留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

汶川地震震后10 a绵远河流域滑坡遥感自动提取与演化趋势分析

龙玉洁 李为乐 黄润秋 许强 余斌 刘刚

龙玉洁, 李为乐, 黄润秋, 许强, 余斌, 刘刚. 汶川地震震后10 a绵远河流域滑坡遥感自动提取与演化趋势分析[J]. 武汉大学学报 ( 信息科学版), 2020, 45(11): 1792-1800. doi: 10.13203/j.whugis20200180
引用本文: 龙玉洁, 李为乐, 黄润秋, 许强, 余斌, 刘刚. 汶川地震震后10 a绵远河流域滑坡遥感自动提取与演化趋势分析[J]. 武汉大学学报 ( 信息科学版), 2020, 45(11): 1792-1800. doi: 10.13203/j.whugis20200180
LONG Yujie, LI Weile, HUANG Runqiu, XU Qiang, YU Bin, LIU Gang. Automatic Extraction and Evolution Trend Analysis of Landslides in Mianyuan River Basin in the 10 Years After Wenchuan Earthquake[J]. Geomatics and Information Science of Wuhan University, 2020, 45(11): 1792-1800. doi: 10.13203/j.whugis20200180
Citation: LONG Yujie, LI Weile, HUANG Runqiu, XU Qiang, YU Bin, LIU Gang. Automatic Extraction and Evolution Trend Analysis of Landslides in Mianyuan River Basin in the 10 Years After Wenchuan Earthquake[J]. Geomatics and Information Science of Wuhan University, 2020, 45(11): 1792-1800. doi: 10.13203/j.whugis20200180

汶川地震震后10 a绵远河流域滑坡遥感自动提取与演化趋势分析

doi: 10.13203/j.whugis20200180
基金项目: 

国家重点研发计划 2018YFC1505402

国家重点研发计划 2017YFC1501001

国家自然科学基金创新研究群体科学基金 41521002

四川省科技厅重点研发计划 2019YFG0460

地质灾害防治与地质环境保护国家重点实验室自主课题 SKLGP2014Z004

四川省地震科技创新团队专项 201901

详细信息

Automatic Extraction and Evolution Trend Analysis of Landslides in Mianyuan River Basin in the 10 Years After Wenchuan Earthquake

Funds: 

The National Key Research and Development Program of China 2018YFC1505402

The National Key Research and Development Program of China 2017YFC1501001

the Science Fund for Creative Research Groups of the National Natural Science Foundation of China 41521002

the Key Research and Development Program of the Department of Science and Technology of Sichuan Province 2019YFG0460

the State Key Laboratory of Geohazard Prevention and Geoenvironment Protection Independent Research Project SKLGP2014Z004

the Science and Technology Innovation Fund of Sichuan Earthquake Agency 201901

More Information
  • 摘要: 2008年汶川Ms 8.0级地震触发了大量的崩塌滑坡地质灾害,导致强震区震后地质灾害活动规模和频率显著增加。选取地质灾害频发的绵远河流域作为研究区,分别利用最大似然法和随机森林算法自动提取该区域2007—2018年的滑坡灾害信息。结果表明:随机森林算法提取效果较理想,能准确识别区域内的大部分滑坡,且与已有研究成果结果更吻合,正确率均值为86.73%。汶川地震震后10 a间研究区滑坡活动状态可分为3种:2008—2011年为强活动期,滑坡活动规模和频率较地震前显著增加,灾害损失严重;2012—2016年为中等活动期,滑坡活动规模和频率逐渐降低,灾害事件偶尔发生;2017年之后为弱活动期,滑坡活动规模和频率显著降低,灾害事件鲜有发生,但仍然没有恢复到震前水平。
  • 图  1  绵远河流域位置

    Figure  1.  Location Map of Mianyuan River Basin

    图  2  研究区地层岩性、地质构造图

    Figure  2.  Stratigraphic Lithology and Geological Structure of the Study Area

    图  3  实验遥感数据

    Figure  3.  Remote Sensing Images Used in This Study

    图  4  2008年同震滑坡提取结果

    Figure  4.  Extraction Results of Co-seismic Landslides in 2008

    图  5  2007-2018年绵远河流域滑坡演变图

    Figure  5.  Evolution of Landslides in the Mianyuan River Basin from 2007 to 2018

    图  6  2007-2018年绵远河流域滑坡面积变化图

    Figure  6.  Landslide Area Change in Mianyuan River Basin from 2007 to 2018

    图  7  研究区震后泥石流分布图

    Figure  7.  Distribution of Debris Flows in Study Area After the Earthquake

    图  8  2016-01-19小岗剑滑坡照片

    Figure  8.  Photo of Xiaogangjian Landslide on January 19, 2016

    图  9  2002-2016年汶川灾区10个县/市研究区地质灾害引起的植被受损面积变化

    Figure  9.  Change in Area Affected by Vegetation Damage Caused by Geohazards in the Study Area of 10 Counties/Cities from 2002-2016

    表  1  实验遥感数据信息

    Table  1.   Remote Sensing Images Used in This Study

    卫星 影像时间 分辨率/m 云量/%
    Landsat 7 2007-05-06 30.0 10.00
    SPOT-5 2008-10-13 2.5 0.00
    RapidEye 2011-06-23 5.0 1.39
    RapidEye 2013-10-08 5.0 0.00
    RapidEye 2015-07-25 5.0 7.52
    RapidEye 2016-02-29 5.0 0.00
    RapidEye 2017-11-11 5.0 0.64
    Planet 2018-05-15 3.0 0.00
    下载: 导出CSV

