葉 昕 王 俊 秦其明

(中國北京100871北京大學(xué)地球與空間科學(xué)學(xué)院)

?

基于高分一號衛(wèi)星遙感圖像的建筑物震害損毀檢測研究
——以2015年尼泊爾MS8.1地震為例*

(中國北京100871北京大學(xué)地球與空間科學(xué)學(xué)院)

在高分辨率遙感圖像中， 不同震害損毀程度的建筑物呈現(xiàn)不同的圖像特征， 鑒于此本文提出一種利用遙感圖像多特征分析建筑物損毀程度的檢測方法． 以2015年尼泊爾MS8.1地震為例， 結(jié)合震后高分一號衛(wèi)星全色遙感圖像和城市道路矢量數(shù)據(jù)提供的街區(qū)信息， 以建筑物街區(qū)為單元進(jìn)行圖像紋理提取和局部空間統(tǒng)計等多類別圖像特征參數(shù)分析， 并構(gòu)建多特征分類模型， 將震后建筑物街區(qū)劃分為基本完好、 部分損毀和嚴(yán)重?fù)p毀等3個類別． 試驗結(jié)果表明， 本文提取的參數(shù)能夠有效地表征損毀建筑物的圖像特征， 而且建筑物震害損毀檢測精度較高． 該方法可用于建筑物震害損毀信息的快速提取， 為震后應(yīng)急救援提供指導(dǎo)； 同時還可為我國自主研發(fā)高分衛(wèi)星遙感數(shù)據(jù)在地震災(zāi)害信息提取中的應(yīng)用提供技術(shù)參考與方法借鑒．

高分一號 地震 建筑物損毀檢測 遙感圖像

引言

地震災(zāi)情信息的快速獲取和災(zāi)害損失的快速評估是有效降低災(zāi)害損失的前提條件， 震后搶險和評估工作要求及時準(zhǔn)確地獲取地震破壞信息. 傳統(tǒng)人工實地勘測方法所獲取的數(shù)據(jù)精度和置信度雖然較高， 但存在工作量大、 效率低、 費(fèi)用高、 信息不直觀等不足， 尚不能滿足快速獲取的要求(柳稼航等， 2005； 陳文凱， 2007)． 近十年快速發(fā)展的遙感技術(shù)改變了人類對地震災(zāi)害監(jiān)測、 損毀評估等的響應(yīng)方式， 在獲取信息方面該技術(shù)具有范圍廣、 時間短、 限制少、 信息量大等特點(diǎn)， 能夠極大地提高工作效率， 節(jié)省人力財力， 快速提供大范圍的震害信息．

目前， 建筑物震害遙感損毀評估方法可分為多時相和單時相震害評估方法． 多時相震害評估方法受到數(shù)據(jù)獲取、 傳感器的重訪周期、 拍攝角度和時間等因素的影響， 實際應(yīng)用難度較大． 基于震后單時相數(shù)據(jù)的震害評估方法受制約則相對較小， 直接利用災(zāi)害發(fā)生后的遙感圖像進(jìn)行損毀建筑物目標(biāo)識別和評估已成為有效的技術(shù)手段(Dong, Shan, 2013)． 部分研究通過目視解譯獲得了災(zāi)害地區(qū)的房屋損毀情況(Yamazakietal， 2005; 雷莉萍等， 2010; 曾濤， 2010)， 但該方法人力物力耗費(fèi)較大， 時間周期長且效率不高． 計算機(jī)自動解譯方法可根據(jù)損毀建筑物的圖像表現(xiàn)特征， 利用光譜特征(Sumer, Turker, 2005)、 紋理特征(竇愛霞等, 2009; 曾招城等, 2011)、 形態(tài)學(xué)特征(郭華東等, 2009)等作為參數(shù)對圖像進(jìn)行分類， 此類方法通?；诿嫦?qū)ο蠓诸愃惴ㄟM(jìn)行損毀建筑物識別(王巖等， 2009; 張磊, 張景發(fā), 2009; 李方方等， 2011)； 然而目前的研究多基于單類特征來提取震害建筑物， 且通常此類方法的魯棒性很大程度上受圖像分割的準(zhǔn)確性影響， 在實際應(yīng)用中也存在一定的局限性． 隨著近年來基礎(chǔ)地理信息系統(tǒng)(geographic information system， 簡寫為GIS)數(shù)據(jù)的不斷完善， GIS數(shù)據(jù)在災(zāi)害信息提取中的應(yīng)用也愈加廣泛(Samadzadegan, Rastiveisi, 2008； Turker, Sumer, 2008; 王龍等, 2008)， 因此將信息更加豐富、 明確的GIS數(shù)據(jù)應(yīng)用于建筑物震害損毀評估中， 利用GIS數(shù)據(jù)與遙感圖像疊加分析的方法代替圖像分割， 可以達(dá)到準(zhǔn)確劃分建筑物群體邊界的目的．

