而江蘇省溧陽地區為低山地貌，植被覆蓋度較高，滑坡規模小，受滑坡規模和植被覆蓋影響，該地區滑坡地質災害識別難度很大。溧陽地區滑坡多為小型，規模大多在500m2以下，如何應用LiDAR數據識別植被茂密區小型滑坡是本文研究的目標之一。

一、引言

遙感技術自20世紀興起，在各行各業中應用頗為廣泛，地質災害調查與判別分析是遙感技術的重要應用領域。20世紀90年代，遙感技術主要通過衛星光學影像(以Landsat和SPOT為代表)開展大型工程中大型地質災害的調查。相比于傳統光學遙感和InSAR技術，LiDAR系統采用的是主動式直接測量方法，垂向精度高，能夠不受低光照、霧霾或云覆蓋的影響，全天候全天時工作，且能夠部分穿透植被，適宜于氣候多變、條件復雜、高植被覆蓋，且對高程精度要求較高區域的地形測量。因此，LiDAR技術在植被高覆蓋區域的地質災害調查與判別應用中具有明顯優勢。前人研究多集中在應用LiDAR數據開展大型滑坡地質災害的識別，比如丹巴地區的滑坡、九寨溝震區滑坡、三峽庫區滑坡等，這些地質災害規模大、連片性好，多發育在高山峽谷區，有植被覆蓋，但覆蓋度有限，LiDAR識別效果好。而江蘇省溧陽地區為低山地貌，植被覆蓋度較高，滑坡規模小，受滑坡規模和植被覆蓋影響，該地區滑坡地質災害識別難度很大。溧陽地區滑坡多為小型，規模大多在500m以下，如何應用LiDAR數據識別植被茂密區小型滑坡是本文研究的目標之一。

研究區概況及數據源

2.1研究區概況

溧陽市西渚嶺位于常州溧陽市天目湖鎮(圖1)。研究區高程介于75.4 ~203 m，高差為127.6 m，為低山地貌。該區域西、南、東三面環山，山體斜坡成階梯狀分布，山脊渾圓，植被覆蓋度高。

圖1研究區地理位置示意

2.2數據源與處理

本次LiDAR數據采集飛行平臺使用無人機系統，測量采用高精度輕小型激光雷達測量系統，數據采集與處理技術流程如圖2所示。軟件相結合的人工檢查和手動濾波為輔助的混合方式，確保地面濾波結果的可靠性和準確性。

圖2LiDAR 數據采集與處理流程

圖3(a)為掃描獲取的原始點云，其剖面如圖3(b)所示，采用軟件自動濾波能夠將上部明顯的非地面點濾除，再通過手工方式對錯誤分類點(包括將地面點錯分為非地面點和非地面點錯分為地面點2種情況)進行修正，最終結果如圖3(c)。

圖3研究區原始點云及地面點提取效果

研究方法

3.1山體陰影分析

山體陰影圖能夠直觀高效地表示地形地貌特征，通過模擬光線對地表的照射獲取每個像元的照明值，并且綜合分析研究區的不同方位角山體陰影圖，能夠發現很多微地貌特征。山體陰影圖的計算主要有2個重要參數：太陽高度角(SEA)和太陽方位角(SAA)。為了模擬立體形態，SEA一般設置為45°，而不同方位生成的山體陰影圖具有不同的立體效果。基于單側光照下山體陰影圖中總有部分區域處于陰影區，本文將2種太陽方位復合制作出雙向山體陰影圖，光照方向為135°和315°，如圖4所示。

圖4雙向山體陰影圖和多向山體陰影圖中光線模擬方向

3.2彩色增強分析

山體陰影圖為黑白圖像，常見的8位數字灰度圖像256級中人眼能分辨的數量大概在40個左右，所以灰度圖像常有部分細節信息無法顯現出來。因此，把灰度圖像用偽彩色顯示，能使圖像中地物細節更好地被識別發現，本文采用了地形彩色渲染、影像函數增強法、圖像融合色彩增強、RRIM彩色增強法四種彩色增強顯示方法。

3.3NDVI滑坡因子分析

當前滑坡易發區評價采用的方式主要是選擇與滑坡有關的因子，。滑坡評價的指標因子主要有高程、坡度、坡向、地表起伏度、地層巖性、斷層構造、地震活動、居民點、植被覆蓋度、道路和水系等 。在這些評價因子中，較大的空間尺度導致相關評價因子產生異質化，如地形地貌、地質條件、氣候條件等差異較大，評價結果也自然具有明顯的分區差異。本文區域屬于小區域大比例尺滑坡易發性評價，采用傳統評價方式難以確定滑坡易發區，小區域內滑坡發育條件的差異性主要表現在地形條件的差異。研究區滑坡發育與高程、坡度和地表起伏度具有很好的相關性，滑坡發育高程位于77~130m 之間，水平距離10m 范圍內地表起伏度介于8~12m 之間，滑坡后緣坡度在40°以上，中前緣坡度在20°~40°之間。

