0 引言

我国是世界上大陆地震活动频繁、地质灾害发育严重的国家之一。滑坡作为分布范围最广、发生频率较高且破坏性较强的典型地质灾害，其危害范围和影响程度近年来呈增长趋势。地震滑坡是在地震作用下，坡体因失稳而发生滑动的一种自然灾害现象。强震发生时，短时间内往往会造成大量房屋损毁，破坏完整岩体结构，使原本稳定的土体和岩体变得松散，从而诱发大规模崩滑灾害，直接导致严重的人员伤亡和财产损失(李环宇，2023)。2022年9月5日12时52分，四川省甘孜州泸定县磨西镇(29.59°N，102.08°E)发生6.8级地震，震源深度16km，最高烈度Ⅸ度。震中位于贡嘎山东坡，山坡稳定性差，地震引发严重地质灾害，如滑坡、崩塌、落石等，导致大量人员伤亡和基础设施受损(陈博等，2022；张佳佳等，2023)。泸定6.8级地震震中位于青藏高原东南缘鲜水河断裂带南东段磨西断裂附近，为走滑型地震(徐泰然等，2022)。此次地震触发的滑坡在空间上呈现显著非均匀性分布特征，主要分布在鲜水河断裂带和大渡河两侧，集中于磨西镇、得妥镇及王岗坪乡等地(Xiao et al，2023；Guo et al，2024)。震区以深切狭窄的河谷地貌为主，为地质灾害的诱发提供了高势能条件。灾害以中小型高位崩塌和滑坡为主(范宣梅等，2022；Zhao et al，2025)，崩塌多为碎石或巨石，滑坡多为覆盖层滑坡，对基础设施、房屋和人类活动造成严重破坏(张翼等，2023；叶肇恒等，2024)。

遥感影像变化检测技术用于监测同一地点在一段时间内的变化情况，作为遥感图像解译的重要研究方向，在多个领域展现了广泛的应用价值(张景发等，2002；张克诚，2023；林娇等，2024)。随着遥感技术的发展，SAR影像因其特殊的微波成像机理，具备全天时、全天候工作的优势，受到越来越多学者关注(Zhai et al，2019；Wang et al，2021)。然而，由于侧视成像的特性，地面起伏对SAR影像的影响远比光学影像更为显著；成像过程中容易出现透视收缩、阴影、叠掩、山体前倾以及顶底倒置等几何畸变现象；此外，SAR影像的背景信息极为复杂，地物目标间极化响应模糊与谱间混淆效应显著，目标特性差异的定量面临较大挑战(谢润博，2023；Zhai et al，2023)。这些因素使得SAR影像的变化检测面临诸多挑战，特别是在准确分离地物特征、抑制噪声干扰以及克服几何失真等方面亟须改进和优化。

Rignot等(1993)利用ERS-1数据，通过SAR图像强度差异和散斑时间去相关检测变化，证明了该技术在冰川、海洋监测及滑坡提取中的应用潜力。Bovolo等(2005)提出基于小波变换的多尺度方法，用于SAR图像变化检测并成功提取滑坡体。陈莹等(2011)利用地震灾害后Radarsat-1 SAR影像与光学遥感数据，成功提取了2008年北川地区滑坡信息。Mondini等(2019)提出了一种基于Sentinel-1 SAR振幅影像的快速滑坡检测方法，通过分析灾前灾后SAR反向散射系数差异，结合多极化(VV和VH)与多时相数据，实现滑坡区域的快速识别与定位。Lin等(2022)探讨了利用多时相SAR影像进行滑坡检测，着重分析了不同时间间隔和观测条件下SAR数据变化对滑坡提取的影响，证明多时相SAR影像能够有效捕捉滑坡演变过程中的关键特征，从而提升滑坡检测的准确性和鲁棒性。

