牛朝阳 高欧阳,2 刘伟 赖涛 张浩波 黄燕

光学遥感图像滑坡检测研究进展

牛朝阳1高欧阳1,2刘伟1赖涛3张浩波1黄燕4

（1中国人民解放军战略支援部队信息工程大学数据与目标工程学院，郑州 450001）（2 郑州煤机液压电控有限公司，郑州 450013）（3中山大学电子与通信工程学院，广州 510275）（4 中国人民解放军32316部队，乌鲁木齐 830001）

在全球气候变暖和降雨量不断增加的背景下，滑坡的现实危害和潜在风险日益增加，及时在滑坡发生后对其进行检测具有重要意义。光学遥感卫星依靠其成像速度快、覆盖范围广、成本和风险低等优势，使得遥感图像在滑坡检测中得到了广泛应用。文章在广泛文献调研的基础上，对近年来国内外光学遥感图像滑坡检测的相关成果进行梳理，根据技术途径的区别将现有实现滑坡检测的方法分为四类，分别为特征阈值分割法、浅层机器学习法、深度神经网络法和变化检测法。文章阐述了每类方法的基本原理、研究现状、发展趋势，并对比分析了各类方法的优缺点，为推动滑坡检测的进一步研究提供有益借鉴。

滑坡检测 特征阈值 机器学习 深度学习 变化检测 遥感应用

0 引言

滑坡是指斜坡上的土体或者岩体，受河流冲刷、地下水活动、雨水浸泡、地震及人工切坡等因素影响，在重力作用下沿着一定的软弱面顺坡向下滑动的自然现象[1]。滑坡是中国的主要地质灾害类型，受当前全球气候变化、地震活动和城市化加速的影响，滑坡发生的频率逐渐提高，现实危害和潜在风险日益凸显。因此，在滑坡发生后及时地进行滑坡检测，进一步确定滑坡的区域、规模以及分布情况，对灾区的减灾救灾和规划建设具有重要意义[2]。

传统的滑坡检测方法以野外调查为主，需要投入大量的人员和时间，并且存在一定的危险性[3]。空间光学遥感技术具有成像速度快、覆盖范围广、成本和风险低等优势[4]，在防灾减灾应用方面发挥着越来越重要的作用。目视解译是一种最基本的遥感图像滑坡检测方法，该方法依托研究人员的专业知识，通过对地物的形状、色调、纹理和布局等多种影像特征进行判读，同时结合其他相关资料进行合理的推理和分析，进而从遥感图像中检测出滑坡区域[5]。目视解译要求研究人员具有丰富的经验，能提供精确的滑坡检测结果，这些结果通常用作计算机自动/半自动检测滑坡结果的评价标准。

随着计算机科学、图像检测等技术的发展，计算机在处理遥感图像方面表现出了巨大的优势[6]。计算机算法通过系统定量化模拟研究人员目视解译的过程完成滑坡检测工作，成为滑坡检测的主要方式。通过整理目前公开的相关研究，按照技术原理将常用的光学遥感图像滑坡检测方法分为四类：基于特征阈值法、基于浅层机器学习法、基于深度神经网络法、基于变化检测法。

本文将对各类方法的发展现状进行讨论和分析，最后对比各个方法的优缺点并对光学遥感图像滑坡检测的发展趋势进行探讨。

1 基于特征阈值的滑坡检测方法

1.1 基本原理

在不使用分类器的情况下，基于特征阈值的滑坡检测方法是利用灾后单时相遥感图像，通过制定合适的分类规则，达到检测滑坡的目的，一般流程如图1所示。首先通过多尺度分割将遥感图像分割成不包含特殊含义的子区域，这些子区域具有区域内特征相近、区域间特征不同的特点[7]；然后根据滑坡区域与未被滑坡影响的植被覆盖区域存在较大特征差异的特点，通过反映植被特征的相关指数，将植被从遥感图像中剔除，得到滑坡候选区域；最后根据地物特征（主要包含光谱特征、几何特征和纹理特征），依托经验建立分类规则，从图像中检测出滑坡区域。

图1 基于特征阈值的滑坡检测方法一般流程

1.2 研究现状

根据最终输出的类别，基于特征阈值的滑坡检测方法又可分为多类别方法和单类别方法：前者针对研究区域所包含的若干主要地物类型分别设计规则，最终输出包含滑坡的若干类别；后者针对研究区域中的滑坡，设计相应的规则，实现滑坡区域的直接提取。

（1）多类别滑坡检测方法

文献[8]通过对比不同分辨率数字高程模型（Digital Elevation Model，DEM）条件下的滑坡检测结果发现，DEM分辨率越高，滑坡检测正确率越高；低分辨率DEM条件下，可以通过修改与DEM相关的特征参数（如坡度、坡向与主方向夹角等）实现滑坡检测。文献[9]构建一种地理本体驱动的滑坡自动检测方法，该方法建立的滑坡概念本体可以保证滑坡领域知识的客观性和准确性，有效减少专业经验的干扰；文献[10]结合滑坡的影像特征和地形特征，采用分层检测模型完成对潜在滑坡区和滑坡分布的准确提取，以及滑坡组成要素的检测；文献[11]首先根据归一化植被指数（Normalized Difference Vegetation Index，NDVI）剔除植被区域，然后通过基于光谱、纹理、地形和上下文关系特征的规则逐步剔除非滑坡区域，实现滑坡检测；文献[12]综合利用归一化土壤亮度指数（Normalized Differential Soil Brightness Index，NDSI）、NDVI和阴影指数（Shadow Index，SI）提取出疑似滑坡区域，然后根据坡度、形状、面积等滑坡特征剔除非滑坡区，实现滑坡自动检测；文献[13]构建一种使用同一区域不同空间分辨率图像的分层次滑坡检测方法，多分辨率遥感图像的使用使得滑坡检 测结果不会被数据的大小和细节水平所困扰，通过从数字地形模型（Digital Terrain Mode，DTM）获得的先验知识来指导检测过程，同时使用改进的区域适应策略以减少处理大型图像数据集时的人为干预。

