top of page
Search

New paper of nighttime light and Landsat imagery: supporting landslide detection

Updated: Apr 4, 2019

My first part of PhD research is published by RSE! I am very happy about this innovative work of Landsat project (combined nighttime light), and super glad to cooperate with Alexander Prishchepov and Rasmus Fensholt from University of Copenhagen.

Free access to the article before 14 May 2019: https://authors.elsevier.com/a/1YnGp_o69Hkdu


很多人問我夜間光為什麼和崩塌地監測有關?目前全球開放的衛星影像資料仍以中解析度為主,例如美國NASA的Landsat影像多半是30公尺的馬賽克網格。在有限的解析度之下,崩塌地其實和山區的村落非常相像。簡單來說,夜間光可以讓機器在自動判圖的過程中,區辨聚落和崩塌地。


除此之外,這個研究還有兩個亮點,一是提供免費、可應用在世界各地的崩塌地監測方法,二是提升中解析度影像對崩塌地監測的應用價值。


以學術的脈絡來看,我認為與我們研究淵源剖深的兩個重要研究團隊都來自德國:

<Stumpf團隊>

2011年的時候,Stumpf在RSE有一篇著名的研究,是用高解析度光學影像來監測崩塌。當時,機器學習+高解析度影像+物件導向影像分析的結合,是推動崩塌地自動化監測的重要研究。透過高解析度影像,能夠辨別個體崩塌地的型態,如:大小、長度等。他們的研究包含了數個歐亞地區重大的崩塌事件,比較模型參數在不同環境條件下的預測力。不過Stumpf近幾年轉向用雷達監測崩塌地,光學的戲算是唱到一段落了。


<Behling團隊>

如果目標是要調閱過去數十年崩塌地的分布,光學遙測幾乎是目前唯一的途徑,其中的代表作,非Behling的研究莫屬(也發表在RSE!)。它不僅是代表作,也是苦力之作,為了串長時間監測資料,前前後後串接了212個資料庫,比較耳熟能詳的包括SPOT、Landsat、ASTER、RapidEye等等。Behling的研究還有一個特點,是慣用非監督分類(不拿崩塌地真資料來訓練模型),直接用植生指數(NDVI)的變化軌跡判定是否發生崩塌事件。這個方法很簡單、容易應用,也省下要去生訓練樣本的力氣。不過他們的創新之處(用植生指數軌跡辨識崩塌),也造就了這個研究的主要限制。光學影像本來就容易缺資料,如果需要在一年內有多筆觀測值才能建立軌跡,那麼缺資料的問題就更嚴重了。


上述這兩組重要的研究線,都受到成本的限制。若要用免費的衛星影像觀測二十年以上的崩塌地,只有Landsat做得到。偏偏用Landsat影像,機器不是把崩塌地看成建築物,就是把農地看成崩塌地。好在NOAA的兩顆夜間光衛星影像,可以用來輔助機器學習,並且資料可以追溯到1992年。


模型再怎麼厲害,低解析度的料就只能畫出粗糙的圖。我在這篇研究中發展的方法,無法像高解析度影像一樣精確的描述個體崩塌地的型態。不過像這樣大尺度(全台灣)的崩塌地監測,在過去崩塌地研究中是非常少見的。我們以此看到區域差異:觸發時機的、植被回復率、崩塌裸露持續時間等。舉例來說,在研究結果中,可以清楚的看到需多中北部的崩塌是發生自1999年(九二一地震發生),而南部的崩塌則多發生自2009年莫拉克颱風後。這些崩塌地因為層理的深淺、地質條件、規模大小不同,植被回復率與持續時間也不一樣。這些特徵靠中解析度衛星影像就足夠了。





p.s. This work was partly initiated from my term project of an amazing class of remote sensing and land system science from University of Copenhagen: https://kurser.ku.dk/course/nigk17012u.


104 views0 comments

Comments


Post: Blog2_Post
bottom of page