[发明专利]一种实用的大空间范围滑坡提取方法

说明书

本发明公开一种实用的大空间范围滑坡提取方法，包括以下步骤：影像合成、冰雪提取、非滑坡潜在区去除、潜在滑坡区提取、特征计算、构建滑坡提取模型和精度验证；本发明通过对合成影像的滑坡进行提取，避免了影像的辐射校正和异常值，为方案的实用性提供保障。首先对影像的潜在滑坡进行提取，可以避免构建模型时背景地物与滑坡的样本量不平衡问题。然后结合像元在相邻时相影像的光谱特征、纹理特征和二者的差异构建随机森林模型对滑坡进行精确提取。充分考虑了地物在不同时相数据的变化，为高效滑坡提取奠定了基础。该模型是针对大空间范围内滑坡自动提取方法中相对可靠，而且实用性比较强的滑坡提取模型。

技术领域

本发明涉及遥感图像处理、机器学习技术领域，尤其涉及一种实用的大空间范围滑坡提取方法。

背景技术

目前遥感滑坡提取方法，依数据种类的不同而有所差异。基于光学影像山体滑坡提取，多考虑光谱、纹理、形状以及形态学等特征，其方法主要分为两类：(1)基于像素的提取方法；(2)面向对象的提取方法。其中，基于像素的方法以每个像素为研究对象，统计图像中各像素的光谱和纹理特征，通过阈值判别，对滑坡进行提取。但此方法仅考虑单个像元的特征，没有统计像元所属地物的空间属性，因此像元间的属性信息缺少必要关联。面向对象的方法以区域为计算对象，通过设置的区域增长规则对具有相似特征的相邻像素进行合并以形成区域，并通过统计图像中各区域的光谱和纹理特征进行区域合并对滑坡进行提取。该提取方法受增长后得到的各个区域对目标地物分割效果影响较大，一旦合并的区域中包含很多背景地物像元，或者缺失很多目标地物像元，会直接影响后续的提取精度。

上述两类方法都涉及阈值设定工作，目前共发展了三种策略来设定阈值：第一种人工设置阈值，耗时耗力大，且构建的规则往往鲁棒性不强，难以对大范围遥感影像中的多起滑坡事件进行提取。第二种策略通过机器学习模型设置阈值，为每个训练样本构建多维特征，包括光谱、纹理和几何特征，通过训练样本学习确定各维特征的阈值。机器学习模型虽然可以通过学习人为设定好的训练样本的特征，模拟出滑坡提取需要的阈值。但大多数机器学习算法对数据量平衡性有较高的要求，即不同类型地物的样本量要尽量一致。而滑坡由于其灾害属性，其样本量在大范围空间内相对于背景地物要少得多。因此遥感滑坡提取多基于小尺度、少量(几个事件到几十个事件)滑坡，且影像中的滑坡与背景地物之间呈现比较大的光谱或者纹理差异。第三种策略深度学习已经广泛用于图像领域中的目标检测、识别和分割等任务，从训练样本中学习可以表达目标地物的局部和全局特征，并确定阈值。但是基于深度学习的方法需要大量的训练样本，而且模型调参过程比较复杂，很难实用化。因此，本发明提出一种实用的大空间范围滑坡提取方法以解决现有技术中存在的问题。

发明内容

针对上述问题，本发明的目的在于提出一种实用的大空间范围滑坡提取方法，该实用的大空间范围滑坡提取方法对Google earth engine合成的2015-2018年度Landsat 8数据做变化检测，首先提取潜在滑坡，再基于潜在滑坡像元计算其光谱特征和纹理特征构建随机森林模型对滑坡精确提取，进而提高滑坡提取精度，提高模型的实用性。

为实现本发明的目的，本发明通过以下技术方案实现：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Landsat 8影像分别进行年度合成，生成年度合成影像，选取Landsat 8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Landsat 8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