面向干旱环境地震诱发滑坡的基于光学影像的自动像元级检测方法探索

《GeoHazards》：Toward an Automatic Pixel-Based Detection of Earthquake-Triggered Landslides in Arid Environments Using Optical Imagery

　　

地震触发的滑坡是地震的重要次生灾害，常在大范围区域内造成广泛破坏。因此，尤其在应急情境下，快速且可靠地制图此类现象至关重要。尽管已有大量研究利用光学遥感（optical remote sensing）开展植被区滑坡检测，但由于稳定边坡与失稳边坡之间的光谱反差有限，干旱与荒漠环境仍相对缺乏研究。该研究评估了一种基于自动像元（pixel-based）方法、利用高分辨率光学影像快速检测干旱区同震滑坡的潜力。分析对象为2022年12月26日袭击厄立特里亚北红海地区的Mw 5.5地震。研究人员基于震前与震后PlanetScope多光谱影像人工编制了包含1393处同震滑坡的详细清单，并将其同时用于地貌学分析、宏观地震分析以及基于阈值的分类方法训练数据。滑坡检测基于红壤指数（Redness Soil Index, RSI）及其差分（ΔRSI）的变化，并结合单类非对称稳健高斯分类器（One-Class Asymmetric Robust Gaussian classifier）。结果表明，该方法在圈定滑坡影响区方面具有较好能力，尽管误判错误（commission errors）仍较为显著。尽管存在这些局限性，所提出方法未来仍需在更充分训练的实现框架下进一步完善，但凭借其方法简洁且计算需求低的特点，已显示出用于快速制图的潜在有效性。这些结果表明，未来在获得更多滑坡编录并建立基于不同且经归一化数据集训练的模型后，有望实现完全自动化的方法学。研究结果证明，基于像元的光学方法，尤其是依赖红波段光谱变化的方法，是干旱环境中地震诱发滑坡初步评估的有价值工具，并可为应急响应与一阶灾害评估提供支持。

该文发表于《GeoHazards》，围绕干旱环境中地震诱发滑坡的快速识别问题展开。研究背景在于，滑坡是全球范围内造成显著经济损失与人员伤亡的常见自然灾害，而地震诱发滑坡由于具有空间分布密集、影响范围大、坡面再搬运物质量高等特征，构成典型的级联灾害风险。在强震或中等地震发生后，若不能及时识别滑坡分布区域，将直接影响灾情研判、救援部署与后续危险性评估。既有研究已经证明，遥感技术在滑坡识别中具有重要价值，尤其是针对植被覆盖区，常可借助归一化植被指数等参数实现较高精度识别。然而，干旱和荒漠区由于植被稀少、地表裸露、稳定坡面与失稳坡面的光谱差异不显著，相关自动识别研究相对不足。与此同时，气候变化背景下全球干旱区扩展，使这类环境中的滑坡快速制图问题更具现实意义。因此，研究人员尝试验证一种主要依赖光学影像、以像元为基础的快速自动化分析路径，评估其在干旱区同震滑坡识别中的可行性。

研究以2022年12月26日厄立特里亚北红海地区Mw 5.5地震为对象，研究区位于东部陡崖带东南部与达纳基勒干旱—半干旱区过渡地带，区域内峡谷密布、植被稀疏，较符合典型干旱环境特征。研究人员首先基于震前和震后高分辨率PlanetScope多光谱影像，系统人工解译同震滑坡，建立了包含1393处滑坡的清单。随后，研究人员从地貌、岩性、地震动和宏观地震烈度等多个方面分析滑坡空间分布规律，并将人工编录结果进一步用作自动分类方法的训练样本，以评估像元级快速检测方法在该类环境中的适用性。研究结论表明，基于红壤指数（Redness Soil Index, RSI）及其差分（ΔRSI）的像元级方法，能够较好地识别滑坡影响斜坡，虽然误判仍较明显，尚不足以替代精细滑坡编录，但在应急快速制图、受灾斜坡初筛和一阶危险性评估方面具有重要潜力。文章的重要意义在于填补了干旱环境地震滑坡自动遥感识别研究的相对空白，并为未来建立更大样本、更强泛化能力的全自动模型奠定了基础。

