一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法

摘要

本发明属于潜在滑坡识别领域，公开了一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法：获取目标区域的形变速率图和光学遥感影像数据，并对所述光学遥感影像进行预处理，得到目标区域的光学遥感影像图；计算得到目标区域的地形信息数据；根据目标区域的形变速率图，分割得到多个对象，并选取地物分类样本，得到各类地物分类样本的分类特征要素及其阈值；分类、剔除得到利用光学遥感影像获取的目标区域潜在滑坡区域；计算得到潜在滑坡对象，将潜在滑坡对象与得到的目标区域潜在滑坡区域合并，最终得到目标区域完整的潜在滑坡区域；本发明结合光学遥感与InSAR形变速率信息，能够快速、有效的提取潜在滑坡信息，自动化程度与可靠性高，为预防滑坡灾害提供技术支撑。

说明书

技术领域

本发明属于潜在滑坡识别领域，具体涉及一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法。

背景技术

滑坡是一种由自然因素或人类活动引起的常见的自然灾害，主要发生在山区及河谷地带；采用光学遥感解译技术对研究区域进行识别滑坡，尽管其覆盖范围大，且可以通过人机交互进行识别滑坡；但是，传统的光学遥感影像识别滑坡的方法在进行滑坡调查时往往只能提供半定量的滑坡识别成果，存在漏判、错判现象，且多数是针对滑坡发生之后的区域定位，难以实现对潜在滑坡区域进行早期识别，导致很多滑坡难以得到及时预警与有效防治。由于SAR影像不仅含有强度信息，还包含相位信息，通过InSAR形变速率信息可以获取研究区域内厘米级甚至毫米级的地表形变，从而提高研究区域内滑坡识别与监测的可靠性与正确率；但是InSAR形变速率信息只能获取一维形变而且存在阴影、顶底倒置和透视缩短等现象，也会存在对滑坡的漏判、错判现象，特别是基于InSAR形变速率信息直接进行滑坡识别需要人工绘制，具有主观性，且自动化程度低。

发明内容

针对现有技术中存在的光学遥感影像识别滑坡的方法只能提供半定量的滑坡识别成果，存在漏判、错判现象，且InSAR形变速率信息进行滑坡识别时主观性强、自动程度不高的问题，本发明的目的在于，提供了一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法。

为了实现上述目的，本申请采用如下技术方案予以实现：

一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法，具体包括以下步骤：

步骤1、对研究区域内的SAR卫星采集得到的SAR影像进行处理，得到研究区域的形变速率图；选取覆盖研究区域内其中之一的疑似滑坡区域为目标区域，裁剪得到目标区域的形变速率图；

步骤2、获取目标区域的光学遥感影像数据与目标区域的DEM数据，所述光学遥感影像数据包括全色波段数据和4波段多光谱数据；根据获取的目标区域的DEM数据对所述光学遥感影像数据进行正射校正，得到包括全色波段数据和4波段多光谱数据的正射光学遥感影像；对正射光学遥感影像进行处理，得到目标区域的光学遥感影像图；所述DEM指数字高程模型；

步骤3、对目标区域的DEM数据定义投影和重采样，得到重采样后的DEM数据；对重采样后的DEM数据进行剪裁，得到目标区域完整的DEM数据，并根据目标区域完整的DEM数据，计算得到目标区域的坡度图、山体阴影图、地表起伏度图、地面高程图；

其特征在于，还包括：

步骤4、对目标区域的形变速率图定义投影和重采样，得到重采样后的形变速率图；采用多尺度分割方法，对重采样后的形变速率图中的形变速率和目标区域的光学遥感影像图中的4波段多光谱数据整体进行分割，得到多个对象；

根据目标区域的坡度图、山体阴影图、地表起伏图、地面高程图及目标区域的光学遥感影像图中的4波段多光谱数据，计算得到多个对象的属性值；

以得到的多个对象为基本单元选取地物分类样本，根据选取的地物分类样本和得到的多个对象的属性值计算得到各类地物分类样本的分类特征要素及分类特征要素对应的阈值；

步骤5、根据各类地物分类样本的分类特征要素及分类特征要素对应的阈值对目标区域的光学遥感影像图进行分类，得到各类地物的分类结果；根据各类地物的分类结果，得到利用光学遥感影像获取的目标区域的潜在滑坡区域；

