CN110059553A - 利用光学遥感影像判识潜在滑坡阶段植被异常特征的方法 - Google Patents

利用光学遥感影像判识潜在滑坡阶段植被异常特征的方法 Download PDF

Info

Publication number
CN110059553A
CN110059553A CN201910187186.9A CN201910187186A CN110059553A CN 110059553 A CN110059553 A CN 110059553A CN 201910187186 A CN201910187186 A CN 201910187186A CN 110059553 A CN110059553 A CN 110059553A
Authority
CN
China
Prior art keywords
vegetation
ndvi
region
risk
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910187186.9A
Other languages
English (en)
Other versions
CN110059553B (zh
Inventor
郭擎
郭忻怡
冯钟葵
李安
张洪群
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Remote Sensing and Digital Earth of CAS
Original Assignee
Institute of Remote Sensing and Digital Earth of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Remote Sensing and Digital Earth of CAS filed Critical Institute of Remote Sensing and Digital Earth of CAS
Priority to CN201910187186.9A priority Critical patent/CN110059553B/zh
Publication of CN110059553A publication Critical patent/CN110059553A/zh
Application granted granted Critical
Publication of CN110059553B publication Critical patent/CN110059553B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing

Abstract

本发明涉及一种利用光学遥感影像判识潜在滑坡阶段植被异常特征的方法，其采用数据前期处理、影像分区、植被覆盖度计算、图像增强、计算和分析植被覆盖度变化等步骤。依据遥感影像，计算和分析监测分区的植被覆盖度及植被覆盖度在不同时间和/或不同区域的变化，以便以植被覆盖度的时间变化状况和/或区域变化状况作为表征植被异常特征的参数，揭示植被的变化状况。本发明能够利用光学遥感技术的优势，与其他现有技术相结合，通过植被异常特征间接监测滑坡的蠕变情况，在一定程度上弥补GPS技术和InSAR技术在复杂地理环境中滑坡监测工作的不足，能够有效地节省人力物力，并可以实现长期监测，帮助预测滑坡的发生。

