泸定Ms 6.8地震诱发滑坡应急评价研究

2022-09-05,四川省甘孜州泸定县发生Ms 6.8地震。地震在山区诱发了大量的地质灾害,造成了严重的人员伤亡。快速准确地获取地震诱发地质灾害的空间分布范围对震后应急决策和救援抢险至关重要。基于全球同震滑坡数据库与深度学习算法,构建了地震诱发滑坡空间分布概率近实时预测模型,在震后2 h内获取了泸定地震诱发地质灾害的预测结果。通过震后无人机与卫星遥感影像,采用机器学习与深度学习算法实现了震后大范围地质灾害的智能识别,共解译地震诱发滑坡3 633处,总面积13.78 km2。利用遥感解译的泸定地震滑坡数据,对地震诱发地质灾害预测模型进行了优化,获得了震区范围更广、准确性更高的同震滑坡预测结果。结果表明,同震滑坡预测模型能够快速获取震后地质灾害的空间分布情况,填补震后遥感影像获取前的空窗期,为灾后应急救援提供支撑;基于无人机与卫星遥感影像的智能识别技术是快速获取大范围地质灾害信息的有效手段。所取得的研究成果在泸定地震震后应急救援工作中发挥了重要作用。     

基于单时相高分辨率遥感影像的震后道路提取研究

地震发生后,道路是生命救援及运输物资的重要通道,因此,快速有效地获取道路的信息是震后抢险救灾非常关键的一步。在震前影像及矢量数据等缺失的情况下,本文基于2014年8月3日云南鲁甸地震的单时相高分辨率World View-2遥感影像进行了震后毁损道路提取方法研究。在提出的一个震后毁损道路提取方法中,先在e Cognition软件中对影像进行多尺度分割和最邻近分类,然后在Matlab软件平台下对分类结果进行二值化,并用数学形态学技术去除偏大和偏小的地物,最后利用Hough变换进行道路检测得到毁损的路段。实验结果证明:该方法能够快速有效地提取出震后的山区道路毁损信息,可为地震应急提供信息支持。     

基于RS与GIS的汶川地区地质灾害易发性评价分析

通过对汶川县2008年landsat5和2014年landsat8遥感影像解译提取了地质灾害信息,利用DEM数据对2014年地质灾害的面积在高程、坡度、坡向等致灾因子下进行统计,利用层次分析法和熵权计分别计算主观和客观权重,进行权重拟合得到综合权重,建立起灾害敏感性评价模型对灾害的易发性进行预测。结果表明:震后新增地质灾害面积与2008年预测的高易发区叠加对比进行验证,两者空间分布基本一致,85.71%的新增地质灾害发生在预测高易发区,面积约为344.94 km2,验证结果良好,表明2014年汶川地质灾害易发性评价结果具备较高的可靠性和可行性。     

高分一号遥感影像地质灾害信息提取方法研究

山区地质灾害发生频繁,受灾范围大,危害严重。提取地质灾害信息、估算受灾情况,对救灾工作极为重要。传统的遥感人工解译方法速度慢、效率低;计算机自动解译速度快但解译精度受影像质量影响大,大范围地区很难建立起普适性的解译模型。本文利用洮南市西部高分一号遥感数据,结合DEM生成三维影像,建立解译标志,解译基础地质信息,分析地质灾害成因;根据研究区泥石流地质灾害的主要影像特征,提取影像的分类属性,基于面向对象的分类方法,建立信息提取模型,快速提取出地质灾害敏感区域;再进行人机交互,精确提取出地质灾害的类型和范围,通过野外验证,该方法十分可靠,为大范围地质灾害信息快速提取和灾后救援提供科学依据。     

基于道路网矢量数据的遥感影像道路损毁检测

利用面向对象方法对地震后高分辨率遥感影像上的道路进行多尺度分割和分类.通过融合地震前道路网矢量数据与地震后遥感影像,提出一种基于自适应模板的道路损毁检测方法.试验结果证明,该方法能够快速、准确地对损毁信息进行提取.     

面向对象的高分辨率遥感影像建筑物震害信息提取

建筑物的倒损信息是震后灾害评估的一项重要指标。文中应用震后高分辨率遥感影像数据,采用面向对象分类方法,以最优分割参数对影像进行分割,构建多尺度影像对象层次结构。通过影像对象的光谱、形状、纹理等特征及空间拓扑关系建立分类规则库,提取基本完好、受损和完全倒塌三类破坏等级的建筑物震害信息。结果表明,面向对象分类方法能够实现提取三类等级的建筑物震害信息,从而满足地震灾害快速评估要求。     