步骤6、根据目标区域的形变速率图与各类地物的分类结果，提取得到漏分的潜在滑坡对象；将漏分的潜在滑坡对象与利用光学遥感影像获取的目标区域的潜在滑坡区域进行合并，得到融合了光学遥感影像和InSAR形变速率信息的目标区域的潜在滑坡区域。

进一步的，所述步骤4具体包括如下步骤：

步骤41、采用地图投影方法对目标区域的形变速率图定义投影，得到具有投影信息的形变速率图，并使具有投影信息的形变速率图与目标区域的光学遥感影像图的投影坐标系统一致；采用三次卷积的方法对具有投影信息的形变速率图进行重采样，得到重采样后的形变速率图，并使重采样后的形变速率图与目标区域的光学遥感影像图的分辨率保持一致；

步骤42、将重采样后的形变速率图中的形变速率作为一个波段数据，采用多尺度分割方法，对重采样后的形变速率图中的形变速率和目标区域的光学遥感影像图中的4波段多光谱数据整体进行分割，得到多个对象，所述对象是指具有同质性的像元集合；

步骤43、分别从目标区域的坡度图、山体阴影图、地表起伏度、地面高程图及目标区域的光学遥感影像图中的4波段多光谱数据中获取得到每个对象中组成对象的所有像元的坡度值、地面高程值、山体阴影值、地形起伏度值和4波段多光谱值，并分别计算得到每个对象中组成对象的所有像元的坡度值的平均值、地面高程值的平均值、山体阴影值的平均值、地形起伏度值的平均值和4波段多光谱值的平均值；通过公式(4)(5)分别计算每个对象的NDVI值和NDWI值；

将每个对象中组成对象的所有像元的坡度值的平均值、地面高程值的平均值、山体阴影值的平均值、地形起伏度值的平均值、4波段多光谱值的平均值及每个对象的NDVI值和NDWI值作为每个对象的属性值，得到多个对象的属性值；

式中，NDVI_i表示第i个对象的归一化植被指数，NDWI_i表示第i个对象的归一化水体指数；ρ_i(NIR)、ρ_i(RED)、ρ_i(GREEN)分别表示第i个对象的4波段多光谱数据中近红外波段、红波段和绿波段处的反射率值，取值范围均为[0,1]，i表示第i个对象，i为大于0的自然数；

步骤44、以得到的多个对象为基本单元选取地物分类样本，所述地物分类样本包括水体、植被、基岩、裸地、人工表面、沉积物、阴影样本；采用分类回归树算法对选取的地物分类样本及得到的多个对象的属性值进行计算，得到各类地物分类样本的分类特征要素及分类特征要素对应的阈值。

进一步的，所述步骤5具体为：

由各类地物的分类特征要素及分类特征要素对应的阈值构成分类规则，运用分类规则对目标区域的光学遥感影像图进行分类，得到各类地物的分类结果；剔除多个对象中各类地物的分类结果，得到利用光学遥感影像获取的目标区域的潜在滑坡区域。

进一步的，所述步骤6具体包括如下步骤：

步骤61、将目标区域的形变速率图与各类地物的分类结果进行叠加，得到目标区域的光学遥感影像图中各像元的形变速率；计算组成对象的所有像元的形变速率的平均值，将得到的平均值作为对象的形变速率，得到多个对象的形变速率；

步骤62、设置形变速率的两个阈值m、n，其中m<0,n>0，通过阈值分类的方法提取各类地物的分类结果中形变速率k在k≤m或k≥n的范围内的对象,作为漏分的潜在滑坡对象；

步骤63、将漏分的潜在滑坡对象与利用光学遥感影像获取的目标区域的潜在滑坡区域采用并运算进行合并，得到融合了光学遥感影像和InSAR形变速率信息的目标区域的潜在滑坡区域。

进一步的，所述步骤1具体如下：

对覆盖研究区域内的SAR卫星采集得到的SAR影像，采用InSAR中的相干点目标分析方法对SAR影像进行处理，得到研究区域的形变速率图；选取覆盖研究区域内其中之一的疑似滑坡区域为目标区域，沿目标区域的边界，对研究区域的形变速率图进行裁剪，得到目标区域的形变速率图。

