引言

结合灾区现场线状或点状调查，利用航空、卫星遥感影像解译滑坡是获取区域滑坡空间分布信息的主要手段（Keefer，2002；戴岚欣等，2017；张诗茄等，2018；Qiu et al，2018；姚鑫等，2020）。如果具备灾后或者灾前与灾后的遥感影像数据，同时辅助补充数字高程模型地形数据，可以解译识别整个灾区的滑坡分布数据（Xu et al，2014a；Shao et al，2022）。然而地震发生后通常伴随降雨、多云等天气状况，不仅会增加地震灾区地质灾害危险性，还会影响地震灾区灾后遥感数据的质量（唐川等，2010；Fan et al，2019）。

与光学遥感影像相比，合成孔径雷达（synthetic aperture radar，缩写为SAR）不受云雾影响，具备全天候、稳定观测的特点，在灾害研究中受到广泛关注。但是，利用SAR遥感技术开展的滑坡研究，主要是利用雷达干涉和像素偏移追踪技术开展滑坡体变形监测研究（Intrieri et al，2018；Li et al，2020），或是基于变形量估计滑坡发生的体积规模、滑坡承灾体（房屋、道路等基础设施）风险和灾情评估等方面（Jia et al，2020；Li et al，2021）。而基于SAR影像提取已经发生的滑坡的研究报道较少，SAR影像只是作为恶劣气象条件下对光学遥感影像的补充（Aimaiti et al，2019）。因此，在识别已经发生的滑坡方面，光学遥感影像是目前最主要的遥感数据类型。但是，由于传感器误差、云层覆盖等原因，大范围遥感应用中需对图像进行校正、云检测与云去除等处理，通常会导致部分区域出现数据缺失（Huang et al，2023）。随着遥感卫星时间分辨率增强（重访周期缩短），选取区域内高质量的遥感数据，镶嵌一定时间范围的时间序列影像，可以获取大范围区域内遥感影像数据（Xu et al，2014a），提高遥感影像的可用数量和质量。

遥感技术发展初期至二十一世纪初，关于遥感影像去云算法的相关研究较多，鉴于光学遥感数据重访周期较长、成本较高，对云雾影响区域的数据较难进行时间和空间的插补（李月臣等，2006）。去云方法可提高遥感数据的可用性，降低数据成本。直方图匹配法、图像滤波法、多源数据融合方法、深度学习方法等也被广泛用于薄云覆盖区域的遥感信息恢复（李月臣等，2006；郭保，2021；刘广进等，2022）。对于厚云覆盖区域，利用前、后时相无云数据或相邻区域数据进行插补（Xu et al，2014a；赵孟银等，2016）的去云方法，但后者无法满足地表信息识别的数据需求。在当前光学遥感影像数据重访周期逐渐缩短的条件下，利用前、后时相或者长时间序列遥感影像的无云数据，融合镶嵌处理薄云和厚云覆盖遥感影像，既能以较低的成本去除云雾，又能提供高实用价值的遥感数据。

获取滑坡空间分布数据的方式主要包括人工目视解译、基于遥感影像的半自动或自动解译等方法（Guzzetti et al，2012）。发生滑坡的区域，一般会表现出可辨识的地表变化，基于滑坡区域与邻近区域的差异，或者滑坡发生前、后的对比变化，可以利用遥感数据研究滑坡自动识别方法（Mondini et al，2011；Li et al，2016；Lu et al，2019）。滑坡自动识别方法包含基于像元方法和面向对象方法。基于像元方法是以每个像元为分类基本单元，通过对影像的光谱特征处理、分析实现遥感影像分类。面向对象方法利用图像分割算法将遥感影像预先分割为若干个对象（像元簇），作为影像分析、分类的基本单元（彭令等，2017；Comert et al，2019；Zhou et al，2020）。与基于像元方法相比，面向对象方法综合考虑了像元及像元邻域的空间上下文特征，遥感信息量增大，可以提供对象内特征（如光谱、纹理、形状等）和对象间特征（如相邻对象之间的连通性、连续性、距离和方向等）两类信息（Zhang et al，2018），更有利于遥感信息的解译分类（Lu et al，2011；Stumpf，Kerle，2011；Sun et al，2017；杜妍开等，2020）。

