Active landslide identification with a combined method of D-InSAR and random forest model
-
摘要: 灾害的早期识别是防灾减灾领域的关键技术。文中以甘肃省舟曲县为例,利用2018年1月-2019年1月Sentinel-1A雷达卫星降轨数据和2021年5月Sentinel-2光学遥感影像数据,通过D-InSAR技术获取研究区地表形变信息,利用随机森林模型识别潜在的滑坡体。结果表明:使用已有的滑坡数据集,采用随机森林模型能够较好地识别出潜在滑坡体。潜在滑坡点分布位置均位于地表形变量大的区域。舟曲县整体形变沿东西向发生,主要分布于舟曲县东北和西南方向,与潜在滑坡点高度重合。识别出的潜在滑坡点(立节乡北山滑坡),年形变量达到0.12 m,于2021年1月18日发生滑坡,该滑坡典型案例也印证了文中方法的有效性。Abstract: Early identification of disaster is a key technical problem in disaster prevention and mitigation. In this study, Zhouqu County, Gansu Province was taken as an example. Based on Sentinel-1A radar satellite orbit landing data from January 2018 to January 2019 and Sentinel-2 optical remote sensing image data from May 2021, D-InSAR technology was used to obtain surface deformation information in the study area, and Random Forest model was used to identify potential landslides. The results show that using the existing landslide data set, the random forest model can identify the potential landslide well. The distribution locations of potential landslide are all located in areas with large surface shape variables. The overall deformation occurred along the east-west direction, mainly distributed in the northeast and southwest directions of Zhouqu County, and overlapped with the potential landslide. The identified potential landslide point (Beishan landslide in Lijie Township) has an annual variable of 0.12 m, and the landslide occurred on January 18, 2021. This typical landslide case also confirms the effectiveness of the proposed method.
-
Keywords:
- landslide /
- disaster identification /
- InSAR /
- random forest /
- Zhouqu
-
0. 引言
我国地质灾害种类多、分布广、危害大。为进一步减轻地质灾害风险,最大限度保障人民群众生命财产安全,从2003年起,我国大陆开始开展汛期区域地质灾害气象预警工作,并形成预警产品面向公众的发布,在地质灾害防治中发挥了 “消息树”和“发令枪”的作用,取得了明显的社会经济效益[1],极大地提升了公众社会对防范地质灾害的认知。随着该项工作的不断推进,预警产品的内涵从粗到细逐步走向规范化,包括了预警范围、等级、时段和文字说明等内容[2],且临灾发布工作要求快速、高效和精准。然而这些信息若靠人工获取并不是件易事,比如要经技术人员通过读取预警区划图并研判后,才能粗略得出空间分布范围等定性信息,这一过程耗时耗力,且难以达到定量描述的准确效果。因此自动计算预警结果并快速生成预警产品是预警系统的一个重要功能[2],围绕聚焦解决好地质灾害可能发生的地点、成灾范围等预警预报问题[3-4],考虑如何利用信息技术自动获取预警产品描述信息的实现势在必行。然而经检索发现国内直接进行相关研究还较少,可供参考的文献不多。为了快速形成权威、科学、符合实际的这一产品,本文提出一种可高效自动分析形成初步的预警产品描述信息的技术算法,为有关信息平台的功能模块的研发、支撑专家做出更详尽的预警产品研判提供理论支撑。
1. 算法原理
1.1 技术路线
以研究区行政区划图和预警区划图[2]为数据来源,应用GIS技术将空间位置信息和属性信息无缝结合,结合数学统计和地理知识等,精确获取预警等级在行政区划所处方位、区域占比和防治措施等精细描述的预警信息,将图面内容转换为直观的文本描述,为最终预警产品的快速生成奠定基础(图1)。
1.2 关键数据
为了实现目标,在开始研究前,要准备必要的空间图层作为计算的基础,即将具有不同预警等级属性的矢量栅格地质灾害预警区划图层和反映行政区名称及空间范围的研究区行政区划图层作为数据源,二者要求具有相同的地图投影参数。其中,前者一般通过网格剖分后通过多因子要素叠加进行综合评价得到,这一过程在当前地质灾害空间评价预警研究中是普遍采用的方法[5-6],但因不是本文的重点,故不再赘述。