Description

利用光学遥感影像判识潜在滑坡阶段植被异常特征的方法
技术领域
本发明涉及一种利用光学遥感影像判识潜在滑坡阶段植被异常特征的方法，属遥感图像处理技术领域。
背景技术
目前，常用的滑坡监测方式除地面常规仪器监测外，大多采用全球卫星定位系统GPS(Global Positioning System)技术与合成孔径雷达干涉测量InSAR(InterferometricSynthetic Aperture Radar)技术。但是，在地势高、地形陡峭、植被覆盖茂密、人力难以到达的区域，常用的地面常规仪器监测、GPS技术，InSAR技术的观测条件也受到上述因素限制，通常难以开展。
地势陡峻、植被覆盖茂密且具有高隐蔽性的高位滑坡灾害在我国频繁发生，自2008年汶川地震以来，这类滑坡活动加剧，已经多次发生因高位滑坡的启动触发碎屑流或泥石流的链式灾害，这使得寻找一种简便、有效、易实施的滑坡监测手段显得尤为重要。
研究发现，在滑坡前的蠕变阶段出现的一系列前兆变化，将在一定程度上改变周边的水、土壤等环境条件，进而对滑坡体及滑坡体周边上覆植被的长势产生一定程度的影响。而光学遥感技术具有非接触、大范围、周期观测和数据存档多的优势，能够对坡体上覆植被的生长状况进行判识，因此，可以利用光学遥感技术的优势，对遥感影像上滑坡发生前坡体上覆植被的生长状况进行判识，间接监测滑坡的蠕变情况。
发明内容
为解决上述技术问题，本发明提供了一种利用光学遥感影像判识潜在滑坡阶段植被异常特征的方法，以期利用光学遥感技术的优势，对遥感影像上滑坡发生前坡体上覆植被的生长状况进行判识，与其他现有技术相结合，通过植被异常特征间接监测滑坡的蠕变情况，在一定程度上弥补GPS技术和InSAR技术在复杂地理环境中滑坡监测工作的不足，有效地节省人力物力，并可以实现长期监测，帮助预测滑坡的发生。
本发明的技术方案是：一种利用光学遥感影像判识潜在滑坡阶段植被异常特征的方法，其依据遥感影像，计算和分析监测分区的植被覆盖度及植被覆盖度在不同时间和/或不同区域的变化，遥感影像上的任一像元的植被覆盖度Fc依下列公式计算：
其中，
NDVI为该像元的归一化植被指数(Normalized Difference Vegetation Index)，NDVIsoil为该监测分区的纯净裸地(纯净裸地像元)的NDVI，NDVIveg为该监测分区的纯净植被(纯净植被像元)的NDVI，ρNIR为该像元的近红外波段反射率，ρR为该像元的红波段反射率。
以植被覆盖度的时间变化状况和/或区域变化状况作为表征植被异常特征的参数，能够揭示植被的变化状况，适于预测或者辅助预测滑坡或潜在滑坡。例如，基于不同时间/不同时相的遥感影像计算获得植被覆盖度的变化状况，特别是在扣除已知植被生长条件(例如，相关时段的降水量)对植被生长状况及植被覆盖度的影响后的变化状况，分析监测分区或其置信区间内NDVI低于一定值的区域的年(或其他适宜周期或时间间隔，下同)变化量是否超出相应的预警值，或者分析植被覆盖度在监测分区或其置信区间内的均值的年差值或年变化率是否超出相应的预警值，或者分析其他能够体现植被变化状况的植被覆盖度相关量的年差值或年变化率是否超出相应的预警值。在超出预警值时，提示可能存在滑坡或潜在滑坡的风险，所述预警值可以依据历史数据、经验及理论分析等设定和调整。
将植被覆盖度的变化状况与滑坡相关的其他数据相互印证，能够获得更准确的预测。
可以对监测分区进行整体分析，也可以进一步将监测分区细分为若干监测小区，对监测小区进行分析，或者将若干具有相仿特性(地理特性和/或植被生长特性等)的相邻监测分区合为一个较大区域进行整体分析。
可以依据NDVI值，在监测分区中设置置信区间，将NDVI值低于置信区间内的NDVI最小值的区域视为纯净裸地区域，将NDVI值高于置信区间内的NDVI最大值的区域视为纯净植被区域，以纯净裸地区域内最大值的NDVI作为NDVIsoil，以纯净植被区域内最小值的NDVI作为NDVIveg。
可以依据坡度及地理信息(例如，泉眼、河流、断裂带、裂缝、节理面和裸地等)，按不同区域滑坡风险的高低，对遥感影像进行区域划分，获得一个或多个所述的监测分区。
所述监测分区可以分为滑坡隐患区和潜在影响区，或者分为高滑坡风险区、中滑坡风险区和低滑坡风险区。依据实际情况，还可以包括或者不包括人类活动干扰区。
在计算和分析监测分区的植被覆盖度及植被覆盖度在不同时间和/或不同区域的变化时，优选扣除因已知非滑坡因素(例如降水量、火灾、病/虫害、人为干扰等)导致的植被覆盖度变化，从计算获得的植被覆盖度变化量中减去因已知非滑坡因素导致的植被覆盖度变化量，或者剔除因已知非滑坡因素导致植被覆盖度明显变化的区域。将扣除因已知非滑坡因素导致的植被覆盖度变化后的植被覆盖度变化状况用于滑坡或滑坡风险的预测或辅助预测，提高了植被覆盖度变化与滑坡之间的关联性，有利于提高预测精度。在已发生滑坡导致植被覆盖度明显变化的情形下，因这些变化与所要预测的滑坡风险之间没有关联，视为因已知非滑坡因素导致的植被覆盖度变化，但由于滑坡往往会导致植被状况及地质、地貌的显著变化，通常对已发生滑坡的区域在植被恢复后再重新开始利用植被覆盖度的滑坡监测。
可以设定植被覆盖度的变化量的预警值和/或植被覆盖度相关量的变化量的预警值，当植被覆盖度的变化量和/或植被覆盖度相关量的变化量达到或超过相应的预警值时，判断为植被异常，存在滑坡或潜在滑坡的风险。
所述植被覆盖度相关量为能够体现一定区域植被覆盖度的变量，可以依据预测需要设定。例如，可以包括植被覆盖度置信区间的均值和/或置信区间内NDVI低于或不高于一定值的区域。
