黄土高原缺乏植被保护，土质较为疏松，在地震或夏季暴雨条件下极易形成滑坡，1983年甘肃省东乡族自治县洒勒山黄土滑坡造成242人伤亡^[1]，据不完全统计，因黄土高原滑坡伤亡的人数约1万人^[2]。黄土高原滑坡由于其分布广，致灾面积大的特点，相应的滑坡识别难度较大，对灾后评估、救援和重建提出了严峻考验。

早期滑坡识别主要通过人工野外勘察、统计和简绘相应的图纸，但其效率较低^[3]，人工目视解译虽然精度高，但工作量大，处理速度非常慢，适用性不高^[4]，为了解决人工目视解译效率低和解译工作者主观性影响的问题，一些研究者开始尝试计算机半自动或自动识别如变化检测方法、面向对象提取方法等被广泛应用在滑坡信息的提取识别中^[5-8]。鲁学军等^[9]通过1维、2维和3维3种滑坡解译方法对贵州“6·28”滑坡进行分析发现以人机交互式方式使滑坡解译由定性观测向定量计算延伸。马瑛等^[10]应用SPOT-5融合影像图，结合Quick Bird等高分辨率图像对黄土高原西气东输沿线滑坡进行人机交互式解译，但图像分辨率严重影响解译效果。许冲^[11]利用最大似然法结合SPOT-5影像提取滑坡信息，最高正确率仅35.52%。袁咏仪等^[12]依托汶川地震区域数据源，建立面向高分辨率影像的快速分割方法，实现对一些具有特征参数的灾害快速识别。杜一民等^[13]利用高程信息和彩色遥感相结合对目标对象进行解译，其精度达到79.1%。陈文龙等^[14]将尼泊尔地震滑坡前后Landsat-8影像进行主成分变换，提取第1主成分影像作变化检测，利用第3主成分去除非滑坡地物，结果滑坡识别质量为75.5%。李松等^[15]提出了以不同时段遥感影像为数据源, 结合纹理分析的变化检测来自动识别北川地区滑坡，结果表明纹理分析的变化检测相对于影像光谱特征检测更加具有适用性。叶润青等^[16]以三峡库区归州老城滑坡为例，用ENVI对遥感影像分类，基于图像分类提出一种可以去除无用信息的滑坡解译方法。一些学者也尝试用区域生长算法来计算滑坡面积，但是都是通过人机交互式选取种子点，没有实现全自动化识别^[17-19]。

目前滑坡识别主要通过识别图斑特征、纹理和几何形状等特征，缺乏将不同地域的典型滑坡进行分类识别，且识别自动化程度较低，精度较低。笔者在深入分析巴谢河流域典型滑坡特征的基础上，以提取黄土高原巴谢河流域已解译的边界特征较为明显、灰度特征相似且形成时间都较新的典型滑坡体灰度值范围为基础，实现对未解译图像进行区域生长自动识别滑坡，结合形态学开、闭运算和分水岭算法提取滑坡后缘边界，最终实现黄土高原巴谢河流域典型滑坡识别和滑坡后缘边界提取。

笔者选取甘肃省陇西地区巴谢河流域作为研究区域(图 1)。该地区滑坡分布众多^[20-22]，是陇西地区滑坡密集发育的典型区，根据实地考察在432 km²范围内有249处典型滑坡^[23-25]，对当地的人民群众生命财产安全构成严重的威胁。

图 1(Fig. 1)

图 1 研究区巴谢河流域滑坡分布图 Fig. 1 Landslides distribution map of Baxie River Basin in the study area

研究区影像图来源于Google Earth软件所提取图片，影像信息如表 1所示。

表 1(Tab. 1)

表 1 影像数据信息 Tab. 1 Image data information 名称 Name 日期 Date 中心经度 Longitude 中心纬度 Latitude 云量 Cloud/% a 2019-08-05 103°41′21″ 35°33′10″ 5.6 b 2019-08-05 103°41′02″ 35°33′20″ 5.1 c 2019-08-05 103°42′06″ 35°34′06″ 6.3