1.3 预警描述信息各因子获取
1.3.1 预警等级集合概念模型
很显然,前述空间图层叠加结果中,不同预警级别对应的地区预警信息处于离散状态,且一般情况下,这些信息数量较为可观,为了后续分析数据高效便捷,有规律可循,需要提前分析预警等级、地区、方位等数据间的关联性,通过聚类分析建立分类簇集合信息,这一预警等级集合概念模型设计见图2。
图2中可以看出,预警等级集合以三级预警等级为唯一的主键,包括了这一等级下的地区列表预警信息子集合,而该子集合以地区名称为主键,包括了一对多的分布方位和面积占比列表,该列表以分布方位为唯一索引,在实际计算时,相同分布方位需要进行去重处理,所占的面积要进行求和运算。最终通过综合计算,形成该预警等级下的总体分布区域、分布方位等综合预警描述信息。
1.3.2 空间信息叠加与判别
空间关系描述是GIS系统的基本功能之一,GIS的技术支持的地质灾害风险区划的最终目的是划分不同灾害等级的区域,可为地质灾害预警提供依据[7-8]。通过将预警区划图层和行政区划分区图层进行空间叠加,遍历判断每个预警等级矢量栅格单元和行政区划单元的空间拓扑关系,确定该行政单元是否包括某预警级别(图3)。如果二者拓扑关系为不相离,说明该地区具备该等级,反之如果是包含、相交、穿越等非相离关系,则还需进行两两拓扑求交运算,并重新采用交集中的预警等级区参与面积计算更具科学性和精确性。
1.3.3 预警等级分布面积占比求算
一个由N个拐点(xi, yi)确定的封闭多边形的面积如式(1)计算:
(1) 式中:i——拐点序号;
N——拐点个数;
xi——第i个拐点x坐标;
yi——第i个拐点y坐标;
A——封闭多边形的面积。
相同方位的预警等级所占行政区划单元的面积占比(R)是对预警等级广泛程度的描述,算式如下:
(2) 式中:i——拐点序号;
N——拐点个数;
R——某预警等级的面积占比;
Ai——某预警等级单元的面积;
Si——某行政区划单元面积。
1.3.4 预警等级分布范围描述
对分布范围则用绝大部分、大部分、局部、个别四级进行空间范围的广泛程度描述,判别指标为集合中单元格之和的占比(R),定义见表1。
表 1 预警等级占比描述表Table 1. Description of the proportion of early warning levels某预警等级在行政单元中的占比 程度描述 R≥0.9 基本全域 0.7≤R<0.9 绝大部分 0.5≤R<0.7 大部分 0.2≤R<0.5 局部 R≤0.2 个别 1.3.5 预警等级单元分布方位求算
空间方向的定性描述是用若干主方向粗略地描述空间方向。而定量描述则是用方位角来量测空间目标之间的方向关系,因此方位角是空间方向描述的一个重要手段[9]。要获取一个预警等级单元在行政区划中的分布方向,实际上是通过计算该等级相对于所处区域的方位角得到(图4),结合地理知识,根据实际情况共划分出了8个方位角区间和对应的分布关系(图5)。
1、方位角计算
(1)形心求算
本次方位角计算要获取行政区划单元和预警等级单元的几何形心。一个由N个拐点(xi, yi)确定的封闭多边形的中心如式(3)、式(4)计算:
(3) (4) 式中:i——拐点序号;
N——拐点个数;
A——多边形的面积,由式(1)得出;
xi——第i个拐点x坐标;
yi——第i个拐点y坐标;
Cx——几何形心x坐标;
Cy——几何形心y坐标。
(2)方位角求算
当在平面上2个点的坐标已知时,给出方位角(十进制度数)公式如式(5):
(5) 式中:X2——平面上终点x坐标;
X1——平面上起点x坐标;
Y2——平面上终点y坐标;
Y1——平面上起点y坐标;
α——方位角。
(3)分布方向描述
当方位角得出后,便可以根据方位角与分布方向的映射关系图(图5)获取具体的分布方向。
1.4 预警描述信息提取
经过前述步骤后,将得到一个以预警等级为索引的数据集合,其中包括各个地区的预警信息子集合。将地区预警信息子集合按照预警方位的个数进行升序排列,为了简洁,可以选取前若干个方位作为主要的方位,其余的则以“等地区”代替,而该级别的防治措施则从表2中对照获取[2]。
表 2 预警等级防治措施描述表Table 2. Early warning level control measures description table预警等级 防治措施 1 请严密防范 2 请加强防范 3 请注意防范 4 请监测分析 1.5 形成预警描述综合信息
通过遍历预警等级集合,形成该地区综合的预警产品描述信息。最终某地区预警信息描述格式形成通用模板举例如下:风险大(Ⅱ级)主要分布于××地区的西北部、北部、东北等局部地区,请加强防范;风险较大(Ⅲ级)主要分布于××地区的西南、南部等个别地区,请注意防范。
2. 应用实现
2.1 数据准备
考虑到预警信息的范围划分取决于行政区划图,不同的划分将得到不同的预警产品描述信息,故可将行政区划图看作一个相对的变量,为了验证工作的灵活性和可扩展性,本次通过GIS软件形成了包括11个虚拟乡镇的地区作为预警范围实验数据进行工作(图6),该地区某日的矢量栅格地质灾害预警区划图层业已形成(图7),采用3 km×3 km为预警等级单元,预警单元总数为5194个。上述文件均为Shapefile格式,其投影参数为CGCS2000。
2.2 基于GDAL信息模块的研发
GDAL库(Geospatial Data Abstraction Library)是一个开源的用于栅格和矢量地理空间数据格式的C++转换器库,由开源地理空间基金会在MIT(麻省理工学院)风格的开源许可下发布,目前几乎所有的GIS和RS软件底层都使用GDAL来读写空间数据[10]。由于GDAL库能够很好地支持包括Shp格式在内的很多数据格式,因此本次工作基于GDAL和C++语言,在Visual Studio 2019平台下实现了整个研发验证过程。研发过程中,以本算法为理论基础,结合UML理论建立了空间分析类、因子获取类、信息处理类,并形成了类的方法、属性和事件(图8),最后编译形成了预警信息生成软件工具。