传统差异图生成主要基于差值、比值和对数比三类基本算子，并在空域或变换域中通过多算子融合来提升差异图质量。而学者们则重点研究差异图分析阶段，针对SAR影像噪声和纹理复杂性的特点，通过改进阈值法、聚类法、图割法及水平集法等引入空域信息(公茂果等，2016)，将孤立像素处理提升为群体像素操作，从而增强空间一致性并抑制噪声。然而，这些方法所依赖的空域信息大多局限于局部邻域，对整个图像的全局结构和丰富纹理的适应性有限，加之SAR影像信息分布的不规则性，使得其难以适应SAR影像固有的非均匀纹理与强边缘特性，导致在复杂场景下模型适用性受限，成为制约精度的关键瓶颈。近年来，伴随着人工智能技术的迅速发展，学者开始探索如何利用机器学习算法对遥感数据进行滑坡识别与变化提取，以提升复杂场景下滑坡目标检测的精度与鲁棒性。李强等(2019)提出基于高分三号全极化SAR数据的多维特征融合检测框架，通过BP神经网络模型实现了九寨沟地震震区滑坡体的高精度识别。Chen等(2021)创新性地设计了双注意机制驱动的全卷积孪生网络，探讨了高分辨率SAR影像变化检测中的伪变化干扰难题，最终实现了真实地表变化的精准提取。Nava等(2022)设计了针对SAR数据特性(如噪声和散射强度变化)的预处理策略，并结合深度网络对多尺度、多角度的特征进行自动学习和提取，进一步减少了误检和漏检的情况。Shi等(2023)提出了一种基于空间金字塔注意力SPAUNet的深度学习框架，通过融合多尺度特征提取与轻量化设计，将处理效率提升至传统方法的3倍，用于快速、精准地从Sentinel-1 SAR影像中检测大范围滑坡。Chen等(2024)提出了一种基于深度学习的自动检测地震触发滑坡的方法，能够有效识别地震事件后的滑坡影响区域。尽管深度学习对滑坡识别提升显著，但模型泛化性差、小样本场景适应性不足仍是瓶颈。传统方法中，单一差异图对噪声敏感、阈值依赖经验设定制约精度提升，多源数据协同与物理机制驱动的深度学习将是突破方向。

随着Radarsat-2、COSMO-SkyMed、TerraSAR-X、ALOS、Sentinel-1(哨兵一号)、高分三号、海丝一号等系列雷达遥感卫星的发射，多种类型的SAR数据为滑坡灾害信息的及时提取提供了数据支撑与保障。Sentinel-1卫星凭借完全免费开放的数据政策、全球覆盖能力、高频次重访策略(6天全球重访)及双极化(VV和VH)观测优势，为广域地表动态监测提供了稳定可靠的数据源。针对SAR滑坡提取中噪声干扰显著、伪变化剔除困难、单方法精度受限等问题，提出多模态差异图融合框架。创新性体现在方法设计及案例应用方面。以四川泸定地震为例，将基于Sentinel-1双时相SAR影像(灾前与灾后)的强度信息(Akhmadiya et al，2018)，采用比值法、对数比值法和均值比值法构建多模态差异图(Inglada et al，2007；Krishnamal et al，2013)，抑制斑点噪声；随后，利用自适应高斯阈值对差异图进行阈值分割，并通过多数投票法集成初步滑坡候选区(董婷等，2023)，提升变化区域分离精度；进一步融合DEM计算的坡度信息作为地形约束条件，有效滤除平原区伪变化信号，以优化滑坡区域的识别结果(Esposito et al，2020)；最后，以Sentinel-2(哨兵二号)目视解译结果作为真值，对提取的滑坡区域进行精度评价，从而验证方法的有效性和可靠性。

1 研究方法

SAR作为一种相干成像系统，在图像形成过程中，因众多随机分布散射体发射波的相干叠加，通常会导致斑点噪声的出现。这种噪声会干扰地物目标的散射特性表达，显著影响SAR影像的解译与识别。本研究在开展滑坡提取之前，对影像进行了一系列预处理，包括轨道修正、辐射校准、滤波处理、地形校正、分贝化处理以及影像配准等，以提高影像质量并确保后续分析的准确性。

SAR是一种主动式微波成像技术，其图像能够反映地表的物理和几何特性，其中灰度作为基本特性，直接对应于地物的后向散射系数，后向散射强度与地物介电常数、表面粗糙度、几何结构等密切相关。SAR可通过控制发射和接收路径中信号的极化方式，获取不同成像表面的结构信息，相较于单极化SAR，双极化数据能提供更丰富的地物特征。SAR图像的变化主要源于研究区域目标幅度和相位的变化，这会导致电磁散射系数的变化，从而引起SAR图像灰度的改变，大气条件、传感器精度、入射角度及地表湿度等随机因素可能显著干扰SAR图像变化检测，进而掩盖真实目标的变化信号。因此，SAR图像变化检测的核心挑战在于有效区分目标本身引起的真实变化以及由上述随机因素引起的伪变化。