因此，本文采用高程、坡度和地表起伏度3個地形指標來分析滑坡發育程度，三者組合構成彩色圖像，采用遙感分類圈定滑坡易發區。

3.4支撐向量機模型

傳統馬氏距離、歐式距離等分類方法都是從數據類別統計的角度上來研究圖像分類 ，而本文滑坡易發區識別中，滑坡樣本數量少，樣本數量難以滿足傳統監督分類。但支持向量機(SVM)適合有限樣本(小樣本)問題 。SVM的核心思想是把樣本非線性映射到高維特征空間，使其線性可分，然后以結構風險最小化為歸納原則，求解能夠將訓練樣本集劃分為2類且幾何間隔最大的一個分類超平面(圖5)。圖5中實心點和空心點代表2類樣本，H為分類線，H1和H2分別為過各類中離分類線最近的樣本且行分類線的直線，它們之間的距離即分類間隔。

圖5SVM 的基本思想示意圖

結果與分析

4.1山體陰影效果及彩色增強分析

圖6(a)和(b)分別為315°和135°這2個不同方位角下生成山體陰影圖，可以看出，1和6山體陰面地形起伏明顯，2和5山體陽面亮度過高，地形特征不明顯。這說明單側光線下的山體陰影圖中，完全陰影面和太陽直射面的細節丟失成為無法避免的問題，但地形效果又得益于陰影，沒有陰影就難以觀察地形起伏狀態。圖6(c)為SAA值為315°和135°復合的山體陰影圖，圖件整體偏亮，在陡坎處有陰影顯示地形起伏，這種方法避免了太陽直射方向的地形細節丟失，但在一些地形起伏小的區域細節丟失，如3處位置丟失地形起伏信息。在多向山體陰影圖中(圖6(d))，由于光線模擬方向的限制，該圖中坡向為22.5° ~157. 5°的區域陰影色調基本不變，導致這部分信息丟失。

圖6不同制作方式下的山體陰影圖

綜合來說，在單方向山體陰影圖中，直射光照面地形效果較差，非直射光照面地形效果好;在雙方向山體陰影圖中，各個區域地形效果相對平衡，整體效果較好，但也有局部細節信息丟失;在多方向山體陰影圖中，每個區域地形細節效果均弱于單方向山體陰影圖中非直射光照條件下的地形效果。因此，在遙感解譯過程中采用不同方向的單方向山體陰影圖配合使用，而成果展示采用雙方向或多方向山體陰影圖。

從4種彩色增強顯示方法成果(圖7)中可以看出，4種彩色圖既有地形起伏特征，又有色彩特征，視覺效果表達效果好。圖7(a)為雙向山體陰影與DEM透明疊合，圖中藍框中地形特征明顯，細節清晰，但由于彩色DEM采用透明方式，使圖件整體色調顯得比較灰暗。圖7(b)為影像函數色彩增強方法獲得，影像色調適中，但由于該方法模擬單向光源照射，形成的圖像在陽面地形特征不明顯，如圖中右側藍框地形特征不清晰。圖7(c)為圖像融合方法獲的，該圖像彩色鮮亮，地形特征比較明顯，但由于彩色過于飽和，部分地形細節不夠明顯。圖7(d)為RRIM方法計算獲得，在藍框中滑坡后緣明顯與周圍色調不同，能清晰反映邊界。

圖7彩色增強顯示效果圖

4.2滑坡遙感識別分析

根據前期野外踏勘，研究區為低山地貌，自然山坡坡度多位于15°~30°，山坡植被為竹林地，風化層較厚，無基巖出露。區內發育地質災害類型單一，為蠕變型滑坡，滑坡特征較明顯，表現為滑坡后壁清晰，呈現弧形形態，后壁坡度45°以上;滑坡中后部土體拉裂，拉裂縫長度不一，約20~ 90 cm，寬度約10~30cm，受地表竹林落葉及草類植被覆蓋而不明顯(圖8)。

圖8研究區野外踏勘滑坡照片

傳統的滑坡遙感解譯一般都是基于形態特征、色調特征和紋理特征等進行解譯，例如滑坡體呈簸箕形、“U”型，高分圖像上可見滑坡壁、滑坡臺階、滑坡舌、滑坡裂縫、滑坡鼓丘等現象，色調、紋理與周圍明顯不同等 。這些標志主要應用于植被覆蓋少的大型滑坡區域，而植被覆蓋茂密區小型滑坡的識別與之不同，LiDAR技術解決了植被覆蓋對滑坡影響的問題，但小型滑坡的規模導致其細節信息難以表現，其判識尤為困難。結合野外踏勘情況，對本區域小型滑坡的解譯，主要依據有2個：一是滑坡整體形態特征和其紋理形態與周圍的差異性，尤其是滑坡后緣的弧形特征(圖9)，影像上表現為弧形的色帶彎曲與色帶變化;二是量測滑坡體滑向與垂直滑向方向的高程變化趨勢，如圖A—A′剖面高程變化明顯分為3段，由A—A′高程變化為緩和-急劇-緩和，表明滑坡后壁高程變化大，前緣臨空性好，滑坡前緣隆起后變緩;B—B′剖面特征表明滑坡發生后形成兩側高，中間低的地形特征。利用機載LiDAR數據結合彩色增強圖像及三維可視化場景模擬，在研究區范圍內共識別和解譯出地質災害22處，經野外調查最終確認19處為滑坡地質災害，解譯精度為86.4%。