本研究将基于谷歌地球引擎（Google Earth Engine，缩写为GEE）云平台，利用Sentinel-2长时间序列遥感影像，研究地震灾区多云覆盖情况下获取高质量遥感影像的方法，拟对无云遥感影像进行多尺度最优分割，并利用遥感数据的光谱特征、植被指数、不同类别的空间邻近关系特征等，构建面向对象的地震滑坡识别模型，以期实现获取多云地区灾后高质量遥感影像，以及地震滑坡空间分布的准确识别，为进一步的地震滑坡危险性评估等工作提供数据基础。

1.   研究区概况

海地位于拉丁美洲加勒比海北部伊斯帕尼奥拉岛（即海地岛）的西半部，介于北美板块和加勒比板块之间，总面积2.78万km²，全境75%为山地。海地的断层自东向西延伸，恩里几约—芭蕉园断裂带（Enriquillo−Plantain Garden fault）是横切海地南部半岛的主要断裂带，断裂两盘的相对运动速率约为10 mm/a （许冲，徐锡伟，2012；Xu et al，2014b）。海地北部属热带雨林气候，南部为热带草原气候，位于热带飓风带中部，降水量丰富，年均降水量超过1 000 mm，岛内云覆盖率高且频繁发生。由于海地的地理位置和气候特点，海地地区经常发生洪水、干旱和地震等自然灾害。2010年1月12日海地首都太子港附近的M_W7.0地震和2021年8月14日海地南部半岛尼普斯（Nippes）地区的M_W7.2地震，均造成重大人员伤亡和经济损失。综合来看，海地南部半岛位于低纬度地区，属热带气候类型，岛内云覆盖率高，且覆盖时间长，较长时间窗口内难以获取云量少的遥感影像，同时该地区自然灾害频发，较适宜开展遥感图像去云算法和地震滑坡快速识别方法的研究工作。

2021年8月14日12时29分8秒 （UTC），海地南部半岛尼普斯地区发生M_W7.2地震，根据美国地质调查局（United States Geological Survey，缩写为USGS）数据，震中位于海地首都太子港以西125 km处（18.434°N，73.482°W），震源深度10 km。本次地震造成2 246人死亡，329人失踪，1万2 000多人受伤，近5万3 000所房屋被毁（Pan American Health Organization，2021）。此次地震发生于恩里基约—芭蕉园断裂带（图1），断裂周边的岩性主要为白垩纪石灰岩（图1中Cs），分布于主断裂带两侧。根据USGS公布的数据初步判断，8月14日M_W7.2地震是由恩里基约—芭蕉园断裂带倾斜方向急剧变化诱发导致，局部板块边界以左旋走滑和挤压性质为主（Zhao et al，2022）。2021年8月17日“格雷斯”热带风暴经过海地南部造成强烈降水，恶劣天气和频繁余震进一步加剧了海地的受灾状况。

图  1  海地南部半岛地区地质图

图中岩性数据参考Lambert等（1987）.左下角图显示了2010年和2021年两次 M ≥7.0地震震中位置

Figure  1.  Geological map of the southern part of the Haiti Island

The lithology data refers to Lambert et al （ 1987 ）. The lower-left figure shows epicenters of two M ≥7.0 earthquakes in 2010 and 2021

