【深度学习滑坡制图|论文解读2】基于融合CNN-Transformer网络和深度迁移学习的遥感影像滑坡制图方法
【深度学习滑坡制图|论文解读2】基于融合CNN-Transformer网络和深度迁移学习的遥感影像滑坡制图方法
【深度学习滑坡制图|论文解读2】基于融合CNN-Transformer网络和深度迁移学习的遥感影像滑坡制图方法
文章目录
- 【深度学习滑坡制图|论文解读2】基于融合CNN-Transformer网络和深度迁移学习的遥感影像滑坡制图方法
- 2. Study area and data
- 2.1 study area
- 2.2 data preparation
- 2.2.1 Sentinel-2 data and spectral index factors
- 2.2.2. NASADEM data and topographic factors
- 2.2.3. Landslide inventory and datasets
欢迎宝子们点赞、关注、收藏！欢迎宝子们批评指正！
祝所有的硕博生都能遇到好的导师！好的审稿人！好的同门！顺利毕业！
大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文：
可访问艾思科蓝官网，浏览即将召开的学术会议列表。会议入口：https://ais.cn/u/mmmiUz
论文链接：https://www.sciencedirect.com/science/article/pii/S1569843223004363
2. Study area and data
2.1 study area
由于2022年泸定MS 6.8级地震和2017年九寨沟MS 7.0级地震均引发了严重的滑坡灾害，我们选择了这两个区域作为本研究的实验区域，如图2所示。
- 泸定研究区位于青藏高原与四川盆地之间，总面积为2949.12平方公里，范围为101°54′E ~ 102°24′E和29°12′N ~ 29°47′N（图2A）。此次地震释放了康定-石棉段的积累应变能量，触发了大量滑坡。
- 九寨沟的两个区域被选为实验区（图2B），研究区总面积为65.536平方公里。测试区III（图2©）位于103°45′E ~ 103°49′E和33°15′N ~ 33°18′N之间，测试区IV（图2(d)）位于103°51′E ~ 103°54′E和33°08′N ~ 33°11′N之间。
2.2 data preparation
2.2.1 Sentinel-2 data and spectral index factors
从 https://scihub.copernicus.eu/dhus/#/home （访问日期：2023年1月12日）下载了Sentinel-2多光谱数据（泸定：2022/03/15和2022/11/25；九寨沟：2017/07/29和2017/09/07），并利用SNAP中的Sen2Cor插件（Main-Knorn等，2017）将数据转换为大气底部反射率（Bottom-Of-Atmosphere）产品，以进行大气校正。随后使用SNAP的Sen2Res插件（Brodu，2017）将所有波段统一处理至10米空间分辨率。本文中所有Sentinel-2数据均采用WGS 1984 UTM Zone 48 N空间参考坐标系。
通过Sentinel-2的波段生成了四个光谱指数：归一化差异植被指数（NDVI，Rouse等，1974）、归一化差异水体指数（NDWI，McFEETERS，1996）、亮度指数（BI，Phakdimek等，2023）和裸土指数（BSI，Diek等，2017）。泸定和九寨沟的光谱指数（SIFs）分别展示在图A1和图A2中。
滑坡区域的植被覆盖通常会随着滑坡活动而发生变化，因此NDVI可用于识别滑坡引起的地表覆盖变化（Mondini等，2011）。由于植物光合作用吸收红光并反射近红外光，NDVI定义如下式（1）：
其中，NIR和R分别表示近红外和红光波段的反射率（Rouse等，1974）。
水体对滑坡的稳定性有显著影响。饱和水分的土壤更容易受到地震扰动而发生滑坡（Bontemps等，2020）。因此，NDWI可用于区分滑坡与周围地物。由于水体对绿光有高反射率并强烈吸收近红外光，NDWI定义如下式（2）：
