第七届青年地学论坛

基于变化检测的马尔科夫随机场滑坡编目方法（CDMRF）将变化向量分析方法（CVA）与马尔科夫随机场结合，能够从双时相的航测影像中快速准确地提取大范围滑坡，具有人工交互少，自动化程度高的优点。然而，由于遥感影像获取时大气、光照和物候条件的不同，在使用CVA生成的变化检测图像中存在许多噪声，导致滑坡提取结果精度很低。本研究改进了CDMRF方法，使用归一化植被指数NDVI、主成分分析PCA和独立主成分分析ICA替代CVA，同MRF模型结合，从不同的卫星影像中提取大范围滑坡。为了验证改进的CDMRF方法的有效性和适用性，本文选取了三个试验区域，其滑坡灾害的诱导因素分别是降雨、台风和地震，使用了三种不同分辨率的遥感影像，分别是0.6m的QuickBird、8m的FORMOSAT-2和10m的Sentinel-2影像，自动化地绘制试验区的滑坡编目图。此外，将发生滑坡前30m的Landsat-8影像和发生滑坡后10m的Sentinel-2影像作为实验数据，测试改进的CDMRF方法对于多时相多源卫星影像的适用性。实验结果表明将改进的CDMRF应用于高分辨率遥感影像提取大范围的滑坡时，提取结果的完整性、正确性、Kappa系数和F值等四项精度评定指标结果都优于原来的CDMRF方法。本研究将NDVI、PCA和ICA变化检测方法和MRF模型结合，利用不同卫星影像快速、准确、自动化地提取大范围的滑坡编目图。改进的CDMRF滑坡编目方法不仅适用于不同类型的滑坡试验区域，更支持利用多传感器影像来获取滑坡编目图。

滑坡,机器学习,多源观测