出版日期: 2017-07-25
点击次数：
下载次数：
DOI: 10.11834/jrs.20176176
2017 | Volumn21 | Number 4
上一篇 | 下一篇

地震滑坡高分辨率遥感影像识别

彭令¹ , 徐素宁¹ , 梅军军¹ , 苏凤环²

1. 中国地质环境监测院，北京 100081

2. 中国科学院成都山地灾害与环境研究所，成都 610041

收稿日期: 2016-05-30

基金项目: 国家自然科学基金青年基金(编号：41602362)；高分辨率对地观测系统重大专项(编号：11-Y20A40-9002-15/17)；卫星及应用产业发展专项(编号：发改办高技[2012]2083号)；贵州省科技支撑计划项目(编号：黔科合[2016]2844号)

第一作者简介: 彭令(1984—　)，男，博士研究生，研究方向为地质灾害与遥感应用。E-mail：penglmail@126.com

中图分类号: TP79/P642.22

文献标识码: A

摘要

区域性地震滑坡信息获取目前主要通过遥感目视解译和计算机提取，存在主观性强、耗时费力、提取精度低等问题，导致难以满足灾后应急调查、灾情评估等方面的应用需求。采用资源三号、高分一号高分辨率遥感影像，以汶川震区为实验区，在地震滑坡灾害特征分析的基础上，通过多尺度最优分割方法构建多层次滑坡对象，融合光谱、纹理、几何等影像特征和地形特征信息建立多维滑坡识别规则集合，基于高分辨率影像认知模式与场景理解过程提出滑坡分层识别模型，从而实现地震滑坡空间分布及其滑源区、滑移区和堆积区的准确识别。实验区分析结果显示最低识别精度为81.89%，而滑坡的堆积区最容易被分辨，识别方法具有可推广性。研究成果可为灾后应急调查提供技术支撑，并促进国产高分辨率遥感卫星的地质灾害应用。

关键词

地震滑坡, 滑坡识别, 高分辨率遥感, 国产卫星, 汶川地震

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

PENG Ling¹ , XU Suning¹ , MEI Junjun¹ , SU Fenghuan²

1.China Institute of Geo-Environment Monitoring, Beijing 100081, China

2.Institute of Mountain Hazards and Environment, Chinese Academy of Sciences, Chengdu 610041, China

Abstract

Earthquake-induced landslides are the most common geological disasters caused by large seismic activities in mountainous areas, and they are known for their suddenness, destructiveness, and extensive distribution range. These landslides often result in severe casualties and economic losses. Currently, regional earthquake-induced landslides are mainly obtained by visual interpretation and computer data extraction from remote sensing images. These methods are objective, time-consuming, and low in precision. Thus, they cannot address the requirement of practically conducting emergency surveys and disaster evaluations after earthquakes. In this study, with the main data source of high-resolution remote sensing images from ZY-3 and GF-1, as well as the study area of the Wenchuan earthquake region, objects of multilevel landslides were established using the multi-scale optimum partition method based on an in-depth analysis of seismic landslide features. A recognition rule set of multi-dimensional landslides was also built by combining topographic and image features, such as spectrum, texture, and geometry. Additionally, recognition models for landslide stratification were proposed based on the recognition models of high-resolution images and an understanding of the scenes. Through all of the preceding efforts mentioned, the spatial distribution of the seismic landslide, as well as the sliding source, transport, and depositional areas, can be identified. The analysis results of the experimental area showed a minimum recognition accuracy of 81.89%, with the depositional zone of landslides being the easiest zone to recognize, and the established method can be generalized. These findings may provide technical support for post-earthquake emergency investigations and further promote the application of high-resolution remote sensing data from Chinese satellites for landslides recognition.