1.1 滑坡信息提取流程

本文提出的滑坡特征信息提取流程如图 1所示。首先，对泸定地震实验区滑坡前后时相Sentinel-1 SAR影像进行预处理，主要包括轨道修正、辐射校准、滤波处理、地形校正、分贝化处理以及影像配准，以保证多时相数据的空间几何一致性和数值可比性。根据影像的VV与HV极化后向散射强度变化特征，选取比值法、均值比值法及对数比值法，采用这两种极化数据构建6幅差异图，并利用自适应高斯阈值算法分别求解最佳分割阈值，再对6幅差异图进行二值化处理，初步提取出滑坡候选区域。

为了降低单一方法可能产生的误差并充分利用VV与HV极化数据的互补优势，采用多数投票法将三种差异图分割结果进行融合，若某一类标签像素获得超过半数基分类器的支持，则视为候选滑坡区域，否则不予分类。进一步结合DEM数据计算坡度分布，剔除坡度干扰的候选区域，解决田地、建筑等地物与滑坡特征混淆问题，最终划分滑坡区域与非滑坡区域。

最后，基于同期光学影像作为验证基准，通过混淆矩阵定量评价提取结果总体精度(OA)。验证结果表明，该方法显著提高了滑坡识别的精度与实用性，为强震区滑坡快速检测提供了可靠的技术支撑。

1.2 SAR影像变化检测方法

基于像素信息构建差异图的常用思路是采用差值运算或比值运算计算对应像素点的动态差异量，变化检测的核心均是让变化区域的信息特征和非变化区域信息特征之间的差异尽可能最大化，使两类像素在特征空间中具有更好的可分性。围绕这一目标，通过对多时相影像进行数学变换以表征地表散射特性的变化程度，并结合统计策略提高结果的稳定性。差值法通过计算两时相图像对应像素的灰度差值来表征变化信息，方法实现简单，计算效率较高。然而，由于SAR图像以乘性斑点噪声为主，差值运算难以有效抑制噪声干扰，易导致虚警增加，变化信息提取的鲁棒性较差。相比之下，比值类方法更适用于处理含有乘性噪声的SAR强度图像。通过对两时相像素进行比值或对数比值运算，可以在一定程度上削弱斑点噪声的影响，增强真实变化区域与背景之间的对比度；均值比值法则通过局部窗口统计进一步提高稳定性和抗噪能力。

因此，针对滑坡事件前后的多时相SAR强度图像，本文采用比值法、均值比值法和对数比值法生成差异图，以提高变化检测的可靠性和稳定性。差异图生成采用特定的算法或技术手段生成一幅以灰度级形式呈现的图像，初步反映遥感图像的变化情况，其中灰度值大的像素点对应发生显著变化地物区域，灰度值低的像素点对应未发生明显变化地物区域。在泸定地震滑坡实验区研究中，对获取的两时相SAR影像进行差异图生成及变化检测时，由于SAR成像机理导致图像中引入大量乘性散斑噪声，严重干扰了后续的图像处理和变化提取，为了量化地表变化信息及滑坡范围，需对两时相SAR影像进行数学定义，表达形式如下

$ \left\{\begin{array}{l} I_{\text {before }}=\left\{I_{\text {before }}(i, j), 1 \ll i \ll M, 1 \ll j \ll N\right\} \\ I_{\text {after }}=\left\{I_{\text {after }}(i, j), 1 \ll i \ll M, 1 \ll j \ll N\right\} \end{array}\right. $

(1)

其中，I_before和I_after为滑坡前和滑坡后影像的VV或VH同类极化强度信息，M和N分别为I_before和I_after的宽和高，即长宽方向上像素点的数目。变化检测是比较不同时间的同一极化数据，若混用不同极化数据，会因散射机理差异导致物理意义失真。