（2）单类别滑坡检测方法

文献[14]通过SEaTH（Seperability and Thresholds）自动构建滑坡分类规则，实现滑坡检测，但是该方法在对象分割的过程中仍无法避免人为因素的干预。文献[15]使用近红外和红光波段数据，通过半方差函数计算基台值，进一步通过DEM剔除河道，得到滑坡区域；该方法对覆盖面积广、特征明显的滑坡有较好的检测效果，但对形状细小狭长的滑坡检测精度较低。文献[16]综合利用遥感图像和DEM，结合光谱、空间和地貌特征进行黄土滑坡检测，可以得到较高的滑坡检测率，但是该方法没有充分利用滑坡特征与空间信息的关系，使得与滑坡相似的地物容易被错检为滑坡。文献[17]通过DEM计算生成的山体阴影，提出一种地形因子参与的滑坡检测方法，该方法可以更加客观的判断出滑坡边界，但也会导致地形高差小的滑坡难以检测。文献[18]首先通过常量化修正的土壤调节植被指数（Constant Modified Soil-Adjusted Vegetation Index，CMSAVI）提取裸地信息，基于改进的峰直方图阈值自动选取算法进行滑坡的自动检测，但该方法中形态学滤波算子的大小依旧是根据专业经验设定的。文献[19]在滑坡检测过程中，通过NDVI估算比辐射率以增强裸土辨别能力，在稀疏植被区和高植被区共存的复杂灾区环境下可以达到较好的滑坡检测结果。文献[20]在分类规则建立的过程中，通过改进的Otsu算法自动确定阈值，实现滑坡的自动检测；该算法完全摆脱了人为干预，使滑坡检测过程更加简单、高效。文献[21]针对区域遥感图像背景复杂、光照不均匀的特点，将蒙特卡罗模拟引入到局部阈值法中，在二值化图像中引入数字表面模型（Digital Surface Model，DSM），显著地减少了来自居民区、梯田和河流的干扰。

1.3 发展趋势

基于特征阈值的滑坡检测方法以遥感图像中包含的空间信息、纹理信息等为基础，先把具有滑坡特征的临近像元分割成新的图层，再使用一定的分类规则对图像进行分类。该类方法使用了多种遥感图像特征，可以有效地避免“同谱异物”和“同物异谱”现象的出现；其他地学信息特征(如，DEM、DSM和SI)的利用，进一步提高了滑坡检测结果的品质。该类方法是目前滑坡检测领域的常用方法之一，但是其分类规则通常较为复杂，在制定过程中需要工作人员具有丰富的经验。虽然能够取得可观的滑坡检测结果，但是无法完全摆脱人为因素的干扰，从而实现滑坡的自动检测。该类方法在制定分类规则时，通常基于某一特定的研究区域，在面对不同的研究区域和不同卫星的数据时，滑坡的遥感图像特征可能存在差异，因此进一步加强地学知识的运用，可以提高该类方法泛化能力。针对难以与滑坡区分的相似地物，需要探索构建区分度更高的规则，以更好地将滑坡疑似对象与滑坡区分开来，从而将其更彻底地剔除。

2 基于浅层机器学习的滑坡检测方法

2.1 基本原理

随着人工智能技术的发展，建立在概率统计基础上的浅层机器学习模型，如SVM、决策树、主成分分析法（Principal Component Analysis，PCA）和k-means等，为遥感图像滑坡检测提供了许多切实可行的方案，图2为浅层机器学习滑坡检测方法的一般流程。根据是否有训练样本的参与，浅层机器学习滑坡检测分为监督分类和无监督分类，其中监督分类首先要根据先验类别知识来训练分类器，建立判别准则，并通过修正准则的不断调整，使得分类器达到最高的准确度，进而对分类器输入未知类别样本通过判别准则，达到滑坡检测的目的；无监督分类则仅需要将未知类别样本放入分类器，即可输出滑坡检测结果。

图2 基于浅层机器学习的滑坡检测一般流程

在分类样本有限的前提下，支持向量机（Support Vector Machine, SVM）可以较好地平衡模型复杂性和学习能力，而且具有较好的泛化能力[6]，使其在遥感图像滑坡检测中有较多的应用并取得了不错的结果，因此本文将基于SVM分类器的相关研究作为单独小节展开介绍。

2.2 发展现状

（1）基于SVM分类器的滑坡检测方法

文献[22]通过Gabor滤波对遥感图像的纹理特征进行多尺度多方向的处理，结合图像的光谱特征，采用SVM分类器进行滑坡检测，其中多尺度、多方向的Gabor特征可以在保留有效信息的基础上减少特征冗余；文献[23]根据光谱学和色度学的基本理论进行滑坡区域的颜色特征建模，利用SVM初步筛选出滑坡候选区域，最后通过滑坡的空间形状特征进一步精准筛选滑坡区域；文献[24]使用贝叶斯方法优化选择SVM分类器的参数，找到核函数、核尺度、核约束级别上的最优参数，提升SVM的分类效果，进而实现滑坡检测的目的；文献[25]通过SEaTH算法从遥感影像多尺度分割结果中选取滑坡有效分类因子，然后基于有效因子构建一种高精度SVM分类模型，实现滑坡的自动检测；文献[26]根据滑坡周围的地物特征，构建了基于模糊分类与SVM相结合的决策树，运用面向对象的分类方法实现了对研究区内植被、道路和疑似滑坡区域的检测；文献[27]通过对比方向梯度直方图（Histogram of Oriented Gradient，HoG）和视觉词袋（Bag of Words，BoW）两种遥感图像特征提取方法的效果，优选BoW构建滑坡检测特征，然后联合SVM分类器构建滑坡检测模型，对于遥感图像滑坡检测有一定指导意义。