进一步的，所述步骤2具体包括如下步骤：

步骤21、通过遥感卫星获取覆盖目标区域的光学遥感影像数据，所述光学遥感影像数据包括分辨率为0.61m的全色波段数据和分辨率为2.44m的4波段多光谱数据，所述4波段包括红、绿、蓝和近红外波段；

步骤22、通过航天飞机雷达地形测绘使命系统获取目标区域的DEM数据；利用光学遥感影像数据自带的RPC文件和RPC模型形得到完整的RPC模型；利用DEM数据和完整的RPC模型分别对全色波段数据与4波段多光谱数据进行正射校正，得到包括全色波段数据和4波段多光谱数据的正射光学遥感影像，所述RPC指有理多项式系数；

步骤23、采用NNDiffuse Pan Sharpening算法对包括全色波段数据和4波段多光谱数据的正射光学遥感影像进行融合，得到融合的光学遥感影像；

步骤24、对目标区域范围矢量化得到目标区域矢量边界图；沿目标区域矢量边界图的边界，对融合的光学遥感影像进行裁剪，得到目标区域的光学遥感影像图。

进一步的，所述步骤3具体包括如下步骤：

步骤31、采用地图投影方法对所述DEM数据定义投影，得到具有投影信息的DEM数据，使具有投影信息的DEM数据与目标区域的光学遥感影像图的投影坐标系统一致；采用三次卷积的方法对具有投影信息的DEM数据进行重采样，得到重采样后的DEM数据，使重采样后的DEM数据与目标区域的光学遥感影像图的分辨率保持一致；

步骤32、沿目标区域矢量边界图的边界，对重采样后的DEM数据进行裁剪，得到目标区域完整的DEM数据；根据目标区域完整的DEM数据，采用公式(1)计算得到目标区域的坡度图；采用公式(2)得到山体阴影图；采用公式(3)得到地表起伏度图；地面高程值为DEM数值，得到地面高程图；

其中，slope为坡度，f_x为目标区域完整的DEM数据中X方向高程变化率，f_y为目标区域完整的DEM数据中Y方向高程变化率；

其中，hillshade为山体阴影，zenith_rad为目标区域的光学遥感影像数据中的太阳天顶角的弧度数，slope_rad为目标区域完整的DEM数据中坡度弧度数，azimuth_rad为目标区域的光学遥感影像数据中的太阳光线方向的弧度数，aspect_rad为目标区域完整的DEM数据中坡向弧度数；

R＝H_max-H_min，R＞0，H_max，H_min∈R>

其中，R为地形起伏度，H_max为目标区域完整的DEM数据中固定分析窗口内的最大高程，H_min为目标区域完整的DEM数据中所述固定分析窗口内的最低高程。

与现有技术相比，本发明的有益效果在于：

1、本发明采用多尺度分割方法对重采样后的形变速率图中的形变速率和目标区域的光学遥感影像图中的4波段多光谱数据进行分割，最终得到利用光学遥感影像获取的目标区域的潜在滑坡区域，并将根据目标区域的形变速率图得到的漏分的潜在滑坡对象与利用光学遥感影像获取的目标区域的潜在滑坡区域进行合并，最终得到目标区域完整的潜在滑坡区域；本发明结合了光学遥感技术和InSAR形变速率信息，能够快速、有效的识别并提取潜在滑坡信息，自动化程度与可靠性高，特别针对未发生滑坡区域进行定位，对于潜在滑坡的监测、预警具有重要意义。

2、本发明相较于传统的光学遥感识别滑坡的方法，识别得到的潜在滑坡区域更加完整，减少了漏判、错判的现象出现；相较于单一InSAR形变速率信息通过目视解译绘制滑坡边界图，其结果更加准确，自动化程度高，无需野外调查，对于从业人员的地质专业知识要求较低，尤其适用于人员难以到达的滑坡识别研究，为及时预防滑坡灾害的发生提供技术支撑。

附图说明

图1为本发明的流程图；

图2为利用InSAR形变速率信息识别滑坡方法得到的潜在滑坡边界图；

图3为利用传统的光学遥感影像识别滑坡的方法提取的潜在滑坡边界图；

图4为利用本发明提取的潜在滑坡边界图。

具体实施方式

下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

如图1所示，本发明提供了一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法，具体包括以下步骤：

步骤1、对研究区域内的SAR卫星采集得到的SAR影像进行处理，得到研究区域的形变速率图；选取覆盖研究区域内其中之一的疑似滑坡区域为目标区域，裁剪得到目标区域的形变速率图；

