中国滑坡遥感

我国滑坡遥感已有20多a的历史,作为区域性滑坡宏观调查的主要手段曾为山区大型工程建设的滑坡灾害调查及防灾减灾工作 作出了重要贡献。上世纪末以来,由于采用了“数字滑坡技术”和高分辨率遥感数据,滑坡遥感成为能更准确的定性、定量的调查手 段,甚至可进行大型个体滑坡的详细调查和监测研究。“数字滑坡”技术的实现主要依赖于遥感技术、数字摄影测量及图像处理技术 、GIS技术和计算机技术的支持。该技术大致可分为3大部分： 滑坡基本信息获取、信息存贮和管理及专题服务技术。本文以三峡库 区、四川天台乡滑坡、金龙山滑坡及易贡滑坡遥感调查及监测说明“数字滑坡”技术的专题服务应用。     

遥感技术在三峡库区千将坪滑坡研究中的应用

 2003年7月13日，三峡库区湖北省秭归县沙镇溪镇千将坪村发生特大型滑坡灾害后，利用先进的数字遥感技术，结合滑坡前 后的高分辨率的遥感数据、地形图资料和野外所测的GPS控制点，制作出研究区滑坡前后的数字高程模型(DEM)，同时采用合理的图 像处理技术，获得了滑坡前后正射影像图。利用三维可视化技术，采用人机交互解译滑坡，详细的对比解译滑坡前后的影像，分别 对滑体的滑动方向、距离和堆积体面积进行了定量计算，结合勘查资料估算出其体积约为1 500万方，综合地质学、灾害学原理和 地理空间信息技术等科学分析了千将坪滑坡的形成条件，认为千将坪在“7.13”滑坡之前为一特大型顺层古滑坡，而“7.13”滑坡 是古滑坡的大规模复活，三峡库区蓄水和降雨综合作用是促使滑坡复活的主要诱发因素。     

《滑坡遥感》内容简介

正本书为笔者30余年滑坡遥感工作积累的概括总结和探索将现代信息技术应用于滑坡和地质环境调查研究的成果。全书分为五章,系统介绍了滑坡遥感的理论、方法和应用。其主要包括:从事滑坡遥感需了解的基本滑坡地学知识、遥感及空间定位的基础理论;提出"数字滑坡"的理论概念,创立了一整套识别、定性、定位及定量获取滑坡和地质环境信息的技术     

CBERS-02B星数据在“5•12”地震滑坡调查中的应用——以唐家山至北川县城堵江河道滑坡为例

利用CBERS-02B星CCD和HR数据，采用数字滑坡技术，制作出滑坡地区的数字高程模型；采用三维可视化技术，结合当地的地质环境构造条件，用人机交互方式，分析“5•12”地震中唐家山至北川县城堵江河道滑坡发生的面积、运动方向、滑坡形成条件和诱发因素。     

滑坡遥感调查、监测与评估

滑坡遥感调查包括滑坡识别、基本信息获取和滑坡空间分析等，本文以天台乡滑坡遥感调查中用特征点法确定滑坡边界、影响带及滑坡运动特征及规模为例说明。滑坡遥感监测可分为直接监测和间接监测。由于突发的高速超高速崩塌、滑坡及泥石流活动时间难以预测，滑坡运动的规模相对于遥感地面分辨率较小，获取遥感数据的不连续性及价格昂贵等原因，目前较少应用遥感技术直接监测滑坡活动； 遥感监测滑坡运动引起的环境变化，称为间接滑坡监测，以遥感监测易贡大滑坡引起的易贡湖水面变化及溃坝造成的下游灾害为例说明。滑坡遥感评估指在获取滑坡及其发育环境基本信息的基础上，评估滑坡的稳定性，预测其未来活动性，评估区域滑坡的影响因子和进行区域滑坡危险性评价，文中以天台乡滑坡、千将坪滑坡稳定性评估及三峡库区中前段区域滑坡危险性评价为例说明。     

