0 引言
三峡库区地质灾害多发频发,是我国地质灾害高易发区。降雨是三峡库区地质灾害的主要诱发因素之一,尤其是滑坡灾害的重要诱因[1⇓-3]。降雨作用主要表现在雨水的大量下渗,导致斜坡土石层饱和,甚至在斜坡下部隔水层上积水,增加了滑体的重量,降低了土石层抗剪强度,从而诱发滑坡产生。降雨引发的滑坡具有区域性和群发性特点,能够在短时间内造成大量的灾难性损失。如1981年、1982年、1998年、2014年、2017年、2018年等年份的汛期均出现了极端天气,受到极端天气的影响,在川东(渝东北)、鄂西诱发大量的滑坡、崩塌地质灾害。2014年8月30日—9月2日,渝东北地区出现了持续强降雨的天气; 奉节、云阳、巫山、巫溪、开县等地区均出现了极端降雨天气,诱发大量滑坡、危岩、泥石流等地质灾害,造成了32人死亡、10人失踪、129人受伤、7 024间房屋垮塌,直接经济损失约5.8亿元,造成人员伤亡、道路中断、房屋冲毁,水、电、气等基础设施被毁,严重影响了人民群众的正常生活[4]。此次极端降雨天气以8月31日的降雨量最大,故称之为“8·31”暴雨。2017年9—10月华西久雨,长江中上游三峡库区持续阴雨天气1个月以上,降雨量是往年同期的2~3倍甚至更多,诱发滑坡变形甚至滑移,如秭归县柏堡滑坡和盐关滑坡,巫溪县广安村滑坡等发生大规模滑动[5]。
遥感数据在推动局部到区域尺度的滑坡灾害评估方面发挥了重要作用。越来越多的遥感数据为滑坡灾害评估提供了一个新的空间尺度。Liu等[6]和Fourniadis等[7]利用Terra-1 ASTER图像数据,包括立体图像提取数字地面模型和多光谱反射和热成像,结合实地调查,对三峡库区巴东至秭归段和巫山到秭归段的滑坡灾害进行区域评估,利用几何平均和布尔决策规则,对一个多准则图像数据集进行分类,将该地区划分为一系列潜在的滑坡灾害等级,并以地图形式显示; Hong等[8-9]提出了基于美国国家航空航天局TRMM的实时多卫星降水分析系统,将降雨数据与全球滑坡易发性图结合在一起评价滑坡的危险性,以提高对降雨引发的滑坡的理解和预测能力; Kirschbaum等[10]开发了一个基于卫星观测的全球滑坡灾害算法原型,以识别可能发生滑坡活动的地区; 该系统将静态滑坡易发性的计算与卫星得出的降雨量估计结合起来,并使用阈值方法生成一套“临近预报”,对潜在危险地区进行分类。关于滑坡风险的动态评估,Kirschbaum等[11]还提出了态势感知滑坡危险性评估(landslide hazard assessment for situational awareness,LHASA)模型,使用近实时的GPM降水数据、结合世界范围的滑坡易发性分区图,实现了中美洲和加勒比群岛的滑坡风险的近实时预测。全球尺度的其他研究已经实现静态地描述滑坡灾害[12]或随着时间的推移发生的变化[13],但不能定期或近乎实时地提供信息。区域滑坡灾害管理则突出了利用遥感源对滑坡灾害或早期预警进行动态描述[14-15]。
随着大数据和云存储技术的发展,谷歌地球引擎(Google Earth Engine,GEE),NASA Earth Exchange,AWS,TerraLib,Hadoop,GeoSpark,GeoMesa,Microsoft Azure,PIE-Engine和AI Earth等地理大数据云平台应运而生,为大规模的遥感应用和地理空间分析提供了新的视角和机遇[16]。地理数据云平台的出现则为构建具有高时效性、高持续性和可推广性的滑坡危险性评价系统提供了必要条件。相比较而言,GEE 云平台具有以下优势: ①GEE 云平台承载的数据量更大。例如,GEE托管了自1992 年以来的所有Landsat数据集,而AWS 和Azure却只包含了Landsat8数据集; Sentinel-1 数据集仅托管在GEE 和AWS 中。