本发明可以包括下列步骤：
S1.数据前期处理：包括：
S11.遥感影像前期处理：进行影像校正和融合，获得高分辨的融合影像，所述影像校正和融合通常可以包括影像辐射校正、影像正射校正、影像配准和影像空谱融合；
S12.数字高程模型(DEM，Digital Elevation Model)数据处理：依据DEM数据计算坡度，形成或者不形成坡度图；
S13.遥感影像和水文地质图判读：判读人类活动相关信息及地理信息，所述人类活动相关信息包括房屋和道路，所述地理信息包括道路、泉眼、河流、断裂带、裂缝、节理面和裸地；
S2.影像分区：包括
S21.排除人类活动因素干扰：依据人类活动信息，判断是否存在人类活动干扰区，在存在人类活动干扰区的情况下划分出人类活动干扰区，所述人类活动干扰区包括居民地和道路涉及的区域；
S22.滑坡风险区初步分区：在存在人类活动干扰区时，对人类活动干扰区之外的区域，在不存在人类活动干扰区时，对全部区域，依据坡度数据，按照坡度越大滑坡风险性越高的原则，初步划分出若干风险等级的滑坡风险区，在不使用坡度数据的情况下，不进行初步分区，直接进入步骤S23；
S23.滑坡风险区最终分区：依据不同地理状况对滑坡风险的影响，基于地理信息，在进行了初步分区的情况下，对初步划分出的若干风险等级的滑坡风险区的滑坡风险进行进一步判断，对初步划分出的滑坡风险区的范围进行调整和/或进行不同风险等级的滑坡风险区进一步细分，获得滑坡风险性从高到低的最终分区；在不进行初步分区的情况下，在存在人类活动干扰区时，对人类活动干扰区之外的区域，在不存在人类活动干扰区时，对全部区域，划分出若干风险等级的滑坡风险区，获得滑坡风险性从高到低的最终分区；
S3.植被覆盖度计算：包括
S31.计算各滑坡风险区各像元的NDVI值；
S32.对各滑坡风险区，分别进行NDVI值统计，获得NDVI值对应的累计频率分布表；
S33.计算各滑坡风险区内的NDVI累积百分比a％，依据NDVI累积百分比，确定各滑坡风险区的置信区间amin％～amax％，其中amin％为置信区间的NDVI累积百分比的下限值，amax％为置信区间的NDVI累积百分比的上限值，累积方式为上累积；
S34.以NDVI累积百分比≥amax％的区域为相应滑坡风险区的纯净植被区域，以NDVI累积百分比为amax％的对应像元的NDVI值为相应滑坡风险区的NDVIveg，以NDVI累积百分比≤amin％的区域为相应滑坡风险区的纯净裸地区域，以NDVI累积百分比为amin％的对应像元的NDVI值为NDVIsoil；
S35.计算各滑坡风险区各像元的植被覆盖度Fc，形成各滑坡风险区的植被覆盖度影像；
S4.图像增强：对各滑坡风险区的植被覆盖度影像，进行256级伪彩色密度分割，形成伪彩色植被覆盖度影像；
S5.计算和分析植被覆盖度变化：对植被覆盖度分级，叠加多期经过图像增强的伪彩色植被覆盖度影像，横向比较同一景影像中不同空间位置的植被生长情况，划分疑似植被异常区域，纵向比较相邻时相疑似植被异常区域，获得疑似植被异常区域范围的变化区域，叠加分析疑似植被异常区域范围的变化区域与滑坡位移和/或斜坡不稳定性因素的对应关系，识别出潜在滑坡阶段植被异常特征。
所述步骤S33可以包括：
S331.确定各滑坡风险区各时相的置信区间；
S332.确定各滑坡风险区各时相一致的置信区间：对任一滑坡风险区，将各时相的初始置信区间统一化至均值或最大重叠区域，形成各时相一致的置信区间，即相应滑坡风险区的置信区间，
对任一滑坡风险区，所述步骤S331包括：
S3311.根据植被和裸地情况，设定各时相的初始置信区间，依据像元二分模型，该初始置信区间之内的像元是植被和裸地同时存在的像元，之外的像元为纯净植被像元或纯净裸地像元；
S3312.依据相应NDVI值对应的累计频率分布表，确定各时相的NDVIveg和NDVIsoil，其中NDVIveg为NDVI累积百分比为相应初始置信区间的NDVI累积百分比的上限值所对应的像元的NDVI，NDVIsoil为NDVI累积百分比为相应初始置信区间的NDVI累积百分比的下限值所对应的像元的NDVI；
S3313.计算各时相的植被覆盖度值，获得各时相的植被覆盖度影像；
S3314.对各时相的植被覆盖度影像进行256级伪彩色密度分割，获得相应的伪彩色影像；
S3315.将植被覆盖度影像与对应时相的遥感影像叠加，目视判读植被覆盖度影像与遥感影像的植被区域和裸地区域的吻合情况，若不吻合，回退至S3311，依据遥感影像的植被和裸地区域，调整初始置信区间，若吻合，进入步骤S3316；
S3316.以步骤S3315涉及的初始置信区间为相应时相的置信区间。
所述步骤S5可以包括：
S51.植被覆盖度分级：根据研究区域的实际情况设定植被覆盖度的高阈值Fhigh，将植被覆盖度高于Fhigh的区域定义为高植被覆盖度区域，该区域为在相应研究区域中植被生长良好的区域，将植被覆盖度低于Fhigh的区域定义为中低植被覆盖度区域，该区域为在相应研究区域中植被未良好生长的区域；
S52.横向分析：从空间上，横向比较同一影像中不同空间位置的植被生长情况，初步假设所述中低植被覆盖度区域为疑似植被异常区域；
S53.纵向分析：从时间上，比较相邻时相的疑似植被异常区域，获得疑似植被异常区域范围的变化区域；
S54.叠加分析：疑似植被异常区域范围的变化区域与滑坡位移数据或斜坡不稳定因素叠加，在疑似植被异常区域范围的变化区域与滑坡位移数据一致和/或与斜坡不稳定因素的影响一致时，确定为与潜在滑坡阶段关联的植被异常。
所述步骤S11可以包括：
S111.遥感影像辐射校正：对遥感影像进行辐射定标，然后进行大气校正；
