[发明专利]一种实用的大空间范围滑坡提取方法

权利要求书

1.一种实用的大空间范围滑坡提取方法，其特征在于，包括以下步骤：

步骤一：影像合成

采用50％最大NDVI策略基于Google earth engine对2015年到2018年A地区全境范围内的Landsat8影像分别进行年度合成，生成年度合成影像，选取Landsat8影像的蓝波段、绿波段、红波段、近红外波段、短波近红外波段1和短波近红外波段2，分别标记为b1,b2,b3,b4,b5和b6；

步骤二：冰雪提取

基于年度合成Landsat8数据的蓝波段图像采用阈值法进行冰雪提取，即将反射率大于0.2的像元认为是冰雪；

步骤三：非滑坡潜在区去除

基于研究区的STRM DEM数字高程数据计算坡度，并将坡度大于71°和小于10°的区域定为非滑坡潜在区，将非滑坡潜在区去除；

步骤四：潜在滑坡区提取

基于相邻年份的年度合成Landsat8数据，分别按照式子1计算归一化水体指数NDWI，并根据式子2-8确定潜在滑坡区，并将其归一化到0-255整数范围内，得到潜在滑坡区提取结果；具体式子如下：

其中，BYTSCL是对NDWI_DIFF图像像素值归一化成0-255，y代表某一年，y+1代表下一年；

步骤五：特征计算

基于步骤四得到的潜在滑坡区提取结果计算每个潜在滑坡区像元的光谱特征和纹理特征，所述光谱特征具体包括T和T+1年份的六个波段反射率，并按照式子9-15分别计算两个相邻年份的归一化植被指数NDVI以及其他两种改进版本的第一改进归一化植被指数NDVI_m1和第二改进归一化植被指数NDVI_m2，归一化燃烧指数NBR，归一化差异湿度指数NDMI,归一化差异雪指数NDSI和归一化水体指数NDWI；具体式子如下：

其中，b4是近红外波段，b3是红波段，b2是绿波段，b1是蓝波段，b5是短波近红外，波长范围是1.57-1.65μm，b6也是短波近红外波段，波长范围是2.11-2.29μm；

此外，对相邻时相合成影像近红外波段和蓝色波段做主成分分析，将主成分图作为滑坡提取的所述纹理特征，同时，计算各个像元在T和T+1年份的合成影像中b1-b6的反射率之差和各个指数之差以及每个潜在滑坡区像元在以其为中心的5x5邻域范围内的b1-b6各个波段反射率平均值和方差作为滑坡精确提取的所述纹理特征；

步骤六：构建滑坡提取模型

基于步骤五中获得的所述光谱特征和所述纹理特征以及步骤四中获得的潜在滑坡区提取结果，结合2016-2018年度合成影像的滑坡目视解译真实值，构建滑坡精确提取模型；

步骤七：精度验证

基于构建的模型在2015年度合成影像的潜在滑坡区对滑坡精确提取，得到提取结果，结合2015年度影像的滑坡目视解译真值图，计算滑坡提取的错分率和漏分率。

2.根据权利要求1所述的一种实用的大空间范围滑坡提取方法，其特征在于：所述步骤一中，影像合成的具体策略如下：①分别搜集年份y中覆盖A地区全境范围的所有Landsat8数据；②分别计算研究区中每个像元在所述年份y中所有Landsat8影像中的NDVI值，并进行排序，将值为50％最大NDVI的像元各个波段的反射率作为合成影像中对应像元的反射率；③各个年度合成影像的波段信息选取Landsat8影像的蓝波段、绿波段、红波段、近红外波段、短波近红外波段1和短波近红外波段2，分别标记为b1,b2,b3,b4,b5和b6；其中y＝2015，2016,2017,2018。

3.根据权利要求1所述的一种实用的大空间范围滑坡提取方法，其特征在于：所述步骤六中，具体构建模型步骤如下：①基于2016-2018年度合成影像的滑坡目视解译结果随机选取5000个滑坡样本点，同时在2016-2018年度合成影像的潜在滑坡区中非滑坡像元随机选取50000个滑坡样本点；②计算随机选取的样本点的特征；③基于随机森林结构构建滑坡提取模型，其中树木个数为500，每个决策树节点随机选取的特征维数为31。

4.根据权利要求1所述的一种实用的大空间范围滑坡提取方法，其特征在于：所述步骤七中，漏分率是指被错误的分为背景地物的滑坡像元占真实的滑坡像元的百分率，错分率是指被分为滑坡的像元中背景地物像元所占的百分率。