Key words

earthquake-induced landslides, landslide recognition, high-resolution remote sensing, Chinese satellite, Wenchuan earthquake

1 引　言

中国西部山区地形地貌复杂、地质构造活跃，常受大地震活动影响，引发群发性大规模的地震滑坡灾害，譬如2008年汶川地震、2013年芦山地震、2014年鲁甸地震等触发了大量的滑坡灾害，并造成严重人员伤亡和巨大经济财产损失(黄润秋，2009)。这类滑坡事件普遍具有发生突然、破坏性强、分布范围广等特点，对灾后应急调查、灾害评估提出了巨大挑战。

目前，地震滑坡灾后应急调查主要以人工野外调查和遥感目视解译为主(Sato和Harp，2009；许冲等，2009；高攀和罗真富，2011；鲁学军等，2014)，然而这类常规方法不仅常常因灾后交通道路中断和高山险阻等因素受到限制，而且在面对分布范围广、数量众多的地震滑坡时耗时费力，无法在短时间内做出快速有效的灾害统计和灾情评判，无疑会影响灾害应急调查工作。在此背景下，诸多研究者在地震滑坡计算机提取方面开展了广泛研究(Rosin和Hervás，2005；Borghuis 等，2007；苏凤环等，2008；Yang和Chen，2010；Zhang 等，2010；Mondini 等，2011；杨文涛等，2012；Cheng 等，2013；许冲，2013；李松等，2015；Li 等，2016)。此类研究起初主要面向中低分辨率影像，所建立方法均采用像元分析模式，因而其提取结果精度通常有限，难以达到精细识别尺度，进而影响滑坡灾害的评价分析工作。近年来，随着高分辨率遥感影像的广泛应用，特别是国产高分辨率卫星影像的出现，基于像元的影像分析模式逐渐突显出局限性：由于无法充分利用高分辨率影像丰富的几何、结构、纹理等特征信息而导致数据分辨率升高而提取精度却降低，以及计算结果同质性减小而椒盐效应明显。

为克服上述问题，面向对象的高分辨率影像分析方法应运而生。目前，这类方法已在滑坡计算机提取方面开展了大量探索。Lu等人(2011)、Stumpf和Kerle(2011)、丁辉等人(2013)、张毅等人(2014)、Blaschke等人(2014)、Kurtz等人(2014)、Rau等人(2014)、Dou等人(2015)、Hölbling(2015)、Martha等人(2010, 2012, 2016)采用面向对象的分析模式，基于高分辨率遥感影像提出了多特征组合的滑坡识别方法。此类研究均取得了一定成效，极大地推进了滑坡计算机识别技术的发展。然而，当前这类方法主要是融合影像的光谱、纹理、几何等特征信息，但是并未把滑坡灾害看作特定地质环境下的复杂对象，缺乏将目视解译的影像认知过程与理解模式迁移至计算机识别等方面的研究，因而其识别精度和可用性仍然有限，仍难以满足实际应用需求。

为此，本文在深入分析地震滑坡特征的基础上，以国产遥感卫星高分辨率影像为数据源，研究滑坡对象的多尺度最优分割方法，构建融合光谱、纹理、几何等影像特征和地形特征的多维滑坡识别规则集合，建立面向高分辨率影像认知模式与场景理解过程的滑坡分层识别模型，从而实现地震滑坡空间分布及其组成要素的准确识别，为灾后应急调查提供技术支撑。

2 实验区及数据源介绍

本文以受5·12汶川地震影响严重的汶川县境内为实验区(图1)，采用资源三号(ZY-3，时相：2013-08-05)、高分一号(GF-1，时相：2013-08-15)高分辨率遥感卫星影像为数据源，其中ZY-3影像具有蓝、绿、红、近红外多光谱、前后视和正视全色波段，其空间分辨率分别为6 m、3.5 m和2.1 m；而GF-1影像则具有2 m、8 m空间分辨率的全色和多光谱波段。将实验区分为I和II，在实验区I内以ZY-3影像为数据源建立滑坡识别方法；实验区II则用着检验所建方法的可推广性，采用GF-1影像为滑坡识别的数据源。

图 1 实验区地理位置图

Fig. 1 The study area geographic location

3 地震滑坡特征分析

地震滑坡通常具有分布范围广、破坏性强、规模大等特点，表现在高分辨率遥感影像上即地表覆盖破坏强烈、影像特征鲜明、几何形态显著等。特别是滑坡体表层的植被遭受严重破坏，致使岩土体充分裸露，因而滑坡在影像上整体呈现出色调浅、纹理清晰等显著特征(图2)。

图 2 汶川地震滑坡分布区SPOT 5遥感影像对比

Fig. 2 SPOT 5 images comparison in Wenchuan earthquake area with landslides distribution