研究所用关键技术方法主要包括以下几类。首先，研究人员选用Planet Labs的PlanetScope Ortho Analytic 8B SR高分辨率地表反射率产品，使用震前2022年12月22日与震后2023年1月5日影像进行对比分析。其次，在研究区内人工判读并数字化所有滑坡多边形，形成同震滑坡样本库。再次，利用1 km²网格计算滑坡面积百分比（LAP）、滑坡数密度（LND）和环境地震烈度等级（Environmental Seismic Intensity Scale 2007, ESI-07），并结合面积—体积经验关系估算滑坡体积。最后，在快速识别环节，研究人员构建RSI及ΔRSI指标，采用单类非对称稳健高斯分类器（AGC）并通过网格搜索优化阈值参数k_?与k₊，以F1值作为性能评价标准。

在研究结果方面，论文首先在“3.1. Spatial Distribution of the Triggered Landslides”部分展示了人工编录结果。研究人员共识别出1393处滑坡，空间上主要集中于研究区内河流侵蚀形成的峡谷坡壁。基于滑坡频率—面积分布分析，目录完整性拐点约为300 m²，说明该清单对中等及以上面积滑坡具有较好代表性。研究进一步指出，该次Mw 5.5地震在诱发滑坡方面表现出较高效率，无论是滑坡数量还是总滑坡面积，与全球同类震级地震相比都偏高。作者将该事件与约100个全球同震滑坡清单进行比较后认为，厄立特里亚这次地震触发的滑坡数量多于许多相似震级事件；在滑坡总面积与受影响区域尺度上，也处于经验关系的上部区间，说明即便震级中等，该事件在特定干旱峡谷地貌背景下仍产生了显著坡面响应。

在该部分中，研究人员还系统分析了滑坡与地震动、坡度和岩性的关系。滑坡与峰值地面加速度（Peak Ground Acceleration, PGA）及峰值地面速度（Peak Ground Velocity, PGV）存在对应关系：多数滑坡出现在PGA高于0.22 g、尤其是0.27–0.32 g范围内；PGV方面，多数滑坡对应14 cm/s以上，15–17 cm/s区间最为集中。LAP最大达到9.97%，LND最大达到160处/km²，两者高值区均位于研究区中部，向外围递减。ESI-07宏观地震烈度评估最高达到VII度，且在研究区内分布相对均一。坡度分析显示，大多数滑坡集中在4°至42°坡度范围。岩性方面，砂岩最易发生滑坡，共记录831处，其次为火山岩类，共561处；第四纪地层几乎无滑坡，石灰岩地层则未记录滑坡。这些结果共同表明，地震动强度、坡面形态以及岩性条件共同控制了同震滑坡的空间格局。

在“3.2. Rapid Mapping”部分，论文重点检验了快速自动识别方法的效果。研究人员指出，滑坡发生区域在ΔRSI图像上表现为显著变化，其机制在于原先风化发红的岩石和残积物被破坏后，暴露出颜色更浅、更新鲜的灰白色岩屑和新鲜岩面，从而使红色组分相对减少并形成可检测的光谱变化。剖面分析表明，滑坡区ΔRSI呈明显正向峰值，而非滑坡区则接近零或偏负值。频率分布进一步显示，滑坡像元主要聚集在ΔRSI正值区域，仅在左尾部分与非滑坡像元存在有限重叠，这为阈值分类提供了依据。