表 1 影像数据信息 Tab. 1 Image data information

预处理主要针对巴谢河流域影像图数据，为了减少云对滑坡识别的影响，选取云量较少时段的影像，其目的是最大程度地展现原始地形图的灰度值。为了减少噪声对巴谢河流域影像图的影响，笔者选取高斯滤波器对图像进行滤波，最终达到改善巴谢河流域影像数据质量。

本研究自动识别黄土高原巴谢河流域典型滑坡和估算其致灾面积的计算流程如图 2所示。

图 2(Fig. 2)

图 2 滑坡自动识别技术流程图 Fig. 2 Flowchart of automatic landslide identification

种子点为区域生长的起始点，在区域生长滑坡识别过程中，滑坡种子点的确定是至关重要的，因为滑坡种子点影响着整个滑坡区域的生长，传统的种子点确定方法是人机交互式手动选择，其执行效率低，且存在主观人为因素对生长结果的影响，不适用于大规模多种子点选取。

笔者通过提取黄土高原巴谢河流域已被解译的滑坡体历史影像图灰度值范围，将滑坡体后缘灰度值范围[a, b]作为黄土高原巴谢河流域影像图滑坡种子点自动选取的条件，为了减少种子点自动选取的错误率，对黄土高原巴谢河流域影像图灰度矩阵进行卷积核为10×10单位矩阵的卷积运算，将卷积结果除以100得到新的灰度矩阵, 其中每一像素点灰度值为其相邻10×10方正的平均灰度值，若新灰度矩阵中像素点灰度值在已解译滑坡体灰度值范围[a, b]内，则自动提取该点的坐标作为区域生长种子点(图 3)。

图 3(Fig. 3)

图 3 种子点自动选取示意图 Fig. 3 Schematic diagram for automatic selection of seed points

滑坡区域生长是从图像灰度矩阵中某个或多个像素点开始，按照一定的规则，将满足规则的周围点合并到开始的像素点生长为更大的区域，它的中心理念是：将符合一定特征的点作为生长的“种子”初始点，根据相应的生长准则，在“种子”初始点的附近邻域中寻找出与“种子”初始点有类似属性强度、灰度级、纹理颜色等的相邻像素点，并把这些相似像素点合并到“种子”初始点所在的区域里，将这些新合并的像素点作为新的“种子”点并重复上面的工作，直到达到终止的条件后停止^[19]。本文生长规则为相似属性灰度级，即通过设置灰度生长阈值，种子点与其周围点之间的灰度差的绝对值小于生长阈值时，将其周围点合并到种子点区域中，将这些周围点作为新的种子点继续进行区域生长，直到整个图像的像素点都经过访问后停止，黄色像素点为种子点，以生长阈值D=3为生长准则进行4邻域的区域生长，生长结果如图 4所示。

图 4(Fig. 4)

图 4 区域生长示意图 Fig. 4 Schematic diagram of region growing

区域生长结束后，滑坡后缘域内部可能存在孤立的噪声点，外部也可能存在断线，采用形态学开运算和闭运算相结合，能够去掉结果中明显的锯齿和细小的毛刺，并将外部断线链接起来起到平滑边缘的效果。开、闭运算定义式见式(1)和(2)：

式中：A为原图；B为结构元素；“°”为开运算；“·”为闭运算；“⊖”为腐蚀运算；“$ \oplus $”为膨胀运算。

在形态学操作结束后，为了提取经过区域生长得到的滑坡后缘边界，即滑坡区域灰度矩阵的最外层位置，采用Sobel算子结合分水岭算法提取出其滑坡后缘边界。为了得到更精确的边界，需要对提取出的边界进行骨架提取，不断细化，直到边界不能细化为止。