“3S技术”集成在地震灾害调查与研究中的应用初探

遥感(RS)、全球定位系统(GPS)和地理信息系统(GIS)技术在自身进一步发展的同时,正日益朝集成化方向迈进,形成所谓“3S技术”集成。“3S技术”集成,为地震灾害调查和研究提供了新的、极具潜力的技术支持。本文简要分析了“3S技术”在震害调查与研究中的应用现状,并着重从“3S技术”集成的角度,探讨它在未来震害调查与研究中的应用模式及实施方案问题。     

多源地学信息数字图像综合处理技术现状及发展方向

前言 多源地学信息数字图像综合处理技术在我国已有近10年的发展历史。“六五”和“七五”期间,我国地质科技人员开发出了这套新的地学信息处理技术,并将其推进到了实用阶段。但该技术在我国目前的发展现状如何？已取得哪些重要进展,存在哪些问题：为摸清这方面情况,以便制定进一步发展规划,1989年,全国遥感地质工作协调小组组织实施了一项《我国遥感及其它多种地学信息图像综合处理研究的现状、问题及立项建议》课题的调研本文是对该调所结果的介绍。     

滑坡、泥石流遥感回顾与新技术展望

回顾了20a 来我国在滑坡、泥石流遥感调查方面所取得的成绩,总结了应用遥感技术调查滑坡、泥石流的方法和该方法在应用过程中存在的问题,指出了改善现有的滑坡、泥石流遥感调查方法技术的迫切性,展望了滑坡、泥石流遥感调查新技术的内容及应用前景。     

“6·28”关岭滑坡特大地质灾害应急遥感调查研究

2010年6月28日14时30分,贵州关岭县岗乌镇大寨村因连续强降雨引发山体滑坡,中国国土资源航空物探遥感中心(简称航遥中心)立即收集了滑坡前卫星遥感数据,并于6月30日成功获取了滑坡区0.08 m分辨率的航摄数据。作者利用滑坡前后的高分辨率影像数据和数字高程模型,采用数字滑坡技术分别对该滑坡的影响范围、滑动方向、规模及灾情进行了定量解译,得出滑坡灾害影响区面积、滑塌体规模、碎屑堆积规模、损毁耕地面积及掩埋房屋数量等,并在第一时间为前线救灾治理工作提供了丰富而准确的调查数据,确定关岭滑坡为一起罕见的滑坡碎屑流复合型特大灾害,这一灾害在贵州历史上未有过记载。     

地震滑坡高分辨率遥感影像识别

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。     

针对MODIS数据的大气水汽含量反演及31和32波段透过率计算

 针对MODIS的波段特征,首先,用近红外波段反演大气水汽含量; 然后,通过LOWTRAN模拟大气水汽含量与MODIS 31和32热红 外波段透过率的统计关系; 最后,计算31和32波段的透过率。该方法克服了以往一景图像只用1个透过率的局限性,使得透过率的求 算精确到每1个像元,同时保证参数获取的实时性。     

利用高分影像与特征匹配算法标定滑坡位移场

滑坡灾害是世界上破坏力极大的自然灾害之一,滑坡监测是预防滑坡灾害的重要基础。针对SIFT算法在滑坡遥感监测应用中存在特征点数量少、分布不均的问题,提出了一种将ASIFT算法和CSIFT算法相结合进行滑坡位移场标定的方法,即利用ASIFT处理全色影像,利用CSIFT处理多光谱融合影像,将两种方法提取的互不相同的特征点叠加综合得到更多的特征匹配点。该方法在露天矿滑坡的应用结果表明：与SIFT算法相比,新改进的方法大幅度增加了特征点数量,提高了滑坡位移场标定精度,且成本低、效率高,非常适合于大型滑坡后期大变形场监测。     

兰成渝管道二郎庙滑坡监测研究

介绍二郎庙滑坡监测的方法,重点介绍GPS与光纤传感两种技术结合所进行的滑坡监测,这样既克服了GPS时效性不高的缺点,又弥补了光纤传感测量量程的不足,从而可实现由点到线再到面的滑坡监测,获得滑坡体较完整的应变信息,使滑坡监测既具有连续性又具有实时性。     