1.2.1 比值法

在遥感影像变化检测中，图像比值法通过计算不同时相图像间对应像素点灰度值的比值运算，生成差异图像，然后通过选择合适的阈值找出发生变化的区域。如果没有发生变化，该区域对应像素点的灰度值比值应该接近1，而对于变化的区域，其对应像素点的灰度值比值显著偏离1。比值法在一定程度上削弱校准误差影响的能力，但会漏检一些微小的变化信息，比值法对乘性斑点噪声较为敏感。其优点是原理简单，计算直观，容易掌握，计算量小，适合处理大规模数据，缺点是难以顾及到所有因素的影响(如易受噪声、阴影、叠掩和透视收缩等干扰)，图像的配准误差会直接影响比值结果，导致误检或漏检，阈值的设定对结果影响大，通常需要结合经验或实验确定，缺乏普适性，在复杂场景下精度有限，需结合其他方法提升应用效果。比值法计算公式为

$ R(i, j)=\frac{I_{\text {after }}(i, j)}{I_{\text {before }}(i, j)} $

(2)

1.2.2 对数比值法

对数比值法是在传统图像比值法的基础上引入了对数变换，可以将乘性的相干斑噪声模型转化为加性噪声模型，压缩图像的动态范围，增强了变化类和非变化类的对比度，使得微弱变化更明显，有效地减少斑点噪声的影响，同时对图像的变化范围进行了非线性压缩，使得背景(非变化)区域比较平滑，像素值的分布更加均匀，减少了极端值对结果的影响，使得变化检测结果更加稳定。该方法可以有效地抑制噪声，但边缘区域的像素值容易被模糊化。相比简单的比值法，该方法计算量略有增加。虽然对数变换能缓解乘性噪声，但加性噪声仍可能影响检测精度，适合动态范围大、噪声明显的场景。对数比值法计算公式如下

$ L R(i, j)=\left|\lg \frac{I_{\text {after }}(i, j)+1}{I_{\text {before }}(i, j)+1}\right| $

(3)

1.2.3 均值比值法

均值比值法利用像素的邻域信息，通过计算局部区域的均值，使得差异图前景(变化)区域与实际情况更接近，能够平滑噪声，减少噪声对变化检测结果的影响，具有更强的鲁棒性。对于单独出现的噪声点有很好的抑制效果，因为其对比的不再是单独的像素点，而是像素点所在区域的均值，由于邻域信息的引入，导致前景区域和背景区域之间的界限变模糊。均值比值法会突出局部区域的变化，能够检测到图像中局部细微的变化，提高漏检率或虚警率。局部区域的大小(窗口大小)需要根据具体场景调整，选择不当会影响检测效果。均值比值法计算公式为

$ \operatorname{MR}(i, j)=1-\min \left\{\frac{\mu_{\text {after }}(i, j)}{\mu_{\text {before }}(i, j)}, \frac{\mu_{\text {before }}(i, j)}{\mu_{\text {after }}(i, j)}\right\} $

(4)

其中，μ_before(i，j)和μ_after(i，j)分别表示I_before和I_after中点(i，j)所在邻域内像素的局部平均值。式(4)表明，均值比运算通过使用每对相同位置像素的局部平均值信息来生成差值图像。

1.3 多数投票法

多数投票法(Majority Voting)是一种用于优化决策过程的有效方法，通常将多个模态的独立决策结果进行统计，并根据出现频率最高的类别或结果来做出最终决策。该方法简单易行，无需假设信源之间相互独立，能够通过少数服从多数的原则整合多源信息，从而提升决策的稳健性和泛化能力。在雷达遥感图像处理中，不同模态的信息可以通过像素值进行表征，这种表征方式不仅能够提取数据的关键特征，还能切实削减冗余信息，进而提升模型的性能和泛化应用能力。

为了获得二值化的滑坡候选区域，对每个差异图D_k(i，j)(k∈{R(i，j)，LR(i，j)，MR(i，j)})应用自适，即

$ B_k(i, j)=\left\{\begin{array}{l} 1, D_k(i, j) \geqslant T_k \\ 0, D_k(i, j) \leqslant T_k \end{array}\right. $

(5)

其中，B_k(i，j)为二值化结果(1表示滑坡区域，0表示非滑坡区域)，T_k(i，j)为通过自适应高斯阈值方法确定的阈值。

对于给定像素点(i，j)，多数投票法的决策公式如下

$ B_{M V}(i, j)=\left\{\begin{array}{l} 1, \sum_k B_k(i, j) \geqslant \frac{N}{2} \\ 0, \sum_k B_k(i, j) \leqslant \frac{N}{2} \end{array}\right. $