2015年4月25日(北京時間)尼泊爾發(fā)生MS8.1地震， 震中位于(28.2°N， 84.7°E)， 震源深度約為20 km(中國地震臺網(wǎng)中心， 2015)． 此次地震造成了尼泊爾、 中國、 印度、 孟加拉等多國受災(zāi)， 共導(dǎo)致8849人死亡， 2萬2232人受傷， 同時， 還有90余萬座建筑物受損(Nepal Disaster Risk Reduction Portal, 2015)． 尼泊爾地震發(fā)生在喜馬拉雅地震帶上， 為低角度逆沖型單側(cè)破裂； 余震區(qū)呈WNW--ESE方向展布， 長軸約為170 km， 短軸約為60 km(薛艷等, 2015)． 這次強(qiáng)震波及珠穆朗瑪峰， 引發(fā)了雪崩、 滑坡、 泥石流、 冰湖等次生災(zāi)害， 致使中國、 尼泊爾等高海拔山區(qū)交通中斷(劉吉夫等, 2015)． 目前， 已經(jīng)開展了關(guān)于該地震烈度分布、 應(yīng)急救援、 震害損毀等方面的研究， 并取得了部分成果(亢川川, 陳鯤, 2015; 曲哲， 楊永強(qiáng)， 2015； 王巍, 陳虹, 2015; 王曉青等, 2015； 徐劍俠等, 2015)． 在已有研究中， 建筑物震害遙感信息的提取方法以人機(jī)交互為主， 且數(shù)據(jù)均源自國外遙感影像． 關(guān)于尼泊爾地震， 利用國產(chǎn)高分辨率衛(wèi)星數(shù)據(jù)， 進(jìn)行建筑物損毀信息計算機(jī)自動提取方法研究的較少．

本文將基于國產(chǎn)高分一號衛(wèi)星數(shù)據(jù)， 提出一種基于遙感圖像的建筑物震害損毀快速檢測方法， 將GIS數(shù)據(jù)與遙感圖像復(fù)合生成的建筑物街區(qū)作為基本處理單元， 根據(jù)不同損毀程度的建筑物在紋理特征和局部空間統(tǒng)計等關(guān)鍵特征參數(shù)的定量統(tǒng)計差異， 建立多特征分類模型， 并根據(jù)損毀狀況將各街區(qū)劃分為基本完好、 部分損毀和嚴(yán)重?fù)p毀等3種類別， 以此開展尼泊爾地震建筑物震害損毀檢測研究， 為地震快速救援提供輔助參考．

1 研究區(qū)及試驗數(shù)據(jù)

圖1 研究區(qū)高分一號衛(wèi)星遙感圖像及街區(qū)矢量數(shù)據(jù)Fig.1 GF-1 remote sensing image and block vector data of the studied area

研究區(qū)位于尼泊爾的巴克塔普爾市， 距加德滿都市中心20 km， 研究區(qū)內(nèi)建筑物大量受損． 基于我國自主研究的高分一號衛(wèi)星獲取的全色遙感圖像進(jìn)行建筑物震害損毀檢測， 遙感圖像的空間分辨率為2 m． 此外， 本文還從OpenStreetMap網(wǎng)站http:∥www.openstreetmap.org/獲取了研究區(qū)的道路矢量數(shù)據(jù)， 經(jīng)過ArcGIS軟件處理生成街區(qū)矢量數(shù)據(jù)． 研究區(qū)遙感圖像和街區(qū)矢量數(shù)據(jù)疊加結(jié)果如圖1所示．