针对典型滑坡体而言，地震滑坡的变形破坏模式及内在力学机制与常规重力作用下滑坡机制具有显著不同。相对于一般重力条件下以“弧形”为主要特征的滑动面，由于强震作用下地震波在坡体内部产生的张拉作用，地震滑坡更表现为以陡峻“后缘拉裂面”为主的滑面构成特征。此外由于滑面的陡峻，加之地震的动力作用，震裂的坡体在滑床上很难稳定，造成“倾泻”而下产生溃滑。在前缘没有阻挡的情况下，会产生高速远程的滑动。因而，地震滑坡通常表现为高陡、粗糙的后缘拉裂面和平缓的底部剪断面；而滑体物质表现为“一跨到底”的溃散型滑动和堆积特征(黄润秋，2009)。

此外，在震后降雨条件下，地震触发的滑坡灾害逐渐转化为崩滑—碎屑流形式，进而形成滑源区(滑塌区)、滑移区(流动区)和堆积区。在地形条件及遥感影像上分别呈现出不同的特征信息，滑源区主要表现为地形坡度大，多呈凹地形，而且纹理粗糙；滑移区坡度相对较大，以提供滑源物质运移的地形条件，斜坡形态大体呈直面型，纹理相对光滑；而堆积区坡度较平缓，形态大体上呈凸地形，而纹理较为细腻(图3、4)。

图 3 典型地震滑坡影像特征示意图(IKONOS, 2008-05-23)

Fig. 3 Schematic of image features for typical earthquake-induced landslide (image: IKONOS; date: 2008-05-23)

图 4 溃散型滑坡特征示意图(据黄润秋(2009)修改)

Fig. 4 Schematic of topographic features for shattering-sliding landslide (revised)

4 地震滑坡遥感识别方法

基于上述地震滑坡特征分析，本文提出以高分辨率遥感影像为数据源，首先对数据源进行大气校正、几何校正、图像融合等数据预处理，在此基础上提取滑坡识别的影像及地形特征信息。接着，利用多尺度最优分割方法对高分辨率影像进行多层次滑坡对象构建；结合地震滑坡发育特征选取滑坡对象的光谱、纹理、几何等影像特征和地形特征信息，从而建立滑坡识别的特征规则集合。最后，采用分层识别模型，实现从潜在滑坡发育区到滑坡分布的准确提取，以及滑坡组成要素的精细识别。通过与目视解译及野外调查验证结果进行对比分析，检验地震滑坡遥感识别的整体精度，总体技术流程如图5所示。

图 5 地震滑坡遥感识别技术流程

Fig. 5 Methodology flowchart for recognition of earthquake-induced landslides

4.1 数据预处理

预处理主要针对遥感影像数据，其目的是最大程度地消除影像背景误差和噪声影响，提高目标特征信息的准确性和精确度，最终达到改善影像数据质量。主要包括遥感影像的辐射校正、正射校正、几何校正和图像融合。

4.2 特征信息提取

滑坡识别的特征信息主要包括影像特征和地形特征。随着遥感影像空间分辨率的增高，影像特征发生了显著变化：纹理更丰富，形状更明显，方位更精确等，因而在高分辨率影像上可提取出丰富的光谱、纹理、几何等滑坡特征信息。譬如通过辐射校正后影像计算归一化植被指数NDVI (Normalized Difference Vegetation Index)和归一化水体指数NDWI等光谱派生特征，利用融合后影像计算灰度共生矩阵GLCM (Grey Level Co-occurrence Matrix)等空间纹理特征。地形特征主要是描述滑坡的微地貌，通过数字高程模型及其派生类因子(如高差、坡度、曲率等)可提取滑坡地形特征信息。本文采用ZY-3前后视影像，通过立体像对测量技术生成大范围、高时效性的DEM数据，其空间分辨率为10 m。在此基础上，利用GIS空间分析功能生成坡度、曲率、粗糙度、流域方向等地形特征。