（2）基于其他分类器的滑坡检测方法

文献[28]综合研究区域遥感图像特征和地形特征，通过SEaTH算法构建滑坡检测特征体系，然后基于上述特征体系进行多尺度分割，并通过多层感知机构建滑坡检测模型。文献[29]从不同代数角度获取影像的变化信息，将变化信息组成一幅多通道影像，然后利用主成分提取方法提取该影像的主要特征，构建特征样本空间，最后通过粒子群搜索算法改进的C均值聚类提取滑坡。实验结果表明，与传统的变化检测方法相比，改进算法能有效提高多时相数据滑坡检测的精度；文献[30]使用基于BoW表示的场景分类方法，结合无监督概率潜在语义分析（Probabilistic Latent Semantic Analysis，PLSA）模型和k-近邻算法(k-Nearest Neighbor，k-NN)分类器来实现遥感图像滑坡检测模型的构建，该方法在无地学信息支持的情况下，具有较强的鲁棒性和较好的性能；文献[31]应用穗帽变换生成研究区的亮度、绿度、湿度指标，然后结合滑坡遥感图像的特征，利用最大似然法监督分类构建滑坡检测模型；文献[32]利用最大似然分类器的监督和非监督两种分类方法，对滑坡发生后检测和绘制滑坡区域的能力进行了测试，并讨论了自动化方法和手动方法之间的显著差异；文献[33]利用多尺度分割方法生成滑坡对象，构建滑坡对象的光谱、纹理及形状特征图，在此基础上利用训练好的随机森林模型提取出疑似滑坡区，最后结合目视解译，得到准确的滑坡区。结果表明，该方法能快速准确地提取出道路沿线的滑坡区。

2.3 发展趋势

由于分类器的结构，基于浅层机器学习的滑坡检测方法一般具有精度较高的滑坡检测结果，其中监督分类的精度一般比无监督分类高，因此在相关研究中监督分类使用较多。由于监督分类需要大量的训练样本，并且分类精度容易受到训练数据的影响，因此如何获得合适的训练样本，如何选取能获得较好分类性能的训练样本，需要进一步研究。无监督分类的特点在于不需要训练样本、不需要知道地表真实数据分布，根据某些判据自动分类图像；该类方法充分利用了数据信息，但是由于判据受环境的影响比较大，不同的判据应用在不同的图像效果可能有很大的差别。浅层机器学习的主要局限性体现在有限的数据样本资源和有限的运算资源两个方面，因此在运算模型复杂时，它的表达能力和泛化能力都会受到限制。但是利用少量样本即可获得良好的滑坡检测结果这一优势，使得浅层机器学习仍是当下遥感图像滑坡检测的重要方法之一。当前基于浅层机器学习的方法主要利用遥感图像的样本特征，如果进一步结合地学知识，获取到更加丰富的滑坡特征，则可以有效提高滑坡检测精度。

3 基于深度神经网络的滑坡检测方法

3.1 基本原理

随着人工智能的不断发展和计算机性能的提升，2006年深度信念网络（Deep Belief Network，DBN）的出现[34]，开启了深度学习的研究浪潮。相较于浅层机器学习网络深度，神经网络的结构更深，包含更多层的隐含节点，且能更好的利用大样本数据进行学习，更好的刻画数据的内在信息。基于深度神经网络的滑坡检测方法一般流程如图3，其中实线为一般处理流程，虚线为可选择操作。首先通过充分搜集遥感图像中的有效信息、摒弃干扰信息，得到遥感图像的各层级特征，然后根据提取的遥感图像特征，对遥感图像进行分类判读。在以往的研究中，深度神经网络模型的变型成为提升图像处理性能的研究热点，逐步发展出了层数更深、结构更加复杂的神经网络模型，同时为了便于在末端部署，也发展出了一批轻量化的高性能模型。

图3 基于深度神经网络的滑坡检测方法一般流程

3.2 发展现状

基于深度神经网络的滑坡检测方法分为基于目标检测和基于图像分割的方法。基于目标检测的方法主要是判断遥感图像中是否存在滑坡，若存在则标记滑坡的位置；基于图像分割的方法则是对每个像素进行归类，不仅能够发现和定位滑坡的位置，还能够确定滑坡区域的边界，以获得更多的滑坡信息。

（1）基于目标检测的滑坡检测方法

文献[35]通过迁移学习将ImageNet训练的VGG16预训训练模型用于滑坡泥石流的检测，通过减少网络层数来减少参数，并在网络中加入Dropout防止过拟合。文献[36]分组卷积（Gconv）和鬼瓶颈（Gbeck）残差模块代替YOLOv4的卷积分量和由标准卷积组成的残差模块，并在此基础上增加了注意力机制，构建一种适用于遥感图像滑坡检测的YOLO-SA网络模型。与YOLOv4相比，该模型在减少参数量的前提下提高了滑坡检测正确率；文献[37]分别使用Faster RCNN、YOLO、SSD进行在遥感图像滑坡检测，并对实验结果进行了比较和分析，以探讨三种深度学习目标检测算法在滑坡检测中的效能以及最佳参数配置；文献[38]改进了YOLOv5的特征拼接方法，添加了自适应空间特征融合（ASFF）来融合不同尺度的特征信息，并进一步使用卷积块注意模块（CBAM）来挖掘浅层特征信息，该模型的检测率为74.01%；文献[39]利用VGG-19对滑坡进行分类，并利用迁移学习来补偿标记样本数量不足的问题，提高了模型的泛化能力。

（2）基于图像分割的滑坡检测方法

文献[40]提出了一种改进的PSPNet网络模型用于滑坡检测，PSPNet的主特征提取网络采用MobileNetV2结构，减少了网络参数量，降低了网络的计算复杂度，有效提高了网络的收敛速度，减少了错误分类；文献[41]利用ResNet网络预筛选出包含滑坡区域的候选图像，接着通过多尺度神经网络对候选图像进行分割，从而精准地定位滑坡位置，该方法的深度神经网络框架能够提取不同尺度的滑坡区域，削弱了与滑坡无关因素的影响，有效提高了滑坡检测的精度；文献[42]根据滑坡对象的形状、颜色、纹理等特征模拟更加复杂的滑坡背景，构建背景与滑坡对象相近的样本，然后将样本输入Mask R-CNN 网络进行滑坡精细检测分割，以达到在背景中存在和滑坡具有相似特征地物的情况下准确检测滑坡的目的；文献[43]首先利用卷积神经网络对含有滑坡的图像进行分类，然后为了准确检测不同光照条件下的滑坡，提出了一种新的图像变换算法从分类后的滑坡图像中确定滑坡区域和大小；文献[44]提出了一种结合变化检测和多示例学习（Multiple Instance Learning，MIL）的滑坡检测网络模型（CDMI-Net），该方法使用MIL框架，只需要通过场景级样本进行训练，减少了对像素级样本的需求；文献[45]通过在原始遥感影像上叠加能够直接或间接反映滑坡特性的环境特征，然后通过DenseNet进行滑坡检测以解决深度学习在滑坡检测中面临应用不足、样本稀少、效率低下的问题；文献[46]提出一种基于多实例学习的滑坡检测方法（MILL），该方法利用大规模遥感影像分类数据集构建滑坡特征提取的预训练网络，然后通过结合通道注意力的多实例池化提取的实例标签映射到图像标签，进一步进行滑坡检测；文献[47]首先通过数据预处理来自动生成训练样本，并针对训练样本不足的问题实施了相应的数据扩充，然后通过LandsNet模型学习滑坡的各种特征，最后通过形态学处理对滑坡检测结果进行优化。