2 建筑物震害遙感損毀檢測方法

本文基于高分一號衛(wèi)星遙感數(shù)據(jù)， 以街區(qū)為基本單元， 利用完好建筑物與損毀建筑物在遙感圖像中的差異， 提取街區(qū)圖像內(nèi)的多類特征參數(shù)， 綜合分析特征參數(shù)的定量統(tǒng)計結(jié)果， 按照不同損毀程度將街區(qū)分類， 提取建筑物震害損毀信息．

2.1 技術(shù)路線

本文建筑物震害損毀檢測流程包括以下3個步驟： ① 特征提?。?對震后遙感圖像進(jìn)行紋理特征分析和局部空間統(tǒng)計， 計算出紋理特征參數(shù)和局部空間自相關(guān)特征參數(shù)， 并分析不同損毀程度地區(qū)各特征參數(shù)的變化規(guī)律． ② 參數(shù)計算． 根據(jù)特征分析結(jié)果， 選擇典型的圖像特征， 計算得到特征圖像集， 并與街區(qū)矢量數(shù)據(jù)疊加， 進(jìn)行分區(qū)特征統(tǒng)計， 計算得到各街區(qū)的多類特征參數(shù)值． ③ 損毀檢測． 基于上述分析所得的多類特征參數(shù)， 對建筑物震害損毀情況進(jìn)行檢測， 將研究區(qū)內(nèi)的建筑物街區(qū)劃分為基本完好、 部分損毀和嚴(yán)重?fù)p毀等3個類別， 并結(jié)合研究區(qū)震害損毀參考數(shù)據(jù)對分類結(jié)果進(jìn)行精度評價． 該檢測方法的技術(shù)路線如圖2所示．

圖2 基于高分一號衛(wèi)星遙感圖像的建筑物震害損毀檢測技術(shù)路線Fig.2 The flow chart of damaged building detection based on GF-1 images

2.2 特征提取

對高分一號震后遙感圖像分析顯示， 在遙感圖像中建筑物受損后會喪失原有的規(guī)則幾何形態(tài)以及均一的光譜、 紋理特征等． 當(dāng)建筑物嚴(yán)重?fù)p毀時， 其規(guī)則外形輪廓圖案的圖像特征消失， 無完整的幾何形態(tài)和線狀紋理， 或不具有幾何外形圖像形態(tài)， 破損瓦礫為不同色調(diào)的雜亂斑點(diǎn)狀， 照射光線呈漫反射狀態(tài)， 外形圖案圖像凌亂， 輪廓圖像不清， 建筑物布局圖像消失， 相鄰街道或人行道被堵塞或無法辨認(rèn)； 當(dāng)建筑物部分損毀時， 建筑物的紋理韻律被打破， 損毀部分在圖像上呈暗色或黑色， 為無規(guī)則斑點(diǎn)狀， 原來規(guī)則的色調(diào)也產(chǎn)生變化， 建筑物間隔尚可辨認(rèn)． 不同損毀程度的建筑物震害特征影像如圖3所示．

為了準(zhǔn)確檢測震后建筑物的損毀信息， 需要找出能夠有效區(qū)分不同損毀程度建筑物區(qū)域的關(guān)鍵特征參數(shù)． 本文從震后高分一號衛(wèi)星遙感圖像中選取多處典型建筑物損毀區(qū)域特征進(jìn)行定量分析， 包括灰度共生矩陣紋理特征和局部空間自相關(guān)指數(shù)等參數(shù)． 分析結(jié)果表明， 不同損毀程度街區(qū)的對比度、 非相似性和局部莫蘭(Moran)指數(shù)I等3項特征參數(shù)具有明顯的差異性， 能夠用于檢測震后的損毀建筑物區(qū)域．

