 和 $t_{2}$ 时像元点 $I$ 的像素值。由于选取的是滑坡发生前后的影响，发生滑坡区域的变化最为明显。通常情况，变化差异较大的像元被认定为候选滑坡，但是，差异图像的形成不仅仅因为滑坡的发生，其他情况也会导致差异图像变化较大的情况，因此仅凭借差异图像很难精准的分别滑坡与非滑坡区域^［29］。

差异图像是由滑坡发生前后的影像各波段像元值的差异计算而来，因此差异较大，即差异图像中值较大的区域为变化较大区域，被认定为滑坡，而差异图像中值较小的区域被认定为非滑坡，中间范围的被归为不确定区域，有待后续进一步分类确定。因此，滑坡和非滑坡区域的生成可以采用多阈值的方法。其中： $μ$ 是DI的平均值；而 $σ_{D I}$ 是DI的标准差； $T$ 、 $∆ T$ 是需要人工确定的参数。如公式（12）所示，小于或等于 $(μ + T ∙ σ_{D I})$ 的像素归类为非滑坡；而大于或等于 $[μ + (T + T ∙ σ_{D I})]$ 的像素被视为滑坡；其余区域被认为是不确定区域。最终，不确定区域利用马尔科夫随机场进行分类^［29］。传统的马尔科夫随机场需要大量的人工干涉提供样本，而利用多阈值的方法只需要确定两个参数便可生成认定为滑坡和非滑坡的数据。最后，利用马尔科夫随机场对不确定区域进行计算。主要流程如图4中虚线框所示。

I_{D I} = \{\begin{array}{l} l a n d s l i d e, i f ρ (I) \geq μ + (T + Δ T \cdot σ_{_{D I}}) \\ u n c e r t a i n a r e a, i f μ + (T + Δ T \cdot σ_{_{D I}}) > ρ (I) > μ + T \cdot σ_{_{D I}} \\ n o n - l a n d s l i d e, i f ρ (I) \leq μ + T \cdot σ_{_{D I}} \end{array}

(12)

3.4　实验过程

在北海道区域内，选取像元大小为8 192×10 240的研究区，随机选取60%数据用于训练滑坡提取模型，40%数据用于测试，具体分布如图5所示，其中右下角标注“T”的框格范围为测试数据，其他范围为训练数据。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 训练数据与测试数据分布图

Fig.5 Distribution of training data and test data

在随机森林模型构建中，选用滑坡提取常用的光谱特征、地形特征、纹理特征以及本文提出的MK特征。具体来说，利用PLANET数据红、绿、蓝和近红4个波段的光谱值作为光谱特征，采用DEM数据反映其高程特征，选取灰度共生矩阵的对比度、自相关、ASM能量、相异性、同质性、能量这6个特征代表其纹理特征进行滑坡提取研究。其中，DEM数据被重采样至与数据源一致的3 m分辨率。

构建本文提出的MK特征时，首先使用变化向量检测方法生成差异图像，并生成训练样本和不确定区域后，利用马尔科夫随机场对不确定区域进行计算。对于一元势函数，首先进行聚类，研究选取5个高斯分量，过多的类别会导致过拟合现象，接着分别计算均值、方差等，以确定高斯参数，从而确定模型；对于二元势函数，对于列出的各方向标签，计算领域范围内对于每一类相同分类的概率。最后，通过最优化能量函数得到最后的结果。

4 结果与对比

4.1　验证评价指标

采用精度、召回率和F1-Measure精度作为评价指标，计算公式如公式（13）~（15）所示。

P = \frac{T P}{T P + F P}

(13)

R = \frac{T P}{T P + F N}

(14)

F_{1} = \frac{2 P \times R}{P + R}

(15)

其中： $P$ 为精度； $R$ 为召回率； $T P$ 表示被正确分为滑坡的像素数量； $F P$ 表示被误分为滑坡的非滑坡像素数量； $F N$ 表示被误分为非滑坡的滑坡像素数量。用这种精度评价指标衡量该模型对滑坡提取的正确性和完整性。

4.2　实验结果与精度验证

采用2018年8月3日地震前和2018年9月11日地震发生后的影像，针对北海道2018年9月6日发生的地震引起的滑坡进行模型的精度验证实验。研究区范围内地震发生前后的影像如图6所示，图6（a）为2018年8月3日地震前的影像，图6（b）为2018年9月11日地震发生后的影像。研究区域所在地有较为明显的地势起伏，处于山区内，滑坡外其他地表大面积由植被覆盖，也存在裸地、道路等其他地表覆盖情况。滑坡发生位置如图3所示，其中红色区域为滑坡。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 滑坡发生前后影像图

Fig.6 Images before and after the landslide

对研究区利用改进模型进行滑坡提取，随机选取4个图像区域，提取结果如图7所示。其中，绿色像元点表示正确提取结果，红色像元点表示漏提的真实滑坡，黄色区域表示被误分为滑坡的背景地物。通过精度验证可知，选取的4个图像区域的提取结果精度评价如表3所示，研究区总体的平均精度为76.0%，平均召回率为64.8%，F1值为0.70。该方法在研究内表现稳定，鲁棒性较好，可以准确地提取大范围滑坡。然而该模型仍然存在一定的不足，会将部分裸地、山脊等背景地物误分为滑坡，如图7中红框内黄色区域所示，后续研究可以通过增加样本、增强光谱信息等方式尝试解决。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 结合马尔科夫随机场的随机森林滑坡提取结果图

Fig.7 Extracting result map based on change detection-based Markov random field

表3 改进模型提取精度

Table3 The extraction accuracy of the improved model

图像区域	精度/%	召回率/%	F1值
1	74.0	68.9	0.71
2	77.7	75.4	0.77
3	79.1	74.9	0.77
4	71.1	72.1	0.72