(6)

其中，N为总的差异图数量。若至少一半以上的差异图在像素点(i，j)处的分类结果为滑坡(即1)，则最终投票结果为1，否则为0。

2 实验数据与分析 2.1 实验数据

本文采用的SAR影像为Sentinel-1A数据，如表 1所示，数据源自欧洲航天局(ESA)哥白尼计划开放平台^①。Sentinel-1卫星于2014年成功发射，是首颗搭载C波段合成孔径雷达卫星，由Sentinel-1A和Sentinel-1B构成双星组网观测星座，目前均在轨运行。在干涉宽幅(IW)模式下获取单视复数图像(SLC)图像，影像幅宽为250km，空间分辨率为5m×20m。

① https://scihub.copernicus.eu

Sentinel-1影像获取时间为2022年9月2日(震前)和2022年9月14日(震后)，共2景双极化数据，包括VV(垂直发射和垂直接收)和VH(垂直发射和水平接收)，使用同一升轨或降轨数据，以确保观测几何、散射特性和时间序列的一致性。雷达遥感技术通过雷达回波信号，全天时全天候对地观测，获取可靠、稳定的较高空间分辨率SAR图像，从而解译识别地物信息，为土地覆盖分类、海冰应用和应急管理等领域的科学研究和实际应用提供高效数据服务。

在泸定地震滑坡提取实验中，选取本次地震触发崩塌和滑坡地质灾害多且较为严重的大渡河、磨西河等主要河流附近作为研究区域，如图 2红框所示，其中红圆点为震中位置，图中展示了震后VV极化SAR影像，作为下文中实验影像的代表，所有影像均经过空间配准处理，确保覆盖同一地理范围，满足不同实验成果的空间可比性和分析一致性。

为了验证多数投票融合决策法识别提取滑坡结果的精度，本研究通过分析Sentinel-2震后影像(图 3(a))，目视解译构建了高可信度的滑坡验证样本集。采用人机交互式解译，结合滑坡前历史影像与地形特征交叉验证，最终标注出如图 3(b)所示的4029个具有明确滑坡边界的真值样本，验证样本共包含310439个有效像元，对应滑坡总面积27.07km²，其中最大单体滑坡面积达0.36km²。

2.2 实验结果

本文实验根据路线图 1进行影像预处理、构建差异图、自适应阈值分割以及融合投票、DEM辅助过滤等完整流程展开研究。首先对Sentinel-1影像进行预处理，通过预处理操作提高影像的质量、校正图像几何畸变、降低斑点噪声、增强影像的细节、减小数据的冗余等，以便获得真实的地表信息，准确地反映地表特征和变化，预处理后的影像如图 4所示，影像预处理过程包括轨道修正、辐射校准、滤波处理、地形校正、分贝化处理以及影像配准。其中图 4(a)和(b)分别为滑坡前(2022年9月2日)预处理过的Sentinel-1 VV与VH极化影像，作为基准参考数据，为确保影像时空一致性，滑坡后影像选取的是2022年9月14日，如图 4(c)和(d)是对其预处理的Sentinel-1 VV与VH极化影像。在SAR成像中，双极化技术能够同时获取水平极化和垂直极化的数据，不同极化方式下同一地物的回波强弱不同，为滑坡识别提供了丰富的信息。由于VH极化信号对植被结构、冠层变化以及地表粗糙度的敏感性较高，能够更准确地捕捉到滑坡过程中因岩石裸露、土体破坏或植被受扰等引起的散射特性变化，而VV极化则主要反映地表湿度信息，对这些地质扰动的直接响应较弱。

早期差异图生成算法主要依赖基于像素级的简单差值运算方法，即直接对两幅SAR影像进行逐像素相减操作。然而，SAR影像固有的乘性噪声特性与光学图像存在本质差异，使得传统的差值运算方法在处理SAR影像时难以有效适用，其结果难以准确表征地表真实变化。通过对比滑坡前后的SAR影像变化，本研究分别采用上文所述三种方法生成双极化差异特征图。