下载: 全尺寸图片 幻灯片

2021年8月14日海地地震的峰值加速度 （peak ground acceleration，缩写为PGA）数据来自于USGS （2021），如图2所示，整个区域的PGA范围为0.18g—0.78g，经历了较强的地震动。根据USGS发布的滑坡点位数据（图2），此次地震和地震后的强降水至少造成了约4893处滑坡，从图2可知，地震触发的滑坡主要分布于白垩纪石灰岩（Cs）区域以及地形复杂区域，地震滑坡大多数分布于河流河谷两侧，对河流、道路通行造成了极大影响（Martinez et al，2021）。本文选择地震滑坡密集区域作为研究区，USGS发布的滑坡点位数据中约3578个滑坡位于研究区内，约占滑坡点总数的73%，主要分布在地震PGA值0.3g—0.65g空间范围内，区域内海拔高于2 000 m。研究区与本次地震主震震中距离虽然在50 km以上，但是由于该区域PGA值较高，研究区内经历了较强的地震动，加之本区域地表脆弱性大，因此地震在该区域触发了密集分布的同震滑坡。

图  2  2021年8月14日海地M_W7.2地震峰值加速度（PGA）等值线及本文研究区范围图（PGA数据来自于USGS，2021）

Figure  2.  Map of the study area with PGA contour lines for the August 14 2021 M_W7.2 Haiti earthquake （PGA courtesy of the USGS，2021）

下载: 全尺寸图片 幻灯片

2.   数据与方法

2.1   数据源

Sentinel-2卫星是宽幅（290 km）多光谱遥感卫星，包含2A和2B两颗卫星，分别于2015年6月23日和2017年3月7日发射。Sentinel-2卫星重访周期为5天左右，旨在监测地球表面变化，包括植被、土壤和水覆盖的变化，以及内陆水道和沿海地区的监测。

Sentinel-2 数据包含 13 个具有不同空间分辨率的光谱波段，光谱波段范围包含可见光、近红外、短波红外波段（表1）。蓝（493 nm）、绿（560 nm）、红（665 nm）和近红外（833 nm）波段的分辨率均为 10 m。四个红边波段域（704 nm，740 nm，783 nm和865 nm）和两个更宽的短波红外波段（1 613.7 nm和 2 202.4 nm）广泛用于雪、冰、云的检测或植被健康评估等，分辨率为 20 m。另外3个波段的分辨率为 60 m，主要用于气溶胶、水蒸气和卷云探测等（443 nm，945 nm，1 374 nm）。本文选取了Sentinel-2 L2A产品中空间分辨率为10 m的近红外、红、绿和蓝波段的多光谱遥感影像作为滑坡识别分类数据源。

表  1  Sentinel-2光谱波段的详细信息

Table  1.  Brief information of all spectral bands of the Sentinel-2 imagery

波段号	Sentinel-2光谱波段	中心波长 /nm	空间分辨率 /m
1	海岸/气溶胶	443.9	60
2	蓝	496.6	10
3	绿	560	10
4	红	664.5	10
5	红边	703.9	20
6	红边	740.2	20
7	红边	782.5	20
8	近红外	835.1	10
8A	红边	864.8	20
9	水蒸气	945	60
10	短波红外	1 373.5	60
11	短波红外	1 613.7	20
12	短波红外	2 202.4	20

下载: 导出CSV 

| 显示表格

2.2   高质量无云影像的处理方法

结合GEE云平台和高时间分辨率的遥感数据可以解决遥感图像云雾覆盖、数据缺失或异常值等问题。GEE平台基于高分辨率遥感卫星的长时间序列图像，首先利用云检测产品掩膜去除遥感图像云雾遮盖区域，然后以像元为分析单元，利用时空数据融合技术获取无缺失值和噪声的高时空分辨率遥感镶嵌图像。GEE平台可以利用长时间序列影像采用最小值、最大值、平均值、中位数和百分位数等规则（Tian et al，2017；王小娜等，2022）逐像元进行数据重组。针对地震滑坡识别问题，中位数规则能够有效剔除阴影（低值像元）、云覆盖（高值像元）的影响，使影响的噪声最小化。