从黄土高原巴谢河流域实验区选取3张未解译的图像，初次设置生长阈值D=10，通过上述方法识别滑坡，并提取出其滑坡后缘边界，同时对该3张图进行人工解译并绘制出相应的滑坡后缘，如图 5所示，图a、b和c分别对应表 1中a、b和c，每张滑坡图像范围大概在0.04 km²。

图 5(Fig. 5)

a, b, c corresponds to a, b, c in the Tab. 1 图 5 滑坡识别结果 Fig. 5 Results of landslides identification

为了检验该方法对滑坡后缘识别的精度，提取出上述3张区域生长识别结果的滑坡后缘像素点，同时提取人工解译滑坡后缘所包围的像素点，以人工解译结果为参照对象，采用Lee等^[26]基于误差分析的方法对滑坡识别结果进行分析，计算公式为

式中：B_f为分歧因子，量纲为1；F_p为错误识别滑坡像素点，量纲为1；T_p为正确识别滑坡像素点，量纲为1；M_f为错误因子，量纲为1；F_N为漏识别滑坡像素点，量纲为1；D_p为正确识别的比例，%；Q_p为正确识别滑坡后缘的质量比例，%。

滑坡后缘验证结果如图 5所示，正确识别滑坡后缘像素点(T_p)8万7 261个，错误识别滑坡后缘像素点(F_p)1万5 962个，漏识别滑坡像素点(F_N)7 311个，精度评价如表 2所示。由表可知，错误因子为0.08，漏识别较少，分歧因子为0.18，说明存在部分过渡识别，识别质量比例为78.94%，识别结果精度较高。

表 2(Tab. 2)

表 2 滑坡后缘识别结果精度评价 Tab. 2 Accuracy evaluation of landslide trailing edge identification results 图像 Image 分歧因子 Branching factor 错误因子 Fault factor 识别比例 Detection percentage/% 质量比例 Quality percentage/% a 0.18 0.06 94.15 80.22 b 0.30 0.07 93.20 72.71 c 0.16 0.09 91.80 80.02 平均 Average 0.18 0.08 92.27 78.94

表 2 滑坡后缘识别结果精度评价 Tab. 2 Accuracy evaluation of landslide trailing edge identification results

本方法识别滑坡过程中受滑坡规模、图像分辨率和滑坡边界图像灰度梯度的影响较大，对于新滑坡，其滑坡体后缘灰度特征较为明显，识别结果较好，对于发生时间较长久的滑坡，其表面由于风化和植被新生长会降低其识别精度，本方法滑坡后缘区域识别结果取决于灰度生长阈值的设定，通过设置不同灰度生长阈值，探究本方法识别精度，从图 6分析发现：随着灰度生长阈值的增加，分歧因子不断增加，错误因子不断减小，说明过度识别不断增加而漏识别不断减少。识别结果表明当生长灰度阈值为10时，滑坡后缘识别结果最理想，正确率达到78.94%。

图 6(Fig. 6)

图 6 生长灰度域值对滑坡识别精度的影响 Fig. 6 Influence of growth gray threshold on landslide identification accuracy

1) 基于区域生长的黄土高原巴谢河流域典型滑坡识别，实现对黄土高原巴谢河流域典型滑坡识别和滑坡后缘边界提取。

2) 通过Google Earth提取3张未解译黄土高原巴谢河流域影像图，利用本方法对3张图片进行滑坡识别和滑坡后缘提取，同时对3张图片进行人工解译并绘制出滑坡后缘以验证识别结果，发现滑坡后缘识别精度在78.94%，当灰度生长阈值在10时，黄土高原巴谢河流域典型滑坡后缘识别效果最理想。表明所建立滑坡识别和滑坡后缘提取方法有推广性，可以应用到滑体灰度特征相似的其他地区进行滑坡识别。

3) 本研究所提出的方法适用于自动识别边界特征较明显的高精度新滑坡影像，尚未实现对大规模低精度的影像图进行滑坡自动识别，将该方法嵌入到高分卫星实现对滑坡后缘快速自动识别等技术还有待进一步研究，从而更好、更快的实现对滑坡灾害的识别、评估和救援。