圖3 不同損毀程度的建筑物震害影像特征

2.2.1 紋理特征

灰度共生矩陣(grey-level co-occurrence matrix， 簡寫為GLCM)是一個用于描述圖像中的一個局部區(qū)域或整個區(qū)域相鄰像元或一定間距內(nèi)兩像元灰度值呈現(xiàn)某種關(guān)系的矩陣(Haralick, 1979)． 該矩陣能夠提供圖像灰度的方向、 間隔和變化幅度等信息， 但不能直接提供區(qū)別紋理的特性， 因此需要在灰度共生矩陣的基礎(chǔ)上提取用來定量描述紋理特征的統(tǒng)計屬性， 對比度(contrast)和非相似性(dissimilarity)即為其中兩種典型的特征統(tǒng)計量．

對比度的計算公式為

(1)

非相似性的計算公式為

(2)

式中： qk為灰度壓縮級別， 一般取64， 32或16； x和y為圖像灰度壓縮后的灰度值；p為共生矩陣；p(x, y)是在給定方向和空間距離后， 以灰度為x的像素為起點(diǎn)， 在搜索路徑中灰度為y的像素出現(xiàn)的頻次．

對比度能夠反映圖像中的局部灰度變化總量． 在圖像中， 若局部像素對的灰度值相差越大， 則圖像的對比度越大， 圖像的視覺效果越清晰． 非相似性與對比度類似， 但其值隨局部象素對的灰度值之差線性增加， 即局部對比度越高， 則非相似度也越大． 根據(jù)參數(shù)定義， 本文認(rèn)為： 在基本完好的建筑物街區(qū)中， 建筑物屋頂與地面存在顯著不同， 反差較大， 因此二者具有較高的對比度和非相似性； 而對于嚴(yán)重?fù)p毀區(qū)域， 建筑物遭到了嚴(yán)重破壞， 破損瓦礫與地面相互混雜， 難以區(qū)分， 具有最低的對比度和非相似性； 部分損毀區(qū)域則介于二者之間．

本文從尼泊爾地震后高分一號遙感圖像中選取了多處典型建筑物區(qū)域進(jìn)行紋理特征參數(shù)的定量統(tǒng)計分析， 對比度和非相似性參數(shù)的統(tǒng)計分析結(jié)果如圖4所示． 可以看出， 對比度和非相似性越高， 說明圖像視覺效果越清晰， 這與基本完好建筑物街區(qū)的圖像特征一致， 而嚴(yán)重?fù)p毀街區(qū)的兩參數(shù)值最低． 紋理特征參數(shù)統(tǒng)計分析結(jié)果與理論分析結(jié)果一致， 說明對比度和非相似性能夠有效地區(qū)分不同損毀程度的建筑物區(qū)域．

圖4 紋理特征參數(shù)的統(tǒng)計分析結(jié)果

2.2.2 局部空間自相關(guān)特征

在典型紋理特征分析的基礎(chǔ)上， 本文還引入了局部空間自相關(guān)統(tǒng)計參數(shù)即局部莫蘭指數(shù)I進(jìn)行特征分析． 該指數(shù)由Anselin(1995)提出， 主要用于探測空間地物聚集狀況， 當(dāng)其值大于數(shù)學(xué)期望并且有統(tǒng)計學(xué)意義時， 提示存在局部的正空間相關(guān)， 其計算公式為

(3)

式中：s2為空間權(quán)重矩陣內(nèi)屬性值的方差；d為間隔距離；w為空間權(quán)重矩陣， 一般只有0和1兩個值， 代表空間單元i與j之間的影響程度， 對于遙感圖像， 空間單元即為圖像像素點(diǎn)； i和j代表像素在圖像中的位置； cij為空間單元i和j的屬性值分別與間隔范圍內(nèi)平均屬性值差值的乘積．

圖5 局部莫蘭指數(shù)I統(tǒng)計分析結(jié)果Fig.5 The statistical analysis results of local Moran index I

基本完好建筑物區(qū)域內(nèi)的建筑物屋頂內(nèi)部像素間的相關(guān)性較大， 因此其局部空間自相關(guān)程度最高； 建筑物部分損毀區(qū)域的空間自相關(guān)程度次之； 而嚴(yán)重?fù)p毀的建筑物區(qū)域內(nèi)存在大量破損瓦礫， 灰度分布雜亂， 導(dǎo)致其局部空間自相關(guān)程度最低． 局部莫蘭指數(shù)I值越大， 表明該區(qū)域的空間自相關(guān)程度越高； 反之， 則表明該區(qū)域的空間自相關(guān)程度越低．