4.3 滑坡对象构建

滑坡对象构建是指针对滑坡遥感识别，将影像分割为内部特征相对均一、相互之间又有所差异的若干互不相交的对象。对于地震滑坡而言，它在高分辨率影像中呈现出空间分布多样、结构形态复杂、面积规模差异大等特点，采用单一分割尺度难以进行滑坡背景、目标及结构的准确分割，基于单一影像特征不足以描述复杂环境下滑坡对象特性，由此提出综合应用光谱、纹理、几何等影像特征和地形特征信息，采用面向对象的多尺度多层次分割方法，实现面向滑坡背景、滑坡及其结构的最优尺度构建，即选取3层分割尺度刻画滑坡的潜在区域、滑坡本身及其组成要素。此外，3层分割尺度的层次越高，分割对象就越细致，而且高层次对象与低层次对象之间保持着拓扑关系。本文采用ESP2工具实现多层次最优分割(Drăguţ 等，2014)，该工具可同时进行多层分割，并且对各层次分别进行尺度寻优，同时具备融合最大30个分割特征图层的能力。对实验区I中ZY-3影像的3层最优分割尺度分别为554、254和144。

4.4 识别规则建立

由于地震滑坡具有形态多样、结构复杂、面积规模差异大等特点，利用特征规则直接识别通常存在难度。因此，本文提出模拟影像认知与场景理解的滑坡分层识别模型，首先在第1层滑坡潜在区域描述尺度上，选取影像光谱为主要特征，应用模糊分类方法建立植被与非植被识别规则；然后在第2层滑坡对象描述尺度上，通过特征规则组合建立水体、建筑物、道路等非滑坡典型地物的识别规则，以此在非植被区剔除上述目标而识别出滑坡对象；最后在第3层滑坡组成要素尺度上，利用地形和纹理特征建立滑坡要素识别规则，从而实现地震滑坡空间分布及其组成要素的准确识别。

通过分析实验区ZY-3卫星影像特征，并结合实际地物目标属性，选择光谱、纹理、几何、地形等特征类型，利用模糊推理规则和隶属度函数组合特征集，其中各隶属度函数定义如表1，以此建立地震滑坡识别的特征规则集合(图6)。譬如在区分植被与非植被区时，以NDVI为特征变量，采用模糊分类中的大于隶属度函数，通过交互式分析设置隶属度函数的参数α为0.4，β为0.5，表示NDVI值大于0.5的对象属于植被的隶属度为1.0，即为植被区；NDVI值小于0.4的对象属于植被的隶属度为0，即为非植被区；而NDVI值介于0.4到0.5的对象，则属于植被的隶属度介于0—1.0之间。

表 1 隶属度函数说明
Table 1 Description of membership function

下载CSV

类型	图形	关系式	说明
大于隶属函数		$\mu (x) = \left\{ {\begin{array}{{20}{c}}{\begin{array}{{20}{c}}\!\!\!\!\!\!\! 0&{x \leqslant \alpha }\end{array}}\\{\begin{array}{{20}{c}}\!\!\!\!\!\!\! {\displaystyle\frac{{x - \alpha }}{{\beta - \alpha }}}&{\alpha < x < \beta }\end{array}}\\{\begin{array}{{20}{c}}\!\!\!\!\!\!\! 1&{x \geqslant \beta }\end{array}}\end{array}} \right.$	α、β、γ、λ为特征参数，通常γ和λ等于(α＋β)/2
小于隶属函数		$\mu (x) = \left\{ {\begin{array}{{20}{c}}{\begin{array}{{20}{c}}\!\!\!\!\!\!\! 1&{x \leqslant \alpha }\end{array}}\\{\begin{array}{{20}{c}}\!\!\!\!\!\!\! {\displaystyle\frac{{\beta - x}}{{\beta - \alpha }}}&{\alpha < x < \beta }\end{array}}\\{\begin{array}{{20}{c}}\!\!\!\!\!\!\! 0&{x \geqslant \beta }\end{array}}\end{array}} \right.$
近似范围隶属函数		$\mu (x) = \left\{ {\begin{array}{{20}{c}}{\begin{array}{{20}{c}}\!\!\!\!\!\!\! 0&{x \leqslant \alpha }\end{array}}\\{\begin{array}{{20}{c}}\!\!\!\!\!\!\! {\displaystyle\frac{{x - \alpha }}{{\gamma - \alpha }}}&{\alpha < x < \gamma }\end{array}}\\{\begin{array}{{20}{c}}\!\!\!\!\!\!\! 1&{\gamma \leqslant x \leqslant \lambda }\end{array}}\\{\begin{array}{{20}{c}}\!\!\!\!\!\!\! {\displaystyle\frac{{\beta - x}}{{\beta - \lambda }}}&{\lambda < x < \beta }\end{array}}\\{\begin{array}{{20}{c}}\!\!\!\!\!\!\! 0&{x \geqslant \beta }\end{array}}\end{array}} \right.$