此外GEE云平台还集成了许多数据产品,如增强植被指数(enhanced vegetation index, EVI)和归一化植被指数(normalized difference vegetation index, NDVI)等。另外还包括气候预测、土地覆盖数据、地球物理和社会经济数据集及和许多其他环境数据等[17]。GEE 托管的数据以每天近6 000 景的速度进行更新,通过GEE应用平台,能够实现海量地球科学数据的访问和处理[17]。②GEE 云平台更适于开展研究工作。不同于 TerraLib,GeoSpark 和 GeoMesa 等大规模地理空间数据处理工具,GEE无需掌握复杂的编程语言和编程技能,简单的脚本语言(Python或JavaScript)和相对简单的语法即可满足要求。GEE 为研究人员提供了强大的运算能力,使得遥感数据的分析与处理变得更加的高效,为区域尺度甚至全球尺度的地理空间分析研究提供了一种有效的途径[17]。GEE 的发展,使研究人员能够将更多的精力放在算法和模型的开发上,大大地促进了其在地理空间分析和遥感应用中的发展[17]。通过GEE 云平台,研究人员能够在短时间内实现大尺度区域的研究,进而可以有更多的时间去开发能够应用于自己研究领域的大尺度和全球化的应用算法。③GEE 云平台的运算结果更适于协作和推广。不同于AWS 和Microsoft Azure,GEE 作为免费的遥感大数据学习平台,为研究人员提供了很好的学习模式[18]。GEE 提供的全功能开发环境的API 托管在Github 上,可以简化对Earth Engine 服务器的请求。此外,它提供了一个Git 存储库,用于存储、共享和编写用户代码的版本控制,从而方便用户协作[18]。同时,GEE 内置了常用的机器学习方法,包括逻辑回归,支持向量机和随机森林等[17]。GEE 的资源管理器是一个简单的Web 应用程序,用于数据目录浏览、可视化和基本分析,允许用户运行简单的分析或编写复杂的脚本。这些脚本能够以Web 应用程序的形式进行发布,便于成果的推广。④GEE 云平台已被广泛应用于区域甚至全球尺度的遥感应用和地理空间分析,地理大数据的激增以及云计算和大数据处理服务的最新进展正在改变遥感和地理信息系统应用的未来[18]。在这方面,GEE 正在有效地为研究人员、科学家和开发人员服务,能够轻松地从大的遥感数据集中提取有价值的信息,而不需要增加传统的数据分析方法的负担。GEE 提供的大量遥感数据集(如存档的Landsat卫星和Sentinel卫星影像)有助于研究人员应对全球挑战和环境问题,如全球变暖、气候变化、大面积土地利用分类以及几十年来的景观监测。GEE 还包含数百个预先构建的功能,可以方便地被不同的用户理解和使用。这些优势使得任何用户都可以将此云计算平台用于土地利用、农业、水文、自然灾害等各种应用中。此外,GEE也存在一些局限性,比如每个用户的存储空间有限(免费空间为15 GB),训练机器学习算法的内存有限等,可能会造成用户的减少[18]。然而,毋庸置疑的是,GEE 提出了一种新的地理空间数据处理方法,解决了遥感研究人员面临的数据获取与处理分析的难题[18]。
区域尺度下的滑坡风险评价需要大量的资料和强大的计算能力,因此,本文选择GEE云平台作为滑坡危险性评价模型的承载体,以期通过GEE平台实现坡度、坡向、NDVI、地形湿度指数、NDWI等滑坡因子数据的计算、集成、显示和整个三峡库区的滑坡危险性动态评价。
1 研究区概况
三峡库区指受长江三峡工程淹没且有移民任务的区域,涉及20个县(市)。三峡工程涉及的省级行政区有湖北省和重庆市。三峡库区地质条件复杂,夏季多雨,气候湿润,受库区水位周期性涨落和丰沛降雨的影响,三峡库区一直是我国的地质灾害多发频发地域[3]。
三峡库区滑坡地质灾害成因复杂,诱发因素多样,降雨、库水位涨落以及人类工程活动等因素的相互作用加剧了地质灾害的复杂程度。为了保障三峡库区航道的安全,保护库区人民的生命财产安全,保障三峡大坝的安全,开展面向全库区的滑坡危险性研究具有重要的现实意义。