本研究基于GEE平台，筛选2021年8月14日至2022年1月31日共68幅Sentinel-2 L2A产品的遥感图像，利用Sentinel-2云概率数据产品对时间序列影像数据进行云掩膜。而Sentinel-2云概率数据产品则利用Sentinel-2云检测工具（Sentinel，2022）获取，空间分辨率10 m。该云检测工具利用LightGBM机器学习算法逐像元检测标记云量概率值，值域区间为0—100%，高值区表示为云或高反射率表面（例如屋顶或雪）。本研究中设置云量阈值为20%，掩膜去除高于阈值的区域，获取低云量时间序列影像，逐像元选取影像序列的中位数，进行镶嵌处理，获取研究区低云量镶嵌图像。为了最大程度保留遥感图像信息，设置的云量阈值较低，研究区低云量镶嵌图像中仍有少量薄云存在，在后续的滑坡识别分类过程中将进一步去除。

2.3   面向对象滑坡识别方法

遥感影像分类依赖特征信息，包括遥感光谱特征、纹理特征、空间几何特征、光谱衍生产品（植被指数、水体指数等），以及地形特征等。本文案例中海地地震发生于2021年8月，研究区域植被覆盖丰富，同震滑坡区域植被覆盖变化明显，具有显著的地表裸露特征。因此，本工作选取了归一化植被指数（normalized difference vegetation index，缩写为NDVI）作为主要分类指标，NDVI指数计算方法如下：

式中，NIR为遥感影像的近红外波段，Red为遥感影像的红波波段。

研究区均值影像特征利用多光谱遥感影像所有波段的像素亮度值（digital number，缩写为DN）求算平均NDVI和均值影像MI为：

式中，b1—b4分别为近红外、红、绿和蓝波段。

本文采用面向对象方法和灾后遥感影像数据对地震滑坡进行提取分类，具体方法流程如图3所示。其中多尺度分割算法包括分割尺度、形状参数和紧凑度参数等。尺度参数控制分割对象所允许的最大异质度，直观体现是分割对象的大小，尺度值越大，分割对象越大，一般根据待分类地物的尺度大小进行设置（Comert et al，2019）。形状参数和紧凑度参数用于控制分割对象的同质性，取值区间在0—1之间。多光谱遥感影像各波段光谱信息是最重要的遥感影像信息，在分割时可以设置不同光谱波段的权重。

图  3  面向对象识别滑坡的方法流程

Figure  3.  Flow-chart of identifying landslides with object-oriented method

下载: 全尺寸图片 幻灯片

本文主要利用NDVI指数和MI特征，以及不同类别的空间邻近关系进行滑坡识别分类。首先，采用多尺度分割方法对多光谱遥感影像进行预分割，分割参数如图3所示；然后进行逐层分类提取，依次提取出MI值小于900的对象，分类为阴影，MI≥2 500并且NDVI＜0.2的对象分类为云，与类别“云”的共边界长度比≥0.2的邻近对象也分类为云，NDVI≥0.46的对象分类为植被；未分类对象进行再分割，分割尺度为100，形状参数为0.1，紧凑度为0.5，从中将NDVI＞0.45的对象分类为植被；剩余的未分类对象再次进行精细分割，分割尺度为50，剔除NDVI＞0.5的植被类别；最后对分割对象进行矢量优化、合并等处理，导出为地震滑坡分类结果。