基于地形区域分割的复杂地区遥感影像分类

提出了一种基于地形区域分割的分类方法,在影像中利用地形特征数据预先划分出每种地物的分布区域,然后以区域为基本单位对影像进行分类,同时利用DEM数据对影像进行地形校正,减小了同种地物内部由于地形起伏造成的光谱离散的现象。利用湖北西部山区的TM影像和DEM数据的试验证明,利用地形特征数据进行分割的分类方法与仅考虑光谱特征的分类方法相比较,分类精度有了明显的提高。     

基于GF-1卫星的突发性地质灾害调查与评价——以内蒙古大兴安岭山地为例

运用GF-1卫星影像数据进行内蒙古大兴安岭山地南段地质灾害调查对于科学防治地质灾害,提高国产卫星应用水平具有重要意义.通过分别对研究区的全色和多光谱影像利用P5的DEM高程数据及控制点进行有理函数的区域网整体平差,保证不同景影像间的一致性,得到精化后的影像RPC参数;对经过区域网平差的全色影像和多光谱影像利用精化后的有理多项式及DEM进行正射校正;将校正后的全色影像和多光谱影像利用HPF方法进行融合,然后对处理后的影像进行地质灾害解译,进而评价危害范围及程度.研究结果表明,GF-1数据的融合影像对突发性灾害体的微地貌形态反映较明显,能够用于识别突发性地质灾害体的位置、边界范围等特征信息.     

资源三号卫星在区域地质灾害应急监测中的应用——以山西省为例

遥感技术已成为当前应对突发地质灾害应急监测的一种重要技术手段。本文将资源三号卫星遥感影像应用于区域地质灾害应急监测中,研究了资源三号卫星区域RPC参数的修正方法,并联合DEM和控制点建立了区域影像快速正射纠正的方法流程;利用长治地区的资源三号卫星影像进行了正射纠正试验与分析,总体满足区域地质灾害应急监测对遥感影像的精度要求。利用该方法制作完成的地质灾害区域遥感影像已应用于山西省突发地质灾害遥感监测指挥系统项目中并取得了较好的应用效果。     

基于LBP纹理与SegNet网络的灾损建筑物提取

高分辨率遥感影像中震后灾损建筑物提取是震害预估中极具重要的参考指标，研究遥感影像的震后灾损建筑物提取方法具有重要的科学意义。本文以青海玉树震后典型的灾损建筑物数据为研究对象，针对卷积神经网络对于城市建筑物纹理特征信息利用的不足，将局部二值模式(LBP)纹理特征与SegNet深度卷积神经网络相结合，采用有监督学习分类的方式训练卷积神经网络，实现震后灾损建筑物自动分类提取，并与传统面向对象提取方法进行对比。实验结果表明，LBP纹理特征与SegNet卷积神经网络模型相结合，对于震后灾损建筑物的提取能提高预测精度，用户精度与生产者精度分别有2%～7%,2%～9%的提升。     

基于BP神经网络高光谱图像分类研究

遥感影像常常存在"异物同谱"现象,影响了遥感影像的分类精度。为了提高分类精度,本文提出了基于BP神经网络的分类算法。采用环境一号卫星HJ-1A星上搭载的超光谱成像仪(HSI)获取的高光谱数据,利用BP神经网络对黄岛区进行遥感图像分类,根据得到的分类结果对原图像进行"异物同谱"现象纠正后重新选取训练样本,然后利用BP神经网络再分类,从而有效解决了"异物同谱"现象。实验结果表明,经处理后的高光谱影像的分类精度得到显著提高,分类总体精度为92.386 5%,比异物同谱纠正前提高了7.83%,Kappa系数也从0.768 2提升到了0.885 8。     

汶川Ms8.0地震重灾区次生地质灾害遥感精细解译

汶川Ms8.0地震诱发了大量次生地质灾害, 主要包括崩塌、滑坡与泥石流等。在获取到全面的研究区震后多源遥感影像后, 采用人工目视解译的方法, 对14个重灾县(市)进行次生地质灾害解译工作, 共解译出约46560处崩塌、滑坡、泥石流等地震次生地质灾害, 灾害总面积约687.1km2。基于GIS平台获取到它们的位置、平面面积等基本信息, 绘制了研究区的地震次生地质灾害分布图与点密度图。结果表明, 本次地震次生地质灾害与龙门山3条主断裂有较好的对应关系, 且主要分布在4个集中区域。最后, 分析了地震次生地质灾害     

结合空间分析的面向对象无人机影像土地利用分类

利用高分辨遥感影像进行土地利用分类,为农村土地利用动态监测及土地综合整治快速地提供基础地理空间数据。以高分辨无人机影像为数据源,研究利用面向对象多尺度分割技术结合GIS空间分析对影像进行土地利用分类。根据对象内同质性高、对象间异质性高的准则,引入加权局部方差与空间自相关指数构建全局最优分割非监督评价指数,然后利用最邻近分类器对影像进行分类。实验结果表明,该方法减少人工目视确定最优分割尺度的主观性,能够避免某些地物不能被有效归类的现象,在单一尺度下获得较高的分类精度。     