2 研究思路和方法
本文基于多源遥感数据开展三峡库区降雨诱发地质灾害风险动态评价。以2014年“8·31”超百年一遇的暴雨事件为研究对象,通过暴雨前后高分辨率遥感影像解译和分析,获取暴雨诱发滑坡灾害分布图,分析滑坡发育特征及其与降雨的关系,研究三峡库区降雨诱发滑坡的阈值。基于地质、地形、遥感等多源数据,通过地质和地形数据分析、遥感信息提取等手段,获取地质灾害易发性评价因子; 采用代价敏感性方法——加权梯度提升决策树方法(weighted gradient boosting decision tree, WGBDT)建立滑坡易发性评价模型,获取三峡库区地质灾害易发性评价图。利用GEE云平台的大数据处理能力和丰富的遥感数据资源(包括多光谱遥感数据、全球降雨测量数据等),建立基于GEE平台的三峡库区滑坡风险动态监测模型,开发基于大数据云平台的滑坡风险动态评价模型系统,实现三峡库区风险的动态预测。以重庆市2014年“8·31”暴雨诱发滑坡事件为例,分析此次暴雨期间三峡库区滑坡危险性的时空变化。图1为三峡库区降雨诱发滑坡危险性动态评价流程图。
图1
图1
降雨诱发滑坡风险动态评价流程
Fig.1
Flow chart of dynamic risk assessment of rainfall-induced landslide
3 降雨诱发地质灾害遥感解译
利用2014年“8·31”暴雨前后的航空影像和高分辨率卫星影像,解译、圈定此次暴雨过程诱发产生的滑坡。在遥感影像中,暴雨后发生的大规模滑移的斜坡区域,具有以下明显特征: ①滑动区域内植被、房屋、公路、耕地等被破坏,纹理上与未滑动区域明显不同; ②滑坡体上变形特征明显,岩土体结构破碎,出现不同性质的裂缝,如后缘出现拉裂缝、岩土体下错形成圈椅状裂缝、陡坎或者是明显的滑坡后壁; ③前缘向河谷伸出,堆积和拥塞河谷,甚至形成堰塞湖等。部分滑坡前缘形成滑坡泥石流,滑动岩土体转换为坡面流而运移数百甚至上千米而堆积河谷等等。总体上发生滑动的区域卫星影像色调较浅,岩土裸露,容易辨识。
图2
图2
2014年“8·31”暴雨诱发滑坡遥感解译分布
Fig.2
Distribution of landslides induced by intense rainfall on August 31,2014 by remote sensing interpretation
滑坡发育斜坡山顶高程多在1 000 ~1 500 m范围内,地形坡度在25°左右,以阳坡居多。200~1 350 m高程范围均有滑坡发生; 随着高程增大,滑坡数量呈先增大后减少的变化趋势,主要集中400~700 m高程范围。滑坡发育地层主要为侏罗系和三叠系中统巴东组,主要岩性为砂岩、粉砂岩、泥灰岩等,与层厚不等的泥岩、页岩,呈互层状,为软岩和软硬相间岩组。滑坡规模以中小型滑坡为主,占滑坡总数的90.7%。且以新生型滑坡为主。90%以上滑坡不在已查明滑坡之列,为此次暴雨诱发而新发生的; 部分为老滑坡,在暴雨作用下,也出现较大变形甚至发生大规模滑移。
基于“8·31”暴雨期间全球降雨测量(Global Precipitation Measurenent,GPM)数据与滑坡解译结果,综合分析滑坡与降雨关系(图3),分析可知: 日降雨量小于50 mm、累积降雨量小于100 mm时,诱发滑坡的概率小,滑坡基本不出现; 日降雨量大于50 mm、累积降雨量大于100 mm时,滑坡开始出现; 日降雨量大于80 mm、累积降雨量大于140 mm时,滑坡开始持续零星发生; 日降雨量大于80 mm、累积降雨量大于170 mm时,区域上滑坡开始具有群发性,可能有数以十计的滑坡发生。当最大单日降雨量和累积降雨量分别超过100 mm和200 mm时,该区域开始大量发生滑坡,数以百计的滑坡集中出现。随着日降雨量或者累积降雨量增大,不仅滑坡发生数量越多,而且滑坡发生的规模也越大。