步骤2、获取目标区域的光学遥感影像数据与目标区域的DEM数据，所述光学遥感影像数据包括全色波段数据和4波段多光谱数据；根据获取的目标区域的DEM数据对所述光学遥感影像数据进行正射校正，得到包括全色波段数据和4波段多光谱数据的正射光学遥感影像；对正射光学遥感影像进行处理，得到目标区域的光学遥感影像图，所述目标区域的光学遥感影像图包括全色波段数据和4波段多光谱数据；所述DEM指数字高程模型；

步骤3、对目标区域的DEM数据定义投影和重采样，得到重采样后的DEM数据；对重采样后的DEM数据进行剪裁，得到目标区域完整的DEM数据，并根据目标区域完整的DEM数据，计算得到目标区域的坡度图、山体阴影图、地表起伏度图、地面高程图；

步骤4、对目标区域的形变速率图定义投影和重采样，得到重采样后的形变速率图；将重采样后的形变速率图中的形变速率作为一个波段数据，采用多尺度分割方法，对重采样后的形变速率图中的形变速率和目标区域的光学遥感影像图中的4波段多光谱数据整体进行分割，得到多个对象；根据目标区域的坡度图、山体阴影图、地表起伏图、地面高程图及目标区域的光学遥感影像图中的4波段多光谱数据，计算得到多个对象的属性值；以得到的多个对象为基本单元选取地物分类样本，根据选取的地物分类样本和得到的多个对象的属性值计算得到各类地物分类样本的分类特征要素及分类特征要素对应的阈值；

步骤5、根据各类地物分类样本的分类特征要素及分类特征要素对应的阈值对目标区域的光学遥感影像图进行分类，得到各类地物的分类结果；根据各类地物的分类结果，得到利用光学遥感影像获取的目标区域的潜在滑坡区域；

步骤6、根据目标区域的形变速率图与各类地物的分类结果，提取得到漏分的潜在滑坡对象；将漏分的潜在滑坡对象与利用光学遥感影像获取的目标区域的潜在滑坡区域进行合并，得到融合了光学遥感影像和InSAR形变速率信息的目标区域的潜在滑坡区域。

本发明采用多尺度分割方法对重采样后的形变速率图中的形变速率和目标区域的光学遥感影像图中的4波段多光谱数据进行分割，最终得到利用光学遥感影像获取的目标区域的潜在滑坡区域，并将根据目标区域的形变速率图得到的漏分的潜在滑坡对象与利用光学遥感影像获取的目标区域的潜在滑坡区域进行合并，最终得到目标区域完整的潜在滑坡区域；本发明结合了光学遥感技术和InSAR形变速率信息，能够快速、有效的识别并提取潜在滑坡信息，自动化强、可靠性高，特别针对未发生滑坡区域进行定位，对于潜在滑坡的监测、预警具有重要意义。

具体的，所述步骤1具体如下：

对覆盖研究区域内的SAR卫星采集得到的SAR影像，采用InSAR中的IPTA方法对SAR影像进行处理，得到研究区域的形变速率图；选取覆盖研究区域内其中之一的疑似滑坡区域为目标区域，沿目标区域的边界，对研究区域的形变速率图进行裁剪，得到目标区域的形变速率图；

所述InSAR表示合成孔径雷达干涉测量技术；IPTA全称为Interferometric PointTarget Analysis，表示相干点目标分析。

该方式通过对研究区域的形变速率图进行剪裁，得到目标区域的形变速率图及形变速率。

具体的，所述步骤2具体包括如下步骤：

步骤21、通过遥感卫星获取覆盖目标区域的光学遥感影像数据，所述光学遥感影像数据包括分辨率为0.61m的全色波段数据和分辨率为2.44m的4波段多光谱数据，所述4波段包括红、绿、蓝和近红外波段；

步骤22，通过SRTM系统获取目标区域的DEM数据；根据光学遥感影像数据自带的RPC文件和RPC模型形成得到完整的RPC模型；利用DEM数据和完整的RPC模型分别对全色数据与4波段多光谱数据进行正射校正，得到包括全色数据和4波段多光谱数据的正射光学遥感影像，所述4波段包括红、绿、蓝和近红外波段；