2.3 预警产品信息结果
利用已有的实际数据图层和软件工具,耗时不足1分钟形成了预警产品信息(表3)。从表中可以看出,该日预警级别包括了Ⅱ级、Ⅲ级,主要是以风险较大(Ⅲ级)为主,分布于秦姜董镇、王家湾镇、白堆子镇等地,并且有方位和分布范围程度描述。依据表中信息,通过组合可形成规范格式的综合预警产品描述信息,见图9。
表 3 某地区预警产品描述信息表Table 3. Table of product description for a specific region级别 分布地区 方位 占比/% 防治措施 风险大(Ⅱ级) 王家湾镇 西北等个别地区 8.40 加强防范 五里埔乡 东北、东部等个别地区 4.40 秦姜董镇 南部、东南、东北等个别地区 1.70 风险较大(Ⅲ级) 秦姜董镇 基本全域 96.60 注意防范 孙各庄乡 东北、西北、东南等 31.88 王家湾镇 基本全域 91.00 别山镇 东北、西南、西部等局部地区 33.00 白堆子镇 基本全域 96.60 龚家庄镇 西北、东南、东北等局部地区 24.60 雁儿湾镇 绝大部分 74.60 邱家庄乡 西南、东南、西部等局部地区 34.30 西岗镇 大部分地区 58.20 五里埔乡 东南、东部、东北等局部地区 32.00 上营镇 东北、西南、西北等 30.40 2.4 与传统人工分析对比验证分析
为了进一步验证算法的正确性和优越性,将风险预警范围图(图6)和预警区划图层(图7)进行叠加,通过逐一人工判断每个乡镇区域预警区划情况,可看出所有的乡镇的结果和预警区划图层(图7)的空间展现结果完全吻合,如王家湾镇预警产品信息为风险大(Ⅱ级)、分布于西北,占比不大(图10),这一目估结果与采用本算法生成的预警产品描述信息一致,其次应用计算过程耗时短暂,可见算法能完全满足汛期地质灾害风险预警之快速高效的需要,与传统人工定性分析相比,具有规范、快速、准确的特点,没有遗漏,其优越性显著。
3. 结论
文章提出了基于GIS技术支撑下的地质灾害风险预警产品描述信息的自动化生成技术方法,并以随机的行政区划图和已有的地质灾害预警区划图为数据源,采用GDAL库,通过研发预警信息获取模块进行了实例验证。结果表明,采用本算法形成预警产品描述信息快速高效,结果科学规范、完整全面,进一步提高了预警信息精度,不仅大大降低了预警产品信息获取的繁琐程度,而且节省了时间成本,又兼顾了产品的准确性,可为相关信息系统功能研发及专家研判提供基础理论支撑,将显著提高预警精细化程度和工作效率,适合在实际工作推广使用。
-
表 1 卫星数据参数
Table 1 Satellite data parameters
卫星数据源 轨道方向 波段 中心入射角/(°) 分辨率/m 日期 Sentinel-1A 降轨 C 29~36 5×20 2018-01-21 Sentinel-1A 降轨 C 29~36 5×20 2019-01-04 Sentinel-2 红、绿、蓝 10 2021-05-09 -
[1] 李为乐,许强,陆会燕,等. 大型岩质滑坡形变历史回溯及其启示[J]. 武汉大学学报(信息科学版),2019,44(7):1043 − 1053. [LI Weile,XU Qiang,LU Huiyan,et al. Tracking the deformation history of large-scale rocky landslides and its enlightenment[J]. Geomatics and Information Science of Wuhan University,2019,44(7):1043 − 1053. (in Chinese with English abstract) [2] 代聪,李为乐,陆会燕,等. 甘肃省舟曲县城周边活动滑坡InSAR探测[J]. 武汉大学学报(信息科学版),2021,46(7):994 − 1002. [DAI Cong,LI Weile,LU Huiyan,et al. Active landslides detection in Zhouqu County,Gansu Province using InSAR technology[J]. Geomatics and Information Science of Wuhan University,2021,46(7):994 − 1002. (in Chinese with English abstract) [3] 林荣福,刘纪平,徐胜华,等. 随机森林赋权信息量的滑坡易发性评价方法[J]. 测绘科学,2020,45(12):131 − 138. [LIN Rongfu,LIU Jiping,XU Shenghua,et al. Evaluation method of landslide susceptibility based on random forest weighted information[J]. Science of Surveying and Mapping,2020,45(12):131 − 138. (in Chinese with English abstract) [4] 赵延岭. 基于InSAR技术的树坪滑坡识别与研究[D]. 西安: 长安大学, 2017 ZHAO Yanling. Identification and research of Shuping landslide based on InSAR technology[D]. Xi’an: Chang’an University, 2017. (in Chinese with English abstract)