S112.遥感影像正射校正：选择30m或更高分辨率的DEM数据，利用影像自带的有理多项式系数RPC(Rational Polynomial Coefficient)数据和DEM数据进行正射校正，若获取的遥感影像为正射级别的产品，则省略本步骤；
S113.遥感影像配准：对存在偏差的全色和多光谱影像进行配准，对存在偏差的不同时相影像进行配准；
S114.遥感影像NND(Nearest Neighbor Diffusion Pan Sharpening)空谱融合：选择全色影像为高空间分辨率数据，选择与全色影像相同时相同源的多光谱影像为低空间分辨率数据，利用最近邻扩散法NND对配准后的全色和多光谱遥感影像进行空谱融合。
本发明的有益效果是：能够利用光学遥感技术的优势，针对人力难以到达和GPS技术及InSAR技术监测难以奏效的区域，通过遥感图像判识潜在滑坡阶段植被异常特征，在滑坡发生前的潜在滑坡阶段发现滑坡体上覆植被的异常状况，与其他现有技术相结合，反映滑坡的蠕变情况，进而帮助预测滑坡的发生。
附图说明
图1是本发明的流程图；
图2是本发明的数据前期处理的流程图；
图3是本发明的遥感数据前期处理的流程图；
图4是本发明的研究区域分区的流程图；
图5是本发明的植被覆盖度计算的流程图；
图6是本发明的确定各滑坡风险区的置信区间的流程图；
图7是本发明的确定各滑坡风险区各时相的置信区间的流程图；
图8是本发明的植被变化情况分析的流程图；
图9是本发明的植被覆盖度变化叠加分析的流程图。
具体实施方式
下面结合附图，对本发明的利用光学遥感影像判识潜在滑坡阶段植被异常特征的方法予以详细描述。
图1是本发明所述利用光学遥感影像判识潜在滑坡阶段植被异常特征的方法的流程示意图，如图1所示，本发明的方法可以包括下列步骤：
S1.数据前期处理：遥感影像前期处理，获得高分辨率的融合影像，DEM数据计算获得坡度图，遥感影像和地质资料判读，判断居民地、道路、断裂带、水文、裂缝、节理面和裸地等人类活动信息和与滑坡相关的地理信息；
S2.研究区域分区：基于DEM数据处理所得到的坡度图以及对遥感影像和1:20万水文地质图的判读所得到的居民地、道路、泉眼、河流、断裂带、裂缝、节理面和裸地等地理信息，排除人类活动因素的干扰，将人类活动因素的干扰区域作为人类活动干扰区，后续涉及植被覆盖度的计算分析中通常可以忽略人类活动干扰区。然后，基于坡度的滑坡风险性进行初步分区，结合以上斜坡不稳定因素的滑坡风险性调整分区，获得最终分区；
S3.植被覆盖度计算：植被覆盖度计算：计算NDVI值，确定各分区的置信区间，确定各分区内纯净植被的NDVI值和纯净裸地的NDVI值，利用像元二分模型，计算各分区的植被覆盖度，输出各分区的植被覆盖度影像；
S4图像增强：对各分区的植被覆盖度影像，进行256级伪彩色密度分割，输出伪彩色影像。将各分区的植被覆盖度[0,1]的值域范围分成等间隔的256个区间，对应的，将颜色表也分为256个区间，将植被覆盖度的每个区间，按照从低到高对应颜色表中的颜色区间，这样便可以获得植被覆盖度影像256级伪彩色密度分割之后的图像；
S5.植被变化情况分析：对植被覆盖度分级，叠加多期遥感影像的植被覆盖度伪彩色影像，横向定性比较各时相的中低植被覆盖度区域与斜坡不稳定因素分布的对应关系，纵向定性比较多期伪彩色影像的中低植被覆盖度数值及空间范围时间序列的变化趋势，定量统计中低植被覆盖度像元个数，获得中低植被覆盖度区域面积的变化情况，对照斜坡不稳定因素的变化情况及滑坡位移的情况，分析植被异常与滑坡位移和斜坡不稳定因素的变化情况的时空相关性。
在步骤S1中，如图2所示，所述数据前期处理包括：
S11.遥感影像前期处理：遥感影像辐射校正，正射校正，影像配准，全色和多光谱影像进行空谱融合，得到高分辨的融合影像；
S12.DEM数据处理：DEM数据计算，得到坡度信息，坡度计算公式如下，
其中，α是坡度值，h是高程差，l是水平距离；
S13.遥感影像和1:20万水文地质图判读：判读居民地、道路、泉眼、河流、断裂带、裂缝、节理面和裸地等信息。
在步骤S11中，如图3所示，所述遥感影像前期处理包括：
S111.遥感影像辐射校正：对遥感影像进行辐射定标，然后进行大气校正；
S112.遥感影像正射校正：选择30m或更高分辨率的DEM数据，利用影像自带的有理多项式系数RPC数据和DEM数据进行正射校正，若获取的遥感影像为正射级别的产品，可以省略此步骤；
S113.遥感影像配准：对存在偏差的全色和多光谱影像进行配准，对存在偏差的不同时相影像进行配准；
S114.遥感影像NND空谱融合：选择全色影像为高空间分辨率数据，选择与全色影像相同时相同源的多光谱影像为低空间分辨率数据，利用最近邻扩散法NND对配准后的全色和多光谱遥感影像进行空谱融合。
在步骤S2中，如图4所示，所述研究区域分区包括：
S21.排除人类活动因素干扰：若区域内存在居民地和道路等人类活动迹象，则首先将居民地和道路区域划分为人类活动干扰区，对人类活动干扰区之外的区域继续进行下一步分区；
S22.基于坡度的滑坡风险性进行初步分区：按照坡度越大滑坡风险性越高的原则，结合《水土保持综合治理规划通则(GB/T 15772-2008)》和研究区的具体坡度情况，初步将斜坡按照滑坡风险性由高到低分为高滑坡风险区域、次高滑坡风险区域和低滑坡风险区域，若不能获取合适分辨率的坡度数据，则跳过此步骤，进入步骤S23；