图 6 实验区I滑坡识别规则集合

Fig. 6 Rule-sets of landslide recognition at study area I

5 地震滑坡遥感识别结果

5.1 识别结果与分析

通过上述方法，实验区I滑坡识别结果如图7所示。共提取滑坡面积为2.108 km²，其中最小识别滑坡面积为194 m²，滑坡主要分布于岷江沿岸，整体分布较为密集。对识别出的滑坡要素进行统计分析，发现滑源区、滑移区和堆积区面积分别占总滑坡面积的66%、22%和12%。可见该区内滑源区、滑移区和堆积区的面积比例近似为5∶2∶1，即该区滑坡呈现出以滑源区、滑移区和堆积区一定比例分布的崩滑流模式。

图 7 实验区I滑坡识别结果(底图影像：ZY-3；获取日期：2013-08-05)

Fig. 7 Results of landslide recognition at study area I(Images: ZY-3; Acquired date: 2013-08-05)

为检验滑坡识别精度，在遥感识别结果的基础上，采用3维交互式解译方法对识别结果进行修正，并对不确定性解译结果及典型滑坡开展野外调查验证(图8)。以此结果为参照，对比分析遥感识别结果，发现存在4种情况：(1)正确识别TP(True Positive)，如遥感识别为堆积区，解译验证结果同样是堆积区；(2)错误识别TN(True Negative)，如遥感识别为堆积区，而解译验证结果却为滑源区；(3)遗漏识别FN(False Negative)，如解译验证结果为滑移区，而遥感识别却为非滑坡区；(4)多余识别FP(False Positive)，如解译验证为非滑坡区，而遥感识别结果却为堆积区。

图 8 滑坡3维解译结果及野外调查验证照片

Fig. 8 Results of landslides by three dimensional interpretation and photographs of field survey to verification

以识别结果中出现的TP、TN、FN、FP所占面积百分比为精度评价指标，获得实验区I滑坡组成要素的识别精度如表2所示。可见滑源区的正确识别率最高，滑移区次之，堆积区最低，而堆积区的错误和遗漏识别率最低仅为5.57%。进一步分析滑坡各要素相互之间的识别精度(图9)，发现滑源区容易被误识别为滑移区，其错误率为2.73%；而滑源区被识别为堆积区的概率最小，仅为0.04%，即滑源区与堆积区在影像上最容易分辨。

表 2 实验区I滑坡要素遥感识别精度
Table 2 Recognition accuracy of landslide sub-parts at study area I

下载CSV

/%
类别	精度
类别	TP	TN	FN	FP
滑源区	88.00	3.73	4.00	4.27
滑移区	87.23	5.08	2.25	5.44
堆积区	85.39	4.75	0.82	9.04

图 9 实验区I滑坡各要素相互之间的识别精度(s：滑源区；r：滑移区；t：堆积区)

Fig. 9 Recognition accuracy of landslide sub-parts between each other at study area I (s: source area; r: transport area; t: depositional area)

5.2 可转移性分析

为了检验上述识别方法的可推广性，以GF-1影像为数据源，在实验区II开展滑坡识别，其整体处理流程与上述过程类似，其中GF-1影像的3层最优分割尺度分别为536、336和196。由于受成像条件和时相影响，以及实验区域的不同，在该影像上增多了云层、阴影和裸地，因而需要增加相应特征规则用于识别这些目标。此外，由于影像数据及实验区域的变化，特征规则集合中的部分隶属度函数参数则需要根据实际情况进行适当调整，以此实现针对不同数据源和不同区域的准确识别。利用GF-1影像和上述识别方法，获得实验区II滑坡识别结果如图10所示，共提取滑坡面积为10.12 km²，其中最小识别滑坡面积为236 m²。滑源区、滑移区和堆积区分别占总滑坡区面积的74%、16%和10%。