[5] 赵超英,刘晓杰,张勤,等. 甘肃黑方台黄土滑坡 InSAR 识别、监测与失稳模式研究[J]. 武汉大学学报(信息科学版),2019,44(7):996 − 1007. [ZHAO Chaoying,LIU Xiaojie,ZHANG Qin,et al. Research on loess landslide identification,monitoring and failure mode with InSAR technique in Heifangtai,Gansu[J]. Geomatics and Information Science of Wuhan University,2019,44(7):996 − 1007. (in Chinese with English abstract) [6] DONG J,LIAO M S,XU Q,et al. Detection and displacement characterization of landslides using multi-temporal satellite SAR interferometry:A case study of Danba County in the Dadu River Basin[J]. Engineering Geology,2018,240:95 − 109.
[7] 张拴宏,纪占胜. 合成孔径雷达干涉测量(InSAR)在地面形变监测中的应用[J]. 中国地质灾害与防治学报,2004,15(1):112 − 117. [ZHANG Shuanhong,JI Zhansheng. A review on the application of interferometric synthetic aperture radar on surface deformation monitoring[J]. The Chinese Journal of Geological Hazard and Control,2004,15(1):112 − 117. (in Chinese with English abstract) DOI: 10.3969/j.issn.1003-8035.2004.01.024 [8] SHIRVANI Z,ABDI O,BUCHROITHNER M. A synergetic analysis of Sentinel-1 and -2 for mapping historical landslides using object-oriented random forest in the Hyrcanian forests[J]. Remote Sens,2019,11(19):2300. DOI: 10.3390/rs11192300
[9] PIRALILOU S T,SHAHABI H,JARIHANI B,et al. Landslide detection using multi-scale image segmentation and different machine learning models in the Higher Himalayas[J]. Remote Sensing,2019,11(21):2575. DOI: 10.3390/rs11212575
[10] 涂宽,王文龙,谌华,等. 联合升降轨InSAR与高分辨率光学遥感的滑坡隐患早期识别—以宁夏隆德为例[J]. 中国地质灾害与防治学报,2021,32(6):72 − 81. [TU Kuan,WANG Wenlong,CHEN Hua,et al. Early identification of hidden dangers of lanslides based on the combination of ascending and descending orbits InSAR and high spatial resolution optical remote sensing:A case study of landslides in Longde County,southern Ningxia[J]. The Chinese Journal of Geological Hazard and Control,2021,32(6):72 − 81. (in Chinese with English abstract) [11] 王高峰,叶振南,李刚,等. 白龙江流域舟曲县城区地质灾害危险性评价[J]. 灾害学,2019,34(3):128 − 133. [WANG Gaofeng,YE Zhennan,LI Gang,et al. Geological hazard risk assessment of Zhouqu County in Bailong River basin[J]. Journal of Catastrophology,2019,34(3):128 − 133. (in Chinese with English abstract) DOI: 10.3969/j.issn.1000-811X.2019.03.024 [12] SUN Q,ZHANG L,DING X L,et al. Slope deformation prior to Zhouqu,China landslide from InSAR time series analysis[J]. Remote Sensing of Environment,2015,156:45 − 57. DOI: 10.1016/j.rse.2014.09.029