图3
图3
部分三峡库区地质灾害易发性评价因子
Fig.3
Part of susceptibility evaluation factors of geological hazard in the Three Gorges Reservoir area
从斜坡地形坡度统计得出,总体上降雨诱发滑坡区域的地形坡度相对较陡,10°~ 45°范围均有滑坡发生。其中20°~ 25°的斜坡上发生滑坡数量最多,占总数的61.3%; 其次是坡度为25°~ 30°发生的滑坡数量占比24.5%; 30°以上坡度的滑坡数量占比为24.5%。在坡向上,以西向、南向的阳坡居多,坡向160°~280°之间斜坡发生滑坡数量占比为74.2%。
4 地质灾害风险动态评价
4.1 地质灾害易发性评价
本文采用WGBDT方法进行地质灾害易发性评价。WGBDT 方法是传统机器学习方法中对真实世界分布拟合最好的算法之一,拥有较强的泛化能力,而且既可用在分类问题当中,也可用在回归问题当中。同时,也可以使用正则函数来改进训练结果并减少模型的过拟合程度。
收集整理三峡库区地质灾害调查数据、基础地质数据、地形数据、遥感数据等孕灾因子数据和诱发因子数据等多源异构数据。使用SRTM的30 m分辨率的数字高程模型(digital elevation model,DEM)数据为基础数据,提取坡度、坡向、高程等地形地貌因子; 采用1∶20万基础地质图,将库区出露的地层按照岩土性质划分为不同的工程地质岩性组合,将具有相同或相近的岩石物理力学性质的地层划为同一类工程岩组。滑坡主要受易滑地层控制,主要发生在含有软弱面或软弱层(带)的层状岩层中,主要有碎屑岩类软硬相间的砂岩、泥岩和软弱泥岩为主的岩组,主要包括侏罗系蓬莱镇组、遂宁组、沙溪庙组、新田沟组,三叠系巴东组,为三峡库区易滑地层。利用遥感信息提取相关因子,生成了三峡库区NDVI图、NDWI图、土地利用图、土壤湿度遥感图、年平均降雨图等因子图层。如土壤湿度数据的地面分辨率为0.25°,则可提供地表和地下的土壤湿度分布以及土壤水分异常数据。
在地质灾害易发性评价模型的构建过程中,以降雨诱发滑坡样本点作为正类,在三峡库区非滑坡区域内随机选择点作为负类,建立加权的梯度提升决策树模型,生成三峡库区地质灾害的易发性分区图。按照地质灾害易发性由高到低,将三峡库区划分为地质灾害高、较高、中、较低、低易发区5个等级(图4)。
图4
长江干流及其主要支流、香溪河、青干河、大宁河、梅溪河、汤溪河等河流沿岸,秭归盆地、渝东北地区是地质灾害集中发育区。地质灾害主要发育在碎屑岩分布区,侏罗系地层以及三叠系巴东组地层分布区为地质灾害中、高易发区。在区域分布上,地质灾害易发性主要受岩性、地势、河流控制; 对于局部而言,地质灾害受地形地貌、地表覆盖等影响。
4.2 地质灾害危险性评价
降雨诱发地质灾害危险性评价,一般综合考虑地质灾害易发性和降雨阈值2项指标。对于降雨指标,多使用降雨-持时(I-D)指标。前文进行了地质灾害易发性评价,划分了易发性等级。根据对“8·31”暴雨诱发滑坡与降雨的分析,以累积降雨量阈值作为划分标准,可以将本次降雨诱发滑坡阈值划分5个级别,分别以滑坡开始发生、零星出现、群体发生和大量发生时所对应的累积降雨量值为划分依据,其对应的累积降雨量值分别是100 mm,140 mm,170 mm和200 mm[5]。
将累积降雨量阈值与滑坡易发性相结合,建立地质灾害危险性分级表。将地质灾害危险性分为高、较高、中、较低和低5个等级,分别对应于不同的地质灾害易发性和累积降雨阈值等级,依次用红色、橙色、黄色、浅绿和绿色表示(表1)。
表1 基于降雨量阈值的地质灾害危险性分级
Tab.1
| 易发性等级 (7 d累积降雨量) | 高 | 较高 | 中 | 较低 | 低 |