同样，以目视解译与野外调查验证结果为参照，利用上述评价指标分析该区识别精度。发现滑移区的正确识别率最高为84.84%，滑源区次之为83.65%，堆积区最低为81.89%，而滑源区的错误和遗漏识别率最低，仅为7.26%。同样，该区滑源区容易被误识别为滑移区，其识别错误率为4.39%；而滑源区、滑移区被误识别为堆积区的概率最小，仅为0.01%，即堆积区最容易被分辨。综合表明，针对不同实验区域和采用不同影像数据，基于高分辨率影像的地震滑坡识别方法均具有较高的识别精度，说明该方法的可转移性好。

图 10 实验区II滑坡识别结果(底图影像：GF-1；获取日期：2013-08-15)

Fig. 10 Results of landslide recognition at study area II (Images: GF-1; Acquired date: 2013-08-15)

6 结　论

(1) 本文提出面向高分辨率遥感影像的滑坡对象多层次构建方法，建立融合光谱、纹理、几何等影像特征和地形特征的多维多尺度滑坡识别规则集合。应用模糊知识推理系统，结合高分辨率影像认知模式与场景理解过程，建立了地震滑坡分层识别模型，从而实现地震滑坡空间分布及其组成要素的准确识别。

(2) 利用ZY-3、GF-1卫星遥感数据，对汶川县境内实验区开展地震滑坡识别，发现识别精度均在81%以上，而且堆积区最容易被分辨。实验区内滑坡主要沿河流两岸密集分布，并且呈现出一定的崩滑流模式。研究表明所建立识别方法具有可推广性，可为地震滑坡应急调查提供技术支撑，并能促进国产高分辨率卫星在地质灾害领域中的应用。

(3) 本文所建立的地震滑坡遥感识别方法仍为半自动处理模式，尚未实现计算机自动化处理，在面对海量高分辨率影像的滑坡对象快速自动构建等方面还有待进一步研究，从而更好地应用于地震滑坡灾害应急调查。

参考文献(References)

Blaschke T, Feizizadeh B and Holbling D. 2014. Object-based image analysis and digital terrain analysis for locating landslides in the Urmia Lake basin, Iran. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7 (12): 4806–4817. [DOI: 10.1109/JSTARS.2014.2350036]

Borghuis A M, Chang K and Lee H Y. 2007. Comparison between automated and manual mapping of typhoon-triggered landslides from SPOT-5 imagery. International Journal of Remote Sensing, 28 (8): 1843–1856. [DOI: 10.1080/01431160600935638]

Cheng G, Guo L, Zhao T Y, Han J W, Li H H and Fang J. 2013. Automatic landslide detection from remote-sensing imagery using a scene classification method based on BoVW and pLSA. International Journal of Remote Sensing, 34 (1): 45–59. [DOI: 10.1080/01431161.2012.705443]

Ding H, Zhang M S and Li L. 2013. Regional landslide identification base on Multi-feature Object-oriented image classification. Remote Sensing Technology and Application, 28 (6): 1107–1113. ( 丁辉, 张茂省, 李林. 2013. 基于多特征面向对象区域滑坡现象识别. 遥感技术与应用, 28 (6): 1107–1113. )

Dou J, Chang K-T, Chen S S, Yunus A P, Liu J-K, Xia H and Zhu Z F. 2015. Automatic case-based reasoning approach for landslide detection: Integration of object-oriented image analysis and a genetic algorithm. Remote Sensing, 7 (4): 4318–4342. [DOI: 10.3390/rs70404318]

Drăguţ L, Csillik O, Eisank C and Tiede D. 2014. Automated parameterisation for multi-scale image segmentation on multiple layers. ISPRS Journal of Photogrammetry and Remote Sensing, 88 : 119–127. [DOI: 10.1016/j.isprsjprs.2013.11.018]

Gao P and Luo Z F. 2011. Remote sensing image interpretation and 3D visualization of landslides in suffer area of earthquake. Acta Geologica Sichuan, 31 (4): 457–459. [DOI: 10.3969/j.issn.1006-0995.2011.04.020] ( 高攀, 罗真富. 2011. 地震灾区滑坡遥感解释及三维可视化研究——以安县桑枣镇研究区为例. 四川地质学报, 31 (4): 457–459. [DOI: 10.3969/j.issn.1006-0995.2011.04.020] )