    表  2  同震滑坡自动提取精度对比分析

    Table  2.   Accuracy Analysis of Automatic Extraction of Co-seismic Landslides

    典型区域 年份 最大似然法 RF算法
    正确率/% 错分率/% 漏检率/% 正确率/% 错分率/% 漏检率/%
    区域A 2008 88.15 11.75 11.78 91.52 6.55 14.48
    2011 86.80 5.63 13.25 92.24 9.70 18.94
    2013 73.55 13.40 26.73 83.24 2.84 5.08
    2015 79.35 0.42 20.57 95.37 1.92 12.13
    2016 45.40 9.10 54.60 92.34 7.24 12.86
    2017 79.12 12.54 20.96 79.49 14.46 16.30
    2018 57.75 14.33 42.36 82.89 2.93 19.20
    区域B 2008 86.34 19.35 13.76 84.41 8.65 17.40
    2011 72.32 10.82 28.03 92.22 18.23 18.86
    2013 78.33 30.21 21.46 84.26 14.68 18.58
    2015 70.90 6.28 29.18 79.60 18.99 19.56
    2016 63.49 27.02 36.36 87.74 11.36 15.34
    2017 73.17 43.88 27.10 78.68 17.64 18.39
    2018 68.88 18.88 62.64 90.21 1.03 14.66
    下载: 导出CSV
  • [1] 陈晓清, 崔鹏, 李泳, 等.汶川地震后北川干溪沟山地灾害及长期发展趋势初步分析[J].四川大学学报(工程科学版), 2010, 42(S1): 22-32 http://www.cnki.com.cn/Article/CJFDTotal-SCLH2010S1005.htm

    Chen Xiaoqing, Cui Peng, Li Yong, et al. Mountain Hazard Induced by Wenchuan Earthquake and Its Long-Term Development Trends of Ganxi Gully, Beichuan[J]. Journal of Sichuan University(Engineering Science Edition), 2010, 42(S1): 22-32 http://www.cnki.com.cn/Article/CJFDTotal-SCLH2010S1005.htm
    [2] 唐川.汶川地震区暴雨滑坡泥石流活动趋势预测[J].山地学报, 2010, 28(3): 341-349 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=sdxb201003012

    Tang Chuan. Activity Tendency Prediction of Rainfall Induced Landslides and Debris Flows in the Wenchuan Earthquake Areas[J].Journal of Mountain Science, 2010, 28(3): 341-349 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=sdxb201003012
    [3] Wei X L, Chen N S, Cheng Q G, et al. Long-Term Activity of Earthquake-Induced Land-Slides: A Case Study from Qionghai Lake Basin, Southwest of China[J]. Journal of Mountain Science, 2014, 11(3): 607-624 doi:  10.1007/s11629-013-2970-4
    [4] Huang R Q, Li W L. Post-Earthquake Landsliding and Long-Term Impacts in the Wenchuan Earthquake Area, China[J]. Engineering Geology, 2014, 182: 111-120 doi:  10.1016/j.enggeo.2014.07.008
    [5] Parker R, Densmore A, Rosser N, et al. Mass Wasting Triggered by the 2008 Wenchuan Earthquake is Greater than Orogenic Growth[J]. Nature Geoscience, 2011, 4(7): 449-452 doi:  10.1038/ngeo1154
    [6] Dai F C, Xu C, Yao X, et al. Spatial Distribution of Landslides Triggered by the 2008 Ms 8.0 Wenchuan Earthquake, China[J].Journal of Asian Earth Sciences, 2011, 40(4): 883-895 doi:  10.1016/j.jseaes.2010.04.010
    [7] Xu C, Xu X W, Yao X, et al. Three (Nearly) Complete Inventories of Landslides Triggered by the May 12, 2008 Wenchuan Mw 7.9 Earthquake of China and Their Spatial Distribution Statistical Analysis[J]. Landslides, 2013, 11(3): 441-461 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=63b8b70483a40c8261dea03a96c9d947
    [8] Li G, West A J, Densmore A L, et al. Seismic Mountain Building: Landslides Associated with the 2008 Wenchuan Earthquake in the Context of a Generalized Model for Earthquake Volume Balance[J]. Geochemistry Geophysics Geosystems, 2014, 15(4): 833-844 doi:  10.1002/2013GC005067
    [9] Huang R Q, Li W L. Analysis of the Geo-Hazards Triggered by the 12 May 2008 Wenchuan Earthquake, China[J]. Bulletin of Engineering Geology and the Environment, 2009, 68(3): 363-371 doi:  10.1007/s10064-009-0207-0
    [10] Qi S, Qiang X, Lan H, et al. Spatial Distribution Analysis of Landslides Triggered by 2008.5.12 Wenchuan Earthquake, China[J].Engineering Geology, 2010, 116(1): 95-108 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=85bff191bab70d0705acef9f8c3f43c0
    [11] Gorum T, Fan X, van Westen C J, et al. Distribution Pattern of Earthquake-Induced Landslides Triggered by the 12 May 2008 Wenchuan Earthquake[J]. Geomorphology, 2011, 133(3): 152-167 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=a6f14915f893e35016673979be72202c
    [12] Zhang L, Zhang S, Huang R.Multi-Hazard Scenarios and Consequences in Beichuan, China: The First Five Years After the 2008 Wenchuan Earthquake[J]. Engineering Geology, 2014, 180: 4-20 doi:  10.1016/j.enggeo.2014.03.020
    [13] Xu Q, Zhang S, Li W L. The 13 August 2010 Catastrophic Debris Flows After the 2008 Wenchuan Earthquake, China[J]. Natural Hazards and Earth System Sciences, 2012, 12(1): 201-216 doi:  10.5194/nhess-12-201-2012
    [14] Zhu J, Tang C, Chang M, et al. Field Observations of the Disastrous 11 July 2013 Debris Flows in Qipan Gully, Wenchuan Area, Southwestern China[C]. Engineering Geology for Society and Territory, Cham, Switzerland, 2015
    [15] 靳文, 张国涛, 邹强, 等.震后泥石流活跃期的新认识:以四川汶川"8·20"灾害事件为例[J].山地学报, 2019, 37(5): 787-796 http://kns.cnki.net/KCMS/detail/detail.aspx?dbcode=CJFD&filename=SDYA201905016