基于引力自组织神经网络的震害遥感影像分类

针对高空间分辨率遥感影像震害目标难以识别和提取的问题,结合分形纹理和引力自组织神经网络(gravitational self-organizing map,g SOM),提出了一种新的面向对象分类方法。首先,利用分割算法对原始影像进行初始过分割,得到均质性较好的分割单元,以分割单元作为待处理对象;在此基础上,利用分形纹理描述待分割对象,同时融合光谱特征构建震害目标的特征向量;最后,利用g SOM对分割对象进行聚类,得到聚类结果,并利用一致性函数以最小代价将多样性的聚类结果集成,最终实现快速、自动决策分类。以四川省汶川县震后高空间分辨率遥感影像为实验数据对算法进行定性和定量的评价,结果表明,该算法能够有效地描述复杂的震害目标,既可以保持大面积震害目标的完整性,也可以反映小的震害目标及其细节信息,提高震害影像的自动分类精度。     

结合nDSM的高分辨率遥感影像深度学习分类方法

针对高分辨率遥感影像因其地物类内差异大、光谱信息相对欠缺导致现有影像分类方法存在错分现象较多、地物边界残缺不完整等问题，本文提出了一种归一化数字表面模型（nDSM）约束的高分辨率遥感影像深度学习分类方法。首先，将nDSM数据作为附加波段叠加在遥感影像上并获取训练样本；然后，利用优化的U-Net网络进行模型训练得到最优模型；最后，利用最优模型对附加了nDSM波段的遥感影像进行地物分类。试验结果表明，本文方法引入nDSM数据用于U-Net模型训练和分类，可有效提高影像分类精度，得到更加真实可靠的分类结果。     

一种基于纹理和光谱特征的高光谱影像信息向量机分类方法

针对高光谱影像中空间特征信息利用不足的问题,提出了一种基于纹理和光谱特征的高光谱影像信息向量机分类方法。该方法首先采用三维Gabor滤波器对高光谱影像数据立方体进行纹理特征提取,提取后的影像数据同时具有光谱和纹理特征,避免了传统纹理特征提取带来的高维特征和光谱不连续的问题;然后采用分类精度和效率都较高的信息向量机进行分类处理。通过AVIRIS高光谱影像实验,结果表明该方法不仅提高了影像的分类精度,而且还消除了分类结果图中的类别噪声现象。     

一种基于概率潜在语义模型的高分辨率遥感影像分类方法

针对高分辨率遥感影像中"同谱异物","同物异谱"现象对影像分类过程造成的干扰,将文本分析中的概率潜在语义模型应用于高分辨率遥感影像分类,提出一种无监督的遥感影像分类新方法.该方法首先利用均值漂移分割方法对影像进行分割构建图像区域集合,然后提取集合各区域中每个像元的Gabor纹理特征,并对这些特征进行聚类形成视觉词汇,最...     

地质灾害调查中ETM+与SPOT 5 Pan影像融合与评价

在对金沙江上游某库区地质灾害调查中,针对研究区范围广、高差大及交通不便等不利因素,选用ETM 与SPOT 5 Pan融合影像,对库区地质灾害进行遥感调查;分别采用Brovey变换、IHS变换和PCA 变换融合方法对这2种影像进行了融合,并对融合方法和地质灾害解译效果进行了评价.结果表明,PCA变换是一种适合于地质灾害调查的遥感影像融合方法,融合后的影像滑坡、泥石流及崩塌等地质灾害特征明显,能够满足地质灾害遥感解译要求.     

卷积神经网络与MRF相结合的高光谱图像分类

针对传统分类方法需要人工提取特征以及分类结果出现的噪声现象,提出了基于深度卷积神经网络(DCNNs)和马尔科夫随机场(MRF)的影像分类方法。首先通过数据预处理以三维图像为输入数据,利用DCNNs"端对端"的特征在提取图像更深层次特征的同时获得初始分类预测;再利用MRF模型对分类预测结果进行空间结构规则化,获得最后的分类结果。在Indian Pines和Pavia University两个公开数据集进行实验,结果表明该算法不仅提高了分类效率,而且有效解决了传统方法中出现的同类区域噪声现象,明显提高了影像的分类精度。     

基于面向对象特征提取的BP神经网络分类——以武陵源地区为例

采用面向对象影像分类与BP神经网络分类相结合的方法,对高分辨率无人机影像进行土地利用分类。利用光谱、形状、纹理、对象间关系等影像特征,通过基于面向对象的方法对影像提取特征进行初步分类,再将初步分类结果应用于BP神经网络,结合原影像数据进行进一步分类,提高分类精度、纠正分类错误。结果表明,该方法最终分类结果达到了88.9%的总体分类精度和0.863的Kappa系数,影像分类结果对比传统影像分类方法的总体精度与Kappa系数均有所提高。