圖9小型滑坡遙感解譯特征

4.3基于SVM的滑坡易發區判別

研究區經遙感解譯結合野外驗證查明滑坡地質災害19處，隨機選取 13處滑坡作為學習樣本，其他6處滑坡為檢驗樣本。經SVM分類識別后的分類圖需要進行碎小圖斑刪除合并等后處理，最終獲得滑坡易發區分布圖(圖10)。將6個滑坡檢驗樣本與基于SVM分類識別后的滑坡易發區進行空間疊加分析，#1，#3，#9和#17全部位于滑坡易發區內，#7和#13滑坡后緣位于滑坡易發區內，而前緣并未在易發區范圍內，滑坡識別精度為81.91%。經過數據分析，滑坡識別錯誤的主要原因為滑坡前緣植被過于茂密，獲取的點云數量過少，在坡度及地表起伏度2個指標中出現異常，但其后緣表現清晰，3項指標能正確反映地形特征。研究證明，滑坡易發區能指示出與滑坡發生條件類似的區域，為下一步潛在滑坡的調查指明了方向。

圖10滑坡易發區分布

五、結論

本文利用無人機LiDAR技術獲取研究區點云數據，通過增強數據可視化方式并結合滑坡解譯標志識別了滑坡，提出了基于遙感分類思想的滑坡易發區評價方法，為植被茂密的重點區域大比例尺地質災害識別與評價提供了新思路。主要結論如下：

研究區江蘇溧陽西渚嶺地區植被覆蓋茂密，機載 LiDAR 技術具有較強的植被穿透能力，可以通過獲取點云數據生產高分辨率 DEM，真實反映去除植被后的地形形態。應用 LiDAR 技術穿透植被獲取點云數據，數據本身可視性較低，山體陰影分析是提高可視化程度的有效方法，該方法通過陰影體現地表起伏細節，陰影部分不可避免地丟失信息。不論是單向光源、雙向光源還是多向光源模擬山體陰影，不可能實現既保留地形細節又剔除陰影。在實際使用過程中，進行遙感解譯可以采用多個單向光源下的山體陰影圖互為補充，而展示成果圖可以采用雙向光源或多向光源條件下形成的山體陰影圖。

彩色圖像相較于黑白圖像更具有可識別性，因此本文采用 4 種方法探討了如何在保留山體陰影地形信息情況下增加色彩。4 類方法各有特點，有的地形細節清晰，有的地形起伏明顯，有的色彩鮮明，有的符合眼睛視覺效應。采用哪類色彩增強方法應結合識別對象特點。本區滑坡規模小，圖像上主要通過滑坡整體形態特征和其紋理與周圍的不同而判別，采用符合視覺效應的 RRIM 圖像和圖像融合色彩增強圖像初步解譯，然后結合具有地形細節信息的圖像進行分析。利用機載 LiDAR 數據結合彩色增強圖像及三維可視化場景模擬，在研究區范圍內共識別和解譯出地質災害 22 處，經野外調查最終確認 19 處為滑坡地質災害，解譯精度 86. 4%。

基于 LiDAR 衍生數據可以判識已有的滑坡地質災害，而那些易于滑動的區域，即潛在滑坡區根據相關數據難以判別，傳統的滑坡易發區評價方法又不適應于小區域大比例尺的滑坡地質災害易發區圈定。

因此，本文基于野外踏勘，借鑒遙感圖像分類思維，以小區域內滑坡地質災害與非滑坡區的差異因子作為波段，構建了遙感圖像，而后考慮滑坡樣本少的特點，采用SVM方法進行分類識別。經滑坡檢驗樣本分析，滑坡識別精度為81.91%。實驗證明，該方法能夠實現小區域內滑坡易發區圈定，為滑坡地質災害易發區評價提供了一種新的解決思路。

推薦：

無人機高光譜成像系統iSpecHyper-VM100

iSpecHyper-VM系列無人機高光譜成像系統配合定制開發的高性能穩定云臺，能夠有效降低飛行過程中無人機抖動引起的圖像扭曲與模糊。該系統與大疆M350RTK無人機完美適配，廣泛應用于農業、林業、水環境等行業領域，系統支持配件升級及定制化開發，為教育科研、智慧農業、目標識別、軍事反偽裝等行業高端應用領域提供了高性價比解決方案。

審核編輯 黃宇