    Jin Wen, Zhang Guotao, Zou Qiang, et al. A New Understanding of the Activity Behavior of Post-Earthquake Debris Flow-Taking the "8 · 20" Event in Wenchuan, Sichuan, China as an Example[J]. Mountain Research, 2019, 37(5): 787-796 http://kns.cnki.net/KCMS/detail/detail.aspx?dbcode=CJFD&filename=SDYA201905016
    [16] Nakamura H, Tsuchiya S, Inoue K, et al.Sabo Against Earthquakes[M].Tokyo:Kokon Shoin, 2000
    [17] Chen H, Hawkins A. Relationship Between Earthquake Disturbance, Tropical Rainstorms and Debris Movement: An Overview from Taiwan[J]. Bulletin of Engineering Geology and the Environment, 2009, 68(2): 161-186 doi:  10.1007/s10064-009-0209-y
    [18] Guo X, Cui P, Li Y, et al. Intensity-Duration Threshold of Rainfall-Triggered Debris Flows in the Wenchuan Earthquake Affected Area, China[J]. Geomorphology, 2016, 253(15): 208-216 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=1b25f0b538d7beba5d927790a9139682
    [19] Fan X, Scaringi G, Oliver K, et al. Earthquake-Induced Chains of Geologic Hazards:Patterns, Mechanisms, and Impacts[J]. Reviews of Geophysics, 2019, 57(2): 421-503 doi:  10.1029/2018RG000626
    [20] Ni Z, Yang Z, Li Y, et al. Decreasing Trend of Geohazards Induced by the 2008 Wenchuan Earthquake Inferred from Time Series NDVI Data[J]. Remote Sensing, 2019, 11(19): 2 192 doi:  10.3390/rs11192192
    [21] 丁开华, 许才军, 温扬茂.汶川地震震后形变的GPS反演[J].武汉大学学报·信息科学版, 2013, 38(2): 131-135 http://ch.whu.edu.cn/article/id/6089

    Ding Kaihua, Xu Caijun, Wen Yangmao.Postseismic Deformation Associated With the 2009 Wenchuan Earthquake by GPS Data[J]. Geomatics and Information Science of Wuhan University, 2013, 38(2): 131-135 http://ch.whu.edu.cn/article/id/6089
    [22] Tang C, van Westen C J, Tanyas H, et al.Analysing Post-Earthquake Landslide Activity Using Multi-Temporal Landslide Inventories Near the Epicentral Area of the 2008 Wenchuan Earthquake[J]. Natural Hazards and Earth System Sciences, 2016, 16(12): 1-26 doi:  10.5194/nhess-2016-193
    [23] 许冲.基于最大似然法的地震滑坡信息自动提取及其可靠性检验[J].中国地质灾害与防治学报, 2013, 24(3): 19-25 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zgdzzhyfzxb201303004

    Xu Chong. Automatic Extraction of Earthquake-Triggered Landslides Based on Maximum Likelihood Method and Its Validation[J]. The Chinese Journal of Geological Hazard and Control, 2013, 24(3): 19-25 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zgdzzhyfzxb201303004
    [24] 李为乐, 黄润秋, 唐川, 等.汶川地震触发的绵远河流域崩塌滑坡的特征[J].山地学报, 2011, 29(4): 483-492 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=sdxb201104013

    Li Weile, Huang Runqiu, Tang Chuan, et al. Landslide Triggered by "5·12" Wenchuan Earthquake in the Mianyuan River Basin, China[J]. Journal of Mountain Science, 2011, 29(4): 483-492 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=sdxb201104013
    [25] 中国地震局.汶川8.0级地震烈度分布图[EB/OL].(2008-08-29).https://www.cea.gov.cn/cea/xwzx/fzjzyw/5189771/index.html,2008

    China Earthquake Administration. Intensity Distribution Map of Wenchuan MS 8.0 Earthquake[EB/OL].(2008-08-29).https://www.cea.gov.cn/cea/xwzx/fzjzyw/5189771/index.html
    [26] 孙家柄.遥感原理与应用[M].武汉:武汉大学出版社, 2003

    Sun Jiabing. Principles and Applications of Remote Sensing[M]. Wuhan: Wuhan University Press, 2003
    [27] 韦玉春, 汤国安, 杨昕, 等.遥感数字图像处理教程[M].北京:科学出版社, 2007

    Wei Yuchun, Tang Guoan, Yang Xin, et al. Remote Sensing Digital Image Processing Course[M]. Beijing: Science Press, 2007
    [28] Jensen J R.遥感数字影像处理导论[M].北京:机械工业出版社, 2007

    Jensen J R. Introductory Digital Image Processing[M]. Beijing: China Machine Press, 2007
    [29] Breiman L.Random Forests[J].Machine Learning, 2001, 45(1): 5-32
    [30] Breiman L. Statistical Modeling: The Two Cultures[J]. Statalence, 2001, 16(3): 199-215 http://www.mendeley.com/research/statistical-modelling-two-cultures/
    [31] 刘坚, 李树林, 陈涛.基于优化随机森林模型的滑坡易发性评价[J].武汉大学学报·信息科学版, 2018, 43(7): 1 085-1 091 doi:  10.13203/j.whugis20160515

    Liu Jian, Li Shulin, Chen Tao.Landslide Susceptibility Assesment Based on Optimized Random Forest Model[J]. Geomatics and Information Science of Wuhan University, 2018, 43(7): 1 085-1 091 doi:  10.13203/j.whugis20160515
    [32] Sebastian V D L, Rabe A, Held M, et al. The EnMAP-Box:A Toolbox and Application Programming Interface for EnMAP Data Processing[J]. Remote Sensing, 2015, 7(9): 11 249 doi:  10.3390/rs70911249
    [33] 李凌婧, 姚鑫, 张永双, 等.汶川地震绵远河流域地质灾害遥感提取与分布特征研究[J].工程地质学报, 2014, 22(1): 46-55 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=gcdzxb201401007