2.4   精度评估方法

地震滑坡识别精度评估方法采用召回率R、精确率P和F₁指标，其中，召回率是指自动识别方法正确识别的滑坡占目视解译真值结果的比例。

式中，TP为正确识别的滑坡，FN为被遗漏识别的真值滑坡。

精确率P是指自动识别方法正确识别的滑坡占识别滑坡总面积的比例。

式中，FP为被错误识别的滑坡面积。

召回率和精确率利用F₁指标均衡评价，取值区间（0，1），值越高，识别效果越好，计算如下：

3.   结果

3.1   遥感影像去云效果

2021年8月14日，海地M_W7.2地震发生后，Sentinel-2卫星过境拍摄了遥感影像，地震滑坡密集区的遥感影像如图4所示。由于本文研究区恰好位于Sentinel-2卫星T18QWF和T18QXF分幅交界处，震后当天拍摄的影像（图4）由ID号为20210814T153621_20210814T153621_T18QWF和20210814T153621_20210814T153621_T18QXF两幅Sentinel-2影像镶嵌得到，两幅影像的云量覆盖率分别为22.8%和29.2%，地震灾区大部分滑坡发生区域被云覆盖，对震后滑坡分布的识别工作影响较大。

图  4  海地地震发生后研究区Sentinel-2真彩色影像

Figure  4.  True-color Sentinel-2 imagery of the study area after the Haiti earthquake

下载: 全尺寸图片 幻灯片

通过进一步搜集研究区震后Sentinel-2影像数据，获取了2021年8月14日至2022年1月31日的68幅遥感影像，所有遥感影像的云量覆盖统计情况如图5所示。从图中可以看出，自2021年8月14日至2022年1月31日Sentinel-2影像云量覆盖率超过20%的比例超过50%，云量覆盖度大于10%的比例为67.2%，云量覆盖率较高，遥感可用数据区域有限。该时间段内有22幅图像（32.8%）的云量覆盖率低于10%，但是需要注意的是，大多数云集中分布于本文的研究区域内，例如图6中图像ID为20210908T153619_20210908T153615_T18QWF的Sentinel-2影像，其云量覆盖率为4.27%，图6右图（本文部分研究区）区域内的云覆盖量高达50%以上，图5中其它低云量影像普遍存在此问题。因此，不能只用云量覆盖率单个指标评价影像质量，还需考虑影像中云的空间分布情况。

图  5  研究区2021年8月14日至2022年1月31日68幅Sentinel-2影像的云量覆盖情况

Figure  5.  Cloud cover percentages of all 68 Sentinel-2 images in the study area from August 14 2021 to January 31 2022

下载: 全尺寸图片 幻灯片

图  6  ID为20210908T153619_20210908T153615_T18QWF的Sentinel-2影像（红框内为部分研究区）

Figure  6.  A Sentinel-2 image with ID of 20210908T153619_20210908T153615_T18QWF （red boundary polygon is part of the study area）

下载: 全尺寸图片 幻灯片

以长时间序列遥感影像为基础，利用本文提出的时空数据融合方法去除时间序列影像的云，并进行融合镶嵌，获取低云量镶嵌影像（图7）。通过对比分析图4和图7，可以看出本文提出的方法较好地去除了地震灾区遥感影像的云，并保留了遥感影像的关键信息特征，突出了地震滑坡区域，为下一步自动识别地震滑坡空间分布提供了重要数据基础。

图  7  利用时间序列影像融合去云方法处理后的海地地震灾区低云量真彩色镶嵌影像

Figure  7.  Cloud-free true-color mosaic image of the study area by using time-series images

下载: 全尺寸图片 幻灯片

3.2   滑坡识别结果分析与验证

利用本工作中提出的面向对象自动识别方法，识别低云量镶嵌影像中的地震滑坡分布，如图8所示。本文方法共提取研究区内地震滑坡面积为27 km²，滑坡主要分布在主断裂带恩里基约—芭蕉园断裂带两侧，局部尺度上主要分布在河流支流河谷的两侧，整体分布较为密集。

图  8  利用面向对象方法自动识别的研究区地震滑坡分布

Figure  8.  Distribution of earthquake-triggered landslides identified by object-oriented method