本文從尼泊爾地震后高分一號遙感圖像中選取多處典型建筑物區(qū)域進(jìn)行局部空間自相關(guān)特征參數(shù)的定量統(tǒng)計分析， 結(jié)果如圖5所示． 可以看出， 局部莫蘭指數(shù)I的定量統(tǒng)計結(jié)果與理論分析結(jié)果一致， 說明該指數(shù)能夠用于后續(xù)建筑物街區(qū)的損毀檢測．

2.3 參數(shù)計算與損毀檢測

在完成特征提取的基礎(chǔ)上， 計算對應(yīng)的特征圖像集， 并將其與建筑物街區(qū)矢量數(shù)據(jù)進(jìn)行疊加， 利用ArcGIS空間分析工具箱中的分區(qū)統(tǒng)計工具(zonal statistics)計算各街區(qū)內(nèi)不同特征參數(shù)的均值， 將多個特征的統(tǒng)計計算結(jié)果作為該街區(qū)的特征向量用于建筑物震害損毀檢測． 建立多特征分類模型， 對上述特征參數(shù)的統(tǒng)計結(jié)果進(jìn)行分類， 得到建筑物損毀檢測結(jié)果． 最后， 將檢測結(jié)果與建筑物損毀參考結(jié)果進(jìn)行對比， 以檢驗本文方法的精度．

2.4 試驗結(jié)果及分析

在對震害建筑物遙感圖像特征進(jìn)行分析的基礎(chǔ)上， 本文以尼泊爾地震高分一號全色遙感圖像為數(shù)據(jù)源進(jìn)行建筑物震害損毀檢測， 以檢驗本文方法的有效性和適用性． 完成遙感圖像目標(biāo)特征分析后， 計算得到的特征圖像集如圖6所示．

圖6 特征圖像集

將特征圖像集與建筑物街區(qū)矢量數(shù)據(jù)進(jìn)行疊加， 計算各街區(qū)內(nèi)的不同特征參數(shù)值， 將計算結(jié)果作為該街區(qū)的特征向量進(jìn)行分類， 得到建筑物損毀檢測結(jié)果如圖7所示．

圖7 建筑物損毀檢測試驗結(jié)果

檢測結(jié)果參考結(jié)果中各類損毀目標(biāo)的數(shù)量嚴(yán)重?fù)p毀部分損毀基本完好合計嚴(yán)重?fù)p毀5229部分損毀228131基本完好15410合計835750生產(chǎn)者精度62.50%80.00%57.14%用戶精度55.56%90.32%40.00%總體精度74.00%

將本文得到的損毀檢測試驗結(jié)果與聯(lián)合國訓(xùn)練研究所發(fā)布的尼泊爾地震在研究區(qū)的遙感解譯結(jié)果(United Nations Institute for Training and Research, 2015)進(jìn)行對比， 參考地震災(zāi)害遙感評估行業(yè)標(biāo)準(zhǔn)， 將街區(qū)損毀程度歸類為3個級別， 即嚴(yán)重?fù)p毀(存在大量嚴(yán)重受損建筑物)、 部分損毀(存在少量嚴(yán)重受損建筑物和部分受損建筑物)和基本完好(基本不存在受損建筑物)． 對比結(jié)果表明， 本文方法正確地檢測出了37個街區(qū)的建筑物損毀信息， 總體精度可達(dá)70%以上， 具體精度評價結(jié)果列于表1． 可以看出： 對于部分損毀建筑物區(qū)域的檢測精度較高， 生產(chǎn)者精度和用戶精度均達(dá)80%以上； 但有一些嚴(yán)重?fù)p毀的建筑物區(qū)域被誤分成了部分損毀區(qū)域， 致使其精度相對較低； 另外， 還存在部分損毀與嚴(yán)重?fù)p毀建筑物區(qū)域混淆的情況．