    Li Lingjing, Yao Xin, Zhang Yongshuang, et al. RS-Based Extraction and Distribution Characteristics of Geohazards Triggered by Wenchuan Earthquake in Mianyuan River Basin[J]. Journal of Engineering Geology, 2014, 22(1): 46-55 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=gcdzxb201401007
  • [1] 刘志恒.  基于多源遥感数据的千河流域线性体提取与活动构造地貌研究 . 武汉大学学报 ( 信息科学版), 2022, 47(7): 1154-1154. doi: 10.13203/j.whugis20220160
    [2] 牛安福, 赵静, 苑争一, 吉平.  汶川地震孕育过程中变形场变化特征研究 . 武汉大学学报 ( 信息科学版), 2022, 47(6): 839-848. doi: 10.13203/j.whugis20220117
    [3] 余婷婷, 董有福.  利用随机森林回归算法校正ASTER GDEM高程误差 . 武汉大学学报 ( 信息科学版), 2021, 46(7): 1098-1105. doi: 10.13203/j.whugis20190245
    [4] 周聪, 曾祥芝, 袁静, 李兴泉, 王庆良, 陈文胜.  利用深度自编码算法的地震脉冲信号检测方法 . 武汉大学学报 ( 信息科学版), 2020, 45(7): 980-987, 995. doi: 10.13203/j.whugis20180348
    [5] 游天, 王光霞, 吕晓华, 孙卫新, 张寅宝.  一种面向室内导航的通行区域模型及其自动提取算法 . 武汉大学学报 ( 信息科学版), 2019, 44(2): 177-184. doi: 10.13203/j.whugis20170056
    [6] 顾海燕, 闫利, 李海涛, 贾莹.  基于随机森林的地理要素面向对象自动解译方法 . 武汉大学学报 ( 信息科学版), 2016, 41(2): 228-234. doi: 10.13203/j.whugis20140102
    [7] 简涛, 黄晓冬, 王捷, 何友.  基于修正最大似然估计的距离扩展目标检测器 . 武汉大学学报 ( 信息科学版), 2016, 41(6): 791-796. doi: 10.13203/j.whugis20140651
    [8] 杨树文, 李轶鲲, 刘涛, 姚花琴.  基于SPOT5影像自动提取水体的新方法 . 武汉大学学报 ( 信息科学版), 2015, 40(3): 308-314.
    [9] 李冲, 李建成, 黄瑞金, 谭理.  青藏高原东部地壳物质流变模型及汶川地震机理探讨 . 武汉大学学报 ( 信息科学版), 2015, 40(6): 810-815. doi: 10.13203/j.whugis20130655
    [10] 沈立辉, 吴保国, 杨 乃.  面状要素主骨架线自动提取算法研究 . 武汉大学学报 ( 信息科学版), 2014, 39(7): 767-771.
    [11] 丁开华, 许才军, 温扬茂.  汶川地震震后形变的GPS反演 . 武汉大学学报 ( 信息科学版), 2013, 38(2): 131-135.
    [12] 张希, 李瑞莎, 贾鹏, 王庆良.  汶川大震前扰动异常的震源区定位探索 . 武汉大学学报 ( 信息科学版), 2012, 37(3): 310-313.
    [13] 陈国雄, 孙劲松, 刘天佑.  GRACE卫星时变重力场的小波多尺度分解——以2008年汶川Ms8.0大地震为例 . 武汉大学学报 ( 信息科学版), 2012, 37(6): 679-682.
    [14] 熊永良, 黄丁发, 徐韶光, 廖华.  长距离动态GPS数据处理方法与汶川地震引起的动态地壳形变特征分析 . 武汉大学学报 ( 信息科学版), 2010, 35(3): 265-269.
    [15] 张燕, 吴云.  2008年汶川地震前的形变异常及机理解释 . 武汉大学学报 ( 信息科学版), 2010, 35(1): 25-29.
    [16] 许才军, 林敦灵, 温扬茂.  利用InSAR数据的汶川地震形变场提取及分析 . 武汉大学学报 ( 信息科学版), 2010, 35(10): 1138-1142.
    [17] 张希, 崔笃信, 张四新, 王双绪.  地形变观测揭示的汶川Ms8.0级地震同震响应与影响 . 武汉大学学报 ( 信息科学版), 2009, 34(10): 1204-1209.
    [18] 韩涛, 徐晓桃, 颉耀文.  基于单时相MODIS数据的决策树自动构建及分类研究 . 武汉大学学报 ( 信息科学版), 2009, 34(2): 191-194.
    [19] 曹雪, 柯长青.  基于TM影像的南京市土地利用遥感动态监测 . 武汉大学学报 ( 信息科学版), 2006, 31(11): 958-961.
    [20] 艾自兴.  河流自动综合方法 . 武汉大学学报 ( 信息科学版), 1993, 18(S1): 27-31.
  • 加载中
图(9) / 表(2)
计量
  • 文章访问数:  843
  • HTML全文浏览量:  209
  • PDF下载量:  137
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-04-17
  • 刊出日期:  2020-11-19

汶川地震震后10 a绵远河流域滑坡遥感自动提取与演化趋势分析

doi: 10.13203/j.whugis20200180
    基金项目:

    国家重点研发计划 2018YFC1505402

    国家重点研发计划 2017YFC1501001

    国家自然科学基金创新研究群体科学基金 41521002

    四川省科技厅重点研发计划 2019YFG0460

    地质灾害防治与地质环境保护国家重点实验室自主课题 SKLGP2014Z004

    四川省地震科技创新团队专项 201901

    作者简介:

    龙玉洁,硕士生,主要从事地质灾害遥感调查研究。812856552@qq.com

    通讯作者: 李为乐,博士,副研究员。liweile08@mail.cdut.edu.cn
  • 中图分类号: P237

摘要: 2008年汶川Ms 8.0级地震触发了大量的崩塌滑坡地质灾害,导致强震区震后地质灾害活动规模和频率显著增加。选取地质灾害频发的绵远河流域作为研究区,分别利用最大似然法和随机森林算法自动提取该区域2007—2018年的滑坡灾害信息。结果表明:随机森林算法提取效果较理想,能准确识别区域内的大部分滑坡,且与已有研究成果结果更吻合,正确率均值为86.73%。汶川地震震后10 a间研究区滑坡活动状态可分为3种:2008—2011年为强活动期,滑坡活动规模和频率较地震前显著增加,灾害损失严重;2012—2016年为中等活动期,滑坡活动规模和频率逐渐降低,灾害事件偶尔发生;2017年之后为弱活动期,滑坡活动规模和频率显著降低,灾害事件鲜有发生,但仍然没有恢复到震前水平。