下载: 全尺寸图片 幻灯片

为了检验滑坡自动识别精度，本文选取了震后2021年9月无云覆盖区域的Planet遥感影像（3 m空间分辨率），来验证区域目视解译震后滑坡数据。以滑坡目视解译结果为参照，采用精度评估方法，评估分析了遥感自动识别结果的精度，精度分析结果见图9，自动识别方法的面积精确率为77.5%，召回率为52.77%，F₁指标为62.79%。验证结果表明：① 正确识别的滑坡，即TP （图9b中黄色区域），遥感自动识别的位置准确率较高，但遥感自动识别的滑坡边缘区域未识别完整（被遗漏识别的真值滑坡FN，图9b中蓝色区域），导致滑坡面积的召回率较低；② 被错误识别为滑坡的部分，即FP （图9b中红色区域），是河谷、沟谷等地区，以上地区主要是滑坡的堆积区或物质的运移区，亮度、植被覆盖状况与滑坡区相似，容易被错误识别。

图  9  验证区域内（图8红框） Planet影像（a）和滑坡自动识别结果（TP ＋ FP）与目视解译结果（TP＋FN）对比图（b）

Figure  9.  Planet image of the validation area （in Fig.8） （a） and comparison of identified landslides （TP＋FP） with manually interpreted landslides （TP＋FN） （b）

下载: 全尺寸图片 幻灯片

4.   讨论

1） 遥感影像数据时间序列的选择

本文主要依据实际去云效果确定使用2021年8月14日至2022年1月31日的68幅Sentinel-2影像。海地8—10月为雨季，天气状况多变，云雾覆盖率较高，如图4和图6展示的海地8月、9月的Sentinel-2遥感影像，由于研究区的影像质量均较差，仅选择8月14日—10月底时间段内，难以获取完全覆盖研究区的低云量图像。因此，本文确定了2021年8月14日，结束日期分别为11月30日，12月31日，2022年1月31日，3月31日和8月31日5个时间段的影像，对数据融合去云后的影像效果进行对比分析，结果如图10所示。

  10  不同时段的Sentinel-2影像融合去云结果

  10.  A cloud-free image produced with Sentinel-2 images in different periods

（a） 2021−01−14—2021−11−30；（b） 2021−08−14—2021−12−31

下载: 全尺寸图片 幻灯片

2021年8月14日至11月30日时间段影像云量覆盖率高，影像融合后较多区域无数据（图10a中浅绿色区域），去云效果较差；2021年8月14日至12月31日的影像融合去云效果如图10b所示，图中部分区域无数据，不利于后续滑坡识别工作；2021年8月14日至2022年1月31日的影像融合去云效果如图10c所示，该时间段是本研究中采用的，平衡处理了去云和保留影像信息的问题，融合处理的影像质量可以满足面向对象识别滑坡的需求；2021年8月14日至2022年3月31日的影像融合去云效果如图10d所示，增加了两个月的遥感影像数据后，对比图10c的影像融合去云效果并无显著提升；2021年8月14日至2022年8月31日的影像融合去云效果如图10e所示，可以看出，跨越1年时间搜集Sentinel-2影像并不能更好地解决影像去云问题，由于时间跨度长，研究区季节变化、地表覆被状况的改变等原因导致融合后的影像丢失了关键信息，不利于准确识别地震滑坡。综上所述，最终选择了2021年8月14日至2022年1月31日时间段的时间序列影像进行融合去云。

  10  不同时段的Sentinel-2影像融合去云结果

  10.  A cloud-free image produced with Sentinel-2 images in different periods

（c） 2021−08−14—2022−01−31；（d） 2021−08−14—2022−03−31；（e） 2021−08−14—2022−08−31

下载: 全尺寸图片 幻灯片

2） 面向对象方法的识别效果

面向对象方法包含影像分割和对象分类两个步骤，其中影像分割结果的优劣对后续的滑坡分类起着重要作用（Kurtz et al，2014；杨文涛等，2015；Dou et al，2015；彭令等，2017；Sun et al，2017）。本工作使用了多尺度分割算法，该算法可以依据分类目标的特征确定分割尺度，比较贴近地物目标的自然边界。本文方法针对不同的分类对象确定不同的分割尺度，来控制分割对象允许的最大异质度，通过选取最优的分割尺度实现准确分割出不同尺度的滑坡对象，进而准确识别地震滑坡。