3.3 发展趋势

滑坡遥感图像具有丰富的信息，而随着深度学习的兴起，神经网络在处理数据较多的问题时，效果性能往往好于浅层机器学习，将深度学习应用于遥感图像滑坡检测，可以得到更高的检测精度，对于灾害信息检测与评估具有十分重要的意义。但是目前缺少品质较高的光学遥感滑坡数据集，使得采用深度学习进行滑坡检测的研究人员需要大量的时间来构建数据集，这也导致了构建的数据集较为局限，导致模型的泛化能力受到限制。深度学习的优良性能使得实现计算机自主进行滑坡检测成为可能，因此提高网络模型的可迁移性有助于更好的实现末端部署。

4 基于变化检测的滑坡检测方法

4.1 基本原理

变化检测是通过卫星获取同一地区不同时相的遥感图像，通过人工和计算机的协同计算和分析，确定该区域地表是否发生变化及发生变化的类型[48]。传统的遥感图像变化检测是基于“原有地貌发生变化将会引起地物辐射值的变化，而且这种变化引起的辐射值变化大于其他因素引起的辐射值的变化”这一假设[49]。综合来说，变化检测较为全面的定义就是利用同一地区在不同时期的遥感图像及相关地理空间数据，结合地物特性及遥感成像机理，确定和分析该区域地物的变化，包括地物位置、范围的变化和地物性质、状态的改变，一般流程如图4。变化检测是遥感图像滑坡检测中常见的方法之一，其优势是有较好的理论基础和比较高的检测精度，方法原理相对简单，使用同一传感器的灾前和灾后不同时相的图像进行配准，然后选择合适的方法，提取和分析变化信息，从而检测出发生变化的区域，最后通过合适的方法剔除其他变化造成的虚警，进而达到检测滑坡的目的。

图4 基于变化检测的滑坡检测一般流程

4.2 发展现状

变化检测的方法主要基于不同时相数据的差异来检测滑坡，常规方法基于滑坡前和滑坡后的双时相数据检测滑坡。随着遥感技术的发展，遥感卫星可以对同一地区进行多次重复观测，利用时间序列图像进行滑坡检测的研究也在不断发展。

（1）双时相数据变化检测滑坡检测方法

文献[50]采用基于高斯金字塔的快速模糊C-均值(Fuzzy C-means Algorithm，FCM)聚类算法，利用图像空间信息获得视觉效果较好的候选滑坡区域，并利用图像结构信息的差异性代替灰度差异性来获取更精确的滑坡区域；文献[4]通过基于像元的变化检测方法获取滑坡所在的变化区域，并通过数学形态学处理来消除变化区域的“椒盐现象”，然后仅在变化区域内进行面向对象的滑坡提取，有效减少处理的数据量，从而提高滑坡提取效率；文献[51]通过变化检测预筛选出疑似滑坡区域，然后根据多特征参数，剔除疑似滑坡区域中的非滑坡体，再利用改进的区域生长算法优化滑坡边界得到精确的滑坡检测结果，该方法减少了滑坡检测过程中的人为干预，提高了算法的自动化程度；文献[52]提出一种以结合比率变换和纹理分析的变化检测方法，该方法能够突破遥感影像光谱特征的限制，适用于滑坡灾害信息检测；文献[53]首先对遥感图像进行分类，然后基于分类结果进行变化检测以实现滑坡检测的目的，该方法可以得到良好的滑坡检测结果，但不能有效地避免稀疏植被区域带来的干扰；文献[54]利用灾前和灾后两幅图像主成分变换得到的第一主成分进行变化检测，然后通过灾后影像的第三主成分、NDVI和坡度等特征剔除干扰得到滑坡区域；相较于传统像素级变化检测，该方法可以提供更高的滑坡检测精度，但依旧存在基于像素方法的共同缺陷——没有利用滑坡以及其周围地物的要素特征；文献[55]首先用变化检测的方法筛选出滑坡候选对象，然后通过最小二乘估计来检测滑坡边界，得到滑坡检测结果。该方法是将最小二乘法用于双时相遥感图像滑坡检测的首次尝试。

（2）基于时间序列数据的滑坡检测方法

文献[56]通过检测滑坡后时间序列NDVI的恢复速率的快慢，有效地区分滑坡与耕地和裸地等非滑坡因素，极大提高了滑坡检测结果的可信度；文献[57]在假设相邻两年时间内研究区土地利用状况基本不变，对比研究区域在各自年份内的NDVI序列，并结合灾害的发生时间，可以检测出研究区发生滑坡的区域分布；文献[58]开发了一种基于RapidEye时间序列数据并辅之以地貌信息的面向对象的滑坡自动制图方法。该方法建立在分析与滑坡相关的地表变化和其他土地覆盖变化之间的时间NDVI轨迹的基础上，为了适应研究区域内发生的各种滑坡现象，采用了基于像素的多阈值和面向对象分析相结合的方法，能够高效完成较长时间序列的大面积时空滑坡制图。