English Abstract

龙玉洁, 李为乐, 黄润秋, 许强, 余斌, 刘刚. 汶川地震震后10 a绵远河流域滑坡遥感自动提取与演化趋势分析[J]. 武汉大学学报 ( 信息科学版), 2020, 45(11): 1792-1800. doi: 10.13203/j.whugis20200180
引用本文: 龙玉洁, 李为乐, 黄润秋, 许强, 余斌, 刘刚. 汶川地震震后10 a绵远河流域滑坡遥感自动提取与演化趋势分析[J]. 武汉大学学报 ( 信息科学版), 2020, 45(11): 1792-1800. doi: 10.13203/j.whugis20200180
LONG Yujie, LI Weile, HUANG Runqiu, XU Qiang, YU Bin, LIU Gang. Automatic Extraction and Evolution Trend Analysis of Landslides in Mianyuan River Basin in the 10 Years After Wenchuan Earthquake[J]. Geomatics and Information Science of Wuhan University, 2020, 45(11): 1792-1800. doi: 10.13203/j.whugis20200180
Citation: LONG Yujie, LI Weile, HUANG Runqiu, XU Qiang, YU Bin, LIU Gang. Automatic Extraction and Evolution Trend Analysis of Landslides in Mianyuan River Basin in the 10 Years After Wenchuan Earthquake[J]. Geomatics and Information Science of Wuhan University, 2020, 45(11): 1792-1800. doi: 10.13203/j.whugis20200180
  • 一次强震事件引起的滞后性地质灾害的数量和规模可能远远超出震前水平,且持续数年甚至上百年[1-4]。2008-05-12汶川Ms 8.0级大地震触发了60 000余处崩塌滑坡地质灾害,松散固体物质总体积达50~150亿m3[5-11],导致强震区震后群发性泥石流灾害频发,给地震灾区人民造成了严重损失,如2008年北川县“9∙24”泥石流[12],2010年清平、映秀、龙池等地区“8∙13”泥石流[13],2013年汶川县“7∙10”泥石流[14]以及2019年汶川县“8∙20”泥石流[15]等。

    强烈地震对山区滑坡、泥石流和河道泥沙淤积的影响是显著的,这一现象已引起学者的普遍关注,其中开展了较系统长期观测研究的有1923年日本关东大地震(Mw 7.9)和1999年台湾集集地震(Mw 7.6)。日本关东大地震震后地质灾害强烈活动期持续约15 a,震后40 a地质灾害活动强度才逐渐恢复到震前水平[16]。台湾集集地震重灾区震后5 a为地质灾害强烈活动期,震后10 a地质灾害活动强度才逐渐降低[17]。汶川地震10余年来,大量学者对灾区震后地质灾害的演化特征和发展趋势进行了跟踪和预测研究[2, 18-22],但主要以定性分析为主。部分学者指出汶川地震后的滑坡泥石流活动同样分为4个阶段:产生阶段、不稳定阶段、恢复阶段和稳定阶段,其中不稳定阶段至少要持续10~15 a[2]。文献[4]以绵远河为研究区,研究了震后6 a灾区重大地质灾害的特点和发生规律,认为震后地质灾害活动将持续20~25 a。文献[19]认为汶川地震后的滑坡活动在前3 a下降了70%以上,并在震后10 a内逐渐恢复正常水平。文献[20]通过震后10 a来中分辨率成像光谱仪(moderate resolution imaging spectrora diometer,MODIS)卫星影像数据(空间分辨率250 m)对汶川震区地质灾害的宏观演变趋势进行了定量研究,认为震后地质灾害活动水平已逐渐降低至震前水平。文献[22]利用地球观测卫星系统(systeme probatoire d'observation dela terre,SPOT)-5等高分辨率遥感影像研究了汶川地震震中区域约179 km2范围2008—2015年地质灾害的演化规律,发现到2015年4月仅有约1%的同震地质灾害处于活动状态,但仍然没有恢复到震前水平。

    现有的滑坡识别方法主要分为传统的目视解译识别方法与基于像元的自动识别方法,而基于像元的识别方法主要包括决策树分类、神经网络分类、专家系统分类与基于纹理分类等。汶川震后,大量研究者通过传统的人工目视解译方法,基于中高分辨率的遥感影像对同震滑坡进行了编目[7-8, 11],但这种方法需要丰富的地质专业背景知识,且费时费力。基于像元的识别方法能够充分利用遥感数据的光谱、纹理等信息,并结合多种数据源,如数字高程模型(digital elevation model,DEM)、归一化植被指数(normalized difference vegetation index,NDVI)等,更高效地提取滑坡灾害。文献[23]基于SPOT-5遥感影像,利用最大似然法等监督分类方式提取出汶川地震同震滑坡,探讨不同阈值的提取效果。文献[24]利用震后先进陆地观测卫星(advanced land observing satellite,ALOS)数据自动提取了绵远河流域崩塌滑坡,研究了流域内地质灾害类型与分布规律。

    2019年汶川县“8∙20”大规模群发性泥石流的暴发,使得汶川地震后地质灾害的长期活动规律和持续时间再次成为社会各界关切的问题。因此,本文以汶川地震极震区绵远河流域为研究区,基于RapidEye等高分辨率多时相卫星影像,利用最大似然法和随机森林(random forest,RF)算法对流域内的地质灾害信息进行自动提取,并对震后10 a地质灾害的时空演化趋势进行定量分析。

    • 绵远河流域隶属于中国四川省绵竹市,属沱江一级支流,距汶川地震震中东北方向约80 km(见图 1),两个Ⅺ烈度区域之间,位于104°01′E~104°11′E,31°26′N~ 31°38′N,高差近2 300 m,总面积约223.54 km2。区域内低温多雨,年均降雨量约1 087 mm。流域内支流众多,呈树状分布,河流切割强烈,切割深度一般为500~1 000 m。图 1中,地震烈度来源于文献[25],同震滑坡数据来源于文献[7],震后泥石流数据来源于文献[4]。汶川地震发震断层(映秀-北川断层)穿过研究区,地质构造作用强烈,断裂发育(见图 2),导致研究区内出现大量崩塌、滑坡、泥石流等灾害,是汶川地震同震地质灾害发育最为集中的区域之一,给当地居民造成严重的经济财产与生命安全损失。文家沟滑坡、小岗剑滑坡等汶川地震区典型大规模滑坡均位于绵远河流域内,其中文家沟滑坡是整个汶川地震灾区内规模第二大的滑坡灾害,汶川地震触发规模最大滑坡(大光包滑坡)紧邻流域西北侧。