在验证区域内，本文利用高分辨率遥感影像Planet数据（3 m分辨率）目视解译海地地震滑坡，以目视解译地震滑坡数据作为参考，评价了利用去云影像和面向对象方法自动识别地震滑坡数据的精度。验证区域精确率高于召回率，说明遥感自动识别的位置准确率较高，但遥感自动识别的滑坡边缘区域未识别完整，导致地震滑坡多边形识别结果不完整，召回率较低。通过对比分析Sentinel-2多光谱遥感影像（10 m分辨率）和Planet高分辨率遥感影像的空间分辨率，验证数据Planet影像分辨率显著高于本文使用的Sentinel-2影像分辨率，两个传感器数据的空间分辨率差异也会造成地震滑坡多边形的边界存在精度差异（图9）。

5.   结论

强震活动诱发群发型地质灾害，对遥感数据的目视解译或自动识别是获取地震滑坡空间分布信息的主要手段。受云雾影响，强震震后的高分辨率光学影像质量较低，限制了震后地震滑坡调查和评估工作的开展。本文以2021年8月14日海地尼普斯地区M_W7.2地震为研究区，基于Google Earth Engine云平台和Sentinel-2时间序列影像，提出一种遥感序列影像去云和地震滑坡识别方法并进行了验证，结果如下：

1） 本文提出了一种适合解决常年云覆盖度高区域遥感数据获取困难的方法，该方法利用长时间序列高分辨遥感影像进行云、噪声、缺失值去除处理，然后利用时空数据融合技术融合处理高时空分辨率遥感影像，此获取大范围研究区低云量的镶嵌图像，为地震滑坡准确识别提供基础数据。

本文的去云方法关键在于遥感影像数据时间序列的长度确定。本工作选择了3个、4个、5个、7个、12个月等不同长度的时间序列数据，通过海地的实例对比分析了5组不同时间长度遥感影像数据的融合去云效果。结果表明，对于海地云覆盖率常年偏高的区域，较短的时间序列难以获取完整的无云影像，而超过半年的时间长度则因为地表覆盖的变化，已不适用于地震滑坡识别工作。因此，本文最终选择了5个月长度的遥感影像时间序列数据。需要注意的是，不同气候背景的研究区域，针对此问题需要根据时间序列数据情况和数据使用需求具体分析，后续工作可以依据区域云覆盖概率、频次、遥感影像的重访周期等研究遥感影像数据时间序列数据的选择方法。

2） 基于融合去云处理后的研究区遥感影像数据，对海地2021年8月14日M_W7.2地震事件开展了地震滑坡识别。针对遥感数据和地震滑坡特点，综合利用遥感影像的光谱特征、植被指数、不同类别之间的空间邻近关系特征等，提出面向对象的滑坡自动识别方法，最终验证区滑坡识别的面积精确率为77.5%。本文研究区内分布有主要河流，地震发生后当天的遥感影像（图4）显示，地震后河流泥沙含量升高，易于被错误识别为滑坡。山谷内的滑坡堆积物区较多被识别为滑坡，同时，本文研究区内地形起伏较大，如图9a中所示仍有部分区域有阴影影响。以上问题都会影响到遥感影像的地震滑坡识别效果，未来工作中应该在面向对象识别方法中考虑水体特性、泥沙特性和阴影的遥感指数，并结合土地利用覆被数据，以提高地震滑坡的识别精度。

综上所述，本工作提出的去云方法和滑坡识别方法有益于多云地区强震震后滑坡空间分布的准确识别，能够为灾后应急调查和评估提供技术支撑。