所述SRTM表示航天飞机雷达地形测绘使命；所述DEM表示数字高程模型；所述RPC全称为Rationale Polynomial Coefficients，表示有理多项式系数；

步骤23，采用NNDiffuse(Nearest Neighbor Diffusion)Pan Sharpening算法对包括全色波段数据和4波段多光谱数据的正射光学遥感影像进行融合，得到融合的光学遥感影像；

步骤24，对目标区域范围矢量化得到目标区域矢量边界图；沿目标区域矢量边界图的边界，对融合的光学遥感影像进行裁剪，得到目标区域的光学遥感影像图，所述目标区域的光学遥感影像图包括全色波段数据和4波段多光谱数据。

该方式中通过对全色数据与4波段多光谱数据进行正射校正，改正了因地形引起的投影差；通过正射光学遥感影像中的全色影像和4波段多光谱影像的融合，提高了目标识别的影像环境和解译的可靠性，达到在保留多光谱波段信息的同时提高光学遥感影像空间分辨率的目的，最终得到目标区域的光学遥感影像图。

具体的，所述步骤3具体包括如下步骤：

步骤31、采用地图投影方法对所述DEM数据定义投影，得到具有投影信息的DEM数据，使具有投影信息的DEM数据与目标区域的光学遥感影像图的投影坐标系统一致；采用三次卷积的方法对具有投影信息的DEM数据进行重采样，得到重采样后的DEM数据，使重采样后的DEM数据与目标区域的光学遥感影像图的分辨率保持一致；

步骤32、沿目标区域矢量边界图的边界，对重采样后的DEM数据进行裁剪，得到目标区域完整的DEM数据；根据目标区域完整的DEM数据，采用公式(1)计算得到目标区域的坡度图；采用公式(2)得到山体阴影图；采用公式(3)得到地表起伏度图；地面高程值为DEM数值，得到地面高程图；地形信息包括坡度、高程、山体阴影、地形起伏度；

其中，slope为坡度，f_x为目标区域完整的DEM数据中X方向高程变化率，f_y为目标区域完整的DEM数据中Y方向高程变化率；

其中，hillshade为山体阴影，zenith_rad为目标区域的光学遥感影像数据中的太阳天顶角的弧度数，slope_rad为目标区域完整的DEM数据中坡度弧度数，azimuth_rad为目标区域的光学遥感影像数据中的太阳光线方向的弧度数，aspect_rad为目标区域完整的DEM数据中坡向弧度数；

R＝H_max-H_min，R＞0，H_max，H_min∈R>

其中，R为地形起伏度，H_max为目标区域完整的DEM数据中固定分析窗口内的最大高程，H_min为目标区域完整的DEM数据中所述固定分析窗口内的最低高程。

该方式通过对DEM数据处理并裁剪，得到目标区域的完整DEM数据，并得到了目标区域的坡度图、山体阴影图、地表起伏度图、地面高程图。

具体的，所述步骤4具体包括如下步骤：

步骤41、采用地图投影方法对目标区域的形变速率图定义投影，得到具有投影信息的形变速率图，并使具有投影信息的形变速率图与目标区域的光学遥感影像图的投影坐标系统一致；采用三次卷积的方法对具有投影信息的形变速率图进行重采样，得到重采样后的形变速率图，并使重采样后的形变速率图与目标区域的光学遥感影像图的分辨率保持一致；

步骤42、将重采样后的形变速率图中的形变速率作为一个波段数据，采用多尺度分割方法，对重采样后的形变速率图中的形变速率和目标区域的光学遥感影像图中的4波段多光谱数据整体进行分割，得到多个对象，所述对象是指具有同质性的像元集合；

步骤43、分别从目标区域的坡度图、山体阴影图、地表起伏度、地面高程图及目标区域的光学遥感影像图中的4波段多光谱数据中获取得到每个对象中组成对象的所有像元的坡度值、地面高程值、山体阴影值、地形起伏度值和4波段多光谱值，并分别计算得到每个对象中组成对象的所有像元的坡度值的平均值、地面高程值的平均值、山体阴影值的平均值、地形起伏度值的平均值和4波段多光谱值的平均值；通过公式(4)(5)分别计算每个对象的NDVI值和NDWI值；

将每个对象中组成对象的所有像元的坡度值的平均值、地面高程值的平均值、山体阴影值的平均值、地形起伏度值的平均值、4波段多光谱值的平均值及每个对象的NDVI值和NDWI值作为每个对象的属性值，得到多个对象的属性值；