3 討論與結(jié)論

震后高分辨率遙感圖像對于提取災(zāi)害信息和評估地震損失具有重大意義． 高分一號衛(wèi)星是我國自主研制的高分辨率對地觀測衛(wèi)星， 提供了大量優(yōu)質(zhì)的高分辨率衛(wèi)星遙感數(shù)據(jù)， 具有極高的使用價值和應(yīng)用前景． 本文提出了一種基于高分一號衛(wèi)星遙感圖像的多特征建筑物震害損毀檢測方法， 將GIS數(shù)據(jù)提供的街區(qū)信息作為先驗知識， 計算出各街區(qū)對應(yīng)的特征參數(shù)， 并分類得到震害損毀檢測結(jié)果， 將建筑物街區(qū)分為嚴(yán)重?fù)p毀、 部分損毀和基本完好等3種類別． 然后， 以尼泊爾地震后的高分一號全色遙感圖像為例， 開展了街區(qū)震害損毀檢測． 檢測結(jié)果與實際調(diào)查情況的對比表明， 本文方法的總體精度可達(dá)70%以上， 能夠較準(zhǔn)確地檢測出震后建筑物損毀信息， 可為高分衛(wèi)星數(shù)據(jù)在震害信息提取方面的應(yīng)用提供技術(shù)參考與方法借鑒．

本文在進(jìn)行建筑物震害損毀檢測時， 主要利用了基于統(tǒng)計的紋理特征和局部空間自相關(guān)特征， 在后續(xù)的研究當(dāng)中， 將深入分析不同損毀程度建筑區(qū)之間更多的特征差異， 從而提高損毀檢測精度． 由于數(shù)據(jù)源有限， 本文僅對單景高分一號遙感圖像進(jìn)行了建筑物損毀檢測試驗， 若今后能夠獲取更多數(shù)據(jù)， 將會進(jìn)一步開展試驗， 以驗證本文方法的通用性． 此外， 本文只利用了高分一號衛(wèi)星的全色波段圖像， 對遙感數(shù)據(jù)光譜信息挖掘不夠， 后續(xù)研究中將增加多光譜數(shù)據(jù)， 更準(zhǔn)確地提取災(zāi)后建筑物震害信息．

感謝中國地震局地震預(yù)測研究所王曉青研究員和竇愛霞副研究員對本文工作的指導(dǎo)， 感謝高分觀測專項辦公室提供高分一號衛(wèi)星遙感圖像．

陳文凱. 2007. 面向震害評估的遙感應(yīng)用技術(shù)研究[D]. 蘭州: 中國地震局蘭州地震研究所： 2--8.

Chen W K.ResearchofRemoteSensingApplicationTechnologyBasedonEarthquakeDisasterAssessment[D]. Lanzhou: Lanzhou Institute of Seismology， China Earthquake Administration： 2--8 (in Chinese).

竇愛霞, 王曉青, 丁香, 杜則程. 2009. 遙感圖像震害特征組合增強(qiáng)模型及其算法實現(xiàn)[J]. 震災(zāi)防御技術(shù), 4(4): 373--379.

Dou A X, Wang X Q, Ding X, Du Z C. 2009. A combinatorial image enhancement model for earthquake disaster assessment[J].TechnologyforEarthquakeDisasterPrevention, 4(4): 373--379 (in Chinese).

郭華東, 鹿琳琳, 馬建文, Martino Pesaresi, 苑方艷. 2009. 一種改進(jìn)的地震災(zāi)害倒塌房屋遙感信息自動識別方法[J]. 科學(xué)通報, 54(17): 2581--2585.

Guo H D, Lu L L, Ma J W, Pesaresi M, Yuan F Y. 2009. An improved automatic detection method for earthquake-collapsed buildings for ADS40 image[J].ChinaScienceBulletin, 54(17): 2581--2585 (in Chinese).

亢川川, 陳鯤. 2015. 2015年4月25日尼泊爾MS8.1地震應(yīng)急科技產(chǎn)品[J]. 國際地震動態(tài), (5): 1--4.

Kang C C, Chen K. 2015. Earthquake emergency products of science and technology for April 25, 2015 NepalMS8.1 earthquake[J].RecentDevelopmentsinWorldSeismology, (5): 1--4 (in Chinese).

雷莉萍, 劉良云, 張麗, 畢建濤, 吳艷紅, 焦全軍, 張文娟. 2010. 汶川地震房屋倒塌的遙感監(jiān)測與分析[J]. 遙感學(xué)報, 14(2): 333--344.