比值法通过计算两幅图像对应像素灰度值进行除法运算来生成新图像的方法(如式(1))，该方法能够消除地形起伏、阴影等乘性误差，减少噪声对变化检测的干扰，突出地物差异。根据图像不同区域亮度分布，对比值法差异图中每个像素取5×5邻域，按照高斯核权重计算局部区域的加权平均值，根据加权平均值计算局部阈值，如差异图某像素灰度值大于邻域灰度值，则判定为变化区域；否则为非变化区域，阈值分割结果如图 5所示。滑坡目标的后向散射强，颜色亮。水体区域的后向散射系数小，均呈暗色。同区域图 5(a)VV极化的后向散射要比图 5(b)VH极化的强一些，颜色稍亮。比值法虽能提取具有较高空间一致性的变化区域，但其结果图中仍存在呈现椒盐噪声分布特征的离散噪声。

对数比值法是通过结合比值运算和对数变换，根据式(2)对两时相影像的像素值进行比值运算后再取对数变换，将乘性噪声转化为加性噪声，对数运算的非线性收缩特性，拉伸图像暗部细节，同时压缩高亮区域的动态范围，使变化区域与未变化区域的对比度显著增强。结合局部统计特性与高斯加权平滑的阈值对差异图进行局部(5×5)自适应阈值分割，权重由高斯方程确定，根据差异值偏离局部阈值的程度进行二值化，高斯加权平滑保留邻域空间关联性，抑制孤立虚警，分割结果如图 6所示。滑坡区域由于受到地表破坏和岩体裸露影响，其对数比值明显增大，显示为较亮的色调；而非滑坡区域后向散射较低，对数比值亦偏低。图 6(a)VV极化对土壤水分和地表粗糙度敏感，而图 6(b)VH极化对植被体散射变化更为敏感。

均值比值法是一种通过计算两幅图像对应像素的邻域均值参与比值来运算生成新图像的方法，本文中根据SAR影像分辨率和目标地物特征选用局部邻域窗口为5×5，能够在噪声抑制和细节保留之间取得较好的平衡。较大的邻域(如7×7或9×9)虽能更好地抑制相干斑噪声，但可能导致细节丢失，计算量也更大；较小的邻域(如3×3)有助于保留图像细节，但抗噪能力较弱。根据图像不同区域亮度分布，对均值比差异图采用自适应高斯阈值，计算出5×5的局部邻域内滑坡区域高斯加权平均来确定图像阈值，通过局部区域特性动态调整阈值，提升变化区域与未变化区域的分离精度，阈值分割结果如图 7所示。由于后向散射异常强，其与周围均值的比值相比显著增大，在均值比图中呈现为亮色；非滑坡区域后向散射值较低，与局部均值计算的比值相比减小，故在图中表现为暗色，相比图 7(a)VV极化，7(b)VH极化对地表细节变化更为敏感。

三种差异图分别突显了不同算法对地表形变信息的表征差异，但检测结果中滑坡区以外均存在零星的虚警点。差异图中灰度值大的像素点对应发生显著变化的地物区域，灰度值低的像素点对应未发生明显变化的地物区域，根据图像不同区域亮度分布，采用自适应高斯阈值完成局部特征变化检测的需求，提升阈值准确度。该方法的优点就是在同一幅图像上的不同区域能够自适应计算不同的最佳阈值，从而使得在亮度不同的情况下得到更好的结果，有效解决了阈值选择难题，用阈值分割三种不同方法的滑坡信息提取结果。

图 8(a)是来自ALOS-12.5m分辨率数字高程模型(DEM)，以数字形式表示地球表面的高程信息；图 8(b)是利用DEM数据直接计算得到的坡度分布。坡度是地形分析中的关键参数，用于衡量地表单元陡缓的程度，通常表示为坡面与水平面之间的夹角，坡度正切值为地形表面某一点的垂直高度变化(Δh)与其水平方向距离之比(Δd)，即

$ \tan \alpha=\frac{\Delta h}{\Delta d} $

(7)

结合三种差异图和坡度分布图进行滑坡像素统计和空间叠加分析，在滑坡灾害区域内有效识别像素中，大于90%呈显著空间聚集特征，且集中分布于坡度大于15°的地形单元，滑坡往往分布在斜坡的中上部，揭示地形参数与滑坡空间分布的相关性，并且坡度低于15°时，斜坡稳定性显著增强。根据DEM数据计算坡度值进行地形约束，剔除坡度小于15°的区域，可有效滤除平原区伪变化信号，优化滑坡区域的识别结果。