Hölbling D, Friedl B and Eisank C. 2015. An object-based approach for semi-automated landslide change detection and attribution of changes to landslide classes in northern Taiwan. Earth Science Informatics, 8 (2): 327–335. [DOI: 10.1007/s12145-015-0217-3]

Huang R. 2009. Mechanism and geomechanicalmodes of landslide hazards triggered by Wenchuan 8.0 earthquake. Chinese Journal of Rock Mechanics and Engineering, 28 (6): 1239–1249. ( 黄润秋. 2009. 汶川8.0级地震触发崩滑灾害机制及其地质力学模式. 岩石力学与工程学报, 28 (6): 1239–1249. )

Kurtz C, Stumpf A, Malet J-P, Gançarski P, Puissant A and Passat N. 2014. Hierarchical extraction of landslides from multiresolution remotely sensed optical images. ISPRS Journal of Photogrammetry and Remote Sensing, 87 : 122–136. [DOI: 10.1016/j.isprsjprs.2013.11.003]

Li S, Deng B K, Xu H Q and Wang Z F. 2015. Fast interpretation methods of landslides triggered by earthquake using remote sensing imagery. Remote Sensing Information, 30 (4): 25–28. [DOI: 10.3969/j.issn.1000-3177.2015.04.005] ( 李松, 邓宝昆, 徐红勤, 王治福. 2015. 地震型滑坡灾害遥感快速识别方法研究. 遥感信息, 30 (4): 25–28. [DOI: 10.3969/j.issn.1000-3177.2015.04.005] )

Li Z B, Shi W Z, Myint S W, Lu P and Wang Q M. 2016. Semi-automated landslide inventory mapping from bitemporal aerial photographs using change detection and level set method. Remote Sensing of Environment, 175 : 215–230. [DOI: 10.1016/j.rse.2016.01.003]

Lu P, Stumpf A, Kerle N and Casagli N. 2011. Object-oriented change detection for landslide rapid mapping. IEEE Geoscience and Remote Sensing Letters, 8 (4): 701–705. [DOI: 10.1109/LGRS.2010.2101045]

Lu X J, Shi Z C, Shang W T and Zhou H Y. 2014. The method and application of multi-dimension interpretation for landslides using high resolution remote sensing image. Journal of Image and Graphics, 19 (1): 141–149. [DOI: 10.11834/jig.20140118] ( 鲁学军, 史振春, 尚伟涛, 周和颐. 2014. 滑坡高分辨率遥感多维解译方法及其应用. 中国图象图形学报, 19 (1): 141–149. [DOI: 10.11834/jig.20140118] )

Martha T R, Kamala P, Jose J, Kumar K V and Sankar G J. 2016. Identification of new landslides from high resolution satellite data covering a large area usingobject-based change detection methods. Journal of the Indian Society of Remote Sensing, 1–10 [DOI: 10.1007/s12524-015-0532-7] 10.1007/s12524-015-0532-7

Martha T R, Kerle N, Jetten V, van Westen C J and Kumar K V. 2010. Characterising spectral, spatial and morphometric properties of landslides for semi-automatic detection using object-oriented methods. Geomorphology, 116 (1-2): 24–36. [DOI: 10.1016/j.geomorph.2009.10.004]

Martha T R, Kerle N, Van Westen C J, Jetten V and Kumar K V. 2012. Object-oriented analysis of multi-temporal panchromatic images for creation of historical landslide inventories. ISPRS Journal of Photogrammetry and Remote Sensing, 67 : 105–119. [DOI: 10.1016/j.isprsjprs.2011.11.004]

Mondini A C, Guzzetti F, Reichenbach P, Rossi M, Cardinali M and Ardizzone F. 2011. Semi-automatic recognition and mapping of rainfall induced shallow landslides using optical satellite images. Remote Sensing of Environment, 115 (7): 1743–1757. [DOI: 10.1016/j.rse.2011.03.006]