Lei L P, Liu L Y, Zhang L, Bi J T, Wu Y H, Jiao Q J, Zhang W J. 2010. Assessment and analysis of collapsing houses by aerial images in the Wenchuan earthquake[J].JournalofRemoteSensing, 14(2): 333--344 (in Chinese).

李方方, 馬超, 張桂芳, 郭增長. 2011. 面向?qū)ο蠓诸惖恼饏^(qū)建筑物損害快速評估[J]. 河南理工大學(xué)學(xué)報: 自然科學(xué)版, 30(1): 55--60.

Li F F, Ma C, Zhang G F, Guo Z Z. 2011. Rapid assessment of earthquake damage to buildings based on object-oriented classification[J].JournalofHenanPolytechnicUniversity:NaturalScience, 30(1): 55--60 (in Chinese).

劉吉夫, 石瑤, 鄧志飛. 2015. 2015年4月25日尼泊爾8.1級特大地震科學(xué)問題探討[J]. 地震地磁觀測與研究, 36(6): 8--13.

Liu J F, Shi Y, Deng Z F. 2015. Several scientific problems revealed from 2015 great earthquake in Nepal[J].SeismologicalandGeomagneticObservationandResearch, 36(6): 8--13 (in Chinese).

柳稼航, 楊建峰, 魏成階, 關(guān)澤群. 2005. 震害信息遙感獲取技術(shù)歷史、 現(xiàn)狀和趨勢[J]. 自然災(zāi)害學(xué)報, 13(6): 46--52.

Liu J H, Yang J F, Wei C J, Guan Z Q. 2005. Acquisition of earthquake damage information based on remote sensing technology: History, current situation and trend[J].JournalofNaturalDisasters, 13(6): 46--52 (in Chinese).

曲哲, 楊永強(qiáng). 2015. 尼泊爾自建民居在2015年地震序列中的震害[J]. 地震工程與工程振動, 35(4): 51--59.

Qu Z, Yang Y Q. 2015. Seismic damages to owner-built dwellings in the 2015 earthquake sequence in Nepal[J].EarthquakeEngineeringandEngineeringDynamics, 35(4): 51--59 (in Chinese).

王龍, 王曉青, 丁香, 竇愛霞. 2008. 基于遙感和GIS的建筑物震害損失評估方法研究與實現(xiàn)[J]. 地震, 27(4): 77--83.

Wang L, Wang X Q, Ding X, Dou A X. 2008. Study on loss assessment of construction earthquake damage based on remote sensing and GIS[J].Earthquake, 27(4): 77--83 (in Chinese).

王巍, 陳虹. 2015. 尼泊爾地震災(zāi)害及應(yīng)急救援[J]. 國際地震動態(tài), (5): 15--21.

Wang W, Chen H. 2015. Disaster of Nepal earthquake and the emergency rescue[J].RecentDevelopmentsinWorldSeismology, (5): 15--21 (in Chinese).

王曉青, 黃樹松, 丁香, 崔麗萍, 竇愛霞, 李旖雯. 2015. 尼泊爾8.1級地震建筑物震害遙感提取與分析[J]. 震災(zāi)防御技術(shù), 10(3): 481--490.

Wang X Q, Huang S S, Ding X, Cui L P, Dou A X, Li Y W. 2015. Extraction and analysis of building damage caused by NepalMS8.1 earthquake from remote sensing images[J].TechnologyforEarthquakeDisasterPrevention, 10(3): 481--490 (in Chinese).

王巖, 王曉青, 竇愛霞. 2009. 面向?qū)ο筮b感分類方法在汶川地震震害提取中的應(yīng)用[J]. 地震, 29(3): 54--60.

Wang Y, Wang X Q, Dou A X. 2009. Building damage detection of the 2008 Wenchuan, China earthquake based on object-oriented classification method[J].Earthquake, 29(3): 54--60 (in Chinese).

徐劍俠, 張振國, 戴文杰, 張偉, Naveed Akram, 文健, 陳曉非. 2015. 2015年4月25日尼泊爾地震波場傳播及烈度初步模擬分析[J]. 地球物理學(xué)報, 58(5): 1812--1817.