|---|---|---|---|---|---|
| 大量发生(>200 mm) | |||||
| 群体发生((170,200] mm) | |||||
| 局部发生((140,170] mm) | |||||
| 偶然发生((100,140] mm) | |||||
| 不发生(≤100 mm) |
4.3 重庆“8·31”暴雨滑坡危险性评价
2014 年 8 月 31 日,重庆市东北部地区遭受了严重的暴雨袭击,云阳县、奉节县、开州区等地发生了大量的滑坡事件。本文利用所开发的系统,基于三峡库区范围内的降雨时空分布,研究了2014年8月29日—9月3日三峡库区滑坡危险的时空变化规律。采用前述的滑坡危险性分析方法,得到2014年8月29日—9月3日的滑坡危险性分布图(图5)。从图5可以看出,2014年8月29日,三峡库区的滑坡危险性普遍较低,危险性等级以“低”为主。至8月30日,开州区、奉节县、巫山县、巴东县和秭归县等地的部分区域累积降雨量超过138 mm[5],导致这些区域的滑坡危险性等级提升至“中”等级,部分地区甚至达到“较高”等级。8月31日,重庆东北部地区(包括奉节县、开州区、云阳县北部和巫溪县南部)出现了降雨峰值,最大日降雨量达104 mm,累积降雨量超过200 mm[5],该地区的地质灾害危险性等级以“较高”为主,局部区域达到“高”危险等级。9月1—3日,虽然上述区域的日降雨量有所下降[5],但由于降雨对滑坡的影响具有滞后性,渝东北地区多数区域的滑坡危险性仍维持在“较高”或“高”等级。
图5
图5
三峡库区2014年“8·31”暴雨诱发滑坡危险性区划
Fig.5
Map of risk assessment of landslides induced by intense rain in the Three Gorges Reservoir area on August 31,2014
从图5结合三峡库区的地理空间分布情况可知,滑坡高危险性地区主要分布在巫山县、奉节县、云阳县、巫溪县等渝东北地区,其危险从2014年8月30日开始逐日增加,9月1—3日一直处于高危险性水平。这主要是因为降雨对滑坡影响的滞后性,前期降雨对滑坡风险的影响较大,暴雨过后滑坡的危险性依然处在高位。据地方上报数据显示,此次降雨诱发的滑坡中,绝大部分滑坡发生在9月1—2日之间,而此次降雨过程主要降雨发生时间为8月30—31日,因此本文得出的危险性评价结果与实际情况比较相符。
5 结论
本文采用多源遥感数据开展区域降雨型滑坡风险动态评价,以三峡库区2014年“8·31”极端降雨事件诱发滑坡为研究对象,通过遥感解译、多源数据评价因子获取等,综合考虑累积降雨量和易发性,实现了三峡库区降雨诱发滑坡危险性动态评价。
1)遥感可以为区域性滑坡风险评价提供多源数据。本文利用高分辨率遥感数据开展了2014年“8·31”暴雨诱发滑坡解译,获取了此次降雨诱发滑坡分布图。在滑坡易发性评价中,遥感提供了NDVI、土壤湿度图、NDWI等评价因子。遥感信息可为区域性滑坡风险评价各环节提供数据。
2)遥感技术可为区域性降雨诱发滑坡风险动态评价提供有效手段,可快速获取降雨观测数据,为实现大范围滑坡风险动态评价提供可能,也可以快速获取大范围的信息,是开展滑坡风险快速评价的有效手段。GEE云平台集成的大量遥感数据和强大的运算能力,为大区域的滑坡灾害危险性近实时动态评价提供了新的视角和保障。
3)发展区域尺度和基于云平台的地质灾害研究,既是顺应时代的发展、积极拥抱新技术的体现,也是未来地质灾害研究的必然趋势,有望提升我国的灾害管理水平,推动地质灾害研究的“上云用数赋智”。
志谢
此次实验数据的获取得到了中国地质调查局武汉地质调查中心的支持,数据的处理得到了江西省地震局江西省防震减灾与工程地质灾害探测工程研究中心的支持,在此表示衷心的感谢!