4.3 发展趋势

相较于仅使用灾后单时相数据进行滑坡检测的方法，变化检测的方法使用多个时相的数据，可以获取到更多的灾区信息。随着人工智能的不断发展，文献[59]从深度学习变化检测的角度出发，对滑坡检测的相关研究进行了探索。变化检测的方法可以在不用构建过于复杂的算法规则的前提下，较好的检测到因滑坡发生而变化的区域，提供准确的滑坡检测结果。但是该类方法对遥感图像获取时间要求较高，其中基于双时相变化检测的方法需要灾前和灾后图像的采集时间都非常贴近滑坡灾害发生时间，否则其他地物变化造成的干扰可能导致滑坡难以检测。其次，滑坡的发生常常伴随阴雨天气，而云层的遮挡常常会导致光学遥感卫星的失效，不易获取到合适的光学图像。而基于时间序列的滑坡检测方法对数据要求更高，由于数据的限制导致该方法在滑坡检测方面应用并不广泛，因此如何获取到适合通过变化检测进行滑坡检测的数据是当前面临的主要问题之一。

5 结束语

本文回顾了国内外近年来对光学遥感图像滑坡检测的相关研究，对该领域研究的四种方法进行了归类和梳理，分析总结了各类方法的研究状况以及最新进展，并对其运用场景、优缺点进行了梳理，如表1所示。

随着遥感技术的发展和遥感图像分辨率的提高，相关研究成果的更新使得滑坡检测的准确度不断提高，得出的结果也更具实用性。但是，目前在以下方面仍需深入探索，如：贴近滑坡发生时间的遥感数据的获取；品质较高的深度学习滑坡数据集的构建；遥感数据所包含的特征信息的深层次挖掘；有助于滑坡检测的特征获得等。相信在不久的将来，遥感图像滑坡检测方法的研究会越来越完善，滑坡检测的结果也会越来越精确。

表1 遥感图像滑坡检测方法总结

Tab.1 Summary of landslide detection methods in remote sensing images

[1] 张亨. 基于地基雷达的滑波形变监测与分析[D]. 成都: 西南交通大学, 2015. ZHANG Heng. Landslide Deformation Monitoring and Analysis with GB-SAR[D]. Chengdu: Southwest Jiaotong University, 2015. (in Chinese)

[2] 张诗茄. 基于SBAS技术的岷江流域滑坡检测方法研究[D]. 南京: 南京师范大学, 2017. ZHANG Shijia. Application of the SBAS Technique in Landslide Identification in the Minjiang Watershed[D]. Nanjing: Nanjing Normal University, 2017. (in Chinese)

[3] 王宇. 基于深度学习的遥感图像滑坡信息提取算法研究[D]. 哈尔滨: 黑龙江大学, 2020. WANG Yu. Research on Landslide Information Extraction Algorithm of Remote Sensing Image Based on Deep Learning[D]. Harbin: Heilongjiang University, 2020. (in Chinese)

[4] 张帅娟. 变化检测和面向对象结合的高分辨率遥感影像滑坡体提取方法研究[D]. 成都: 西南交通大学, 2017. ZHANG Shuaijuan. The Method of Landslide Extraction with High Resolution Remote Sensing Image Combining Change Detection and Object Oriented Method[D]. Chengdu: Southwest Jiaotong University, 2017. (in Chinese)

[5] GUZZETTI F, MONDINI A C, CARDINALI M, et al. Landslide Inventory Maps: New Tools for an Old Problem[J]. Earth-Science Reviews, 2012, 112(1/2): 42-66.

[6] YU Bo, CHEN Fang F, XU Chong. Landslide Detection Based on Contour-based Deep Learning Framework in Case of National Scale of Nepal in 2015[J]. Computers & Geosciences, 2020, 135: 104388.1-104388.8.

[7] 曹淼科. 基于活动轮廓和闭合型抠图的图像分割算法研究[D]. 上海: 华东师范大学, 2015. CAO Miaoke. The Research for Image Segmentation Based on Active Contour and Closed Form Matting[D]. Shanghai: East China Normal University, 2015. (in Chinese)

[8] 刘辰, 刘修国, 陈启浩, 等. 面向对象滑坡信息提取中DEM空间分辨率影响分析[J]. 遥感技术与应用, 2014, 29(4): 631-638. LIU Chen, LIU Xiuguo, CHEN Qihao, et al. Impact of DEM Spatial Resolution on Landslide Extraction Using Object-oriented Methods[J]. Remote Sensing Technology and Application, 2014, 29(4): 631-638. (in Chinese)

[9] 魏家旺, 惠文华, 程梦真, 等. 地理本体驱动的面向对象滑坡识别[J]. 遥感信息, 2020, 35(2): 94-99. WEI Jiawang, HUI Wenhua, CHENG Mengzhen, et al. Geographic Ontology-driven Object Oriented Landslide Recognition[J]. Remote Sensing Information, 2020, 35(2): 94-99. (in Chinese)

[10] 彭令, 徐素宁, 梅军军, 等. 地震滑坡高分辨率遥感影像识别[J]. 遥感学报, 2017, 21(4): 509-518. PENG Ling, XU Suning, MEI Junjun, et al. Earthquake-induced Landslide Recognition Using High-resolution Remote Sensing Images[J]. Journal of Remote Sensing, 2017, 21(4): 509-518. (in Chinese)

[11] 林齐根, 邹振华, 祝瑛琦, 等. 基于光谱、空间和形态特征的面向对象滑坡识别[J]. 遥感技术与应用, 2017, 32(5): 931-937. LIN Qigen, ZOU Zhenhua, ZHU Yingqi, et al. Object-oriented Detection of Landslides Based on the Spectral, Spatial and Morphometric Properties of Landslides[J]. Remote Sensing Technology and Application, 2017, 32(5): 931-937. (in Chinese)

[12] MA Hairong, CHENG Xinwen, CHEN Lianjun, et al. Automatic Identification of Shallow Landslides Based on Worldview2 Remote Sensing Images[J]. Journal of Applied Remote Sensing, 2016, 10(1): 016008.

[13] KURTZ C, STUMPF A, MALET J P, et al. Hierarchical Extraction of Landslides from Multiresolution Remotely Sensed Optical Images[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2014, 87: 122-136.

