1、第 40 卷 第 1 期2023 年 1 月长江科学院院报Journal of Changjiang iver Scientific esearch InstituteVol 40No 1Jan 2023收稿日期:2021 07 19;修回日期:2021 12 14基金项目:国家电网湖北省电力有限公司科技项目(52152018002S)作者简介:李小来(1974 )，男，湖北随州人，高级工程师，主要从事超特高压输电运维检修及带电作业工作。E-mail:740780553 qq com通信作者:王庆(1979 )，男，湖北武汉人，讲师，博士，主要从事遥感影像智能化信息提取方面的研究。E-mail
2、:gis02126 comdoi:10 11988/ckyyb 202107292023，40(1):184 190基于高光谱数据和雷达融合的滑坡信息提取李小来1，李海涛1，杨世强1，徐海章1，王庆2(1 国网湖北省电力有限公司 检修公司，湖北 宜昌443300;2 长江大学 地球科学学院，武汉430100)摘要:为了改进微地形滑坡遥感影像分类技术，从而提高微地形滑坡遥感信息提取的精度，采用湖北宜昌部分地区的无人机航拍高光谱影像(HSI)和激光雷达(LiDA)数据作为研究数据源，并对高光谱和 LiDA 数据进行融合，最后采用结合注意力模块(CBAM)的卷积神经网络(CNN)方法，对融合后的数据
3、进行滑坡信息提取。研究表明，利用高光谱和雷达数据的优势，可以更准确地提取滑坡信息。关键词:高光谱影像;激光雷达;数据融合;注意力模块;滑坡信息提取中图分类号:P642 22;TP75;TP183文献标志码:A文章编号:1001 5485(2023)01 0184 07Landslide Information Extraction by Fusion of Hyperspectraland adar DataLI Xiao-lai1，LI Hai-tao1，YANG Shi-qiang1，XU Hai-zhang1，WANG Qing2(1 Maintenance Company of Sta
4、te Grid Hubei Electric Power Co，Ltd，Yichang443300，China;2 School of Earth Sciences，Yangtze University，Wuhan430100，China)Abstract:The aim of this research is to enhance the extraction accuracy by improving the classification of micro-ter-rain landslide remote sensing information The landslide informa
5、tion in local areas of Yichang was extracted by u-sing the method of Convolutional Neural Networks(CNN)combined with Convolutional Block Attention Module(CBAM)based on the fusion of Unmanned Aerial Vehicle(UAV)hyperspectral image(HSI)and Light Detectionand anging(LiDA)data esults demonstrated that l
6、andslide information can be extracted with more accuracybased on the advantages of hyperspectral and radar dataKey words:hyperspectral image;LiDA;data fusion;CBAM;landslide information extraction1研究背景滑坡作为一种常见且频繁发生的地质灾害，对世界各地的自然环境、物质资源以及人类自身的安全造成了严重的破坏。近年来，滑坡灾害范围不断扩大，例如，从2013 年到2017 年，贵州省有超过200 个人因滑坡
7、灾害而失去生命。引发滑坡灾害的因素有很多，例如地震震动、强降雨和人类活动，以及岩石、土壤或土壤岩石组合物向下和向外运动等。随着遥感技术的飞速发展，利用高光谱图像检测滑坡得到了更多的关注。基于遥感数据的各种研究在滑坡监测、检测、潜在滑坡预测和减灾方面得到了广泛应用。基于高光谱影像(Hyperspectral Image，HSI)的各种研究，是将滑坡检测作为一个图像处理问题，使用统计和机器学习方法进行处理。统计方法有模糊逻辑、逻辑回归、层次分析法、证据置信函数、加权线性组合方法、多元统计分析和模糊代数算子等;机器学习方法有支持向量机、随机森林、人工神经网络等，作为当前机器学习方法的主流，卷积神经网
8、络(Convolutional Neural Networks，CNN)更是得到了充分的发展。利用遥感图像检测滑坡的性能在很大程第 1 期李小来 等基于高光谱数据和雷达融合的滑坡信息提取度上取决于先进的机器学习方法。目前，凭借通过一系列卷积实现的强大表征学习能力，使得卷积神经网络在各种基于图像的任务中超越了经验特征的设计方法，包括图像分类、物体检测和语义分割。然而，为滑坡检测而设计的基于 CNN 的方法才刚刚开始，并且只有少数人研究。Ding 等1 使用 CNN 提取滑坡前图像和滑坡后图像的特征，计算两个特征向量之间的欧几里德距离，从而识别是否发生了滑坡灾害。Ghorbanzadeh 等2 分