随后，研究人员采用人工编录滑坡作为训练区，建立单类非对称稳健高斯分类器。参数优化结果显示，最佳阈值组合高度不对称，其中k_?=0.1，k₊=4.9，意味着滑坡类别主要由ΔRSI分布中位数右侧尾部定义。分类输出在空间上与真实滑坡分布具有较好一致性，能够较准确定位受影响坡面。然而，混淆矩阵和交叉验证结果表明，该方法性能为中等至偏低水平，误差较为显著，尤其是假阳性较多。研究人员指出，这些误差主要集中在真阳性区域周缘，反映了滑坡边缘地带信噪比较低，以及像元级方法在边界处理上的不确定性。尽管如此，从快速应急制图角度看，该方法仍能有效圈定可能发生滑坡的区域，因此具有实用价值。

讨论部分对这些结果进行了凝练阐释。首先，作者强调，该研究建立的厄立特里亚同震滑坡清单是少数位于干旱区的高质量事件清单之一，对扩展全球地震滑坡数据库具有意义。其次，就快速制图方法而言，研究表明，对ΔRSI进行简单阈值化处理具有现实可行性。尽管本研究采取监督式策略确定最佳阈值，但优化结果的高度右偏特征说明，未来有可能发展出更简化的阈值法，用于干旱区震后即时初判。不过，研究人员明确指出，由于目前仅分析单一案例，不宜直接推广为普适阈值，以避免过拟合。因此，该工作应被视为一项验证可行性的先导研究。论文还指出，与深度学习或依赖外部数据的复杂方法相比，该方法一旦建立良好阈值模型，便无需额外训练样本或辅助数据，具有计算成本极低、处理速度快的优势，适用于应急响应系统和近实时灾害识别。

对于方法局限性，讨论部分明确指出，该方法是像元级方法，因此评估对象本质上是预测栅格与测试栅格之间的一致性，而不是对单个滑坡事件及其规模的精确识别。这会带来滑坡斑块融合效应，进而影响滑坡数量和面积统计，但并不显著削弱其在定位受灾斜坡方面的总体有效性。论文还将该方法与目标导向分类、传统监督学习和深度学习方法进行了文献层面的对比，指出深度学习在复杂场景中通常表现更优，但其性能依赖于大样本、代表性数据和模型配置，而在训练样本有限或需要可解释性的情景中，简单高效的方法仍有价值。对于干旱区而言，由于季节性农业变化影响较弱，而裸土背景又常限制某些深度学习模型表现，基于光学差分的ΔRSI方法具有一定特定环境优势。研究人员还提出，未来若能整合合成孔径雷达（Synthetic Aperture Radar, SAR）振幅变化或干涉相干性损失等信息，可能进一步提高预测能力。

关于宏观地震烈度与体积估算，研究指出，尽管面积—体积关系存在不确定性，但这种不确定性对ESI-07分级总体影响有限。大多数滑坡体积处于10³–10⁴ m³范围，几乎没有超过10⁴ m³的事件，因此整体烈度评估最高为VII度。与此同时，若仅从滑坡分布覆盖范围估计，约200 km²的受影响面积又与更高等级的区域尺度接近，显示不同烈度指标之间仍存在值得进一步研究的差异。论文还指出，砂岩是最易发生滑坡的岩性类型，这与既有地震滑坡经验研究相一致。

研究结论部分可译述如下：基于对2022年12月26日厄立特里亚北红海地区Mw 5.5地震所致1393处人工编录滑坡构建的综合数据集，研究人员开展了多项重要分析。通过LAP、LND和ESI-07等参数分析，识别出PGA、PGV与滑坡之间的相关性，以及岩性对滑坡发生的影响。与此同时，人工编录结果还为基于ΔRSI的高斯单类分类器提供了训练样本，该分类器的精度指标F1值超过50%，且其识别出的滑坡区域与人工编录结果具有较强空间一致性。该方法凭借处理迅速而显示出较大潜力，但较高的遗漏误差使其尚不适用于对所有滑坡影响区进行精细识别。由于其获取与应用过程简便、即时，且无需依赖机器学习算法，因此在应急情境与前期调查中具有吸引力，也值得通过未来研究进一步建立适用于全球干旱环境的通用阈值体系。