新窗口打开| 下载CSV

为验证本文提出的MK特征是否能提高滑坡提取精度，采用与改进模型相同的光谱特征、地形特征及纹理特征基于随机森林构建滑坡的提取模型，与本文提出的模型（RF+MK）进行对比，生成对应区域的结果图如图8所示。其中，蓝色像元点表示正确提取结果，红色像元点表示漏提的真实滑坡，黄色区域表示被误分为滑坡的背景地物。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 不采用改进特征的随机森林对比实验结果图

Fig.8 Results of random forest comparative experiment without improved characteristics

相应地，采用4.1节中评价指标，对个区域的滑坡提取结果精度评价如表4所示，研究区总体的平均精度为74.1%，平均召回率为68.6%，F1值为0.71。通过精度验证可知，结合MK特征改进模型在整体的平均精度上提高2%，在小区域范围内也有一定程度的提高，由于裸地等背景地物分布情况不同，该方法在不同区域内精度提高程度存在差异。该方法可以将部分裸地与滑坡区分，不采用MK特征无法提取的部分滑坡，利用本文提出的模型（RF+MK）可以较为完整地进行提取。

表4 不采用改进特征的模型提取精度

Table4 The extraction accuracy of the model without improved characteristics

图像区域	精度/%	召回率/%	F1值
1	69.8	70.2	0.70
2	76.5	76.3	0.76
3	87.3	75.6	0.81
4	68.4	79.3	0.73

新窗口打开| 下载CSV

4.3　结果分析

为评估本文提出的MK特征在滑坡提取中的作用，根据基尼指数计算随机森林中各特征的有效性及重要性，如表5所示。通过计算基尼指数可以反应去掉某一特征对模型精度的影响，进而评估特征对模型精度影响的重要性^［30］。在实验中，本文提出的MK特征在随机森林模型的12个特征中重要性最大，在滑坡提取中起到了关键作用。

表5 随机森林中各特征的重要性

Table5 Importance of features in random forest

特征	重要性
本文提出的改进特征	0.231
DEM	0.205
蓝色波段	0.169
近红外波段	0.150
绿色波段	0.090
红色波段	0.079
GLCM相异性	0.019
GLCM能量	0.019
GLCM同质性	0.016
GLCM自相关	0.009
GLCM ASM能量	0.007
GLCM对比度	0.006

新窗口打开| 下载CSV

如图9（a）、图9（b）、图9（c）红框中所示，采用传统特征的随机森林滑坡提取方法无法完整提出的滑坡，在改进的模型（RF+MK）中，滑坡提取的完整性得到一定改善。在精度这一评价指标上，改进模型可以较为稳定地对滑坡提取的精度进行改善，由于裸地等背景地物分布情况不同，在不同区域内精度提高程度存在差异。改进模型可以将部分裸地与滑坡区分，不采用MK特征无法提取的部分滑坡，利用该方法可以较为完整地进行提取，这对于利用高分影像进行滑坡提取的研究具有一定意义。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 滑坡提取结果对比图

Fig.9 Comparison of landslide extraction results

对于裸地、道路等光谱特征与滑坡相似的区域被误分为滑坡的情况较为常见，如图10所示，其中，红框内浅色区域为误分为滑坡的裸地。对比滑坡发生前后的两幅影像可以看到容易被误分的部分影像，在图6中，色调较浅的大部分区域为滑坡，滑坡发生区域大部分在地震发生前后发生了明显变化，但也存在部分滑坡区域在地震前的影像中呈现较浅的色调，与滑坡发生后的影像在光谱上并无明显差异。后续研究可尝试借助高光谱数据，利用光谱分析区分裸地和滑坡区域^［31］。

图10

新窗口打开| 下载原图ZIP| 生成PPT

图10 被误分为滑坡的裸地

Fig.10 Bare land misclassified as landslide

5 结论

本文提出的模型（RF+MK）在研究区内表现较为稳定，可以比较完整地将滑坡提取出来，可以区分部分裸地和滑坡，有较好的提取精度。相较于不采用改进MK特征的随机森林方法，在研究区内，改进模型对滑坡提取的精度均有一定程度的提高。

但该模型也有其局限性，在召回率这一精度评价指标上，本文的改进模型表现仍需进一步改进。通过滑坡发生前后的影像对比可以发现，不能被提取的滑坡具有一定特点。在滑坡发生前，没有被提取出的滑坡处在影像上呈现与发生滑坡后相似的灰白色调，即在滑坡发生前后，该处光谱差异较小。因此，面向变化检测的马尔科夫随机场模型在此类区域上的运用存在弊端，即在运用变化检测生成结果确定训练样本时，这类光谱变化差异很小的范围可能直接被认定为非滑坡，在利用马尔科夫随机场模型也无法将其分类为滑坡像元，后续可通过不同的阈值选取方式尝试解决。

综合看来，在研究区内，本文提出的MK特征可提高对滑坡的精度，对于一些滑坡可以更完整地进行提取，相较于常规用于滑坡提取的特征，在模型构建中具有更高的重要性，可以为大尺度范围内多起滑坡事件的精确提取提供帮助。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

GHORBANZADEH

， BLASCHKE

， GHOLAMNIA

， et al.

Evaluation of different machine learning methods and deep-learning convolutional neural networks for landslide detection

［J］.Remote Sensing，2019，11（2）.DOI:10.3390/rs11020196

[本文引用: 2]

[2]

ZHANG

， WU

， QIN

， et al.

Mapping landslide hazard risk using random forest algorithm in Guixi， Jiangxi， China

［J］. ISPRS International Journal of Geo-Information，2020，9（11）：695.DOI:10.3390/ijgi9110695