S23.结合斜坡不稳定因素的滑坡风险性调整分区：泉眼、河流、断层、裂缝、节理面和裸地也是影响和表征斜坡不稳定的因素，在滑坡风险区域内，它们的变化是斜坡位移的外在反映，这些因素的变化将引起植被异常，在步骤S22初步划分的滑坡风险性区域中，辅助断层、裂缝、节理面以及泉眼、河流等不稳定因素，按照不稳定因素越多，斜坡越不稳定，以及距离不稳定因素越近斜坡越不稳定的原则，对初步划分的滑坡风险区域的范围进行调整和进一步的细分，获得滑坡风险性从高到低的最终分区。
在步骤S3中，如图5所示，所述植被覆盖度计算包括：
S31.计算NDVI值，NDVI的计算公式如下，
其中，ρNIR为近红外波段反射率，ρR为红波段反射率；
S32.统计各分区内各时相NDVI值，获得NDVI值对应的累计频率分布表；
S33.确定各分区的置信区间；
S34.确定NDVIveg和NDVIsoil：为了便于解释，设步骤S33确定的置信区间为amin％～amax％，对照NDVI值的累计频率分布表，确定各时相的NDVI累积百分比≥amax％的为纯净植被区域，amax％对应的NDVI值为NDVIveg，确定各时相的NDVI累积百分比≤amin％的为纯净裸地区域，amin％对应的NDVI值为NDVIsoil；
S35.根据像元二分模型计算植被覆盖度图，计算公式如下，
其中，Fc是植被覆盖度值，NDVIsoil为纯净裸地的NDVI值，NDVIveg则为纯净植被的NDVI值。
在步骤S33中，如图6所示，所述确定各分区的置信区间包括：
S331.确定各分区内各时相的置信区间；
S332.统一各时相的置信空间：为了统一各时相的相关阈值，获得一致且尽量最佳吻合的植被覆盖度，综合考虑各个时相的影像中植被覆盖情况，在各分区内将各时相的置信区间统一化至均值，获得各分区内各时相一致的置信区间，即最终的各分区的置信区间。
在步骤S331中，如图7所示，所述各分区内各时相的置信区间包括：
S3311.利用各分区内各时相NDVI累计频率分布表，依据各自实际的植被和裸地情况，确定植被和裸地混合像元对应的NDVI累计频率的区间范围，将这个区间确定为初始置信区间，这个区间范围之内的像元是植被和裸地同时存在的像元，这个区间范围之外为纯净的植被或裸地像元；
S3312.同步骤S34方法一致，对照NDVI值的累计频率分布表，根据初始置信区间，确定各分区内各时相的NDVIveg和NDVIsoil；
S3313.同步骤S35方法一致，根据像元二分模型，初步计算植被覆盖度值，获得植被覆盖度图；
S3314.同步骤S4方法一致，对各时相的植被覆盖度影像，进行256级伪彩色密度分割，输出伪彩色影像；
S3315.将植被覆盖度图与对应时相的遥感影像叠加，目视判读植被覆盖度图与遥感影像的植被和裸地区域的吻合情况，若不吻合，回退至S3311，调整置信区间；
S3316.依据步骤S3315的吻合结果，获得各分区内各时相的置信区间。
在步骤S5中，如图8所示，所述植被变化情况分析包括：
S51.植被覆盖度分级：根据研究区域的实际情况设定植被覆盖度的高阈值Fhigh，将植被覆盖度高于Fhigh的区域定义为高植被覆盖度区域，将植被覆盖度低于Fhigh的区域定义为中低植被覆盖度区域；
S52.横向分析：空间上，横向比较同一景影像中不同空间位置的植被的生长情况，植被覆盖度低于Fhigh的中低植被覆盖度区域，与同一景影像中高植被覆盖度区域所处的环境条件存在差异，这种差异由植被生长区域的环境因素的不同引起，初步假设中低植被覆盖度区域为疑似植被异常区域；
S53.纵向分析：时间上，比较相邻时相疑似植被异常区域，获得疑似植被异常区域范围的变化区域；
S54.叠加分析：疑似植被异常区域范围的变化区域与滑坡位移数据或斜坡不稳定因素叠加，识别潜在滑坡阶段植被异常特征。
在步骤S54中，如图9所示，所述叠加分析包括：
S521.若可获得滑坡位移数据，将疑似植被异常区域的变化区域与滑坡位移的数据叠加，若疑似植被异常区域的变化区域与滑坡位移空间位置一致，且变化趋势表现为随位移增大，植被覆盖度下降，则变化区域的植被异常为潜在滑坡阶段植被异常特征；
S522.若不可获得滑坡位移数据，将疑似植被异常区域的变化区域与裸地、裂缝、节理面、断层、河流和泉眼等斜坡不稳定因素叠加，若疑似植被异常区域的变化区域存在裸地面积的变化，裂缝和节理的扩张，断层的活动，河流和泉眼流量的变化等，则变化区域的植被异常为潜在滑坡阶段植被异常特征。
应用实例一：2017年6月24日发生的新磨村滑坡
数据构成：四川茂县叠溪新磨村地区的高分系列影像，ASTER GDEM V2数据和1:20万水文地形图。其中，高分系列影像具体包括：2014年6月17日的GF-1影像，2015年6月21日的GF-1影像，2016年6月28日的GF-1影像(全色影像空间分辨率为2m，多光谱影像空间分辨为8m)。
软件平台：ENVI5.3，ArcGIS10.2
效果：以已经发生滑坡的区域为研究对象，实现对四川茂县叠溪新磨村滑坡的前期滑坡蠕变活动的监测，验证发明方法思路的正确性，而且与卫星雷达变形监测结果基本一致。
应用实例二：2018年10月11日发生的白格滑坡
数据构成：西藏江达县波罗乡白格村地区的SPOT影像，具体包括：2014年5月18日的SPOT-6影像，2015年5月30日的SPOT-7影像，2017年月8日的SPOT-7影像(全色影像空间分辨率为1.5m，多光谱影像空间分辨率为6m)。
软件平台：ENVI5.3，ArcGIS10.2
效果：以已经发生滑坡的区域为研究对象，实现对西藏江达县波罗乡白格滑坡的前期滑坡蠕变活动的监测，验证发明方法思路的正确性，而且与卫星雷达变形监测结果基本一致。
本发明公开的各优选和可选的技术手段，除特别说明外及一个优选或可选技术手段为另一技术手段的进一步限定外，均可以任意组合，形成若干不同的技术方案。

