基于多源遥感与深度学习的大范围潜在地质灾害自动识别与评估

《Remote Sensing》:Automatic Identification and Assessment of Potential Geohazards in a Wide Area Based on Multisource Remote Sensing and Deep Learning

【字体: 大 中 小 】 时间:2026年08月27日 来源:Remote Sensing 4.3

编辑推荐:

  基于遥感的大范围潜在地质灾害(PGHs)监测与准确评估将为地质灾害防灾减灾提供关键基础。当前的PGH识别与评估遥感方法需要大量人工干预,且全过程缺乏智能化。为有效整合多源遥感数据,研究人员提出了一种大范围PGHs自动识别与评估方法。该方法集成InSAR形变、高

  
基于遥感的大范围潜在地质灾害(PGHs)监测与准确评估将为地质灾害防灾减灾提供关键基础。当前的PGH识别与评估遥感方法需要大量人工干预,且全过程缺乏智能化。为有效整合多源遥感数据,研究人员提出了一种大范围PGHs自动识别与评估方法。该方法集成InSAR形变、高分辨率光学遥感、地形及地物矢量数据,实现不稳定区域自动圈定、潜在受威胁对象(PTOs)自动识别、PGHs自动筛选及风险评估。该方法在山西省河曲–保德–偏关(HBP)地区进行了测试。利用DS-InSAR技术,研究人员处理了2020至2024年间覆盖HBP地区的94景Sentinel-1 SAR影像,以估算地表稳定性。研究人员自动检测了HBP地区161个活动形变区(ADAs)的边界。基于DeepLabV3+的深度学习模型对研究区0.5 m分辨率光学遥感影像进行语义分割,自动识别全部PTOs。通过集成地形数据及PTOs与ADAs间的空间关系,研究人员建立了算法模型,识别出90处PGHs,并将其划分为外部威胁型、内部威胁型及内外复合威胁型地质灾害区。最后,构建风险矩阵进行地质灾害风险自动评估,生成研究区内所有PGHs的风险评估结果。该方法将支撑黄土高原地区潜在地质灾害的大范围筛选与优先级排序,并提升PGH调查能力。
近年来,以地面不均匀沉降和滑坡为代表的地质灾害频繁发生,严重威胁人类生命财产安全与生态环境。合成孔径雷达干涉测量(InSAR)技术凭借全天时、全天候、低成本及区域适用性等优势,可实现毫米级地表形变测量,在地震、火山、滑坡及地面沉降等灾害监测中得到广泛应用。然而,当前基于遥感的潜在地质灾害(PGHs)识别与评估方法仍高度依赖专家目视解译,缺乏全过程自动化能力,且鲜有研究将InSAR形变信息与受威胁对象进行自动化关联分析。针对上述问题,研究人员提出了一种融合多源遥感数据与深度学习算法的大范围PGHs自动识别与风险评估方法,并在黄土高原典型地貌区的山西省河曲–保德–偏关(HBP)地区进行了应用验证。该研究成果发表于《Remote Sensing》。

为开展该项研究,研究人员首先利用分布式散射体InSAR(DS-InSAR)技术,处理了2020年10月至2024年6月间覆盖研究区的94景Sentinel-1升轨SAR影像,通过构建时序干涉网络并进行相位建模与解算,获取研究区视线向(LOS)形变速率场。基于形变速率标准差设定阈值,结合改进归一化差异水体指数(MNDWI)剔除水体干扰,并设定最小面积阈值(1000 m2),实现活动形变区(ADAs)的自动提取。其次,基于DeepLabV3+深度学习语义分割模型,以ResNet-50为编码器骨干网络,结合空洞空间金字塔池化(ASPP)模块,对研究区0.5 m分辨率的高分遥感影像进行建筑物自动提取,构建潜在受威胁对象(PTOs)数据库。再次,基于高精度数字高程模型(DEM),利用D8算法反演流向并计算汇流量,自适应确定阈值实现山脊线自动提取。在此基础上,建立内部与外部受威胁对象(TO)识别模型:内部识别通过空间叠置分析判断PTOs是否位于ADA内部;外部识别通过缓冲区分析(500–1000 m)、视线遮挡分析及相对高程比较,综合判定PTOs是否受ADA威胁。最后,从地形起伏度(RA)与LOS形变速率两个维度构建内部风险评估因子,从TO因子(距离与高差)与形变速率两个维度构建外部风险评估因子,分别建立3×3和3×4风险矩阵,实现PGHs威胁等级的自动化分级评估。

研究结果显示,在HBP地区共提取161个ADAs。DeepLabV3+模型在测试集上取得了较高精度,最终构建了包含142,619栋建筑物和2,138条道路段的PTOs数据库。通过山脊线提取,共获得943,090条山脊线。基于上述数据与识别模型,研究区共识别出90处PGHs,其中内部–外部复合威胁型变形区(IETDAs)36处,外部威胁型变形区(ETDAs)54处,未识别到纯内部威胁型变形区(ITDAs)。风险评估结果表明,ETDAs中低风险24处、中风险17处、高风险10处、极高风险3处;IETDAs中低风险1处、中风险6处、高风险11处、极高风险18处。此外,对矿区子区域的进一步分析显示,矿区内共提取99个ADAs,占研究区ADAs总数的61.5%,其中59处被识别为PGHs,占矿区内ADAs的59.6%,略高于全区55.9%的转化比例。矿区内IETDAs中92.3%属于高风险及以上等级,显著高于ETDAs的33.3%,表明矿区内建筑物等工程设施长期承受多种地表形变的累积效应,采矿活动与PGHs空间分布密切相关。

在讨论部分,研究人员重点分析了煤矿开采区地表形变与PGHs风险之间的响应关系。结果表明,矿区内ADAs数量、IETDAs比例及内部TOs密度均高于非矿区,证实了煤炭开采活动与PGHs空间分布的高度关联性。基于矿区内部ADAs和高风险隐患的精准识别,可为调控开采强度、优化矿区布局及采后分区修复提供定量依据,推动地质灾害管理从“事后治理”向“风险预控”转变。此外,研究人员探讨了多源遥感PGHs智能制图的应用前景,指出该方法相较传统人工解译和野外调查方式显著降低了早期调查阶段的时间与经济成本,并可通过输入区域多源遥感数据自动输出需重点关注的PGHs及其风险等级评估结果,为区域尺度灾害筛查和优先级排序提供决策参考。

研究结论表明,该研究提出的方法实现了从InSAR形变监测、不稳定区域自动圈定、PTOs自动识别到地质灾害风险自动评估的全流程自动化。在HBP地区的应用验证中,共识别出90处PGHs,风险评估结果将其划分为25处低风险、23处中风险、21处高风险和21处极高风险。该方法可为黄土高原及类似地质灾害易发区的PGHs普查、识别与风险评估提供技术支撑,服务于区域地质灾害筛选、调查规划与智能监管。研究人员同时指出,作为一项方法学研究,其输出精度将随输入数据质量的提升而相应改善,未来可结合野外调查、无人机观测或已有地质灾害编录等多源独立数据集进一步验证方法的稳健性与可迁移性,并可将脆弱性、社会经济暴露度及潜在损失等因素纳入评估框架,推动更全面的定量风险评估。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号