因比值法滑坡提取结果显著低于对数比和均值比提取结果，故舍弃精度较差的比值法，基于多特征融合策略，利用多数投票法对VV极化对数比和均值比与VH极化对数比和均值比四幅差异图初步分割结果进行决策级融合。四幅差异图中，有2幅或者2幅以上的像素判为滑坡，则标记为滑坡区域，然后采用大于15°坡度进行地形约束，结果如图 9所示。在SAR图像多数投票法融合决策滑坡提取结果分析中，双极化数据可以提供更多的信息来区分滑坡和其他地表变化，滑坡发生前的区域通常为散射功率较低的裸土地或者植被覆盖区，在SAR图像中表现为较暗的色调。滑坡灾害发生后，地表结构遭到破坏，形成纹理信息丰富的滑坡体，其表面呈现漫反射特性，导致传感器接收到的回波功率显著增加，在SAR影像中表现为明显的亮度变化，白色区域表示被识别出的滑坡信息。

从图 5~图 7可以看出，三种差异图滑坡提取结果与实际目视解译滑坡分布有较高的一致性，反映出本文所采用的变化检测及阈值分割方法具有较强的检测能力。三种双极化SAR差异图构造方法均有其独有的优点，但也存在着因采用单一差异图而导致变化检测精度低和适用范围窄等缺点。经过多数投票法融合及坡度地形约束，最终获得了较为准确的滑坡提取结果，从目视效果上看多数投票法检测效果均优于三种差异图法提取结果。

实验过程中，多数投票方法融合策略显著改善了单一差异图方法存在的精度低和适用范围窄的问题；利用DEM进行坡度约束能够有效避免裸地、建筑物等非滑坡区域被误判，进一步降低了虚警率，该方法在滑坡区域划分上实现了较高的识别精度，为后续实际应用中的滑坡监测和灾害预警提供了有力的技术保障。实验结果表明，泸定地震滑坡实验区大渡河、磨西河等主要河流及其支流两侧的斜坡，是地震触发崩塌和滑坡的主要发生区域。

多时相变化检测方法最终提取的滑坡结果如图 9所示，滑坡现象主要集中在斜坡的中上部，高位滑坡呈现出较为密集的分布，多个滑坡区相互汇聚后，形成了面状的扩展格局，以中小规模且深度较浅的岩石滑坡占据主导地位。在磨西镇及海螺沟区域、得妥镇大渡河沿岸滑坡数量多，滑坡点密度最大。

通过主观效果及客观定量指标来评价变化检测结果。将变化检测图与对应的参考变化影像进行比较分析，表 2采用混淆矩阵和总体精度定量指标系统评估了不同差异影像构造方法的检测性能。其中，真正例为模型正确地将实际滑坡区域预测为滑坡，假正例为模型错误地将非滑坡区域预测为滑坡，假负例为模型错误地将滑坡区域预测为非滑坡，真负例模型为正确地将非滑坡区域预测为非滑坡。总体精度(Overall Accuracy，OA)是指正确分类的像元所占的比例，反映滑坡和非滑坡区域全部评价样本被正确识别出的比例，用于综合评估模型的整体分类性能。总体精度越高，说明检测方法的整体分类性能越好。

2.3 结果分析

在进行SAR影像滑坡信息提取时，由本文选用的三种差异图生成算法(图 5~图 7)可以看出，VV和VH双极化SAR在识别滑坡时具有不同的特征差异，说明不同极化对地表特征的敏感度不同，三种不同差异图的结果各有特点，其中图 5采用比值法构造的差异影像受SAR影像固有的乘性斑点噪声干扰，不仅难以突出变化区域，而且对弱散射区域的变化敏感性不足，导致部分低后向散射系数的滑坡边界(如浅层滑移区)未能得到有效凸显；对数比值法通过非线性变换，乘性噪声被转化为加性噪声，从而在一定程度上降低了斑点噪声的影响，但其变化检测图仍包含一些散射状噪声，同时，对数比值法能够压缩强度值的动态范围，增强微小变化信息的可辨识性，但对于弱散射区域，其变化敏感性仍可能不足。