其中，G表示绿光波段的反射率（McFEETERS，1996）。
亮度也是滑坡识别的主要区分特征之一（Amatya等，2021）。BI可用于评估影像的亮度，通过均方根法计算，定义如下式（3）：
其中，B表示蓝光波段的反射率（Phakdimek等，2023）。
BSI通常用于区分裸土与干燥植被或混合像元（Diek等，2017）。**滑坡后留下的裸露土体通常为裸土，因此BSI可帮助识别滑坡区域。裸土区域植被覆盖度较低，且短波红外反射率高于建筑区域。**这一差异可用于区分裸土与其他区域。BSI定义如下式（4）：
其中，SWIR表示短波红外波段的反射率。我们使用Sentinel-2的波段11作为SWIR，因为发现其对滑坡特征的敏感性高于波段12。此外，波段10的空间分辨率较低（Diek等，2017；Rikimaru等，2002）。
2.2.2. NASADEM data and topographic factors
从 https://lpdaac.usgs.gov/products/nasadem_hgtv001/ （访问日期：2023年1月15日）获取NASADEM数据，并使用Python中的线性插值重采样至10米分辨率。利用数字高程模型（DEM）数据提取了坡度、坡向、曲率、阴影分析（Hillshade）和地形湿度指数（TWI）。泸定和九寨沟的地形因子（TFs）分别展示在图A3和图A4中。
DEM能够清晰反映地形起伏，而滑坡通常发生在特定高程范围内（Bamutaze，2019），因此DEM常作为约束因素来优化滑坡敏感性模型（LM）的精度（Ghorbanzadeh等，2021；Lv等，2022）。陡峭的坡度产生更大的剪切力，滑坡发生的可能性也更高，因此坡度也是LM中的重要参数（Silalahi等，2019）。
地震诱发的滑坡分布通常具有方向性，受到峰值地表加速度和断层滑移方向的影响（Chen等，2020）。此外，坡向影响水分和植被分布，进而间接影响土壤强度，影响滑坡的发生（Silalahi等，2019）。曲率作为滑坡的主要影响因素之一，对坡面稳定性有重要作用，并为滑坡的侵蚀和迁移过程提供了信息（Yang等，2021）。
阴影分析（Hillshade）提供了光照强度和地形运动信息，已有研究将其用于LM中（Olaya，2009；Chen等，2017；Pawłuszek和Borkowski，2017）。地形湿度指数（TWI）同样是LM的关键影响因素，反映区域土壤水分的空间分布。水分饱和的土壤剪切强度较低，因此更易发生滑坡。TWI图中还可明显识别出积水区和河流位置（Kopecký等，2021）。
2.2.3. Landslide inventory and datasets
我们基于震前和震后的Sentinel-2光学遥感影像（RSIs）解译了研究区域内的同震滑坡及部分历史滑坡，并使用震后Google Earth影像（泸定：2022年9月10日，九寨沟：2017年8月13日）进行验证（见图3）。泸定地区和九寨沟地区的滑坡总面积分别为51.12 km²和5.58 km²。滑坡清单向量数据由两位专家解译、标注，并经过多轮校对与修订，最终转换为与Sentinel-2和NASADEM数据对齐的10米分辨率栅格图。
我们通过以下步骤获得了最终数据集：首先，将13个Sentinel-2波段、4个光谱指数（SIFs）和6个地形因子（TFs）数据叠加，构建了23通道的数据集，并对每个数据层进行了最小-最大归一化。其次，将数据分割为128×128像素大小的图块，且无重叠。在泸定区域，共生成1800个128×128×23形状的数据块，在九寨沟区域生成了40个相同形状的数据块。最后，这些数据以HDF5格式存储为数据集。
欢迎宝子们点赞、关注、收藏！欢迎宝子们批评指正！
祝所有的硕博生都能遇到好的导师！好的审稿人！好的同门！顺利毕业！
大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文：
可访问艾思科蓝官网，浏览即将召开的学术会议列表。会议入口：https://ais.cn/u/mmmiUz
论文链接：https://www.sciencedirect.com/science/article/pii/S1569843223004363