[14] 李强, 张景发, 罗毅, 等. 2017年“8.8”九寨沟地震滑坡自动检测与空间分布特征[J]. 遥感学报, 2019, 23(4): 785-795. LI Qiang, ZHANG Jingfa, LUO Yi, et al. Recognition of Earthquake-induced Landslide and Spatial Distribution Patterns Triggered by the Jiuzhaigou Earthquake in August 8, 2017[J]. Journal of Remote Sensing, 2019, 23(4): 785-795. (in Chinese)

[15] 李从容, 汪明, 刘凯. 半方差函数模型在滑坡、泥石流沟分布识别中的应用——以四川洪溪河流域为例[J]. 地理与地理信息科学, 2019, 35(2): 47-52. LI Congrong, WANG Ming, LIU Kai. Identification of Landslides and Debris Flows Using Semi-variance Model: A Case Study of Hongxi Basin in Sichuan[J]. Geography and Geo-Information Science, 2019, 35(2): 47-52. (in Chinese)

[16] 丁辉, 张茂省, 朱卫红, 等. 黄土滑坡高分辨率遥感影像识别——以陕西省延安市地区为例[J]. 西北地质, 2019, 52(3): 231-239. DING Hui, ZHANG Maosheng, ZHU Weihong, et al. High Resolution Remote Sensing for the Identification of Loess Landslides Example from Yan' an City[J]. Northwestern Geology, 2019, 52(3): 231-239. (in Chinese)

[17] 杨文涛, 汪明, 史培军, 等. 基于地形因子分割、分类的面向对象滑坡快速识别方法[J]. 自然灾害学报, 2015, 24(4): 1-6. DOI:10.13577/j.jnd.2015.0401. YANG Wentao, WANG Ming, SHI Peijun, et al. Object-oriented Rapid Identification of Landslides Based on Terrain Factors Segmentation and Classification[J]. Journal of Natural Disasters, 2015, 24(4): 1-6. DOI:10.13577/j.jnd.2015.0401. (in Chinese)

[18] 杨树文, 谢飞, 韩惠, 等. 基于SPOT5遥感影像的浅层滑坡体自动提取方法[J].测绘科学, 2012, 37(1): 71-73, 88. YANG Shuwen, XIE Fei, HAN Hui, et al. Automatic Extraction of Shallow Landslides Based on SPOT-5 Remote Sensing Images[J]. Science of Surveying and Mapping, 2012, 37(1): 71-73, 88. (in Chinese)

[19] 杨明生, 李山山, 冯钟葵. 结合纹理特征分析与比辐射率估计的震后滑坡提取[J]. 遥感学报, 2018, 22(S1): 212-223. YANG Mingsheng, LI Shanshan, FENG Zhongkui. Post-seismic Landslide Extraction by Combining Texture Analysis and Emissivity Estimating[J]. Journal of Remote Sensing, 2018, 22(S1): 212-223. (in Chinese)

[20] 闫琦, 李慧, 荆林海, 等. 灾后高分辨率遥感影像的地震型滑坡信息自动提取算法研究[J]. 激光与光电子学进展, 2017, 54(11): 416-426. YAN Qi, LI Hui, JING Linhai, et al. Automatic Extraction Algorithm of Seismic Landslide Information Based on After-calamity High-resolution Remote Sensing Image[J]. Laser & Optoelectronics Progress, 2017, 54(11): 416-426. (in Chinese)

[21] HAN Z, LI Y, DU Y, et al. Noncontact Detection of Earthquake-induced Landslides by an Enhanced Image Binarization Method Incorporating with Monte-Carlo Simulation[J]. Geomatics Natural Hazards and Risk, 2019, 10(1): 219-241.

[22] 王庆雅, 张锦. 高分辨率遥感影像滑坡纹理特征提取方法[J]. 太原理工大学学报, 2021, 52(4): 547-556. WANG Qingya, ZHANG Jin. A Method for Extracting Texture Features of Landslide in High Resolution Remote Sensing Images[J]. Journal of Taiyuan University of Technology, 2021, 52(4): 547-556. (in Chinese)

[23] 陈善静, 康青, 沈志强, 等. 基于滑坡区域颜色特征模型的SVM遥感检测[J]. 航天返回与遥感, 2019, 40(6): 89-98. CHEN Shanjing, KANG Qing, SHEN Zhiqiang, et al. Landslide Detection Based on Color Feature Model and SVM in Remote Sensing Imagery[J]. Spacecraft Recovery & Remote Sensing, 2019, 40(6): 89-98. (in Chinese)

[24] 李博渊. 基于面向对象影像分析技术的滑坡识别方法研究[D]. 银川: 宁夏大学, 2021. LI Boyuan. Research on Method of Landslide Recognition Based on Object-oriented Image Analysis Technology[D]. Yinchuan: Ningxia University, 2021. (in Chinese)

[25] 段晓峰, 韩峰, 杜阳阳. 基于无人机影像的滑坡自动识别技术[J]. 兰州交通大学学报, 2020, 39(6): 1-4. DUAN Xiaofeng, HAN Feng, DU Yangyang. Automatic Identification Technology of Landslide Based on UAV Image[J]. Journal of Lanzhou Jiaotong University, 2020, 39(6): 1-4. (in Chinese)

[26] 陈天博, 胡卓玮, 魏铼, 等. 无人机遥感数据处理与滑坡信息提取[J]. 地球信息科学学报, 2017, 19(5): 692-701. CHEN Tianbo, HU Zhuowei, WEI Lai, et al. Data Processing and Landslide Information Extraction Based on UAV Remote Sensing[J]. Journal of Geo-Information Science, 2017, 19(5): 692-701. (in Chinese)

[27] 李政, 李永树, 郭加伟, 等. 词袋特征支持下的无人机影像滑坡解译模型[J]. 遥感信息, 2016, 31(5): 24-29. LI Zheng, LI Yongshu, GUO Jiawei, et al. An Automatic Landslide Interpretation Model of UAV Imagery Based on BoW[J]. Remote Sensing Information, 2016, 31(5): 24-29. (in Chinese)

[28] 李勋, 杨环, 殷宗敏, 等. 基于DEM和遥感影像的区域黄土滑坡体检测方法研究[J]. 地理与地理信息科学, 2017, 33(4): 86-92, 129. LI Xun, YANG Huan, YIN Zhongmin, et al. Regional Loess Landslide Recognition Method Research Based on DEM and Remote Sensing Images[J]. Geography and Geo-Information Science, 2017, 33(4): 86-92, 129. (in Chinese)

[29] 王雷, 刘小芳, 赵良军, 等. 基于改进FCM算法的遥感影像滑坡变化检测方法[J]. 计算机仿真, 2021, 38(10): 435-441. WANG Lei, LIU Xiaofang, ZHAO Liangjun, et al. A Remote Sensing Landslide Change Detection Method Based on Improved Fuzzy C-Means Clustering[J]. Computer Simulation, 2021, 38(10): 435-441. (in Chinese)

[30] CHENG G, GUO L, ZHAO T, et al. Automatic Landslide Detection from Remote-sensing Imagery Using a Scene Classification Method Based on BoVW and pLSA[J]. International Journal of Remote Sensing, 2013, 34(1): 45-59.

