无人机高分辨率遥感影像地震滑坡信息提取方法无人机高分辨率遥感影像地震滑坡信息提取方法：未知摘要：选取四川“4?20”芦山地震震区发生的地震滑坡为研究对象，首先构建区域地质特色的无人机影像地震滑坡样本库；然后引入迁移学习机制完成了无人机高分辨率遥感影像地震滑坡信息提取。研究结果表明地震滑坡提取总体精度达87.2%，能满足地震滑破灾害环境宏观调查，滑坡灾害体监测等应急需求。关键词：信息提取；深度学习；迁移学习；地震滑坡；无人机影像：P642.22；TP751文献标识码：A：1000-0666（20.18）02-0186-060引言我国处于环太平洋地震带和喜马拉雅与地中海地震带交汇处，受太平洋板块、印度洋板块和菲律宾海板块的挤压，地震断裂带异常发育，所以我国地震发生频率较高。强烈的地震通常会引发大量滑坡，且常常造成严重的经济损失和人员伤亡（许冲，徐锡伟，2012）。我国地震滑坡分布较广，特别是西部、西南部山区地带，每发生一次大地震均会产生许多地震滑坡，离震中一定距离范围内将产生大量隐伏的地震滞后滑坡。中国地质环境年报显示，2000年以来我国地震滑坡灾害平均每年造成的死亡人数达1000人以上，年均经济损失超过50亿元（Holblingetal，2015；张铎等，2013）。进入21世纪以来，空间信息处理的主要研究内容被列人地理信息科学的优先发展领域（国家自然科学基金委员会，2010），以此为主要手段的灾情信息获取是重点应用领域之一。在全球对地观测网络中广泛部署的各式传感器，使得持续获取高时空分辨率、属性信息日益丰富的数据成为可能，低空或超低空?w行的无人机平台以其分辨率高、时效性好的优势，已逐渐成为灾害应急数据获取的主要平台。但是，既快又易的遥感数据获取能力已经远远超过现有的遥感数据有效处理能力。随着地震滑坡灾害频繁发生，灾情应急阶段数据量骤增，人工解译的不足引发灾情数据获取耗时增加的问题，进而导致数据难以满足灾害应急任务的实际需求，“数据既多又少”的矛盾日益突出（李松等，2015；鲁学军等，2014）。因此，如何从高分辨率影像中快速、准确地提取出滑坡信息，己成为遥感技术应用于地震滑坡减灾亟待突破的难题。本文以低空遥感、数据挖掘和机器学习的理论知识为基础，构建低空无人机遥感地震滑坡样本库，提出基于迁移学习机制的无人机遥感影像地震滑坡信息自动提取方法。提供一套基于低空无人机高分辨率影像的地震滑坡灾害快速提取解决方案，旨在为地震后无人机遥感应用于灾情调查提供理论基础，为我国西南山区的地震滑坡灾害治理提供有效技术支撑。1数据与方法本文选取四川“4?20”芦山地震震区发生的地震滑坡作为实验对象。该次地震发生在龙门山断裂带，是四川成都平原区域地震的典型代表，其研究成果可以进一步用于成都平原周边山区的滑坡灾害预防、规划等应用，具有较好的应用价值。本研究以上述区域为实验区，期望能够逐步完善基于高分辨率低空遥感技术的地震滑坡灾害解决方案。具体步骤如下：首先，利用所收集的滑坡灾害的历史数据资料，滑坡影像、地表覆被、地质环境等各类信息，考虑到应急情况下灾区遥感数据源的单一性，研究地震滑坡灾害低空遥感影像样本库构建方法；然后，为了快速、准确地提取当前无人机影像地震滑坡信息，引入迁移学习机制，完成特征知识从旧影像到新影像的迁移，完成地震滑坡信息的提取；最后再进行提取精度的评估。1.1地震滑坡灾害样本库构建无人机影像分辨率高，研究区涉及到的影像数量多，滑坡样本库的构建工作包括：确定灾害样本点标签、边界范围的确定、属性赋值、裁切影像、编码存储等，如果按照常规方法构建地震滑坡样本库的建设需要耗费大量人力物力，且效率较低。对样本库构建流程进行分析可发现，确定灾害样本点标签、边界范围的确定、属性赋值需要人工操作，因为该几步操作存在大量不确定性；裁切影像和编码存储可以通过计算机自动实现，本文基于ArcPy（ArcGISPython二次开发包）二次开发实现影像自动裁剪和编码人库。地震滑坡灾害样本库建立流程如图1所示。1.2无人机高分影像滑坡信息提取计算机机器学习是近年来飞速发展的一个研究领域。把机器学习应用于图像处理、图像理解中通常需要提...