Rau J Y, Jhan J P and Rau R J. 2014. Semiautomatic object-oriented landslide recognition scheme from multisensor optical imagery and DEM. IEEE Transactions on Geoscience and Remote Sensing, 52 (2): 1336–1349. [DOI: 10.1109/TGRS.2013.2250293]

Rosin P L and Hervás J. 2005. Remote sensing image thresholding methods for determining landslide activity. International Journal of Remote Sensing, 26 (6): 1075–1092. [DOI: 10.1080/01431160512331330481]

Sato H and Harp E. 2009. Interpretation of earthquake-induced landslides triggered by the 12 May 2008, Ms7.9 Wenchuan earthquake in the Beichuan area, Sichuan Province, China using satellite imagery and Google Earth. Landslides, 6 (2): 153–159. [DOI: 10.1007/s10346-009-0147-6]

Stumpf A and Kerle N. 2011. Object-oriented mapping of landslides using Random Forests. Remote Sensing of Environment, 115 (10): 2564–2577. [DOI: 10.1016/j.rse.2011.05.013]

Su F H, Liu H J and Han Y S. 2008. The extraction of mountain hazard induced by wenchuan earthquake and analysis of its distributing characterisitic. Journal of Remote Sensing, 12 (6): 956–963. [DOI: 10.11834/jrs.200806128] ( 苏凤环, 刘洪江, 韩用顺. 2008. 汶川地震山地灾害遥感快速提取及其分布特点分析. 遥感学报, 12 (6): 956–963. [DOI: 10.11834/jrs.200806128] )

Xu C, Dai F C, Chen J, Tu X B, X L, Li W C, Tian W, Cao Y B and Yao X. 2009. Identification and analysis of secondary geological hazards triggered by a magnitude 8.0 Wenchuan Earthquake. Journal of Remote Sensing, 13 (4): 754–762. [DOI: 10.11834/jrs.20090416] ( 许冲, 戴福初, 陈剑, 涂新斌, 许领, 李维朝, 田伟, 曹琰波, 姚鑫. 2009. 汶川Ms8.0地震重灾区次生地质灾害遥感精细解译. 遥感学报, 13 (4): 754–762. [DOI: 10.11834/jrs.20090416] )

Xu C. 2013. Automatic extraction of earthquake-triggered landslides based on maximum likelihood method and its validation. The Chinese Journal of Geological Hazard and Control, 24 (3): 19–25. ( 许冲. 2013. 基于最大似然法的地震滑坡信息自动提取及其可靠性检验. 中国地质灾害与防治学报, 24 (3): 19–25. )

Yang W T, Wang M and Shi P J. 2012. Identification of landslides in Wenchuan earthquake affected region using NDVI time series. Remote Sensing Information, 27 (6): 45–48. [DOI: 10.3969/j.issn.1000-3177.2012.06.008] ( 杨文涛, 汪明, 史培军. 2012. 利用NDVI时间序列识别汶川地震滑坡的分布. 遥感信息, 27 (6): 45–48. [DOI: 10.3969/j.issn.1000-3177.2012.06.008] )

Yang X J and Chen L D. 2010. Using multi-temporal remote sensor imagery to detect earthquake-triggered landslides. International Journal of Applied Earth Observation and Geoinformation, 12 (6): 487–495. [DOI: 10.1016/j.jag.2010.05.006]

Zhang W J, Lin J Y, Peng J and Lu Q F. 2010. Estimating Wenchuan Earthquake induced landslides based on remote sensing. International Journal of Remote Sensing, 31 (13): 3495–3508. [DOI: 10.1080/01431161003727630]

Zhang Y, Tan L, Chen G, Guo P, Qiao L and Meng X M. 2014. Landslide information extracted from high resolution remote sensing based on the object oriented classification method. Journal of Lanzhou University (Natural Sciences), 50 (5): 745–750. [DOI: 10.13885/j.issn.0455-2059.2014.05.028] ( 张毅, 谭龙, 陈冠, 郭鹏, 乔良, 孟兴民. 2014. 基于面向对象分类法的高分辨率遥感滑坡信息提取. 兰州大学学报(自然科学版), 50 (5): 745–750. [DOI: 10.13885/j.issn.0455-2059.2014.05.028] )

摘要

关键词