[31] 郝立贞, 白世彪, 徐红波, 等. 基于CBERS-02卫星数据的地震滑坡识别——以青川县为例[J]. 防灾科技学院学报, 2010, 12(4): 46-52. HAO Lizhen, BAI Shibiao, XU Hongbo, et al. Landslide Identification after Earthquake Based on CBERS-02 Remote Sensing Data the Case of Qingchuan[J]. Journal of Institute of Disaster Prevention, 2010, 12(4): 46-52. (in Chinese)

[32] BORGHUIS A M, CHANG K, LEE H Y. Comparison between Automated and Manual Mapping of Typhoon-triggered Landslides from SPOT5 Imagery[J]. International Journal of Remote Sensing, 2007, 28(7/8): 1843-1856.

[33] 徐乔, 孟凡利, 余绍淮. 基于面向对象随机森林分类模型的滑坡遥感解译[J]. 中外公路, 2019, 39(3): 30-34. XU Qiao, MENG Fanli, YU Shaohuai, Atellite Image Landslide Interpretation Using Random Forest Algorithm Based on Object-oriented Method[J]. Journal of China & Foreign Highway, 2019, 39(3): 30-34. (in Chinese)

[34] HINTON G E, OSINDERO S, TEH Y W. A Fast Learning Algorithm for Deep Belief Nets[J]. Neural Computation, 2006, 18(7): 1527-1554.

[35] 孙显辰. 基于深度迁移学习的遥感影像中泥石流沟谷分类[D]. 昆明: 云南师范大学, 2021. SUN Xianchen. Classification of Debris Flows and Valleys in Remote Sensing Images Based on Deep Migration Learning[D]. Kunming: Yunnan Normal University, 2021. (in Chinese)

[36] CHENG Libo, LI Jia, DUAN Ping, et al. A Small Attentional YOLO Model for Landslide Detection from Satellite Remote Sensing Images[J]. Landslides, 2021, 18(8): 2751-2765.

[37] 张倩荧, 王俊英, 雷冬冬. 基于深度学习目标检测算法的滑坡检测研究[J]. 信息通信, 2019(1): 16-18. ZHANG Qianying, WANG Junying, LEI Dongdong. Research on Landslide Detection Based on Deep Learning Target Detection Algorithm[J]. Information & Communications, 2019(1): 16-18. (in Chinese)

[38] WANG T, LIU M, ZHANG H, et al. Landslide Detection Based on Improved YOLOv5 and Satellite Images[C]//The 2021 4th International Conference on Pattern Recognition and Artificial Intelligence (PRAI), August 20-22, 2021, Yibin, China. ACM, 2021: 367-371.

[39] LIU D, LI J, FAN F. Classification of Landslides on the Southeastern Tibet Plateau Based on Transfer Learning and Limited Labelled Datasets[J]. Remote Sensing Letters, 2021, 12(3): 286-295.

[40] LI Z, GUO Y. Semantic Segmentation of Landslide Images in Nyingchi Region Based on PSPNet Network[C]// 2020 7th International Conference on Information Science and Control Engineering (ICISCE), December 18, 2020, Changsha, China.

[41] 张蕴灵, 傅宇浩, 孙雨, 等. 结合深度神经网络的高分辨遥感影像滑坡检测[J]. 公路, 2021, 66(5): 188-194. ZHANG Yunling, FU Yuhao, SUN Yu, et al. Landslide Detection from High-resolution Remote Sensing Image Using Deep Neural Network[J]. Highway, 2021, 66(5): 188-194. (in Chinese)

[42] 姜万冬, 席江波, 李振洪, 等. 模拟困难样本的Mask R-CNN滑坡分割识别[J/OL]. [2022-01-13].https://kns.cnki.net/ kcms/detail/detail.aspx?doi=10.13203/j.whugis20200692. JIANG Wandong, XI Jiangbo, LI Zhenhong, et al. Mask R-CNN Landslide Segmentation and Identification by Simulating Difficult Samples[J/OL]. [2022-01-13]. https://kns.cnki.net/kcms/detail/detail.aspx?doi=10.13203/j.whugis20200692. (in Chinese)

[43] BUI T A, LEE P J, LUM K Y, et al. Deep Learning for Landslide Recognition in Satellite Architecture[J/OL].[2022-01-13]. https://www.researchgate.net/publication/343456671_Deep_Learning_for_Landslide_Recognition_in_Satellite_Architecture.

[44] ZHANG M, SHI W, CHEN S, et al. Deep Multiple Instance Learning for Landslide Mapping[J]. IEEE Geoscience and Remote Sensing Letters, 2021, 18(10):1711-1715.

[45] CAI H, CHEN T, NIU R, et al. Landslide Detection Using Densely Connected Convolutional Networks and Environmental Conditions[EB/OL]. [2022-01-13]. https://www.researchgate.net/publication/351508450_Landslide_Detection_Using_Densely_Connected_Convolutional_Networks_and_Environmental_Conditions.

[46] TANG X, LIU M, ZHONG H, et al. MILL: Channel Attention–based Deep Multiple Instance Learning for Landslide Recognition[J]. ACM Transactions on Multimedia Computing, Communications, and Applications (TOMM), 2021, 17(2S): 1-11.

[47] YI Y, ZHANG W. A New Deep-learning-based Approach for Earthquake-triggered Landslide Detection from Single-temporal RapidEye Satellite Imagery[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13: 6166-6176.

[48] BOVOLO F, CAMPS-VAILS G, BRUZZONE L. A Support Vector Domain Method for Change Detection in Multitemporal Images[J]. Pattern Recognition Letters, 2010, 31(10): 1148-1154.