      图  1  绵远河流域位置

      Figure 1.  Location Map of Mianyuan River Basin

      图  2  研究区地层岩性、地质构造图

      Figure 2.  Stratigraphic Lithology and Geological Structure of the Study Area

    • 因四川地区长期受云层影响,且卫星数据受天气、重返周期等条件约束,本文考虑分辨率、云量和阴影的影响来筛选数据,一共收集到研究区2007-2018年8期遥感影像数据(见图 3表 1)。此外,还从四川测绘地理信息局收集了研究区震前1:50 000 DEM数据(20 m),用于计算坡度数据;从四川省地震局收集了研究区1:500 000地质图,提取了地层岩性和地质构造数据;从中国地震局收集了震中位置、地震烈度等数据。

      图  3  实验遥感数据

      Figure 3.  Remote Sensing Images Used in This Study

      表 1  实验遥感数据信息

      Table 1.  Remote Sensing Images Used in This Study

      卫星 影像时间 分辨率/m 云量/%
      Landsat 7 2007-05-06 30.0 10.00
      SPOT-5 2008-10-13 2.5 0.00
      RapidEye 2011-06-23 5.0 1.39
      RapidEye 2013-10-08 5.0 0.00
      RapidEye 2015-07-25 5.0 7.52
      RapidEye 2016-02-29 5.0 0.00
      RapidEye 2017-11-11 5.0 0.64
      Planet 2018-05-15 3.0 0.00
    • 强震造成的地质灾害往往会严重破坏地表植被,利用色调、纹理、归一化植被指数等特征能明显区分植被与地质灾害区域。因影像分辨率与纯计算机识别的局限性,本文未将地质灾害类型进行具体区分,统称为滑坡。

      本文采用最大似然法和RF算法对流域内的地质灾害进行自动提取。所有影像投影转换为高斯-克吕格坐标系,并以2008-10-13 SPOT-5卫星数据为参考,进行坐标匹配。对RapidEye等高分辨率多时相卫星影像进行大气校正、正射校正等数据处理,利用云掩模去除每景影像中的云覆盖区,降低错分率。在ArcGIS 10.2中,利用空间分析模块里的表面分析工具计算研究区的坡度。

      在此基础上,选取两处地质灾害典型区域(图 2中的区域A和区域B),对其进行人工目视解译。从地震滑坡信息提取精度的角度,对两种方法的提取结果与目视解译结果进行评估分析,利用最优方法对汶川地震震后10 a地质灾害的时空演化规律进行定量分析。针对滑坡信息提取的具体步骤如下:

      1)选取样本。研究区内主要包含滑坡、阴影、水体、居民区、植被这5类地物,在确保样本能准确代表地物类型且样本之间无交叉的基础上,尽可能多地选取样本,使其均匀分布在研究区内。在两处地质灾害典型区域,对每类地物分别选取15~30个训练样本,并检验样本的可分离性(其值范围为0~2,越接近2代表样本间的分离性越好)。对研究区内的地理环境进行分析:滑坡体表层植被遭到破坏,使岩层裸露,NDVI值较周围低;而水体、道路和居民区位于坡度较缓区域。所以选取高精度光学影像、NDVI与坡度数据作为滑坡识别的输入特征影像。

      2)滑坡信息提取。人工目视解译是目前应用最为广泛的地质灾害识别方法。由于研究区范围较大,为了准确对比最大似然法和RF算法对不同地质灾害区域的提取精度,本文对2008-2018年两处典型区域(2007年两处典型区域无地质灾害分布)的滑坡分布进行目视解译。其中,图 2中区域A为2008年地震后的地质灾害密集区,区域B为受损较低区域,两处区域均包含居民区、河流与道路等易与滑坡混淆的区域。所有卫星影像在两处区域内均无云覆盖,影像质量较优,满足目视解译需求。两处区域总面积为12.44 km2,占研究区面积的6%,包含研究区内的所有地物类型,具有良好的代表性。

      最大似然法是遥感影像监督分类中常用的信息提取方法[26],其原理是假定各波段的每类地物都呈均匀分布,利用选取的样本计算像元与各类别的相似度,取相似度最高的类为分类结果。最大似然法的优点是结果稳定,阈值便于调整[27-28]。在ENVI 5.3中,利用最大似然法工具进行最大似然法分类,参考文献[23]对汶川震后滑坡自动提取的研究成果,似然度的阈值设置为0,即所有栅格参与分类。

      RF算法是在分类树算法的基础上提出的一种机器学习分类算法模型[29-30]。RF算法通过装袋(Bagging)方法从N个原始样本中有放回地随机抽取k个样本,形成一个新的训练集,未被抽取到的样本用于评估模型的性能。对每个训练集生成相对应的一个决策树。在每个决策树的内部节点中,从m个特征中随机抽取n个特征用于节点分裂,参考不同的判断方式反复计算获得最优分裂方式,分类结果由决策树大小形成的分数确定[31]。RF算法与传统决策树分类方法相比,提高了模型的准确率和稳定性,降低了对噪声和异常值的敏感度,能够有效避免过度拟合。在ENVI中,利用经过ENMAP-BOX[32]封装后的RF分类工具对数据进行基于RF算法的分类。

      3)精度评价。为精准评估两种算法结果,本文将区域AB目视解译识别结果作为验证数据,导出分辨率为5.0 m的栅格数据,定义为a,单位为栅格数,算法自动提取结果定义为b,以正确率、错分率和漏检率作为评价标准。为降低误差,本文去除了两种算法提取结果中面积小于100 m2的栅格。(1)正确率=(ab)/a×100%,表示正确提取的滑坡栅格数占总滑坡栅格数的百分比,正确率越大,表明自动识别的结果越优;(2)错分率=(b-ab)/a×100%,表示提取错误的滑坡栅格数占总滑坡栅格数的百分比;(3)漏检率=(a-ab)/b×100%,表示遗漏提取滑坡栅格数占总提取滑坡栅格数的百分比。正确率、错分率和漏检率的取值介于0~100%之间。