Claims (10)

1.一种利用光学遥感影像判识潜在滑坡阶段植被异常特征的方法，其依据遥感影像，计算和分析监测分区的植被覆盖度及植被覆盖度在不同时间和/或不同区域的变化，遥感影像上的任一像元的植被覆盖度Fc依下列公式计算：
其中，
NDVI为该像元的归一化植被指数，NDVIsoil为该监测分区的纯净裸地的NDVI，NDVIveg为该监测分区的纯净植被的NDVI，ρNIR为该像元的近红外波段反射率，ρR为该像元的红波段反射率。
2.如权利要求1所述的方法，其特征在于依据NDVI值，在监测分区中设置置信区间，将NDVI值低于置信区间内的NDVI最小值的区域视为纯净裸地区域，将NDVI值高于置信区间内的NDVI最大值的区域视为纯净植被区域，以纯净裸地区域内最大值的NDVI作为NDVIsoil，以纯净植被区域内最小值的NDVI作为NDVIveg。
3.如权利要求1所述的方法，其特征在于依据坡度及地理信息，按不同区域滑坡风险的高低，对遥感影像进行区域划分，获得一个或多个所述的监测分区。
4.如权利要求1所述的方法，其特征在于在计算和分析监测分区的植被覆盖度及植被覆盖度在不同时间和/或不同区域的变化时，扣除因已知非滑坡因素导致的植被覆盖度变化，从计算获得的植被覆盖度变化量中减去因已知非滑坡因素导致的植被覆盖度变化量，或者剔除因已知非滑坡因素导致植被覆盖度明显变化的区域。
5.如权利要求4所述的方法，其特征在于设定植被覆盖度的变化量的预警值和/或植被覆盖度相关量的变化量的预警值，当植被覆盖度的变化量和/或植被覆盖度相关量的变化量达到或超过相应的预警值时，判断为植被异常，存在滑坡或潜在滑坡的风险。
6.如权利要求5所述的方法，其特征在于所述植被覆盖度相关量包括植被覆盖度置信区间的均值和/或置信区间内NDVI低于或不高于一定值的区域。
7.如权利要求1-6所述的方法，其特征在于包括下列步骤：
S1.数据前期处理：包括：
S11.遥感影像前期处理：进行影像校正和融合，获得高分辨的融合影像；
S12.数字高程模型数据处理：依据DEM数据计算坡度，形成或者不形成坡度图；
S13.遥感影像和水文地质图判读：判读人类活动相关信息及地理信息，所述人类活动相关信息包括房屋和道路，所述地理信息包括道路、泉眼、河流、断裂带、裂缝、节理面和裸地；
S2.影像分区：包括
S21.排除人类活动因素干扰：依据人类活动信息，判断是否存在人类活动干扰区，在存在人类活动干扰区的情况下划分出人类活动干扰区，所述人类活动干扰区包括居民地和道路涉及的区域；
S22.滑坡风险区初步分区：在存在人类活动干扰区时，对人类活动干扰区之外的区域，在不存在人类活动干扰区时，对全部区域，依据坡度数据，按照坡度越大滑坡风险性越高的原则，初步划分出若干风险等级的滑坡风险区，在不使用坡度数据的情况下，不进行初步分区，直接进入步骤S23；
S23.滑坡风险区最终分区：依据不同地理状况对滑坡风险的影响，基于地理信息，在进行了初步分区的情况下，对初步划分出的若干风险等级的滑坡风险区的滑坡风险进行进一步判断，对初步划分出的滑坡风险区的范围进行调整和/或进行不同风险等级的滑坡风险区的进一步细分，获得滑坡风险性从高到低的最终分区；在不进行初步分区的情况下，在存在人类活动干扰区时，对人类活动干扰区之外的区域，在不存在人类活动干扰区时，对全部区域，划分出若干风险等级的滑坡风险区，获得滑坡风险性从高到低的最终分区；
S3.植被覆盖度计算：包括
S31.计算各滑坡风险区各像元的NDVI值；
S32.对各滑坡风险区，分别进行NDVI值统计，获得NDVI值对应的累计频率分布表；
S33.计算各滑坡风险区内的NDVI累积百分比a％，依据NDVI累积百分比，确定各滑坡风险区的置信区间amin％～amax％，其中amin％为置信区间的NDVI累积百分比的下限值，amax％为置信区间的NDVI累积百分比的上限值，累积方式为上累积；
S34.以NDVI累积百分比≥amax％的区域为相应滑坡风险区的纯净植被区域，以NDVI累积百分比为amax％的对应像元的NDVI值为相应滑坡风险区的NDVIveg，以NDVI累积百分比≤amin％的区域为相应滑坡风险区的纯净裸地区域，以NDVI累积百分比为amin％的对应像元的NDVI值为NDVIsoil；
S35.计算各滑坡风险区各像元的植被覆盖度Fc，形成各滑坡风险区的植被覆盖度影像；
S4.图像增强：对各滑坡风险区的植被覆盖度影像，进行256级伪彩色密度分割，形成伪彩色植被覆盖度影像；
S5.计算和分析植被覆盖度变化：对植被覆盖度分级，叠加多期经过图像增强的伪彩色植被覆盖度影像，横向比较同一景影像中不同空间位置的植被生长情况，划分疑似植被异常区域，纵向比较相邻时相疑似植被异常区域，获得疑似植被异常区域范围的变化区域，叠加分析疑似植被异常区域范围的变化区域与滑坡位移和/或斜坡不稳定性因素的对应关系，识别出潜在滑坡阶段植被异常特征。
8.如权利要求7所述的方法，其特征在于所述步骤S33包括：
S331.确定各滑坡风险区各时相的置信区间；
S332.确定各滑坡风险区各时相一致的置信区间：对任一滑坡风险区，将各时相的初始置信区间统一化至均值或最大重叠区域，形成各时相一致的置信区间，即相应滑坡风险区的置信区间。
对任一滑坡风险区，所述步骤S331包括：
S3311.根据植被和裸地情况，设定各时相的初始置信区间，依据像元二分模型，该初始置信区间之内的像元是植被和裸地同时存在的像元，之外的像元为纯净植被像元或纯净裸地像元；
S3312.依据相应NDVI值对应的累计频率分布表，确定各时相的NDVIveg和NDVIsoil，其中NDVIveg为NDVI累积百分比为相应初始置信区间的NDVI累积百分比的上限值所对应的像元的NDVI，NDVIsoil为NDVI累积百分比为相应初始置信区间的NDVI累积百分比的下限值所对应的像元的NDVI；
S3313.计算各时相的植被覆盖度值，获得各时相的植被覆盖度影像；
S3314.对各时相的植被覆盖度影像进行256级伪彩色密度分割，获得相应的伪彩色影像；
S3315.将植被覆盖度影像与对应时相的遥感影像叠加，目视判读植被覆盖度影像与遥感影像的植被区域和裸地区域的吻合情况，若不吻合，回退至S3311，依据遥感影像的植被和裸地区域，调整初始置信区间，若吻合，进入步骤S3316；
S3316.以步骤S3315涉及的初始置信区间为相应时相的置信区间。
9.如权利要求7所述的方法，其特征在于所述步骤S5包括：
S51.植被覆盖度分级：根据研究区域的实际情况设定植被覆盖度的高阈值Fhigh，将植被覆盖度高于Fhigh的区域定义为高植被覆盖度区域，该区域为在相应研究区域中植被生长良好的区域，将植被覆盖度低于Fhigh的区域定义为中低植被覆盖度区域，该区域为在相应研究区域中植被未良好生长的区域；
S52.横向分析：从空间上，横向比较同一影像中不同空间位置的植被生长情况，初步假设所述中低植被覆盖度区域为疑似植被异常区域；
S53.纵向分析：从时间上，比较相邻时相的疑似植被异常区域，获得疑似植被异常区域范围的变化区域；
S54.叠加分析：疑似植被异常区域范围的变化区域与滑坡位移数据或斜坡不稳定因素叠加，在疑似植被异常区域范围的变化区域与滑坡位移数据一致和/或与斜坡不稳定因素的影响一致时，确定为与潜在滑坡阶段关联的植被异常。
10.如权利要求7所述的方法，其特征在于所述步骤S11包括：
S111.遥感影像辐射校正：对遥感影像进行辐射定标，然后进行大气校正；
S112.遥感影像正射校正：选择30m或更高分辨率的DEM数据，利用影像自带的有理多项式系数RPC数据和DEM数据进行正射校正，若获取的遥感影像为正射级别的产品，则省略本步骤；
S113.遥感影像配准：对存在偏差的全色和多光谱影像进行配准，对存在偏差的不同时相影像进行配准；
S114.遥感影像NND空谱融合：选择全色影像为高空间分辨率数据，选择与全色影像相同时相同源的多光谱影像为低空间分辨率数据，利用最近邻扩散法NND对配准后的全色和多光谱遥感影像进行空谱融合。
CN201910187186.9A 2019-03-13 2019-03-13 利用光学遥感影像判识潜在滑坡阶段植被异常特征的方法 Active CN110059553B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910187186.9A CN110059553B (zh) 2019-03-13 2019-03-13 利用光学遥感影像判识潜在滑坡阶段植被异常特征的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910187186.9A CN110059553B (zh) 2019-03-13 2019-03-13 利用光学遥感影像判识潜在滑坡阶段植被异常特征的方法