[49] 李向军. 遥感土地利用变化检测方法探讨[D]. 北京: 中国科学院大学, 2006. LI Xiangjun. Study on Remote Sensing Land Use Change Detection Methods[D]. Beijing: University of Chinese Academy of Sciences, 2006. (in Chinese)

[50] LEI T, XUE D H, LYU Z Y, et al. Unsupervised Change Detection Using Fast Fuzzy Clustering for Landslide Mapping from Very High-resolution Images[EB/OL].[2022-01-13]. https://www.researchgate.net/publication/327334924_Unsupervised_Change_Detection_Using_Fast_Fuzzy_Clustering_for_Landslide_Mapping_from_Very_High-Resolution_Images.

[51] 李麒崙, 张万昌, 易亚宁. 地震滑坡信息提取方法研究——以2017年九寨沟地震为例[J]. 中国科学院大学学报, 2020, 37(1): 93-102. LI Qilun, ZHANG Wanchang, YI Yaning. An Information Extraction Method of Earthquake－induced Landslide: a Case Study of the Jiuzhaigou Earthquake in 2017[J]. Journal of University of Chinese Academy of Sciences, 2020, 37(1): 93-102. (in Chinese)

[52] 李松, 李亦秋, 安裕伦. 基于变化检测的滑坡灾害自动识别[J]. 遥感信息, 2010(1): 27-31. LI Song, LI Yiqiu, AN Yulun. Automatic Recognition of Landslides Based on Change Detection[J]. Remote Sensing Information, 2010(1): 27-31. (in Chinese)

[53] 张群. 基于高分遥感的黑方台滑坡识别[D]. 西安: 长安大学, 2017. ZHANG Qun. Landslide Recognition Based on High Resolution Remote Sensing Images Heifangtai[D]. Xi´an: Chang´an University, 2017. (in Chinese)

[54] 陈文龙, 候勇, 李楠, 等. 基于主成分变换的滑坡识别方法及其在2015年尼泊尔地震中的应用[J]. 长江科学院院报, 2020, 37(1): 166-171. CHEN Wenlong, HOU Yong, LI Nan, et al. Post-earthquake Landslide Detection in Nepal Based on Principal Component Analysi[J]. Journal of Yangtze River Scientific Research Institute, 2020, 37(1): 166-171. (in Chinese)

[55] LI Z B, SHI W Z, MYINT S W, et al. Semi-automated Landslide Inventory Mapping from Bitemporal Aerial Photographs Using Change Detection and Level Set Method[J]. Remote Sensing of Environment, 2016, 175(15): 215-230.

[56] 虎振兴, 徐泓, 汪超亮, 等. 基于时间序列遥感影像的滑坡检测方法[J]. 航天返回与遥感, 2018, 39(2): 104-114. HU Zhenxing, XU Hong, WANG Chaoliang, et al. A Landslides Detection Method Based on Time Series Remote Sensing Images[J]. Spacecraft Recovery & Remote Sensing, 2018, 39(2): 104-114. (in Chinese)

[57] 杨文涛, 汪明, 史培军. 利用NDVI时间序列识别汶川地震滑坡的分布[J]. 遥感信息, 2012, 27(6): 45-48, 56. YANG Wentao, WANG Ming, SHI Peijun. Identification of Landslides in Wenchuan Earthquake Affected Region Using NDVI Time Series[J]. Remote Sensing Information, 2012, 27(6): 45-48, 56. (in Chinese)

[58] ROBERT B, SIGRID R, HERMANN K, et al. Automated Spatiotemporal Landslide Mapping over Large Areas Using RapidEye Time Series Data[J]. Remote Sensing, 2014, 6(9): 8026-8055.

[59] SU Z, CHOW J K, TAN P S, et al. Deep Convolutional Neural Network–based Pixel-wise Landslide Inventory Mapping[J]. Landslides, 2020, 18(1): 1-23.

Research Progress of Landslide Detection in Optical Remote Sensing Images

NIU Chaoyang1GAO Ouyang1,2LIU Wei1LAI Tao3ZHANG Haobo1HUANG Yan1

（1 PLA Strategic Support Force Information Engineering University, School of Data and Target Engineering, Zhengzhou 450001, China）（2 Zhengzhou Coal Machine Hydraulic Electric Control Co., Ltd., Zhengzhou 450013, China）（3 Sun Yat-Sen University, School of Electronics and Communication Engineering Guangzhou 510275, China）（4 Unit 32316 of the Chinese People’s Liberation Army, Urumqi 830001, China）

Under the background of global warming and increasing rainfall, the actual hazards and potential risks of landslides are increasing. It is of great significance to detect landslides in time after they occur. Optical remote sensing satellites have been widely used in landslide detection by virtue of their advantages of fast imaging speed, wide coverage, low cost, and low risk. Based on extensive literature research, this paper systematically sorts out the related researches on landslide detection in optical remote sensing images at home and abroad in recent years. According to the difference in technical approaches, the existing researches are divided into four categories. They implement landslide detection based on feature threshold segmentation, shallow machine learning, deep learning, and change detection, respectively. The basic principle, research status, and development trend of each method are expounded, and the advantages and disadvantages of each method are compared and analyzed. The work of this paper provides a useful reference for further research in this direction.

landslide detection; feature threshold; machine learning; deep learning; change detection；remote sensing application

TP751.1

A

1009-8518(2023)03-0133-12

10.3969/j.issn.1009-8518.2023.03.014

牛朝阳，男，1981年生，2011年获信息工程大学信号与信息处理专业工学博士学位，副教授，博士生导师，德国地学研究中心访问学者。主要研究方向为遥感信息处理与对抗。E-mail：ncy_100@163.com。

2022-07-18

广东省重点研发计划项目（2019B111101001）

牛朝阳, 高欧阳, 刘伟, 等. 光学遥感图像滑坡检测研究进展[J]. 航天返回与遥感, 2023, 44(3): 133-144.

NIU Chaoyang, GAO Ouyang, LIU Wei, et al. Research Progress of Landslide Detection in Optical Remote Sensing Images[J]. Spacecraft Recovery & Remote Sensing, 2023, 44(3): 133-144. (in Chinese)

（编辑：毛建杰）