      4)震后滑坡时空趋势分析。选取精度较高的算法,对滑坡、阴影、水体、居民区、植被5类地物分别选取一定数量训练样本,提取2007-2018年研究区的滑坡分布情况,并将提取结果叠加到邻近时相的谷歌地球影像,整饰滑坡识别结果的边界,并导出分辨率为5.0 m的栅格数据。在ArcGIS中,对后一时相滑坡分布数据与前一时相滑坡分布数据进行叠加分析,得到研究区的滑坡活动变化情况。

    • 依据上述方法对2007-2018年研究区典型区域的滑坡信息进行快速识别,以2008年同震滑坡提取结果为例,分析最大似然法和RF算法识别结果,区域AB的滑坡提取结果如图 4所示。整体上,两种方法均能将区域内大部分大中型滑坡识别出来,与滑坡整体的形状大致相同。

      图  4  2008年同震滑坡提取结果

      Figure 4.  Extraction Results of Co-seismic Landslides in 2008

      滑坡自动提取过程中,大型滑坡区域较易识别,而部分小型地灾或亮度较低的滑坡(在真彩色影像中呈现与耕地或植被相近颜色)被作为噪声去除。对比区域AB的提取结果,识别错误主要出现在中小型滑坡周围,此类滑坡主要为大型滑坡的分支或同周边环境差异不明显区域。RF算法能够准确识别大中型滑坡边界,尽管夹杂了少部分蓝色区域,但整体上提高了精度。最大似然法的提取结果包含较多蓝色和黄色小碎斑,将滑坡周边的建筑物误判为滑坡区域,导致提取效果略差于RF算法。

    • 地质灾害的准确识别在灾害危险性分析和灾害损失评估中有非常重要的作用[24, 33]表 2为2008-2018年最大似然法与RF算法滑坡提取的评价结果。

      表 2  同震滑坡自动提取精度对比分析

      Table 2.  Accuracy Analysis of Automatic Extraction of Co-seismic Landslides

      典型区域 年份 最大似然法 RF算法
      正确率/% 错分率/% 漏检率/% 正确率/% 错分率/% 漏检率/%
      区域A 2008 88.15 11.75 11.78 91.52 6.55 14.48
      2011 86.80 5.63 13.25 92.24 9.70 18.94
      2013 73.55 13.40 26.73 83.24 2.84 5.08
      2015 79.35 0.42 20.57 95.37 1.92 12.13
      2016 45.40 9.10 54.60 92.34 7.24 12.86
      2017 79.12 12.54 20.96 79.49 14.46 16.30
      2018 57.75 14.33 42.36 82.89 2.93 19.20
      区域B 2008 86.34 19.35 13.76 84.41 8.65 17.40
      2011 72.32 10.82 28.03 92.22 18.23 18.86
      2013 78.33 30.21 21.46 84.26 14.68 18.58
      2015 70.90 6.28 29.18 79.60 18.99 19.56
      2016 63.49 27.02 36.36 87.74 11.36 15.34
      2017 73.17 43.88 27.10 78.68 17.64 18.39
      2018 68.88 18.88 62.64 90.21 1.03 14.66

      2008-2018年期间,RF算法的正确率均值稳定在86.73%左右,高于最大似然法(73.11%),原因之一是目视解译结果滑坡边界较为平滑,而自动提取结果线条生硬,滑坡边缘处难免存在误差。由于影像本身受到太阳高度、拍摄视角等限制,云层、阴影区域的滑坡无法准确获取,滑坡形态与周边植被受人类活动的影响,使得算法识别结果产生一定程度的错分和漏检现象。观察错分率与漏检率,RF算法保持在20%以下,而最大似然法的均值超过40%。最大似然法完全依赖人为选择的训练样本,且阈值设置为0,使得区域内所有像元都参与了分类,在获得较高滑坡提取率的同时,也造成了较高的误判率,加之存在一定的同物异谱现象,无法区分干扰地类(如道路、房屋等),使得其滑坡提取效果略差于RF算法。RF算法最终提取的2008年绵远河流域滑坡面积为51.54 km2,与文献[7]的结果(51.67 km2)相近,说明RF算法具有一定的可信度。结合目视结果与评价因子的对比分析,RF算法能充分利用影像光谱特征,与人工识别结果更为契合,满足地震滑坡提取的需求。

    • 本文利用RF算法提取了研究区2007-2018年的滑坡分布情况(见图 5图 6)。其中“无变化”表示前后两期影像上均显示为滑坡的区域;“新增”表示在前一期影像上为非滑坡区,而在后一期影像上为滑坡区;“减少”表示在前一期影像上为滑坡区,在后一期影像上为非滑坡区。

      图  5  2007-2018年绵远河流域滑坡演变图

      Figure 5.  Evolution of Landslides in the Mianyuan River Basin from 2007 to 2018

      图  6  2007-2018年绵远河流域滑坡面积变化图

      Figure 6.  Landslide Area Change in Mianyuan River Basin from 2007 to 2018

      2007年提取结果显示研究区内零散分布着少量小型滑坡,滑坡总面积0.24 km2,仅占研究区总面积的0.11%(见图 5(a)),说明研究区震前滑坡等地质灾害不发育。2008年提取结果显示新增同震滑坡总面积51.54 km2,占研究区总面积的23.06%(见图 5(b)),远远高于整个汶川地震区的平均水平(1.94%)[5]。2008-2011年间,新增滑坡19.25 km2,主要集中分布于流域西北高山区;滑坡减少37.76 km2,主要分布于流域东南中低山区;滑坡总面积为33.46 km2,占研究区总面积的14.97%(见图 5(c))。2011-2013年间,新增滑坡7.21 km2,主要分布于西北高山区;滑坡减少25.03 km2,东南中低山滑坡继续减少,同时西北高山区滑坡也开始减少;滑坡总面积15.80 km2,占研究区总面积的7.07%(见图 5(d))。2013-2015年间,新增滑坡6.39 km2,同样还是主要分布于西北高山区;滑坡减少8.47 km2,东南中低山和西北高山区滑坡继续减少;滑坡总面积13.72 km2,占研究区总面积的6.14%(见图 5(e))。2015-2016年间,新增滑坡7.35 km2,滑坡减少7.05 km2,滑坡总面积14.03 km2,占研究区总面积的6.27%(见图 5(f))。2016-2017年间,新增滑坡3.51 km2,滑坡减少7.84 km2,滑坡总面积9.70 km2,占研究区总面积的4.34%(见图 5(g))。2017-2018年间,新增滑坡3.82 km2,滑坡减少4.17 km2,滑坡总面积9.28 km2,占研究区总面积的4.13%(见图 5(h))。

