本發明提供一種遙感影像滑坡單體劃分方法。該方法包括：以研究區域的多光譜影像數據和DEM數據為基礎，進行滑坡提取得到滑坡對象；設置NDVI標準差閾值，利用融合算法將所得到的滑坡對象融合；利用滑坡間的共同邊界長度閾值使經融合的滑坡對象進一步融合得到滑坡主干；以及利用共同邊界占滑坡周長百分比閾值使得滑坡主干與其周圍的滑坡對象融合，得到滑坡單體。根據本發明的滑坡單體劃分方法則可以將提取得到的滑坡對象劃分成一個個的滑坡單體，避免出現不合理的巨大滑坡區域。特別地，可對地震或強降雨引起的大范圍滑坡災害進行快速評估，得到滑坡災害的面積與數量，為災后應急救援和恢復重建工作提供參考。

技術領域

本發明涉及遙感影像數據處理。更具體地，本發明涉及一種基于遙感影像的滑坡單體劃分方法。

背景技術

滑坡是組成斜坡的巖石、土壤、人工填埋物或多種物質的向下和向外移動，包括典型的滑動、落石和流動。地震是誘發滑坡的主要因素，并常常造成大量的人員傷亡和經濟損失。2008年的汶川地震誘發了大量滑坡等地質災害，不僅破壞了道路、輸電線、管道等生命線工程，掩埋了大量農田與森林，還造成了約20000名人員傷亡。因此，無論是從震后災情的迅速評估、應急救援力量的合理配置，還是災后恢復重建工程的科學選址方面考慮，都需要在災后迅速掌握滑坡災害的情況。與傳統的人工排查大范圍滑坡災害相比，通過遙感影像提取大范圍滑坡具有危險性小、速度快、少遺漏、覆蓋范圍廣、可實現半自動或全自動計算機處理等特點，因此得到廣泛應用。

地震以及強降雨引發的滑坡往往成片分布，眾多的滑坡體之間會通過小的連通區域形成結構復雜，面積巨大的滑坡區域。例如汶川地震形成了大量彼此相連，結構復雜，面積巨大的滑坡區域，給滑坡單體的識別增大了困難。計算機自動提取滑坡具有速度快，效率高，不受主觀因素影響的特點，被越來越多的學者所青睞。滑坡的面積與數量是反映滑坡災害嚴重程度的重要指標，面積反映滑坡的范圍大小，數量則可以表現滑坡的密集程度。要準確統計滑坡個數就必須對這些面積巨大的滑坡區域進行單體劃分。

隨著遙感影像提取滑坡的廣泛應用，滑坡單體劃分將成為這一領域的一個難題。因此，需要提供一種可應用于較大范圍地區遙感影像滑坡提取方法與滑坡對象的單體劃分方法，為災后快速而準確地獲得大范圍滑坡災害的面積與數量提供技術支持。

發明內容

為解決上述問題，本發明提出一種基于遙感影像的滑坡單體劃分方法。彼此相連的不同滑坡，由于空間上緊挨在一起，其滑坡碎屑物相似性較大。研究區域的滑坡絕大多數是震后幾個月內發生的新滑坡，由于發生的時間相近，滑坡面有很多相似的地方，這為滑坡的單體劃分增加了難度。本發明認為滑坡體內部物質間的光譜差異較小，而滑坡體之間的連通區域有較大的光譜差異，突出表現在NDVI上。滑坡的連通區域位于滑坡體的邊沿，有限的碎屑物不能把植被完全掩埋，因此，與滑坡主干內部相比，連通區域存在較多NDVI較高的象元。對此，本發明在融合滑坡對象時，通過設置NDVI的標準差閾值，使得滑坡主干與連通區域各自融合成較大的對象。在幾何特征上，滑坡連通區域往往較窄，滑坡間的共同邊界長度占滑坡體周長的比例較低。利用這一特征，在滑坡單體劃分時，通過設置滑坡對象間共同邊界的長度閾值、共同邊界長度占滑坡周長百分比閾值將不同滑坡體分開。

根據本發明的遙感影像滑坡單體劃分方法包括：

以研究區域的多光譜影像數據和數字高度模型(DEM，Digital Elevation Model)數據為基礎，進行滑坡提取，得到滑坡對象；

設置歸一化植被指數(Normalized Difference Vegetation Index，NDVI)標準差閾值，利用融合算法將所得到的滑坡對象融合；

利用滑坡間的共同邊界長度閾值使經融合的滑坡體內部滑坡對象進一步融合得到滑坡主干；以及

利用滑坡間的共同邊界占滑坡周長百分比閾值使得滑坡主干與其周圍的滑坡對象融合，由此得到滑坡單體。