Publications (2)

Publication Number Publication Date
CN110059553A true CN110059553A (zh) 2019-07-26
CN110059553B CN110059553B (zh) 2020-11-10

Family

ID=67316867

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910187186.9A Active CN110059553B (zh) 2019-03-13 2019-03-13 利用光学遥感影像判识潜在滑坡阶段植被异常特征的方法

Country Status (1)

Country Link
CN (1) CN110059553B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110689044A (zh) * 2019-08-22 2020-01-14 湖南四灵电子科技有限公司 一种结合目标间关系的目标检测方法及系统
CN110826578A (zh) * 2019-11-14 2020-02-21 中国地质科学院岩溶地质研究所 全域尺度的岩溶石漠化信息遥感快速提取方法
CN110852585A (zh) * 2019-10-30 2020-02-28 北京师范大学 植被生长稳定性的计算方法及装置
CN110927120A (zh) * 2019-11-30 2020-03-27 内蒙古蒙草生命共同体大数据有限公司 一种植被覆盖度预警方法
CN112529831A (zh) * 2019-08-28 2021-03-19 深圳市熠摄科技有限公司 利用图像处理技术的地貌潜变观测设备
CN112818880A (zh) * 2021-02-05 2021-05-18 郑州科技学院 基于深度学习的航拍图像植被提取与分类方法
CN113034519A (zh) * 2021-04-23 2021-06-25 生态环境部卫星环境应用中心 滨海滩涂湿地植被恢复建设区域确定方法和装置
CN113076506A (zh) * 2021-03-23 2021-07-06 北京师范大学 一种基于水质净化和生态节水相结合调控湿地ndvi的方法
CN113537174A (zh) * 2021-09-16 2021-10-22 中国科学院烟台海岸带研究所 一种珊瑚礁生境调查视频分析方法
CN114660675A (zh) * 2022-03-19 2022-06-24 四川省华地建设工程有限责任公司 一种基于遥感影像的高寒高海拔地区地下水出露寻找方法
CN116778344A (zh) * 2023-08-17 2023-09-19 牧马人(山东)勘察测绘集团有限公司 基于视觉技术的土地整理边界线划分方法
CN116883411A (zh) * 2023-09-08 2023-10-13 浙江诺电电力科技有限公司 一种开关柜智能远程监测系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101788685A (zh) * 2010-02-11 2010-07-28 中国土地勘测规划院 基于像元的遥感震害信息提取与挖掘方法
CN104376204A (zh) * 2014-11-06 2015-02-25 中国测绘科学研究院 一种采用改进的像元二分法反演植被覆盖度的方法
CN107229919A (zh) * 2017-06-05 2017-10-03 深圳先进技术研究院 一种用于复杂生态海岸带的生态要素处理方法及系统
CN107909607A (zh) * 2017-12-11 2018-04-13 河北省科学院地理科学研究所 一种年度区域植被覆盖度计算方法
CN109165424A (zh) * 2018-08-03 2019-01-08 四川理工学院 一种基于国产gf-1卫星数据的滑坡易发性评估方法
CN109344364A (zh) * 2018-10-12 2019-02-15 江苏师范大学 一种适用于干旱区fvc估算的像元二分模型参数率定方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101788685A (zh) * 2010-02-11 2010-07-28 中国土地勘测规划院 基于像元的遥感震害信息提取与挖掘方法
CN104376204A (zh) * 2014-11-06 2015-02-25 中国测绘科学研究院 一种采用改进的像元二分法反演植被覆盖度的方法
CN107229919A (zh) * 2017-06-05 2017-10-03 深圳先进技术研究院 一种用于复杂生态海岸带的生态要素处理方法及系统
CN107909607A (zh) * 2017-12-11 2018-04-13 河北省科学院地理科学研究所 一种年度区域植被覆盖度计算方法
CN109165424A (zh) * 2018-08-03 2019-01-08 四川理工学院 一种基于国产gf-1卫星数据的滑坡易发性评估方法
CN109344364A (zh) * 2018-10-12 2019-02-15 江苏师范大学 一种适用于干旱区fvc估算的像元二分模型参数率定方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨明生 等: "结合纹理特征分析与比辐射率估计的震后滑坡提取", 《遥感学报》 *