      通过2007-2018年不同阶段滑坡面积变化的定量分析,可将绵远河流域震后滑坡活动状态分为强活动期、中等活动期和弱活动期。

      强活动期为2008-2011年,这一期间在同震滑坡的基础上,降雨新增滑坡面积约20 km2。2008年汶川地震后,由于地震触发了大量松散物质并使得大量山体被震裂震松,绵远河流域地质灾害发生频率和规模都较震前显著增高[9]。野外调查发现,2008-2011年研究区发生了多起群发性滑坡、泥石流事件。其中,规模最大的为2008-09-24和2010-10-13暴雨触发的滑坡泥石流事件。2008-09-24暴雨导致超过30条泥石流沟发生了群发性泥石流灾害,而2010-10-13暴雨导致至少有92条泥石流沟发生了滑坡泥石流灾害(见图 7)。

      图  7  研究区震后泥石流分布图

      Figure 7.  Distribution of Debris Flows in Study Area After the Earthquake

      中等活动期为2012-2016年,这期间年均新增滑坡约6.98 km2,相对于2011年以前滑坡发生的规模和频率已经显著降低,但滑坡导致的灾害事件也偶有发生。例如,2016-01-19小岗剑后缘震裂山体发生约80万m3滑坡,并堵江形成堰塞湖,导致重新修建的防治工程全部损毁,汉清公路被掩埋中断(见图 8)。

      图  8  2016-01-19小岗剑滑坡照片

      Figure 8.  Photo of Xiaogangjian Landslide on January 19, 2016

      2017年之后为弱活动期,这期间每年新增滑坡仅约3.66 km2,主要为小规模滑坡。不变的滑坡区域主要为文家沟等大规模同震滑坡残留的滑坡壁,虽然其上为基岩裸露区域,植被暂时还没有恢复,但已经基本恢复稳定状态。2017年之后研究区鲜有滑坡等地质灾害事件报道。但由于仍然有大量地震触发的松散固体物质堆积在斜坡和沟谷中,虽然目前处于相对稳定状态,植被恢复较好,但在未来地表径流的不断冲刷侵蚀作用下,如遇到强降雨事件,仍然会发生较大规模的滑坡泥石流事件。如2019-08-20汶川地震震中区域的岷江流域在经历了数年的滑坡弱活动期后又发生了大规模的滑坡泥石流,造成了严重的人员伤亡和财产损失。目前,研究区的滑坡水平仍然没有恢复到震前水平。

      汶川地质灾害主要集中发生于2009-2013年期间,并在2011年达到高峰(见图 9,修改自文献[23])。2014-2016年期间,植被受损面积开始呈下降趋势,但仍大于2008-05-12汶川地震之前。2014年地质灾害总面积是地震前(2001-2007年)的3倍。汶川地震触发了大量崩塌、滑坡地质灾害,使得植被覆盖率显著下降,生态环境遭到严重破坏。震后灾区植被逐渐恢复,但同时又受到暴雨、滑坡、泥石流的破坏。地震严重破坏了绵远河流域的植被,产生大量浅层崩滑体。绵远河流域位于两个Ⅺ烈度区域之间,震后地质灾害活动较为频繁。对绵远河流域震后滑坡演化趋势进行定量研究,有利于分析汶川地震重灾区的震后恢复情况。

      图  9  2002-2016年汶川灾区10个县/市研究区地质灾害引起的植被受损面积变化

      Figure 9.  Change in Area Affected by Vegetation Damage Caused by Geohazards in the Study Area of 10 Counties/Cities from 2002-2016

    • 本文以绵远河流域为研究区,利用最大似然法和RF算法自动提取该区域的地质灾害信息,对绵远河流域2007-2018年的地质灾害变化趋势进行了分析。主要结论如下:

      1)通过目视以及与已有研究成果对比,RF算法的正确率均值为86.73%,错分率与漏检率保持在20%以下,识别效果优于最大似然法(正确率均值73.11%)。自动提取滑坡能够快速高效识别出大尺度区域的滑坡,但仍存在一定的缺点。相较于目视解译的结果,碎斑过多,滑坡边界略显生硬,并且小型滑坡的提取效果不佳。后续研究可进一步利用面向对象、RF等算法进行地震滑坡的自动识别。此外,本文中的RF算法是基于每景遥感影像分别建立的规则,能否针对不同时期的数据应用同一套规则,也是后续研究中可以继续探讨的方向。

      2)通过滑坡面积变化定量分析,将汶川地震震后10 a间绵远河流域的滑坡活动状态分为强活动期、中等活动期和弱活动期。其中,2008-2011年为强活动期,滑坡、泥石流等活动规模和频率较地震前显著增加,灾害损失严重;2012-2016年为中等活动期,滑坡、泥石流等活动规模和频率逐渐降低,灾害事件偶有发生;2017年之后为弱活动期,滑坡、泥石流等活动规模和频率显著降低,灾害事件鲜有发生,但仍然没有恢复到震前水平。

      3)一次8.0级强震对震区地质灾害的影响时间可达数十年甚至上百年,而本文研究的时间尺度仅为10 a,仅能反映汶川地震震后地质灾害的短期演化特征和趋势。要揭示汶川地震震后地质灾害的长期演化规律,后续需要进行长期持续的遥感和现场监测。

参考文献 (33)

目录

    /

    返回文章
    返回