滑坡表面变形场的获取对于分析滑坡起动机理、掌握滑坡变化规律有着重要的作用。传统的变形场获取方法一般是通过GNSS等现场单点检测设备的长序列数据进行插值以生成，这种方式的缺点是：设备布置困难、易损坏，局部精度高但整体精度低。近年来，越来越多的研究开始采用遥感手段进行地表变形分析以避免现场单点监测的缺陷，一些典型的方法包括无人机航摄、InSAR、卫星遥感、LiDAR等。这其中，无人机航摄以其便捷性、经济性、快速和大范围的特点，成为了滑坡监测领域的一颗新星。
通过规划航线飞行与PPK定位，无人机航摄能够产出大范围的滑坡影像数据集。随后通过Structure-from-Motion (SfM) 算法，基于点云的滑坡三维模型和衍生正射影像、DSM影像能够快速生成。而亚像素偏移追踪算法 (sub-Pixel Offset Tracking, sPOT) 就提供了一种便捷处理滑坡影像以生成表面变形场的方法：它通过在多时相影像上同步地取参考窗 (reference window) 和搜索窗 (search window)，用参考窗迭代遍历搜索窗并计算每次迭代的相关系数（一般采用归一化互相关），取遍历过程中最大的相关系数作为窗口中心代表的位移矢量。不断的以指定步长在整个滑坡影像取得窗口确定该窗口中心的位移矢量，完成后基于C1连续逼近二次B样条曲线等方法进行插值以生成亚像素级别的全局位移场。
亚像素偏移追踪导出的滑坡全局位移场的精度受到多因素影响，例如输入影像、窗口参数和植被变化。我们将特征提取和特征选择得到的多种无人机影像波段，通过几组试验系统地验证并讨论了不同的波段和不同窗口参数下的亚像素偏移追踪算法表现，算法表现通过二维熵、互信息和平均梯度等定量指标进行预评价和后评价。此外，我们创新性地基于多时相植被状态采用模式识别方法对影像进行分割，开展对各子区域变形场的定量分析，从而确定一个最优的植被过滤准则。以上的研究极大地提升了基于无人机影像的滑坡变形亚像素偏移追踪分析的精度，有利于亚像素偏移追踪在相关领域的广泛应用。
此外，在某些情况下，结合机器学习/深度学习的变化检测或目标检测算法，我们还能得到更加准确的滑坡信息。变化检测能够得到一个滑坡已失稳区域，亚像素偏移追踪则得到一个嵌套了已失稳区域的更大的变形范围，将两者做差值可以方便地获取未失稳但处在持续变形中的滑坡区域，对于后续应急决策有重要意义。同时，当因地震等因素诱发区域内大范围滑坡时，可以结合大尺度影像基于目标检测算法快速定位重点滑坡，并基于目标检测导出的重点滑坡地理信息快速开展无人机航测和亚像素偏移追踪分析，从而形成一套高效的应急监测方案。

滑坡灾害,变形监测,无人机,亚像素偏移追踪,精度提升