[13] 张之贤,张强,陶际春,等. 2010年“8·8”舟曲特大山洪泥石流灾害形成的气候特征及地质地理环境分析[J]. 冰川冻土,2012,34(4):898 − 905. [ZHANG Zhixian,ZHANG Qiang,TAO Jichun,et al. Climatic and geological environmental characteristics of the exceptional debris flow outburst in Zhouqu,Gansu Province,on 8 August,2010[J]. Journal of Glaciology and Geocryology,2012,34(4):898 − 905. (in Chinese with English abstract) [14] 韩旭东,付杰,李严严,等. 舟曲江顶崖滑坡的早期判识及风险评估研究[J]. 水文地质工程地质,2021,48(6):180 − 186. [HAN Xudong,FU Jie,LI Yanyan,et al. A study of the early identification and risk assessment of the Jiangdingya landslide in Zhouqu County[J]. Hydrogeology & Engineering Geology,2021,48(6):180 − 186. (in Chinese with English abstract) DOI: 10.16030/j.cnki.issn.1000-3665.202104028 [15] 戴可人,卓冠晨,许强,等. 雷达干涉测量对甘肃南峪乡滑坡灾前二维形变追溯[J]. 武汉大学学报(信息科学版),2019,44(12):1778 − 1786. [DAI Keren,ZHUO Guanchen,XU Qiang,et al. Tracing the pre-failure two-dimensional surface displacements of Nanyu landslide,Gansu Province with radar interferometry[J]. Geomatics and Information Science of Wuhan University,2019,44(12):1778 − 1786. (in Chinese with English abstract) [16] JI S,YU D W,SHEN C Y,et al. Landslide detection from an open satellite imagery and digital elevation model dataset using attention boosted convolutional neural networks[J]. Landslides,2020,17(6):1337 − 1352. DOI: 10.1007/s10346-020-01353-2
[17] 郝国栋. 基于随机森林模型的商南县滑坡易发性评价[D]. 西安: 西安科技大学, 2019 HAO Guodong. Landslide susceptibility assessment based on random forest model in Shangnan County[D]. Xi’an: Xi’an University of Science and Technology, 2019. (in Chinese with English abstract)
[18] GHORBANZADEH O,BLASCHKE T,GHOLAMNIA K,et al. Evaluation of different machine learning methods and deep-learning convolutional neural networks for landslide detection[J]. Remote Sens,2019,11(2):196. DOI: 10.3390/rs11020196
-
期刊类型引用(8)
1. 张天祥,王艳霞,张雪珂,林钏,周汝良. 基于样本优化和机器学习的地质灾害气象风险预报模型研究——以云南省怒江州为例. 广西师范大学学报(自然科学版). 2025(01): 201-215 . 百度学术
2. 吴逢涛,杨志全,赵旭光. 基于Stacking集成机器学习模型的川西重大交通干线地质灾害易发性评价. 科学技术与工程. 2025(13): 5340-5350 . 百度学术
3. 廖常左,李睿达,吴彦灵. 基于生命共同体理念的农业文化遗产地生态保护修复格局识别. 中国城市林业. 2025(02): 107-114 . 百度学术
4. 高林,张绍波. 大同市地质灾害危险性评价. 中国新技术新产品. 2024(02): 128-130 . 百度学术
5. 袁永建,张莲花. 基于AHP-熵值法模糊评价模型在滑坡灾害风险性评价中的应用. 甘肃水利水电技术. 2024(03): 38-42 . 百度学术
6. 刘帅,王涛,曹佳文,刘甲美,张帅,辛鹏. 基于优化随机森林模型的降雨群发滑坡易发性评价——以西秦岭极端降雨事件为例. 地质通报. 2024(06): 958-970 . 百度学术
7. 赵鹏,文刚,何展昌,王官洋,陈磊,申晓畅,王开正,唐鸿磊. 基于机器学习的金沙江流域浅层滑坡易发性评价. 水利水电技术(中英文). 2024(10): 53-70 . 百度学术
8. 陈锡锐,陈思尧,杨剑红,刘虹强,袁兆平,朱国宝,谢晓文,蔡国军. 四川什邡市地质灾害基本特征与易发性评价. 中国地质灾害与防治学报. 2024(06): 153-163 . 本站查看
其他类型引用(8)