式中，NDVI_i表示第i个对象的归一化植被指数，NDWI_i表示第i个对象的归一化水体指数；ρ_i(NIR)、ρ_i(RED)、ρ_i(GREEN)分别表示第i个对象的4波段多光谱数据中近红外波段、红波段和绿波段处的反射率值，取值范围均为[0,1]，i表示第i个对象，i为大于0的自然数；

步骤44、以得到的多个对象作为基本单元选取地物分类样本，所述地物分类样本包括水体、植被、基岩、裸地、人工表面、沉积物、阴影样本，采用CART算法对选取的地物分类样本及得到的多个对象的属性值进行计算，得到各类地物分类样本的分类特征要素及分类特征要素对应的阈值；

所述CART全称为Classification and Regression Tree，表示分类回归树；

该方式通过目标区域的形变速率图参与分割，与现有技术中的DEM数据参与分割相比，能够清晰清晰勾勒地物的边界，选取地物分类样本，减少了计算量，有利于后续分类。

具体的，所述步骤5具体为：

由各类地物的分类特征要素及分类特征要素对应的阈值构成分类规则，运用分类规则对目标区域的光学遥感影像图进行分类，得到各类地物的分类结果；剔除多个对象中各类地物的分类结果，得到利用光学遥感影像获取的目标区域的潜在滑坡区域。

该方式通过根据各类地物分类样本的分类特征要素及分类特征要素对应的阈值，得到利用光学遥感影像获取的目标区域的潜在滑坡区域，有利于后续与InSAR形变数据结合识别得到完整的滑坡区域。

具体的，所述步骤6具体包括如下步骤：

步骤61、将目标区域的形变速率图与各类地物的分类结果进行叠加，得到目标区域的光学遥感影像图中各像元的形变速率；计算组成对象的所有像元的形变速率的平均值，将得到的平均值作为对象的形变速率，得到多个对象的形变速率；

步骤62、设置形变速率的两个阈值m、n，其中m<0,n>0，通过阈值分类的方法提取各类地物的分类结果中形变速率k在k≤m或k≥n的范围内的对象,作为漏分的潜在滑坡对象；

步骤63、将漏分的潜在滑坡对象与利用光学遥感影像获取的目标区域的潜在滑坡区域采用并运算进行合并，得到融合了光学遥感影像和InSAR形变速率信息的目标区域的潜在滑坡区域。

该方式融合了光学遥感影像与InSAR形变数据识别潜在滑坡，相较于传统的光学遥感影像识别滑坡的方法，识别得到的潜在滑坡区域更加完整，减少了漏判、错判的现象出现；相较于单一InSAR形变数据通过目视解译绘制滑坡边界图，其结果更加符合地形走势，更加准确，自动化程度高，无需野外调查，对于从业人员的地质专业知识要求较低，尤其适用于人员难以到达的滑坡识别研究，为及时预防滑坡灾害的发生提供技术支撑。

实施例

本发明采集了覆盖金沙江流域乌东德库区的ALOS/PALSAR升轨数据和覆盖双龙潭潜在滑坡区域的QuickBird-02数据。其中，获取的ALOS/PALSAR升轨数据共有20景，影像日期范围为2007年1月到2011年3月；获取的QuickBird-02数据有1景，包含0.61m分辨率的全色数据与2.44m分辨率的多光谱数据，采集日期为2009年11月15日，太阳高度角为43.6°，太阳方位角为162.7°，云量覆盖为0.00％。

实验过程

步骤1、对采集到的乌东德库区的SAR影像进行处理，获得乌东德库区的形变速率图，在乌东德库区共识别到22个疑似滑坡区域；选取其中之一的疑似滑坡区域为目标区域，获取目标区域的形变速率图。

步骤2、获取目标区域的光学遥感影像数据与目标区域的DEM数据，所述光学遥感影像数据包括全色波段数据和4波段多光谱数据；根据获取的目标区域的DEM数据对所述光学遥感影像数据进行正射校正，得到包括全色波段数据和4波段多光谱数据的正射光学遥感影像；对正射光学遥感影像进行处理，得到目标区域的光学遥感影像图；