滑坡蠕变与遥感影像上植被异常关系

以滑坡蠕变阶段坡体的蠕变会引起环境条件的改变，进而影响植被生长状况的野外考察客观现实为依据，提出一种间接监测滑坡变化的新方法。利用高分辨率光学遥感技术，对滑坡蠕变阶段遥感影像上坡体上覆植被的异常特征进行判识，建立遥感影像上植被异常与滑坡蠕变的关系，反映滑坡的演化过程，弥补GPS技术、InSAR技术及部分地面监测手段在地势高、地形陡峭、植被茂盛等条件下监测工作的不足，为后续的滑坡预测研究提供帮助。以植被覆盖度较高的新磨村山体高位滑坡为例，首先，对研究区域进行分区；其次，计算各分区的植被覆盖度；最后，利用植被覆盖度分析遥感影像上的植被异常与滑坡蠕变的关系，并根据滑后遥感影像和实地考察情况进行验证。结果显示，2014年—2016年，滑坡的主要物源区、变形体上方细长局部崩滑区和泉眼及冲沟周边的植被覆盖度出现明显的下降，即随着滑坡发生时间的临近，植被受滑坡蠕变的影响变大，植被生长状况变差；而且随着距裸地等滑坡风险较大区域的距离增大，植被受滑坡蠕变的影响变小，植被生长状况变好。这表明，植被异常与滑坡蠕变存在明显的时空相关性，体现了滑坡蠕变阶段遥感影像上植被异常与滑坡蠕变的内在联系，反映了滑坡逐步失稳的演化过程，为进一步预测滑坡的发生提供依据。     

基于Google Earth影像的黄河上游干流地区滑坡特征分析

黄河上游干流地区由于特殊的地形地貌和地质构造使得滑坡灾害频发,对其开展滑坡灾害监测、分析研究,具有十分重要的意义。本文利用2015年间Google Earth遥感数据,提取并分析了该地区的滑坡灾害分布信息,取得了如下成果及认识:1)研究区的空间展布形态主要有7种,滑体性质类型有6种,岩质滑坡数量最多。2)从空间分布特征看,共发现研究区有各类滑坡162处,滑坡主要集中分布在群科-尖扎盆地;从滑坡类型看,研究区滑坡主要为大型滑坡和巨型滑坡。3)滑坡体长、宽主要集中在0~1 500 m和500~1 500 m之间,且长、宽呈两极化方向延伸,滑坡体面积分布不均,滑坡数量随着方量的增大呈现减少的趋势,发生的滑坡主要是滑坡体厚度在25~50 m的深层滑坡。4)滑坡数量在0°~90°之间有峰值出现,然后向两端逐渐减少。     

“天-空-地”协同滑坡监测技术进展

滑坡灾害是全球范围内发生频率最高、分布范围最广、造成损失最重的自然灾害之一,严重威胁着人类生命财产和重大工程设施的安全。科学监测是实现滑坡预警预报与主动防范的重要技术前提,经过多年的技术攻关,融合高分辨率光学遥感、卫星InSAR、无人机摄影测量、无线传感网络(WSN)等多种新技术方法,滑坡监测已从传统点式人工监测逐步发展到“天-空-地”多维协同监测,在我国地质灾害风险识别与监测预警方面取得显著成效。本文结合多年来对滑坡发生机理与变形破坏过程的研究认识,从天(光学遥感和InSAR)、空(无人机摄影测量)、地(全球导航卫星系统、裂缝计等专业监测)三维立体角度对我国滑坡监测技术的最新研究进展进行了系统总结,分析讨论了不同技术在工程实践中的技术优势和适用性,构建了滑坡变形破坏全过程的“天-空-地”协同监测技术体系,为滑坡地质灾害的科学防范提供一种新的思维范式和经验指导。     

Approaches for delineating landslide hazard areas using different training sites in an advanced artificial neural network model