参考文献
20世纪以来中国的大型滑坡及其发生机制
[J].
Large-scale landslides and their sliding mechanisms in China since the 20th century
[J].
前期含水率对浅层滑坡降雨入渗及稳定性影响研究
[J].
Effects of initial water content on the rainfall infiltration and stability of shallow landslide
[J].
渝东北地区强降雨诱发地质灾害险情分析
[J].
DOI:10.11988/ckyyb.20160309
[本文引用: 1]
渝东北一直以来都是地质灾害高发地区,地质环境条件脆弱,极端降雨事件频发,是区域地质灾害预警高度关注地区。以2014年8月底至9月初持续强降雨诱发地质灾害过程为例,运用统计方法,从空间和时间角度,分析地质灾害的空间分布、时间分布与降雨的相关关系,得到该区域降雨诱发地质灾害的规律特点及临界阈值。结果表明:①奉节、云阳、巫山属于地质灾害高易发区,巫溪、开县属于地质灾害中等易发区,其他地区属于低易发区;②渝东北地区的降雨模式常见为持续强降雨型(奉节)和暴雨型(云阳、巫山、巫溪及开县);③渝东北地区各区县临界雨强不同,奉节临界雨强为90 mm/d,险情特点有明显滞后性;云阳临界雨强为85 mm/d,巫山临界雨强为80 mm/d,巫溪、开县临界雨强推荐值为(100±5)mm/d;在持续强降雨作用且不小于30 mm/h的雨强下,险情伴随发生概率极高。渝东北地区强降雨诱发地质灾害险情分析成果,可为系统全面提出一套预警阈值、指导减灾防灾工作提供技术支撑。
Situation of geologic hazards induced by heavy rainfall in northeast Chongqing
[J].
渝东北2014年“8·31”暴雨诱发滑坡遥感解译与分析
[J].
An analysis of rainstorm-induced landslides in northeast Chongqing on August 31,2014 based on interpretation of remote sensing images
[J].
Landslide hazard assessment in the Three Gorges area of the Yangtze River using ASTER imagery
[C]//
Regional assessment of landslide impact in the Three Gorges area,China,using ASTER data:Wushan-Zigui
[J].DOI:10.1007/s10346-007-0080-5 URL [本文引用: 1]
Evaluation of the potential of NASA multi-satellite precipitation analysis in global landslide hazard assessment
[J].
Use of satellite remote sensing data in the mapping of global landslide susceptibility
[J].DOI:10.1007/s11069-006-9104-z URL [本文引用: 1]
A global landslide catalog for hazard applications:Method,results,and limitations
[J].DOI:10.1007/s11069-009-9401-4 URL [本文引用: 1]
Satellite-based assessment of rainfall-triggered landslide hazard for situational awareness
[J].DOI:10.1002/eft2.v6.3 URL [本文引用: 1]
Assessment of global high-risk landslide disaster hotspots
[M]//Landslides-Disaster Risk Reduction.Berlin:
A satellite-based global landslide model
[J].
Assessment of shallow landslides from Hurricane Mitch in central America using a physically based model
[J].DOI:10.1007/s12665-011-0997-9 URL [本文引用: 1]
A dynamic landslide hazard assessment system for Central America and Hispaniola
[J].
Combining evolutionary algorithms and machine learning models in landslide susceptibility assessments
[J].
DOI:10.3390/rs12233854
URL
[本文引用: 1]
The main objective of the present study is to introduce a novel predictive model that combines evolutionary algorithms and machine learning (ML) models, so as to construct a landslide susceptibility map. Genetic algorithms (GA) are used as a feature selection method, whereas the particle swarm optimization (PSO) method is used to optimize the structural parameters of two ML models, support vector machines (SVM) and artificial neural network (ANN). A well-defined spatial database, which included 335 landslides and twelve landslide-related variables (elevation, slope angle, slope aspect, curvature, plan curvature, profile curvature, topographic wetness index, stream power index, distance to faults, distance to river, lithology, and hydrological cover) are considered for the analysis, in the Achaia Regional Unit located in Northern Peloponnese, Greece. The outcome of the study illustrates that both ML models have an excellent performance, with the SVM model achieving the highest learning accuracy (0.977 area under the receiver operating characteristic curve value (AUC)), followed by the ANN model (0.969). However, the ANN model shows the highest prediction accuracy (0.800 AUC), followed by the SVM (0.750 AUC) model. Overall, the proposed ML models highlights the necessity of feature selection and tuning procedures via evolutionary optimization algorithms and that such approaches could be successfully used for landslide susceptibility mapping as an alternative investigation tool.
Google Earth Engine for geo-big data applications:A meta-analysis and systematic review
[J].DOI:10.1016/j.isprsjprs.2020.04.001 URL [本文引用: 5]
Google earth engine cloud computing platform for remote sensing big data applications:A comprehensive review
[J].DOI:10.1109/JSTARS.4609443 URL [本文引用: 5]
基于地块级时序NDVI的喀斯特山区撂荒地特征精准识别
[J].
Accurate recognition and extraction of Karst abandoned land features based on cultivated land parcels and time series NDVI
[J].
基于图像分割和NDVI时间序列曲线分类模型的冬小麦种植区域识别与提取
[J].
Winter wheat planting area identification and extraction based on image segmentation and NDVI time series curve classification model
[J].
2000—2016年三江源区植被生长季NDVI变化及其对气候因子的响应
[J].
NDVI changes and its correlation with climate factors of the Three River-Headwater region in growing seasons during 2000-2016
[J].
基于Landsat8的含蓝藻湖泊水体信息提取方法研究
[J].
A study on water information extraction method of cyanobacteria lake based on Landsat8
[J].
Sentinel-2和Landsat8影像的四种常用水体指数地表水体提取对比
[J].
Comparison of Sentinel-2 imagery with Landsat8 imagery for surface water extraction using four common water indexes
[J].
典型滑坡遥感影像特征研究
[J].
A study of remote sensing image features of typical landslides
[J].
基于卷积神经网络的遥感影像及DEM滑坡识别——以黄土滑坡为例
[J].
Landslide identification using remote sensing images and DEM based on convolutional neural network:A case study of loess landslide
[J].
遥感技术在江西永丰县地质灾害调查中的应用
[J].
Remote sensing technology investigation of geological disasters in Yongfeng County Jiangxi Province
[J].
面向地质灾害调查的无人机遥感影像处理软件比较
[J].
Comparison of UAV remote sensing image processing software for geological disasters monitoring
[J].
遥感调查应用于地质灾害调查的工作方法与技术要求——以宁夏盐池县地质灾害调查为例
[J].
Remote sensing investigation in geological disasters investigation method and technique requirements-a case study of geological disasters investigation in Yanchi County of Ningxia
[J].
Combining a class-weighted algorithm and machine learning models in landslide susceptibility mapping:A case study of Wanzhou section of the Three Gorges Reservoir,China
[J].DOI:10.1016/j.cageo.2021.104966 URL [本文引用: 1]