步骤3、对目标区域的DEM数据定义投影和重采样，得到重采样后的DEM数据；对重采样后的DEM数据进行剪裁，得到目标区域完整的DEM数据，根据目标区域完整的DEM数据，采用公式(1)计算得到目标区域的坡度图；采用公式(2)得到山体阴影图；采用公式(3)得到地表起伏度图；地面高程值为DEM数值，得到地面高程图；

其中，slope为坡度，f_x为目标区域完整的DEM数据中X方向高程变化率，f_y为目标区域完整的DEM数据中Y方向高程变化率；

其中，hillshade为山体阴影，zenith_rad为目标区域的光学遥感影像数据中的太阳天顶角的弧度数，slope_rad为目标区域完整的DEM数据中坡度弧度数，azimuth_rad为目标区域的光学遥感影像数据中的太阳光线方向的弧度数，aspect_rad为目标区域完整的DEM数据中坡向弧度数；

R＝H_max-H_min，R＞0，H_max，H_min∈R>

其中，R为地形起伏度，H_max为目标区域完整的DEM数据中固定分析窗口内的最大高程，H_min为目标区域完整的DEM数据中所述固定分析窗口内的最低高程。

步骤4、对目标区域的形变速率图定义投影和重采样，得到重采样后的形变速率图；将重采样后的形变速率图中的形变速率作为一个波段数据，采用多尺度分割方法，对重采样后的形变速率图中的形变速率和目标区域的光学遥感影像图中的4波段多光谱数据整体进行分割，得到多个对象；

分别从目标区域的坡度图、山体阴影图、地表起伏度、地面高程图及目标区域的光学遥感影像图中的4波段多光谱数据中获取得到每个对象中组成对象的所有像元的坡度值、地面高程值、山体阴影值、地形起伏度值和4波段多光谱值，并分别计算得到每个对象中组成对象的所有像元的坡度值的平均值、地面高程值的平均值、山体阴影值的平均值、地形起伏度值的平均值和4波段多光谱值的平均值；通过公式(4)(5)分别计算每个对象的NDVI值和NDWI值；

将每个对象中组成对象的所有像元的坡度值的平均值、地面高程值的平均值、山体阴影值的平均值、地形起伏度值的平均值、4波段多光谱值的平均值及每个对象的NDVI值和NDWI值作为每个对象的属性值，得到多个对象的属性值；

式中，NDVI_i表示第i个对象的归一化植被指数，NDWI_i表示第i个对象的归一化水体指数；ρ_i(NIR)、ρ_i(RED)、ρ_i(GREEN)分别表示第i个对象的4波段多光谱数据中近红外波段、红波段和绿波段处的反射率值，取值范围均为[0,1]，i表示第i个对象，i为大于0的自然数；

以对象为基本单元选取地物分类样本，采用分类回归树算法对选取的地物分类样本及其属性值进行计算，得到各类地物分类样本的分类特征要素及分类特征要素对应的阈值；

步骤5、根据各类地物分类样本的分类特征要素及分类特征要素对应的阈值对目标区域的光学遥感影像图进行分类，得到各类地物的分类结果；根据各类地物的分类结果，得到利用光学遥感影像获取的目标区域的潜在滑坡区域；

步骤6、根据目标区域的形变速率图与各类地物的分类结果，提取得到漏分的潜在滑坡对象；将漏分的潜在滑坡对象与利用光学遥感影像获取的目标区域的潜在滑坡区域进行合并，得到如图4中用黑色线条绘制的融合了光学遥感影像和InSAR形变速率信息的目标区域的潜在滑坡区域。

利用InSAR形变速率信息识别滑坡方法得到如图2中用黑色线条绘制的潜在滑坡边界图；本发明相较于利用InSAR形变速率信息识别滑坡方法，本发明得到的融合了光学遥感影像和InSAR形变速率信息的目标区域的潜在滑坡区域更加符合地形走势，更加准确，自动化程度高。

利用传统的光学遥感影像识别滑坡的方法提取得到如图3中用黑色线条绘制的潜在滑坡边界图；本发明相较于传统的光学遥感影像识别滑坡的方法，提取了利用传统光学遥感影像识别滑坡时漏分的潜在滑坡对象，得到的融合了光学遥感影像和InSAR形变速率信息的目标区域的潜在滑坡区域更加完整，减少了漏判、错判的现象出现。

以上公开的仅为本发明的具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。