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110689044A (zh) * 2019-08-22 2020-01-14 湖南四灵电子科技有限公司 一种结合目标间关系的目标检测方法及系统
CN112529831A (zh) * 2019-08-28 2021-03-19 深圳市熠摄科技有限公司 利用图像处理技术的地貌潜变观测设备
CN110852585B (zh) * 2019-10-30 2022-05-10 北京师范大学 植被生长稳定性的计算方法及装置
CN110852585A (zh) * 2019-10-30 2020-02-28 北京师范大学 植被生长稳定性的计算方法及装置
CN110826578A (zh) * 2019-11-14 2020-02-21 中国地质科学院岩溶地质研究所 全域尺度的岩溶石漠化信息遥感快速提取方法
CN110826578B (zh) * 2019-11-14 2021-06-18 中国地质科学院岩溶地质研究所 全域尺度的岩溶石漠化信息遥感快速提取方法
CN110927120A (zh) * 2019-11-30 2020-03-27 内蒙古蒙草生命共同体大数据有限公司 一种植被覆盖度预警方法
CN110927120B (zh) * 2019-11-30 2023-08-04 内蒙古小草数字生态产业股份有限公司 一种植被覆盖度预警方法
CN112818880A (zh) * 2021-02-05 2021-05-18 郑州科技学院 基于深度学习的航拍图像植被提取与分类方法
CN112818880B (zh) * 2021-02-05 2022-09-30 郑州科技学院 基于深度学习的航拍图像植被提取与分类方法
CN113076506B (zh) * 2021-03-23 2023-06-09 北京师范大学 一种基于水质净化和生态节水相结合调控湿地ndvi的方法
CN113076506A (zh) * 2021-03-23 2021-07-06 北京师范大学 一种基于水质净化和生态节水相结合调控湿地ndvi的方法
CN113034519B (zh) * 2021-04-23 2021-08-31 生态环境部卫星环境应用中心 滨海滩涂湿地植被恢复建设区域确定方法和装置
CN113034519A (zh) * 2021-04-23 2021-06-25 生态环境部卫星环境应用中心 滨海滩涂湿地植被恢复建设区域确定方法和装置
CN113537174B (zh) * 2021-09-16 2021-12-28 中国科学院烟台海岸带研究所 一种珊瑚礁生境调查视频分析方法
CN113537174A (zh) * 2021-09-16 2021-10-22 中国科学院烟台海岸带研究所 一种珊瑚礁生境调查视频分析方法
CN114660675A (zh) * 2022-03-19 2022-06-24 四川省华地建设工程有限责任公司 一种基于遥感影像的高寒高海拔地区地下水出露寻找方法
CN116778344A (zh) * 2023-08-17 2023-09-19 牧马人(山东)勘察测绘集团有限公司 基于视觉技术的土地整理边界线划分方法
CN116778344B (zh) * 2023-08-17 2023-12-05 牧马人(山东)勘察测绘集团有限公司 基于视觉技术的土地整理边界线划分方法
CN116883411A (zh) * 2023-09-08 2023-10-13 浙江诺电电力科技有限公司 一种开关柜智能远程监测系统
CN116883411B (zh) * 2023-09-08 2023-12-19 浙江诺电电力科技有限公司 一种开关柜智能远程监测系统

Also Published As

Publication number Publication date
CN110059553B (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
CN110059553A (zh) 利用光学遥感影像判识潜在滑坡阶段植被异常特征的方法
Xu et al. A new land surface temperature fusion strategy based on cumulative distribution function matching and multiresolution Kalman filtering
Lehnert et al. Retrieval of grassland plant coverage on the Tibetan Plateau based on a multi-scale, multi-sensor and multi-method approach
Véga et al. Height growth reconstruction of a boreal forest canopy over a period of 58 years using a combination of photogrammetric and lidar models
CN104751478B (zh) 一种基于多特征融合的面向对象的建筑物变化检测方法
CN113850139B (zh) 一种基于多源遥感的森林年际物候监测方法
CN112464746B (zh) 一种卫星影像和机器学习的水质监测方法及系统
CN102194127B (zh) 一种多频率sar数据农作物遥感分类方法
Alonzo et al. Mapping tall shrub biomass in Alaska at landscape scale using structure-from-motion photogrammetry and lidar
Belchansky et al. Seasonal comparisons of sea ice concentration estimates derived from SSM/I, OKEAN, and RADARSAT data
Ali-Sisto et al. Forest change detection by using point clouds from dense image matching together with a LiDAR-derived terrain model
Pásztor et al. DOSoReMI as the national implementation of GlobalSoilMap for the territory of Hungary
Bisson et al. Mt. Etna volcano high-resolution topography: airborne LiDAR modelling validated by GPS data
Maselli et al. Use of ETM+ images to extend stem volume estimates obtained from LiDAR data
Papadavid et al. Image based remote sensing method for modeling black-eyed beans (Vigna unguiculata) Leaf Area Index (LAI) and Crop Height (CH) over Cyprus
CN113076796A (zh) 喀斯特石漠化的遥感制图方法及装置
Liu et al. Architecture planning and geo-disasters assessment mapping of landslide by using airborne LiDAR data and UAV images
Gao et al. De (re) forestation and climate warming in subarctic China
Wezyk The integration of the terrestrial and airborne laser scanning technologies in the semi-automated process of retrieving selected trees and forest stand parameters Integração das tecnologias terrestre e aerotransportada de scanner laser no processo semi
Argyriou A methodology for the rapid identification of neotectonic features using geographical information systems and remote sensing: A case study from Western Crete, Greece
Asmus et al. Satellite monitoring of sea ice cover and water parameters for the Caspian sea
Gao et al. Spatial and temporal information fusion for crop condition monitoring
Alexandridis et al. LAI measurement with hemispherical photographs at variable conditions for assessment of remotely sensed estimations
Tonboe et al. The EUMETSAT OSI SAF Sea Ice Concentration Algorithm Algorithm Theoretical Basis Document
Seid et al. Identification of lithology and structures in Serdo, Afar, Ethiopia using remote sensing and Gis techniques

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant