滑坡蠕变与遥感影像上植被异常关系

滑坡蠕变与遥感影像上植被异常关系 Relationship between landslide creep and vegetation anomalies in remote sensing images 1 2 first-author 郭忻怡，1993年生，女，硕士研究生，研究方向为滑坡与遥感图像处理。E-mail: guoxy@aircas.ac.cn 郭忻怡，1993年生，女，硕士研究生，研究方向为滑坡与遥感图像处理。E-mail: guoxy@aircas.ac.cn guoxy@aircas.ac.cn 1 corresp 郭擎，1980年生，女，副研究员，研究方向为遥感图像处理与应用，包括图像配准、融合及其滑坡监测应用等。E-mail: guoqing@aircas.ac.cn 郭擎，1980年生，女，副研究员，研究方向为遥感图像处理与应用，包括图像配准、融合及其滑坡监测应用等。E-mail: guoqing@aircas.ac.cn guoqing@aircas.ac.cn 1 中国科学院空天信息创新研究院, 北京 100094 中国科学院空天信息创新研究院, 北京 100094 Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China 中国科学院大学, 北京 100049 中国科学院大学, 北京 100049 University of Chinese Academy of Sciences, Beijing 100049, China University of Chinese Academy of Sciences, Beijing 100049, China 以滑坡蠕变阶段坡体的蠕变会引起环境条件的改变，进而影响植被生长状况的野外考察客观现实为依据，提出一种间接监测滑坡变化的新方法。利用高分辨率光学遥感技术，对滑坡蠕变阶段遥感影像上坡体上覆植被的异常特征进行判识，建立遥感影像上植被异常与滑坡蠕变的关系，反映滑坡的演化过程，弥补GPS技术、InSAR技术及部分地面监测手段在地势高、地形陡峭、植被茂盛等条件下监测工作的不足，为后续的滑坡预测研究提供帮助。以植被覆盖度较高的新磨村山体高位滑坡为例，首先，对研究区域进行分区；其次，计算各分区的植被覆盖度；最后，利用植被覆盖度分析遥感影像上的植被异常与滑坡蠕变的关系，并根据滑后遥感影像和实地考察情况进行验证。结果显示，2014年—2016年，滑坡的主要物源区、变形体上方细长局部崩滑区和泉眼及冲沟周边的植被覆盖度出现明显的下降，即随着滑坡发生时间的临近，植被受滑坡蠕变的影响变大，植被生长状况变差；而且随着距裸地等滑坡风险较大区域的距离增大，植被受滑坡蠕变的影响变小，植被生长状况变好。这表明，植被异常与滑坡蠕变存在明显的时空相关性，体现了滑坡蠕变阶段遥感影像上植被异常与滑坡蠕变的内在联系，反映了滑坡逐步失稳的演化过程，为进一步预测滑坡的发生提供依据。 Landslides bring great peril to mountainous areas in China. In recent years, catastrophic high-position landslides often occur after the Wenchuan earthquake. The landslides occurred in the mountains that have high or steep terrain and dense vegetation coverage. A typical case in Xinmocun occurred in Diexi Town, Maoxian County, Sichuan Province on June 24, 2017. Given the characteristics of high position and concealment, this type of landslide is difficult to be detected by GPS, InSAR, and other traditional investigation methods. Certain technologies should be promoted and applied to detect and prevent such high concealed landslides at high positions. The optical remote sensing technology, owning a special capability with large-range, non-contact, periodic coverage, and abundant data, has great potential in making up for the limitations of the above methods, which is of great significance to disaster prevention and mitigation. The creep of landslide causes changes in environmental conditions, such as loosening of rock mass, change in soil nutrient, and uneven distribution of water. Changes in environmental conditions cause vegetation growth to vary. In situ investigation is conducted on the anomaly of vegetation growth before landslide. Therefore, on the basis of vegetation anomaly, this study establishes a new indirect landslide monitoring method to prepare for the study of landslide prediction. This method identifies vegetation anomaly on the landslide body using high-resolution optical remote sensing images, establishes the relationship between the creep of landslides and vegetation anomaly, and analyzes the evolution process of landslide creep at the stage of potential landslides. The Xinmocun landslide, which has high vegetation coverage, is selected as an example for conducting experiments. First, according to the comprehensive interpretation of optical remote sensing images and geological data, the Xinmocun landslide area is divided into upper landslide hazard, middle potential impact, and lower human activity. Second, vegetation coverage in each area is calculated using three-time series optical remote sensing images (June 18, 2014; June 21, 2015; and June 28, 2016) before landslides. Finally, the relationship between vegetation growth status and landslide creep is analyzed and verified using the remote sensing images and geological survey after the landslide. Experiments on high-resolution optical remote sensing images, which were conducted at the same period of three years before the landslide, detected changes in vegetation. In the upper landslide hazard area, the main landslide source and the narrow slump areas above the deformable body were affected by the creep of landslide. Hence, vegetation coverage declined evidently from 2014 to 2016. With the increase of distance from the edge of the bare land, the smaller the effect of landslide creep is, and the better the status of vegetation gradually becomes. With the time of landslide approaching, the greater the effect of landslide creep is, and the worse the status of vegetation in the same position becomes. In the middle potential impact area, the vegetation coverage around the springs and gullies declines with the greater effect of landslide creep as the time of landslide approaches. In the lower human activity area, the variation of vegetation coverage has no obvious regularity because of complex factors. Through experiments of optical remote sensing data, the conclusions are drawn as follows. The status of vegetation in the upper landslide hazard area and the middle potential impact area has significant temporal and spatial correlation with landslide creep. This result reflects the inherent relationship between vegetation growth and the creep of landslides, which can be used to predict the occurrence of landslides. 遥感 新磨村滑坡 分区 植被覆盖度 植被异常 滑坡监测 GPS技术 InSAR技术 remote sensing Xinmocun landslide regional division vegetation coverage vegetation anomaly landslide monitoring GPS InSAR 1　引　言 1 近年来，地势陡峻、植被覆盖茂密且具有高隐蔽性的高位滑坡灾害在中国频繁发生。自2008年汶川地震以来，已经多次发生因高位滑坡的启动触发碎屑流或泥石流的链式灾害（ 殷跃平 等，2017 殷跃平 等，2017 ），如2009年的重庆武隆鸡尾山滑坡（ 刘传正，2010 刘传正，2010 ），2010年的四川汉源二蛮山滑坡（ 许强 等，2010 许强 等，2010 ），2013年的四川都江堰三溪村滑坡（ 殷志强 等，2014 殷志强 等，2014 ），2017年的四川叠溪新磨村滑坡（ 何思明 等，2017 何思明 等，2017 ），以及2018年的西藏金沙江白格滑坡（ 唐尧 等，2019 唐尧 等，2019 ）。这使得寻找一种简便、有效、易实施的滑坡监测手段显得尤为重要。 目前，常用的滑坡监测方式除地面常规仪器监测外，大多采用全球卫星定位系统GPS（Global Positioning System）技术与合成孔径雷达干涉测量InSAR（Interferometric Synthetic Aperture Radar）技术。但是，在地势高、地形陡峭、植被覆盖茂密、人力难以到达的区域，GPS技术通常难以开展，InSAR技术的观测条件也受到上述因素限制（ 范青松 等，2006 范青松 等，2006 ； 王桂杰 等，2010 王桂杰 等，2010 ）。由于现有方法的不足，对于那些防灾减灾部门已经划定的滑坡隐患点中地势高、地形陡峭、植被茂盛等地理环境较为复杂的山体高位滑坡，难以发现，新磨村滑坡就是一个典型的例子。 光学遥感技术具有非接触、大范围、周期观测和数据存档多的优势。若利用光学遥感技术，对遥感影像上滑坡发生前坡体上覆植被的生长状况进行判识，间接监测滑坡的蠕变情况，则可以在一定程度上弥补GPS技术和InSAR技术在复杂地理环境中滑坡监测工作的不足，有效地节省人力物力，并实现长期监测。 目前，利用光学遥感技术，对滑坡区域植被的研究工作并不少见。 李凯等（2014） 李凯等（2014） 利用4个时相的归一化植被指数值NDVI（Normalized Difference Vegetation Index），探讨了白龙江流域地表植被覆盖度与滑坡点空间格局的关系。 杨明生等（2018） 杨明生等（2018） 利用多源光学遥感数据，结合纹理特征分析与比辐射率估计区分植被与裸地，帮助提取汶川地震后滑坡。 Lu等（2012） Lu等（2012） 利用地震前后3景Landsat 5 TM数据，采用NDVI对震后四川茂县滑坡的植被恢复情况进行了研究。 Yang等（2017） Yang等（2017） 利用14景SPOT卫星影像，对1999年“Chi Chi”地震后台湾中部“Jou Jou”山地区植被恢复情况进行了长期研究。但是上述研究主要集中在区域性的滑坡风险分析、滑后滑坡体的提取和植被恢复情况监测方面，而从遥感角度，利用滑坡体周围的植被变化情况来研究滑坡的蠕变过程，目前为止还少有报道。 滑坡的发育过程大致分为蠕滑变形、滑动、剧滑和趋稳4阶段（ 王治华，2012 王治华，2012 ）。本文将滑坡发生剧滑之前的蠕滑变形和滑动阶段称为滑坡蠕变阶段。滑坡蠕变阶段会出现一系列前兆变化，包括坡体蠕动、地表裂缝出现、地下水位和水质发生变化、小型崩塌出现等。上述因素综合作用，在一定程度上会影响滑坡体上覆植被的生长状况。坡体蠕动会使得树木或新生长的枝干与原枝干不在一条直线上，变得倾斜弯曲（ 申健 等，2008 申健 等，2008 ）。地表裂缝会对植物根系产生拉伤，还将导致植物根际微生物和酶活性的内在联系发生改变（ 丁玉龙 等，2013 丁玉龙 等，2013 ； 杜涛 等，2013 杜涛 等，2013 ）。地下水的变化会使得水分和矿物质分布不均，甚至出现垂直分带。小型崩塌等还将剥蚀地表土壤。最终使得植被出现枝叶稀疏、枯萎变黄，植被群落发生演替等现象，有地方会形成醉汉林，部分区域的植被甚至被小型崩滑剥蚀，形成裸地。野外地质考察过程中，也发现了这些植被异常的现象存在。 目前，高分辨光学遥感技术已经可以观测到上述植被异常。本文以此为依据，对鲜有人涉及的滑坡蠕变与遥感影像上植被异常的关系进行研究，通过对光学遥感影像上滑坡发生前坡体上覆植被的异常特征进行遥感判识，探讨植被异常与滑坡蠕变深层次的关系问题，以期通过表观的遥感现象来间接反映内在的滑坡蠕变过程，为未来的滑坡预警提供一种新的手段，并在一定程度上弥补现有监测手段的不足。为了验证本文研究思路的可行性和有效性，本文以已经发生的植被覆盖度较高的新磨村山体高位滑坡为例来进行研究。 2　研究区及数据 1 2.1　研究区 2 选取四川省茂县叠溪镇新磨村为研究区域，该区域位于岷江一级支流松坪沟的左岸（ 图1 图1 ）。2017-06-24 T 5：38，新磨村发生山体高位垮塌，造成该村河道堵塞2 km，83人死亡，对人民的生命和财产安全造成了巨大损失。 新磨村滑坡处在青藏高原东缘的龙门山活动构造带上，被岷江断裂和松坪沟断裂夹持，明显受到这2条断裂的控制和影响（ 邵崇建 等，2017 邵崇建 等，2017 ）。因为青藏高原的隆起，造成该地区的河谷下切十分明显，所以新磨村所在的山体十分陡峻，坡体后端高约3400 m，前端高约2200 m，高差1200 m。原始斜坡为典型的顺向坡，上陡下缓，上段主要为基岩坡体，物源区坡度高达50°，具有良好的临空条件；下段为老滑坡堆积体，坡度较缓（ 何思明 等，2017 何思明 等，2017 ）。由上述内容可知，新磨村滑坡所在区域地势高、地形陡峭、植被覆盖度茂密，隐蔽性强，使得GPS技术、InSAR技术及部分地面监测手段难以开展。 2.2　卫星影像数据 2 综合考虑新磨村滑坡的地理条件、遥感影像的分辨率和作者所能得到的遥感影像情况，选取国产卫星高分1号（GF-1）和高分2号（GF-2）高分辨率卫星影像，其中，GF-1的全色数据空间分辨率为2 m，多光谱数据空分辨率为8 m，可以为滑坡前植被生长状况信息的获取提供可靠的数据源。GF-2的全色数据空间分辨率为1 m，多光谱数据空间分辨为4 m，为目视解译提供了较好的影像。 在时相方面，为了尽量避免季节因素对植被影像特征的干扰，选取历年与滑坡发生月份接近的3景GF-1影像。由于雨、云等因素的影响，2017年6月没有可用的该研究区域的GF-1影像。同时，为了获取滑坡发生前后准确的地质情况，选用2017年4月和2017年7月的GF-2影像。卫星影像数据情况如 表1 表1 所示。 影像来源 获取时间 空间分辨率/m GF-1 2014-06-17 2, 8 GF-1 2015-06-21 2, 8 GF-1 2016-06-28 2, 8 GF-2 2017-04-08 1, 4 GF-2 2017-07-01 1, 4 2.3　数字高程数据 2 选用空间分辨率为30 m的ASTER GDEM数据，数据来源于中国科学院计算机网络信息中心地理空间数据云平台（ http://www.gscloud.cn http://www.gscloud.cn [2018-08-15]）。该数据由日本METI和美国NASA联合研制和免费分发，自数据发布以来，在各类对地研究中均获得了较为广泛的应用（ 地理空间数据云，2015 地理空间数据云，2015 ）。 2.4　地质资料 2 在地质资料方面，主要选用网络公开的地质数据和公开发表的论文资料。其中，高分辨率的新磨村滑坡滑前坡度图（ 图4 图4 ）和新磨村滑坡体堆积厚度图（ 图6 图6 ）来自“四川省茂县叠溪镇新磨村特大滑坡应急科学调查”（ 何思明 等，2017 何思明 等，2017 ）。滑坡前的水文、断层等信息来自于公开版1: 20万水文地质图，该数据是目前为止国内已公开的水文、工程和环境地质专业最为基础、权威的数字化产品。 3　植被异常影像特征提取方法 1 为了便于研究工作的开展文首先将研究区域分为上部滑坡隐患区、中部潜在影响区和下部人类活动区3个部分；其次选取植被覆盖度表示植被生长状况，分别计算3个时相GF-1影像上各个分区的植被覆盖度；最后分析各分区植被覆盖度的时空变化情况，并利用滑坡发生后的遥感影像和实地考察对结果进行验证。具体研究过程如 图2 图2 所示。 3.1　前期数据处理 2 对遥感影像和DEM数据，分别进行如下处理： （1）对3个时相的GF-1影像进行辐射校正，得到地表的反射率数据。然后对辐射校正后的GF-1影像和未做处理的GF-2影像进行正射校正和图像配准处理，最终得到消除几何误差的GF-1反射率数据和GF-2亮度数据。 （2）选取NND（Nearest Neighbor Diffusion Pan Sharpening）图像融合算法对GF-1和GF-2影像分别进行空谱融合。在保留多光谱图像光谱信息尽量不变的同时，融合提高了影像的空间分辨率，极大地增强了原始多光谱影像的目视效果，有利于对研究区域地质情况的解译，帮助对研究区域进行分区。同时，融合可以增强对植被生长状况变化检测的能力，最终帮助判识遥感影像上的植被异常特征。 （3）利用30 m的ASTER GDEM数据，获取地形信息，帮助对研究区域进行分区。 3.2　分区划分 2 根据DEM、坡度图，以及谷歌地球、GF-1、GF-2遥感影像和地质调查情况等资料，综合推断研究区域的滑坡风险性，对研究区域进行分区，将研究区域大致划分为3个部分( 图3 图3 )。其中陡坎A（海拔约2950 m）至斜坡顶端为上部滑坡隐患区，陡坎A至陡坎B（海拔约2400 m）为中部潜在影响区，陡坎B之下为下部人类活动区，以尽量避免非滑坡因素对植被生长状况的影响。 本文分区依据的资料具体如下， 图4 图4 为新磨村滑坡滑前坡度图； 图5 图5 为新磨村滑坡滑前3个时相的遥感影像，包括了滑坡后端裸地的裂缝和节理情况，以及临滑前（即2017年）基岩和倒石锥的范围。为了方便表述，本文将 图5 图5 （c）中基岩与倒石锥黑色界线以左的裸地，即呈近东西走向的基岩部分称为左侧裸地，将黑色界线以右的裸地，即呈近南北走向的老滑坡堆积物部分称为右侧裸地。 1,2,3; 由 图4 图4 的新磨村滑坡滑前坡度图可知，左侧裸地坡度最大，右侧裸地坡度较左侧稍缓。此外， 图5 图5 中3个时相的遥感影像显示，左侧裸地的周边发育了4条裂缝F1-F4，基岩面上还发育了2组节理面J1-J2，而右侧裸地无明显的裂缝和节理面。2014年的影像上可见左侧裸地下缘出现了新的崩滑区域，并与下方小面积的裸地相连。2017年的影像也显示左侧基岩下部有明显地向下崩滑趋势，而右侧裸地的下缘至滑坡发生前无明显变化。上述资料均表明，左侧裸地的滑坡风险性较高，而且滑坡前有崩滑迹象出现，是滑坡的主要蠕变区，因此把左侧裸地及周边植被构成的上部滑坡隐患区作为本文的重点研究区域。为了验证分区的正确性，获取了该区域滑后堆积厚度图。 图6 图6 显示，滑坡过程中左侧裸地被剥蚀了近30 m的地表物质，右侧裸地则堆积了近10 m的滑坡物质。左侧裸地是此次滑坡的主要蠕变区和崩滑区，证明了上述分区的合理性。 由上述资料和地质调查结果还可知，中部潜在影响区坡度大于下部人类活动区，但小于上部滑坡隐患区，中部潜在影响区植被茂密，人迹罕至，区域内有泉眼和冲沟发育。而且 温铭生等（2017） 温铭生等（2017） 在调查中发现，泉水受坡体滑动的影响，于滑坡前2年断流。这些资料均表明，中部潜在影响区有一定的滑坡风险性。 下部人类活动区位于陡坎B以下，地势较为平坦，临近河流，是新磨村的所在地，受人类活动影响较大，因此对该区域仅做定性研究，不做深入探讨。 3.3　植被覆盖度计算 2 植被指数可以反映地表植被生长状况、覆盖情况和生物量等特征。目前植被遥感中应用最为广泛的植被指数是NDVI，计算公式如下 <math display="block" id="M1"><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi><mo>=</mo><mfrac><mrow><msub><mrow><mi>ρ</mi></mrow><mrow><mi mathvariant="normal">N</mi><mi mathvariant="normal">I</mi><mi mathvariant="normal">R</mi></mrow></msub><mo>-</mo><msub><mrow><mi>ρ</mi></mrow><mrow><mi mathvariant="normal">R</mi></mrow></msub></mrow><mrow><msub><mrow><mi>ρ</mi></mrow><mrow><mi mathvariant="normal">N</mi><mi mathvariant="normal">I</mi><mi mathvariant="normal">R</mi></mrow></msub><mo>+</mo><msub><mrow><mi>ρ</mi></mrow><mrow><mi mathvariant="normal">R</mi></mrow></msub></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=21168775&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=21168770&type= 26.75466537 9.56733322 式中， <math id="M2"><msub><mrow><mi>ρ</mi></mrow><mrow><mi mathvariant="normal">N</mi><mi mathvariant="normal">I</mi><mi mathvariant="normal">R</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=21168783&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=21168779&type= 5.16466665 4.65666676 为近红外波段反射率， <math id="M3"><msub><mrow><mi>ρ</mi></mrow><mrow><mi mathvariant="normal">R</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=21168794&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=21168787&type= 3.21733332 4.65666676 为红波段反射率。 由于NDVI与气候、土壤、植被类型和地形的起伏等诸多因素有关，因此，NDVI不能直接用来反映滑坡蠕变所引起的植被异常，必须去除NDVI中非滑坡因素所产生的影响，保留与滑坡蠕变有关的植被覆盖度信息。像元二分模型可以在一定程度上削弱大气、土壤背景与植被类型等因素的影响，弥补NDVI在这些方面的不足（李苗苗，2003）。本文依据像元二分模型原理，利用NDVI计算植被覆盖度，具体公式如下 <math display="block" id="M4"><msub><mrow><mi>F</mi></mrow><mrow><msub><mrow/><mrow><mi mathvariant="normal">C</mi></mrow></msub></mrow></msub><mo>=</mo><mfenced open="{" close="" separators="|"><mrow><mtable columnalign="left"><mtr><mtd><mn mathvariant="normal">0</mn><mtable><mtr><mtd/><mtd/><mtd/><mtd/><mtd/><mtd><mo>,</mo><mtext> </mtext><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi><mo>≤</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><msub><mrow><mi mathvariant="normal">I</mi></mrow><mrow><mi mathvariant="normal">s</mi><mi mathvariant="normal">o</mi><mi mathvariant="normal">i</mi><mi mathvariant="normal">l</mi></mrow></msub></mtd></mtr></mtable></mtd></mtr><mtr><mtd><mfrac><mrow><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi><mo>-</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><msub><mrow><mi mathvariant="normal">I</mi></mrow><mrow><mi mathvariant="normal">s</mi><mi mathvariant="normal">o</mi><mi mathvariant="normal">i</mi><mi mathvariant="normal">l</mi></mrow></msub></mrow><mrow><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><msub><mrow><mi mathvariant="normal">I</mi></mrow><mrow><mi mathvariant="normal">v</mi><mi mathvariant="normal">e</mi><mi mathvariant="normal">g</mi></mrow></msub><mo>-</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><msub><mrow><mi mathvariant="normal">I</mi></mrow><mrow><mi mathvariant="normal">s</mi><mi mathvariant="normal">o</mi><mi mathvariant="normal">i</mi><mi mathvariant="normal">l</mi></mrow></msub></mrow></mfrac><mo>,</mo><mtext> </mtext><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><msub><mrow><mi mathvariant="normal">I</mi></mrow><mrow><mi mathvariant="normal">s</mi><mi mathvariant="normal">o</mi><mi mathvariant="normal">i</mi><mi mathvariant="normal">l</mi></mrow></msub><mo>≤</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi><mo>≤</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><msub><mrow><mi mathvariant="normal">I</mi></mrow><mrow><mi mathvariant="normal">v</mi><mi mathvariant="normal">e</mi><mi mathvariant="normal">g</mi></mrow></msub></mtd></mtr><mtr><mtd><mn mathvariant="normal">1</mn><mtable><mtr><mtd><mtable><mtr><mtd><mtable><mtr><mtd/><mtd/></mtr></mtable></mtd><mtd/></mtr></mtable></mtd><mtd/><mtd/><mtd><mo>,</mo><mtext> </mtext><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><mi mathvariant="normal">I</mi><mo>≥</mo><mi mathvariant="normal">N</mi><mi mathvariant="normal">D</mi><mi mathvariant="normal">V</mi><msub><mrow><mi mathvariant="normal">I</mi></mrow><mrow><mi mathvariant="normal">v</mi><mi mathvariant="normal">e</mi><mi mathvariant="normal">g</mi></mrow></msub></mtd></mtr></mtable></mtd></mtr></mtable></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=21168805&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=21168800&type= 80.94133759 21.42066574 式中， F c 是植被覆盖度值，NDVI soil 为完全是裸地或无植被覆盖区域的NDVI值，NDVI veg 则为纯植被像元的NDVI值。 在实际情况中，NDVI soil 和NDVI veg 会随着空间和时间变化，而且即使在同一幅遥感影像中，地表的植被类型不同，这两个数值也会发生变化（ Kaufman和Tanre，1992 Kaufman和Tanre，1992 ）。目前通常采用的是统计NDVI值，获得每个NDVI对应的累积百分比，根据累积百分比设置置信区间，进而确定NDVI soil 和NDVI veg 值，如当置信区间设置为10%—90%时，则将NDVI累积百分比≤10%的部分定义为纯裸地部分，即累积百分比为10%的NDVI值为NDVI soil ；将NDVI的累积百分比≥90%的部分定义为纯植被部分，即累积百分比为90%的NDVI值为NDVI veg 。本文从该方法中NDVI soil 和NDVI veg 的物理意义出发，在各分区内尽量把纯粹的裸地NDVI值确定为NDVI soil ，把纯粹的植被NDVI值确定为NDVI eg 值，这就需要算出的植被覆盖度图与遥感影像中的裸地、植被区域尽可能地吻合。具体步骤为：首先在本文中3.2小节划分的各分区中，对NDVI的值进行统计，得到各分区NDVI值的像元统计表，获得NDVI值对应的累积百分比，确定大致的置信区间；其次利用该置信区间计算植被覆盖度并进行伪彩色增强，以让人眼判识的更清楚，并将伪彩色结果叠加至NND融合后的影像上，查看裸地、植被区域的吻合情况，若吻合的好进行下一步，若吻合的不够好，根据目视的情况对置信区间的范围进行微调，重复上述步骤，直至对裸地、植被的范围达到最佳吻合状况；最后确定实际的置信区间。不过该方法对目视解译的情况依赖度较高，同一分区不同时相的影像，目视获得的最佳吻合状态的置信区间，有时会存在细微的偏差。为了统一各时相阈值，获得一致且尽量最佳吻合的植被覆盖度，本文综合考虑3个时相的影像，在各分区内将上述方法所得的3个时相的置信区间统一化，获得3个时相一致的置信区间。各分区置信区间最小值对应的NDVI值为NDVI soil ，置信区间最大值对应的NDVI值为NDVI veg ，计算在各分区各时相的植被覆盖度。 4　实验结果与分析 1 根据3个时相GF-1遥感影像的情况，按照3.3小节中的方法，经多次实验确定各分区的置信区间，见 表2 表2 。 滑坡分区 置信区间/% 上部滑坡隐患区 10—90 中部潜在影响区 0.5—99.5 下部人类活动区 10—90 利用各分区置信区间确定对应的NDVI soil 和NDVI veg 值，计算各分区的植被覆盖度，获得植被覆盖度的灰度图。由于人眼对不同色彩的分辨能力远远高于对灰度级的分辨，可分辨上千个色彩层次，因此采用伪彩色密度分割的方式，把植被覆盖度图分割为256个灰度级并变换成对应的彩色，让高植被覆盖度对应红色，低植被覆盖度则对应蓝紫色，获得植被覆盖度的伪彩色图像，使植被覆盖度图像的细节更容易被辨认。 4.1　上部滑坡隐患区实验与分析 2 上部滑坡隐患区2014年—2016年的植被覆盖度情况（ 图7 图7 ）。从 图7 图7 中3个时相的植被覆盖度图来看，在空间上，随着距裸地边缘距离增大，植被覆盖度的颜色蓝紫色逐渐向绿色、黄色和红色变化，表明植被覆盖度逐渐升高；在时间上，随着滑坡发生时间的临近，除黄色框内2014年发生崩滑的区域植被覆盖度略有恢复外，遥感影像上红色框中植被覆盖度的颜色逐渐由红色变为黄绿色，表明植被覆盖度由高变低。蓝色框内裸地下方的植被覆盖度也出现了下降趋势，并逐渐向左下侧发展。 1,2,3;4,5,6; 图8 图8 是滑坡发生前的Sentinel-1雷达卫星影像时序差分结果图（ TRE ALTAMIRA，2017 TRE ALTAMIRA，2017 ）， 图8 图8 中分别以红色、黄色和蓝色的三角形图标代表 图7 图7 中的红色、黄色和蓝色矩形框的大致位置。将 图7 图7 与 图8 图8 对比，可以看出 图8 图8 中的红色点区域，即InSAR数据的大位移点的密集区，基本覆盖了 图7 图7 中红色框区域的全部和蓝色框区域的大部。同时，将 图7 图7 与 图5 图5 也进行了对照分析，可以看出 图7 图7 红框中植被生长状况变差的位置，与 图5 图5 中的部分裂缝和节理的位置基本吻合，蓝色框中植被覆盖度向下退化的趋势也与 图5 图5 中左侧裸地下缘的变化趋势一致。 同时，为了将遥感影像上的植被异常与实际的崩滑情况相对应，根据高分辨率遥感影像的目视解译情况和实地考察情况，将植被覆盖度高于0.85的区域定义为高植被覆盖度区域，低于0.85的区域定义为中低植被覆盖度区域，然后将3个时相的中低植被覆盖度区域叠加至滑后2017-07-01的GF-2融合影像上，获得上部滑坡隐患区植被覆盖度异常图，如 图9 图9 所示。 1,2;3,4; 图9 图9 中可见，红色框区域和黄色框区域在滑坡过程中发生的崩滑，以及蓝色框区域中因裸地下方的变形体位移而产生的细长局部崩滑。 图9 图9 中还可以看见变形体左侧有一条纵向裂缝。将 图9 图9 与 图7 图7 进行对比可以看出，在上部滑坡隐患区，遥感影像上的植被异常的位置与 图9 图9 中滑坡的崩滑和变形位置基本对应。 上述基于目视解译的分析，将原始遥感影像与时间序列的植被覆盖度图结合起来进行比较分析，综合、全面地给出了植被异常在空间上的区域细节变化，以及滑坡蠕变的时空相关性，但是目视解译并未能给出定量的结果。下文又从定量角度，对像素个数进行统计以给出定量化的结果及分析。对中低植被覆盖度区域（即植被覆盖度低于0.85的区域）的像元个数和百分比进行统计，结果如 表3 表3 所示，能大概看出从2014年—2016年，植被生长较差的像素个数在逐年增加。 时间 F c < 0.85的像元个数 F c < 0.85的像元百分比/% 2014-06-17 24754 39.85 2015-06-21 25554 41.14 2016-06-28 25711 41.39 但是由于研究区域内存在一处新的崩滑区域（发生时间大概为2013年下半年到2014年上半年，在2014-06-17前），即 图7 图7 和 图9 图9 中的黄色框区域，所以 表3 表3 的统计结果不可避免地会受到该处崩滑在一定时间范围内恢复的影响。因此，在定量统计的过程中，为了去除此处崩滑以及研究区域范围内2014年6月之前由各类因素所引起的植被异常情况的干扰，仅讨论2014年6月之后由滑坡蠕变所引起的植被生长情况异常，本文把2014年6月植被覆盖度低于0.85的区域以掩膜的形式去除，则剩余区域均为植被生长正常且较好的区域。在剩余区域范围内，植被覆盖度小于0.85的像元个数为0，区域占比为0。 接着，以2014年6月掩膜后的区域范围为参照，对2015年和2016年的植被覆盖度图也分别进行掩膜处理，去除2014年6月之前的崩滑区域和由各类因素所引起的植被异常的区域，获得与2014年相同空间区域范围的结果图。然后对经过掩膜处理的植被覆盖度图进行统计，讨论2014年6月之后由滑坡蠕变所引起的植被生长情况异常，统计结果见 表4 表4 。可以看到，2015年和2016年这两个时相中，新增植被覆盖度小于0.85的像元均为植被生长情况受滑坡蠕变影响变差的区域， 表4 表4 中植被覆盖度小于0.85的像元数目增多和百分比的增大，表明了随着滑坡发生时间的临近，植被受滑坡蠕变影响加剧，生长情况变差，植被异常的空间范围扩大。 时间 F c < 0.85的像元个数 F c < 0.85的像元百分比/% 2014-06-17 0 0 2015-06-21 1874 6.37 2016-06-28 2757 9.37 4.2　中部潜在影响区实验与分析 2 中部潜在影响区的植被覆盖度情况如 图10 图10 所示。从 图10 图10 中可以看出，2014年—2016年，泉眼和冲沟周边的植被覆盖度出现了一定程度的下降，冲沟的轮廓更加明显。中部潜在影响区的植被异常与坡体滑动引起的冲沟断流呈现出明显的相关性。 1,2;3,4; 4.3　下部人类活动区实验与分析 2 下部人类活动区植被覆盖度情况如 图11 图11 所示。 图11 图11 中遥感影像上植被生长状况的变化并没有表现出明显的规律性。考虑到该区域为人类活动区，且与滑坡物源区的高程相差近1000 m，所以很难区分植被的变化是由人类因素引起的，还是由自然因素引起的。因此本文对滑坡发生前下部人类活动区植被的变化不做深入讨论，仅关注上部滑坡隐患区和中部潜在影响区在遥感影像上的植被异常。 1,2;3,4; 由以上的实验可以看出，在上部滑坡隐患区和中部潜在影响区，滑坡蠕变阶段遥感影像上的植被异常与滑坡蠕变存在直接或间接的对应关系，表明了遥感影像上的植被异常与滑坡蠕变的相关性，反映了滑坡逐步失稳的演化过程，为进一步利用光学遥感手段预测滑坡奠定了基础。 5　结　论 1 本文以滑坡发生前坡体的蠕变会使环境条件发生改变、进而影响植被生长状况的野外考察客观现实为基础，从遥感角度，提出一种间接监测滑坡变化的新思路。利用高分辨率光学遥感影像，监测滑坡蠕变阶段滑坡体上覆植被生长状况的异常特征。选取地势陡峭、人力无法到达、植被生长状况受到多种因素影响的新磨村山体高位滑坡为例，对滑坡蠕变阶段高分辨遥感影像上植被异常与滑坡蠕变的关系进行研究，反映滑坡的演化过程，为进一步预测滑坡做准备。首先采用分区分析的思想，综合各类地质资料对研究区域进行分区；其次在各分区内，选取植被覆盖度定量表示植被生长状况；最后通过植被覆盖度分析植被异常的变化特点，建立起滑坡蠕变阶段遥感影像上植被异常与滑坡蠕变的关系。研究结果表明： （1）在上部滑坡隐患区和中部潜在影响区，遥感影像上植被异常与滑坡蠕变有明显的对应关系。随滑坡发生时间的临近，植被受滑坡蠕变影响也越大，植被生长状况越差。对于上部滑坡隐患区，随着距裸地边缘距离的增大，植被受滑坡蠕变的影响越小，植被生长状况越好。这些变化在高分辨率遥感影像上都有清楚的反映。 （2）在下部人类活动区，植被生长状况受人类活动因素和自然因素的共同影响，滑坡蠕变所引起的植被异常在遥感影像上表现不清楚，与滑坡蠕变没有明显的对应关系。 在高分辨率光学遥感影像上发现的滑坡蠕变阶段植被生长状况异常特征与滑坡蠕变的时空相关性，可以间接反映植被异常与滑坡蠕变的内在联系，为滑坡监测提供了一种新的思路和手段，使得利用光学遥感手段预测滑坡成为可能。但是，仅以新磨村滑坡为例进行了研究，在后续的研究中还需要对更多的滑坡区域进行实验和验证。 参考文献(References) Ding Y L , Lei S G , Bian Z F and Qie C L . 2013 . Distortion-resistant ability of Tetraena Mongolica root at the mining subsidence area . Journal of China University of Mining and Technology , 42 ( 6 ): 970 - 974, 981 Distortion-resistant ability of Tetraena Mongolica root at the mining subsidence area 丁玉龙 , 雷少刚 , 卞正富 , 郄晨龙 . 2013 . 开采沉陷区四合木根系抗变形能力分析 . 中国矿业大学学报 , 42 ( 6 ): 970 - 974 , 981 [ DOI: 10.3969/j.issn.1000-1964.2013.06.013 http://dx.doi.org/10.3969/j.issn.1000-1964.2013.06.013 ] 开采沉陷区四合木根系抗变形能力分析 Du T , Bi Y L , Zou H , Zheng J L and Liu S . 2013 . Effects of surface cracks caused by coal mining on microorganisms and enzyme activities in rhizosphere of Salix psammophila . Journal of China Coal Society , 38 ( 12 ): 2221 - 2226 Effects of surface cracks caused by coal mining on microorganisms and enzyme activities in rhizosphere of Salix psammophila 杜涛 , 毕银丽 , 邹慧 , 郑娇龙 , 刘生 . 2013 . 地表裂缝对沙柳根际微生物和酶活性的影响 . 煤炭学报 , 38 ( 12 ): 2221-2226 [ DOI: 10.13225/j.cnki.jccs.2013.12.001 http://dx.doi.org/10.13225/j.cnki.jccs.2013.12.001 ] 地表裂缝对沙柳根际微生物和酶活性的影响 Fan Q S , Tang C L , Chen Y and Zhang X D . 2006 . Applications of GPS and InSAR in monitoring of landslide studies . Science of Surveying and Mapping , 31 ( 5 ): 60 - 62 Applications of GPS and InSAR in monitoring of landslide studies 范青松 , 汤翠莲 , 陈于 , 张晓东 . 2006 . GPS与InSAR技术在滑坡监测中的应用研究 . 测绘科学 , 31 ( 5 ): 60-62 [ DOI: 10.3771/j.issn.1009-2307.2006.05.019 http://dx.doi.org/10.3771/j.issn.1009-2307.2006.05.019 ] GPS与InSAR技术在滑坡监测中的应用研究 Geospatial Data Cloud . 2015 . Details of GDEMV2 digital elevation data with 30m resolution [EB/OL]. http://www.gscloud.cn/sources/dataset_desc/421?cdataid=302&pdataid=10&datatype=gdem_utm2( http://www.gscloud.cn/sources/dataset_desc/421?cdataid=302&pdataid=10&datatype=gdem_utm2( Details of GDEMV2 digital elevation data with 30m resolution 地理空间数据云 . 2015 . GDEMV 2 30 M分辨率数字高程数据详细信息 [EB/OL]. http://www.gscloud.cn/sources/dataset_desc/421? cdataid=302 & pdataid=10&datatype=gdem_utm2 http://www.gscloud.cn/sources/dataset_desc/421? cdataid=302 & pdataid=10&datatype=gdem_utm2 [ 2018-08-15 ] GDEMV He S M , Bai X Q , Ouyang C J and Wang D P . 2017 . On the survey of giant landslide at Xinmo village of Diexi town, Maoxian country, Sichuan Province, China . Mountain Research , 35 ( 4 ): 598 - 603 On the survey of giant landslide at Xinmo village of Diexi town, Maoxian country, Sichuan Province, China 何思明 , 白秀强 , 欧阳朝军 , 王东坡 . 2017 . 四川省茂县叠溪镇新磨村特大滑坡应急科学调查 . 山地学报 , 35 ( 4 ): 598-603 [ DOI: 10.16089/j.cnki.1008-2786.000258 http://dx.doi.org/10.16089/j.cnki.1008-2786.000258 ] 四川省茂县叠溪镇新磨村特大滑坡应急科学调查 Kaufman Y J and Tanre D . 1992 . Atmospherically resistant vegetation index (ARVI) for EOS-MODIS . IEEE Transactions on Geoscience and Remote Sensing , 30 ( 2 ): 261 - 270 [ DOI: 10.1109/36.134076 http://dx.doi.org/10.1109/36.134076 ] Atmospherically resistant vegetation index (ARVI) for EOS-MODIS Li K , Sun Y D , Jiang B H , Guo J J , Wang Y Q and Yue D X . 2014 . Analysis on spatial-temporal patterns of the vegetation coverage and landslides in Bailongjiang River Basin based on the Dimidiate Pixel Model . Journal of Lanzhou University (Natural Sciences) , 50 ( 3 ): 376 - 382 Analysis on spatial-temporal patterns of the vegetation coverage and landslides in Bailongjiang River Basin based on the Dimidiate Pixel Model 李凯 , 孙悦迪 , 江宝骅 , 郭建军 , 汪玉琼 , 岳东霞 . 2014 . 基于像元二分法的白龙江流域植被覆盖度与滑坡时空格局分析 . 兰州大学学报(自然科学版) , 50 ( 3 ): 376-382 [ DOI: 10.13885/j.issn.0455-2059.2014.03.013 http://dx.doi.org/10.13885/j.issn.0455-2059.2014.03.013 ] 基于像元二分法的白龙江流域植被覆盖度与滑坡时空格局分析 Li M M . 2003 . The Method of Vegetation Fraction Estimation by Remote Sensing . Beijing : The Graduate University of Chinese Academy of Sciences (Institute of Remote Sensing Applications) . The Method of Vegetation Fraction Estimation by Remote Sensing 李苗苗 . 2003 . 植被覆盖度的遥感估算方法研究 . 北京: 中国科学院研究生院(遥感应用研究所) 植被覆盖度的遥感估算方法研究 Liu C Z . 2010 . Mechanism analysis on the Jiweishan rockfall disaster happened in Wulong, Chongqing, June 5, 2009 . Journal of Engineering Geology , 18 ( 3 ): 297 - 304 Mechanism analysis on the Jiweishan rockfall disaster happened in Wulong, Chongqing, June 5, 2009 刘传正 . 2010 . 重庆武隆鸡尾山危岩体形成与崩塌成因分析 . 工程地质学报 , 18 ( 3 ): 297-304 [ DOI: 10.3969/j.issn.1004-9665.2010.03.002 http://dx.doi.org/10.3969/j.issn.1004-9665.2010.03.002 ] 重庆武隆鸡尾山危岩体形成与崩塌成因分析 Lu T , Zeng H C , Luo Y , Wang Q , Shi F S , Sun G , Wu Y and Wu N . 2012 . Monitoring vegetation recovery after China’s May 2008 Wenchuan earthquake using Landsat TM time-series data: a case study in Mao County . Ecological Research , 27 ( 5 ): 955 - 966 [ DOI: 10.1007/s11284-012-0976-y http://dx.doi.org/10.1007/s11284-012-0976-y ] Monitoring vegetation recovery after China’s May 2008 Wenchuan earthquake using Landsat TM time-series data: a case study in Mao County Shao C J , Li P Y , Li Y , Lan H X , Zhou R J , Deng T , Yan Z K , Yan L and Li L J . 2017 . Sliding mechanism of Maoxian landslide and geological condition analysis of formation of post-earthquake landslide . Journal of Chengdu University of Technology (Science and Technology Edition) , 44 ( 4 ): 385 - 402 Sliding mechanism of Maoxian landslide and geological condition analysis of formation of post-earthquake landslide 邵崇建 , 李芃宇 , 李勇 , 兰恒星 , 周荣军 , 邓涛 , 颜照坤 , 闫亮 , 李立军 . 2017 . 茂县滑坡的滑动机制与震后滑坡形成的地质条件 . 成都理工大学学报(自然科学版) , 44 ( 4 ): 385-402 [ DOI: 10.3969/j.issn.1671-9727.2017.04.01 http://dx.doi.org/10.3969/j.issn.1671-9727.2017.04.01 ] 茂县滑坡的滑动机制与震后滑坡形成的地质条件 Shen J , Shang Y Q and Xu D W . 2008 . Study on the relationship between landslides and vegetation . Journal of Anhui Agricultural Sciences , 36 ( 12 ): 5169 - 5170, 5181 Study on the relationship between landslides and vegetation 申健 , 尚衍强 , 徐大伟 . 2008 . 滑坡灾害与植被的相互关系探讨 . 安徽农业科学 , 36 ( 12 ): 5169 - 5170 , 5181 [ DOI: 10.3969/j.issn.0517-6611.2008.12.156 http://dx.doi.org/10.3969/j.issn.0517-6611.2008.12.156 ] 滑坡灾害与植被的相互关系探讨 Tang Y , Wang L J , Ma G C , Jia H J and Jin X . 2019 . Emergency monitoring of high-level landslide disasters in Jinsha River using domestic remote sensing satellites . Journal of Remote Sensing , 23 ( 2 ): 252 - 261 Emergency monitoring of high-level landslide disasters in Jinsha River using domestic remote sensing satellites 唐尧 , 王立娟 , 马国超 , 贾虎军 , 靳晓 . 2019 . 利用国产遥感卫星进行金沙江高位滑坡灾害灾情应急监测 . 遥感学报 , 23 ( 2 ): 252-261 [ DOI: 10.11834/jrs.20198405 http://dx.doi.org/10.11834/jrs.20198405 ] 利用国产遥感卫星进行金沙江高位滑坡灾害灾情应急监测 TRE ALTAMIRA . 2017 . Data in focus: precursor of Maoxian landslide measured from space [EB/OL]. ( 2018-08-10 )[ 2017-06-29 ]. http://earsc.org/news/data-in-focus-precursor-of-maoxian-landsli-de-measured-from-space http://earsc.org/news/data-in-focus-precursor-of-maoxian-landsli-de-measured-from-space Data in focus: precursor of Maoxian landslide measured from space Wang G J , Xie M W , Qiu C and Esaki T . 2010 . Application of D-INSAR technique to landslide monitoring . Rock and Soil Mechanics , 31 ( 4 ): 1337 - 1344 Application of D-INSAR technique to landslide monitoring 王桂杰 , 谢谟文 , 邱骋 , 江崎哲郎 . 2010 . D-INSAR技术在大范围滑坡监测中的应用 . 岩土力学 , 31 ( 4 ): 1337-1344 [ DOI: 10.16285/j.rsm.2010.04.010 http://dx.doi.org/10.16285/j.rsm.2010.04.010 ] D-INSAR技术在大范围滑坡监测中的应用 Wang Z H . 2012 . Remote Sensing for Landslide . Beijing : Science Press Remote Sensing for Landslide 王治华 . 2012 . 滑坡遥感 . 北京 : 科学出版社 滑坡遥感 Wen M S , Chen H Q , Zhang M Z , Chu H L , Wang W P , Zhang N and Huang Z . 2017 . Characteristics and formation mechanism analysis of the “6·24” catastrophic landslide of the June 24 of 2017, at Maoxian, Sichuan . The Chinese Journal of Geological Hazard and Control , 28 ( 3 ): 1 - 7 Characteristics and formation mechanism analysis of the “6·24” catastrophic landslide of the June 24 of 2017, at Maoxian, Sichuan 温铭生 , 陈红旗 , 张鸣之 , 褚宏亮 , 王文沛 , 张楠 , 黄喆 . 2017 . 四川茂县“6·24”特大滑坡特征与成因机制分析 . 中国地质灾害与防治学报 , 28 ( 3 ): 1-7 [ DOI: 10.16031/j.cnki.issn.1003-8035.2017.03.01 http://dx.doi.org/10.16031/j.cnki.issn.1003-8035.2017.03.01 ] 四川茂县“6·24”特大滑坡特征与成因机制分析 Xu Q , Dong X J , Deng M L , Chen L and Hu Z M . 2010 . The Ermanshan rock slide-debris flow of July 27, 2010 in Hanyuan, Sichuan: characteristics and failure mechanism . Journal of Engineering Geology , 18 ( 5 ): 609 - 622 The Ermanshan rock slide-debris flow of July 27, 2010 in Hanyuan, Sichuan: characteristics and failure mechanism 许强 , 董秀军 , 邓茂林 , 陈龙 , 胡泽铭 . 2010 . 2010年7·27四川汉源二蛮山滑坡-碎屑流特征与成因机理研究 . 工程地质学报 , 18 ( 5 ): 609-622 [ DOI: 10.3969/j.issn.1004-9665.2010.05.003 http://dx.doi.org/10.3969/j.issn.1004-9665.2010.05.003 ] 2010年7·27四川汉源二蛮山滑坡-碎屑流特征与成因机理研究 Yang M D , Chen S C and Tsai H P . 2017 . A long-term vegetation recovery estimation for Mt . Jou-Jou using multi-date SPOT 1 , 2, and 4 images . Remote Sensing , 9 ( 9 ): 893 [ DOI: 10.3390/rs9090893 http://dx.doi.org/10.3390/rs9090893 ] A long-term vegetation recovery estimation for Mt Yang M S , Li S S and Feng Z K . 2018 . Post-seismic landslide extraction by combining texture analysis and emissivity estimating . Journal of Remote Sensing , 22 ( S1 ): 212 - 223 Post-seismic landslide extraction by combining texture analysis and emissivity estimating 杨明生 , 李山山 , 冯钟葵 . 2018 . 结合纹理特征分析与比辐射率估计的震后滑坡提取 . 遥感学报 , 22 ( S1 ): 212-223 [ DOI: 10.11834/jrs.20187261 http://dx.doi.org/10.11834/jrs.20187261 ] 结合纹理特征分析与比辐射率估计的震后滑坡提取 Yin Y P , Wang W P , Zhang N , Yan J K , Wei Y J and Yang L W . 2017 . Long runout geological disaster initiated by the ridge-top rockslide in a strong earthquake area: a case study of the Xinmo landslide in Maoxian County, Sichuan Province . Geology in China , 44 ( 5 ): 827 - 841 Long runout geological disaster initiated by the ridge-top rockslide in a strong earthquake area: a case study of the Xinmo landslide in Maoxian County, Sichuan Province 殷跃平 , 王文沛 , 张楠 , 闫金凯 , 魏云杰 , 杨龙伟 . 2017 . 强震区高位滑坡远程灾害特征研究——以四川茂县新磨滑坡为例 . 中国地质 , 44 ( 5 ): 827 - 841 强震区高位滑坡远程灾害特征研究——以四川茂县新磨滑坡为例 Yin Z Q , Xu Y Q and Zhao W J . 2014 . Sanxi village landslide in Dujiangyan, Sichuan province on July 10, 2013 . Journal of Engineering Geology , 22 ( 2 ): 309 - 318 Sanxi village landslide in Dujiangyan, Sichuan province on July 10, 2013 殷志强 , 徐永强 , 赵无忌 . 2014 . 四川都江堰三溪村“7·10”高位山体滑坡研究 . 工程地质学报 , 22 ( 2 ): 309-318 [ DOI: 10.13544/j.cnki.jeg.2014.02.018 http://dx.doi.org/10.13544/j.cnki.jeg.2014.02.018 ] 四川都江堰三溪村“7·10”高位山体滑坡研究 10.11834/jrs.20208330 1007-4619（2020）06-0776-11 郭忻怡,郭擎,冯钟葵.2020.滑坡蠕变与遥感影像上植被异常关系.遥感学报,24(6): 776-786 郭忻怡,郭擎,冯钟葵.2020.滑坡蠕变与遥感影像上植被异常关系.遥感学报,24(6): 776-786 GUO Xinyi,GUO Qing,FENG Zhongkui. 2020. Relationship between landslide creep and vegetation anomalies in remote sensing images. Journal of Remote Sensing(Chinese)，24(6): 776-786 GUO Xinyi,GUO Qing,FENG Zhongkui. 2020. Relationship between landslide creep and vegetation anomalies in remote sensing images. Journal of Remote Sensing(Chinese)，24(6): 776-786 国家自然科学基金(编号: 61771470)；中国科学院青年创新促进会人才项目(编号: 2014054) Supported by National Natural Science Foundation of China (No. 61771470); Youth Innovation Promotion Association, Chinese Academy of Sciences (No.2014054) 2018-08-15 2020-06-07 2021-10-18 2019-02-20 遥感学报 6 24