遥感技术用于滑坡监测

2014年7月30日，印度西部马哈拉施特拉邦因持续暴雨发生山体滑坡，受灾面积达到44000平方米。使用遥感技术对本次滑坡事件进行监测。


滑坡灾害

遥感数据源：

• 灾前DEM数据：Airbus的DS WorldDEM，分辨率12米。
• 灾后数据：Pleiades立体像对，0.5米分辨率，带RPC。获取时间分别为：2015年2月8日和2015年2月9日。

滑坡灾后Pleidas立体像对数据
数据处理过程：
第一步，ENVI 5.3的摄影测量模块（原正射校正扩展模块）提供了基于立体像对提取点云数据的工具（Generate Point Clouds by Dense Image Matching）。使用此工具从Pleiades立体像对中生成.las点云数据，0.5米的立体像对生成的点云密度是3-4个点/平方米；

立体像对生成点云数据的工具面板

Pleidas立体像对中生成的.las点云数据
第二步，用ENVI LiDAR从点云数据中提取灾后的DSM，根据点云密度，生成的DSM分辨率为1米；

从点云数据中提取的DSM数据，分辨率1米

第三步，在ENVI中对上一步得到的灾后DSM加上基准面（EGM 2008），得到绝对DSM的值；
第四步，在ENVI中，对灾前的DSM进行投影转换、重采样、范围裁剪，得到和灾后DSM具有一致坐标系、分辨率和范围的灾前DSM数据，坐标系为UTM Zone 43N；
第五步，在ENVI中，使用波段运算Band Math工具对灾后DSM和灾前DSM相减，得到DSM的差值图像；
第六步，对DSM的差值图像进行中值滤波；
第七步，对中值滤波后的DSM差值图像进行密度分割，并保存为分类结果。

图 DSM差值结果的彩色显示

灾前DSM和灾后DSM的从A点到B点的剖面图显示了明显的滑坡区域，而该区域的岩石和土壤缺乏吸附力。

从A点到B点的横断面剖面图

最大滑坡处有10米深，和现场实测结果一致。

DSM的差值结果叠加在Google Earth上显示
这个例子中用到的处理工具，ENVI都提供了相应的ENVI Task：

• Generate Point Clouds By Dense Image Matching
• Point Cloud Feature Extraction
• Reproject Raster
• Median Filter
• Color Slice Classification

这些ENVITask可以用IDL调用，很方便的集成到python环境中，如ArcGIS，能用于建模，快速构建流程化的处理。

滑坡监测工作流建模
这样的工作流又能很方便的用ENVI Services Engine发布到已有的云平台中，实现灾情的实时自动提取。

遥感服务模型的构建
本文介绍的基于卫星立体像对提取点云数据的技术流程，可快速应用于类似滑坡灾害的应急监测。ENVI和ArcGIS为用户提供了专业的、易于使用的在线数据分析解决方案。

文章来源：http://blog.sina.com.cn/s/blog_764b1e9d0102xck0.html