The current paper presents landslide hazard analysis around the Cameron area, Malaysia, using advanced artificial neural networks with the help of Geographic Information System (GIS) and remote sensing techniques. Landslide locations were determined in the study area by interpretation of aerial photographs and from field investigations. Topographical and geological data as well as satellite images were collected, processed, and constructed into a spatial database using GIS and image processing. Ten factors were selected for landslide hazard including: 1) factors related to topography as slope, aspect, and curvature; 2) factors related to geology as lithology and distance from lineament; 3) factors related to drainage as distance from drainage; and 4) factors extracted from TM satellite images as land cover and the vegetation index value. An advanced artificial neural network model has been used to analyze these factors in order to establish the landslide hazard map. The back-propagation training method has been used for the selection of the five different random training sites in order to calculate the factor’s weight and then the landslide hazard indices were computed for each of the five hazard maps. Finally, the landslide hazard maps (five cases) were prepared using GIS tools. Results of the landslides hazard maps have been verified using landslide test locations that were not used during the training phase of the neural network. Our findings of verification results show an accuracy of 69%, 75%, 70%, 83% and 86% for training sites 1, 2, 3, 4 and 5 respectively. GIS data was used to efficiently analyze the large volume of data, and the artificial neural network proved to be an effective tool for landslide hazard analysis. The verification results showed sufficient agreement between the presumptive hazard map and the existing data on landslide areas.     

Approaches for delineating landslide hazard areas using different training sites in an advanced artificial neural network model

The current paper presents landslide hazard analysis around the Cameron area, Malaysia, using advanced artificial neural networks with the help of Geographic Information System (GIS) and remote sensing techniques. Landslide locations were determined in the study area by interpretation of aerial photographs and from field investigations. Topographical and geological data as well as satellite images were collected, processed, and constructed into a spatial database using GIS and image processing. Ten factors were selected for landslide hazard including: 1) factors related to topography as slope, aspect, and curvature; 2) factors related to geology as lithology and distance from lineament; 3) factors related to drainage as distance from drainage; and 4) factors extracted from TM satellite images as land cover and the vegetation index value. An advanced artificial neural network model has been used to analyze these factors in order to establish the landslide hazard map. The back-propagation training method has been used for the selection of the five different random training sites in order to calculate the factor’s weight and then the landslide hazard indices were computed for each of the five hazard maps. Finally, the landslide hazard maps (five cases) were prepared using GIS tools. Results of the landslides hazard maps have been verified using landslide test locations that were not used during the training phase of the neural network. Our findings of verification results show an accuracy of 69%, 75%, 70%, 83% and 86% for training sites 1, 2, 3, 4 and 5 respectively. GIS data was used to efficiently analyze the large volume of data, and the artificial neural network proved to be an effective tool for landslide hazard analysis. The verification results showed sufficient agreement between the presumptive hazard map and the existing data on landslide areas.     

Remote Sensing and GIS Based Landslide Susceptibility Assessment using Binary Logistic Regression Model: A Case Study in the Ganeshganga Watershed, Himalayas

A comprehensive Landslide Susceptibility Zonation (LSZ) map is sought for adopting any landslide preventive and mitigation measures. In the present study, LSZ map of landslide prone Ganeshganga watershed (known for Patalganga Landslide) has been generated using a binary logistic regression (BLR) model. Relevant thematic layers pertaining to the causative factors for landslide occurrences, such as slope, aspect, relative relief, lithology, tectonic structures, lineaments, land use and land cover, distance to drainage, drainage density and anthropogenic factors like distance to road, have been generated using remote sensing images, field survey, ancillary data and GIS techniques. The coefficients of the causative factors retained by the BLR model along with the constant have been used to construct the landslide susceptibility map of the study area, which has further been categorized into four landslide susceptibility zones from high to very low. The resultant landslide susceptibility map was validated using receiver operator characteristic (ROC) curve analysis showing an accuracy of 95.2 % for an independent set of test samples. The result also showed a strong agreement between distribution of existing landslides and predicted landslide susceptibility zones.