9、析了不同卷积层数、不同 batchsize 和输入数据通道对滑坡检测的影响。这些研究都采用了非常简单的网络架构，即一系列卷积层、池化层、全连接层，来检测滑坡。在未来的工作中，开发更复杂和特定的 CNN 架构以从复杂背景中提取滑坡区域的独特表示至关重要。HSI 能够用更精确的方法来描绘地物，但是其中却存在着异物同谱、同谱异物的现象，不利于地物的分类。雷达数据能够直接获取地物拓扑信息，从而可 以 构 建 地 面 3D 模 型，但 激 光 雷 达(LightDetection And anging，LiDA)数据不能准确地识别地物3。LiDA 与高光谱数据的特征融合，不仅可以保存丰富的高光谱光谱信息
10、，还可以保存雷达数据准确的三位高度和强度信息，实现了两种数据的互补，利于地物的目视判读和计算机解译。因此组合使用不同滑坡监测技术对滑坡演变过程及特征进行分析是大势所趋4。现在，通过遥感影像来提取滑坡、构建模型，大多是在多光谱的纹理、形状、颜色等浅层特征基础上进行的 5。当目标区发生滑坡灾害时，若遥感影像特征不够明显，将极大影响滑坡提取的精度。随着传感器平台的不断发展，获取多源传感器、多角度、多时相的遥感数据变得越来越容易，更多的学者开始采用遥感数据融合处理的方法来解决问题。徐苗苗 6 针对高光谱和机载 LiDA 融合的数据，采用分层融合残差网络分类算法，逐级对样本特征进行提取，实现了层间互补信
11、息的融合。试验结果表明，与仅使用高光谱分类相比，融合数据提高了各种物体的分类精度和整体分类精度。李波 7 使用融合点云伪波形特征和高光谱的方法对空间特征进行提取，之后通过一组 Li-DA 点云和高光谱对该方法进行验证。试验结果表明，在面向对象决策级融合分类试验中，高程辅助分割方法的分类准确率达到9405%，远远高于基于频谱的分割方法。张蒙蒙 8 以多种传感器采集的遥感影像为研究数据源，对收集的影像按照预处理、提取特征、分类器设计三个总体设计路线进行分类试验。试验结果充分证明了基于多态输入的空间光谱间信息提取是非常可取的。考虑到多源遥感影像数据以及需要利用遥感数据进行滑坡检测的高级算法，本研究采
12、用无人机航拍湖北宜昌部分地区的高光谱遥感影像和 LiDA 数据作为数据源，并将高光谱遥感影像数据参量和机载LiDA 数据参量进行了融合，再对处理后的遥感影像数据进行信息提取，探索出一种分类精度最高方法。2关键技术21技术路线本文的主要研究过程如下:(1)LiDA 数据处理。点云数据去噪、过滤，将地面点与非地面点分开，生成数字高程模型(DigitalElevation Model，DEM)和数字表面模型(Digital Sur-face Model，DSM)，并利用公式得到归一化数字表面模型(normalized Digital Surface Model，nDSM)9 10。(2)高光谱数据的
13、处理通常使用大气校正(Atmospheric Correction)、变换分析等方法，如主成分分析(Principal Component Analysis，PCA)和生成归一化植被指数(Normalized Different Vegetation Index，NDVI)。(3)对高光谱数据参数与 LiDA 数据参数进行融合，采用深度学习方法，结合 CBAM(ConvolutionalBlock Attention Modale)，对 生 成 的 数 据 进 行 信息提取。(4)选择用户精度(User s Accuracy，UA)、制图精度(Producer s Accuracy，PA)、K
14、appa 系数来评价分类结果。技术流程如图 1 所示。图 1技术流程Fig1Technical roadmap22机载雷达数据和高光谱数据处理无人机将激光点云数据和 HSI 数据通过数据传输单元和通信单元传输到地面站的中控系统后，用户需对激光点云数据和 HSI 数据分别进行处理。2 2 1LiDA 数据LiDA 数据处理主要分为预处理和后处理，预581长江科学院院报2023 年处理包括数据的精确解算和点云转换等，主要由数据提供方完成。用户直接获取点云产品，并根据需要对 LiDA 数据进行后处理。点云产品的加工主要包括以下几点:数据的去噪和过滤;分离地面和非地面点，生成 DEM 和DSM，并由此
15、生成 nDSM11，其步骤如下:(1)点云数据去噪。由于机载 LiDA 数据在采集过程中是随机的，因此会在数据源中产生大量噪声，例如飞鸟、物体在光滑表面引起的镜面反射、非常高或非常低的点等。这些噪声需要去除，因为它们会影响基础结果并显著降低准确性。(2)点云数据滤波处理。滤波处理过程使用多种算法将航空 LiDA 数据中的地面点与非地面点分开，再通过处理获取 DEM 和 DSM。(3)获得 nDSM。nDSM 是 DEM 和 DSM 的差，是相对于海拔高度的视觉表示。nDSM 的地面灰度值为 0，其余为其他特征信息，包括建筑和植被的高度信息。2 2 2高光谱数据高光谱数据处理步骤如下:(1)大气
16、校正。大气校正可以准确得到目标物体数据的真实反射率，消除大气和辐射参数引起的各种误差。(2)归一化处理。归一化处理是特征向量表达时的重要步骤，该操作可以把需要的数据经过处理后限制在一定范围内。其作用是消除数据量纲的影响，使数据指标之间具有可比性，便于模 型的建立。(3)主成分分析变换。主成分分析是对高光谱遥感影像进行数据压缩和信息融合的手段，它能够消除高光谱遥感影像中之间的相关性，在尽量不丢失信息的前提下，进行数据压缩和描述。(4)生成归一化植被指数。归一化植被指数是表示土地覆盖植被状况的一种遥感指标。它以非线性拉伸的方式增 强 近 红 外 波 段(Near Infrared，NI)12 和红光波段 反射率的对比度。NDVI 是植被覆盖度以及植被生长状态的最佳指示参数13。虽然 NDVI 增强了植被部分的监测，但是 NDVI 对高植被区域具有较低的敏感性。23基于 LiDA 和 HSI 数据的滑坡信息提取对高光谱数据的参数和 LiDA 数据的参数进行融合，再对生成的数据进行信息提取。本研究采用深度学习的方法，结合 Convolutional Block Atten-tion Modul
