Semi-automatic recognition and mapping of rainfall induced shallow landslides

本文主要是介绍Semi-automatic recognition and mapping of rainfall induced shallow landslides，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

Semi-automatic recognition and mapping of rainfall induced shallow landslides using optical satellit images

所属期刊

Remote Sensing of Environment

发表历程

Received 11 November 2010
Received in revised form 4 March 2011
Accepted 5 March 2011
Available online 5 April 2011

所属分区

大类：环境科学与生态学 1区[Top]；
小类：遥感 1区、环境科学 1区、成像科学与照相技术 1区

文章所属方法

基于像素的方法

文章针对问题

文章主要通过实验检验利用超高分辨率的全色波段和高分辨率多光谱卫星影像是否有助于检测出降雨导致的滑坡，同时利用本文提出的方法得到一个较为精确的滑坡事件编目图。

与其他方的联系

前人已将基于变化检测的方法应用于高清与超高清光学影像中提取滑坡的研究，本文在前人研究的基础上提出利用超高分辨率全色波段影像以及高分辨率影像进行融合得到超高分辨率影像进行滑坡提取研究中，以检验该方法是否有助于检测出降雨导致的滑坡。分别对影像中每个像素进行逻辑回归分类、线性判别分类、二次线性判别分类进行滑坡判别，对三种方法比较后将三种方法结合起来，得到了更佳的分类方法。

文章中的不足：

文章中没有考虑由于农业耕种引起的植被变化很容易被判别为滑坡的情况，同时，文中选择的pre-event影像在9月份，post-event影像在10月份，这种情况下容易将一些耕地视为滑坡，显然文中作者没有考虑这个问题。
文章可以考虑利用DEM数据来排除一些非滑坡地区，提高滑坡检测率。
文中利用pre-event和post-event两张影像的NDVI变化进行滑坡检测，这就潜在的认为发生滑坡的地方肯定有植被覆盖，于是本文的方法注定无法检测到在植被覆盖率比较低的地方发生的滑坡。

文章可借鉴的地方

文章中利用pre-event和post-event两张影像的NDVI变化、图像光谱角θ变化，对pre-event和post-event两张影像的红波段、近红外波段进行PCA分析和ICA分析得到的PC-2和IC-4数据可以用于表示滑坡前后发生变化的特征，若想利用SVM、决策树，神经网络等机器学习的方法进行滑坡检测，可以将这些特征视为输入特征。

文章详细方法

作者研究区域

研究区位于意大利南部西西里岛的爱奥尼亚海岸的墨西拿省，地理位置位于北纬38°03’和38°06’N之间，东经15°26’和15°30’E之间。

图1. 研究区域图示。2009年10月1日高强度降雨导致墨西拿省滑坡，黄色线表示训练区，红色线表示验证区。
文章选择的滑坡前后两张影像信息
遥感影像预处理
1. 将超高清全色波段影像和多光谱影像进行pan-sharpening得到融合后影像。
2. 正射校正和配准。
3. 大气校正。
4. 识别并且删除城市区域。
特征选择
1. 定义δNDVI作为滑坡检测特征
  $δ N D V I = N D V I p r e - N D V I p o s t$ $δNDVI = NDVI_{pre}−NDVI_{post}$
2. 定义图像光谱角作为滑坡检测特征
  $θ = a r c o s u ⃗ \times v ⃗ u ⃗ \cdot v ⃗$ $θ=arcos\frac{\vec{u}\times\vec{v}}{\vec{u}\cdot\vec{v} }$ 其中
  $u ⃗ = (ρ b l u e, ρ g r e e n, ρ r e d, ρ N I R) u$ $\vec{u}=(ρ_{blue}, ρ_{green}, ρ_{red}, ρ_{NIR})_u$ $v ⃗ = (ρ b l u e, ρ g r e e n, ρ r e d, ρ N I R) v$ $\vec{v}=(ρ_{blue}, ρ_{green}, ρ_{red}, ρ_{NIR})_v$
  分别表示滑坡前后两张影像中每个同一地理位置的像素在blue、green、red、nir4个波段上的辐射量度，其中ρ表示辐射量度。每一幅影像的辐射量度都有特定的计算方法，一般为如下形式： $D N \times r a t e + b i a s$ $DN\times rate+bias$
3. PCA分析，对pre-event和post-event的红波段以及近红外波段影像进行PCA分析，对得到的PC-1和PC-2对比，PC-2与滑坡是否出现相关，因此选择PC-2为特征。
4. ICA分析，同理，对pre-event和post-event的红波段和近红外波段进行ICA分析，最后选择IC-4作为特征。
模型训练和验证
1. 训练区域中随机选择发生滑坡的250000个像素点和非滑坡的25000个像素点，分别对每个像素的四个特征（δNDVI, θ, PC-2, IC-4）进行标记，再分别利用线性回归分类法、线性判别分类法，二次判别分类法进行训练，多次重复该过程直到每个分类器都得到相似的分类结果。
2. 将三个分类器应用于验证区域进行滑坡检测，得到最终的分类结果。其中LDA和LR效果表现最好，TP+TN>83%,结果表示三种分类器的正确率都差不多（LDA= 86.3%，QDA= 85.3%，LR=83.1%），作者采用了其他文章中的方法，将三种方法综合起来，引用一个基于回归的方法来获取最佳的分类模型，combined model，即CM模型，分别将三个模型的分类结果进行标记，最后训练得到一个回归模型，得到的CM模型得到了最佳的结果。A_ROC = 0.877。
结果

图3. 分类器分类结果图示，从左至右分别为(i)分类结果图.(ii)各种分类所占比例.(iii)ROC曲线,从图中ROC的值看出CM模型效果最佳

7.讨论

该方法基于像素分类，影像预处理的结果直接关系到最终分类器的分类结果，因此，在进行预处理时需要额外注意，尽最大可能减少预处理中带来的的噪声。
文章中只选择了4个滑坡检测的特征，显得有些过少，不过如此之少的特征能达到这样的正确率，若再找其他特征提高正确率也可能比较困难，即使提高了一些也不足以发篇高质量论文，因此作者也就懒得去找其他特征（我猜）。
可以考虑基于面向对象的方法来提取其他特征，例如灰度共生矩阵等，说不定可以降低一些错误，提高分类正确率。但是要用面向对象的方法，就得额外考虑对象的划分尺度问题。
文章中的滑坡检测方法，并不能识别出滑坡体中的具体部分，例如滑坡源、转移区和累积区，这也是本文方法的局限之处。
滑坡编目的是为了以后进行滑坡危险性和敏感性评价，而仅仅对一片区域在一段时间内发生的滑坡进行编目对于危险性和敏感性评价是远远不够的，还需要在时间和空间上扩大范围，分别从时间和空间上分析滑坡发生的情况，才能对防灾减灾有更大的贡献。

这篇关于Semi-automatic recognition and mapping of rainfall induced shallow landslides的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！