而基于邻域平均的比值算法，加入了局部区域信息，使得差异图在被分析时有较强的平滑功能，能够减小图像整体强度波动的影响，提高弱散射区域变化的检测灵敏度，从而更好地捕捉滑坡边界信息。但该方法虽能保持较高空间细节特征，却因空间平滑作用导致斑点噪声抑制效率下降，从而非滑坡区域的孤立噪声点增加，造成一些局部细节的损失。通过多数投票法融合对数比值法与均值比值法的互补特征，白色斑点噪声减少的同时能更好地保留微小变化区域，在决策层面实现了噪声抑制与细节保留的平衡，采用简单融合策略便能有效提高变化检测性能。

表 2总结了泸定地震滑坡实验区数据研究方法的评价标准和精度信息，通过比较三种变化差异图方法在不同极化特征评价指标的实验结果可以看到，三种方法提取的滑坡实验结果均有其独有的优点，但也存在着因采用单一差异图而导致变化检测精度低和适用范围窄等缺点。经过多数投票方法融合以后，不仅能够有效抑制SAR图像中的乘性斑点噪声，还能显著降低错误预警的发生率，对滑坡信息的提取有更加优异的表现，OA达到了90.70%。

在比值法中，假正例较高，表明模型过度识别了滑坡区域，大量负样本被误判为正类，导致误报严重。虽然总体精度接近80%，但模型的泛化能力较差，实际应用价值有限。对数比值法通过非线性对数变换改善噪声抑制效果，假正例值明显降低，假负例略有上升，这源于对数运算对弱变化信号的过度平滑效应，OA超过了85%，精度提升可能是因为负例分类更好，但正例识别不足。多数投票法通过决策级融合有效整合各方法的互补优势，其假正例同步降至最低水平，OA值最大，整体分类准确率较高，对于SAR影像变化检测效果较好。

实验结果表明，在双极化SAR中，不同极化方式对地表与植被的散射机理存在显著差异，进而影响变化检测方法的精度。交叉极化VH主要反映植被冠层内的体散射，对植被密度和结构变化高度敏感；同极化VV则以地表或粗糙度散射为主，对土壤水分和裸土暴露更为敏感。变化检测中，VH极化因弱化土壤水分干扰，通常能更准确地识别植被扰动，实验中VH比值法精度普遍高于VV比值法。然而，对数比值法VV极化通过非线性变换增强了信号动态范围，能更好捕捉滑坡引起的地表变化，均值比值法通过邻域均值参与，VV极化捕捉到裸土暴露与湿度变化。通过调查分析历史气象数据，地震发生时多日阴雨天气显著提高了地表湿度，而VV极化对土壤水分变化具有更高敏感性，这一环境因子可能进一步增强了VV基于对数比与均值比方法的检测性能。

综合实验结果，建议在实际应用中根据环境条件与地表类型选择合适的极化方式：在植被覆盖较高、滑坡以植被破坏为主要特征的区域，优先采用VH极化进行比值类变化检测；在震后降雨显著或裸土暴露明显的区域，可优先采用VV极化结合对数比或均值比方法，以增强对地表粗糙度与水分变化的响应；在复杂地表环境下，建议采用双极化融合与多算子投票策略，以提高变化检测的稳健性与泛化能力。

3 结论

为有效降低SAR影像中的斑点噪声干扰并提升变化检测性能，本研究提出了一种基于多模态信息融合策略的SAR影像变化检测投票方法。该方法综合利用多时相的双极化SAR，VV极化对土壤水分和地表粗糙度敏感，VH极化对植被体散射变化更为敏感，为滑坡识别提供了丰富的信息。分别进行比值法、均值比值法以及对数比值法三种变化检测算子生成的差异影像，并通过多数投票方法决策融合不同变化检测结果，同时结合DEM计算的坡度信息进行地形约束优化，以提高滑坡识别的准确性。本文在差异影像构造、斑点噪声抑制、自适应高斯阈值分割以及多数投票决策等方面进行优化，从而提升整体变化检测精度。以泸定地震滑坡为例，多时相SAR影像的变化检测实验表明，该方法能够有效抑制斑点噪声，增强变化信息提取能力，并显著提高变化检测的性能，优化后假正例降至最低，OA提升至90.70%。SAR变化检测技术虽然近年来取得了重大进展，但受制于影像噪声、图像配准、变化检测算法等关键技术，未来可在提升滑坡提取精度的同时，增强方法的自动化和适应性，为震后灾害监测和应急响应提供更为高效、精准的技术支持。