Xu J X, Zhang Z G, Dai W J, Zhang W, Akram N, Wen J, Chen X F. 2015. Preliminary simulation of seismic wave propagation and the intensity map for the 25 April 2015 Nepal earthquake[J].ChineseJournalofGeophysics, 58(5): 1812--1817 (in Chinese).

薛艷, 劉杰, 劉雙慶, 王熠熙, 楊文. 2015. 2015年尼泊爾MS8.1與MS7.5級地震活動特征[J]. 科學(xué)通報, 60(36): 3617--3626.

Xue Y, Liu J, Liu S Q, Wang Y X, Yang W. 2015. Seismic activity of the 2015 NepalMS8.1 andMS7.5 earthquakes[J].ChinaScienceBulletin, 60(36): 3617--3626 (in Chinese).

曾濤. 2010. 汶川地震重災(zāi)區(qū)多源影像處理及震害信息提取方法研究[D]. 成都: 成都理工大學(xué): 12--13.

Zeng T. 2010.MethodsofMulti-SensorsRSImageProcessingandEarthquakeDamageInformationExtractionfortheWenchuanEarthquakeHit-Area[D]. Chengdu: Chengdu University of Technology: 12--13 (in Chinese).

曾招城, 李利偉, 王正海, 雷莉萍. 2011. 基于監(jiān)督分類的震后高分辨率影像倒塌房屋快速識別[J]. 遙感信息, 25(5): 76--80.

Zeng Z C, Li L W, Wang Z H, Lei L P. 2011. Fast extraction of collapsed buildings in post-earthquake high-resolution images using supervised classification[J].RemoteSensingInformation, 25(5): 76--80 (in Chinese).

張磊, 張景發(fā). 2009. 基于面向?qū)ο蠓诸惖慕ㄖ锏顾视嬎惴椒ㄑ芯縖J]. 地震, 29(Z1): 139--145.

Zhang L, Zhang J F. 2009. Research on the ratio of collapsed buildings based on object-oriented classification[J].Earthquake, 29(Z1): 139--145 (in Chinese).

中國地震臺網(wǎng)中心. 2015. 尼泊爾8.1級地震[EB/OL]. [2015-04-25]. http:∥news.ceic.ac.cn/CC20150425141126.html.

China Seismic Networks Center. 2015. NepalMS8.1 earthquake[EB/OL]. [2015-04-25]. http:∥news.ceic.ac.cn/CC20150425141126.html (in Chinese).

Anselin L. 1995. Local indicators of spatial association: LISA[J].GeogrAnal, 27(2): 93--115.

Dong L, Shan J. 2013. A comprehensive review of earthquake-induced building damage detection with remote sensing techniques[J].ISPRSJPhotogramm, 84: 85--99.

Haralick R M. 1979. Statistical and structural approaches to texture[J].ProcIEEE, 67(5): 786--804.

Nepal Disaster Risk Reduction Portal. 2015. Nepal earthquake 2015: Disaster relief and recovery information platform (NDRRIP)[EB/OL]. [2015-04-25]. http:∥drrportal.gov.np/.

Samadzadegan F, Rastiveisi H. 2008. Automatic detection and classification of damaged buildings, using high resolution satellite imagery and vector data[C]∥TheInternationalArchivesofthePhotogrammetry,RemoteSensingandSpatialInformationSciences， Vol.37. Beijing: XXIst ISPRS Congress: 415--420.

Sumer E, Turker M. 2005. Building damage detection from post-earthquake aerial imagery using building grey-value and gradient orientation analyses[C]∥RecentAdvancesinSpaceTechnologies, 2005，Proceedingsof2ndInternationalConference. Istanbul: IEEE： 577--582.

Turker M, Sumer E. 2008. Building-based damage detection due to earthquake using the watershed segmentation of the post-event aerial images[J].IntJRemoteSens, 29(11): 3073--3089.

United Nations Institute for Training and Research. 2015. Damage assessment of Bhaktapur, Kathmandu Valley, Nepal[EB/OL]. [2015-04-30]. http:∥www.unitar.org/unosat/node/44/2205?utm_source=unosat-unitar&utm_medium=rss&utm_campaign=maps.

Yamazaki F, Yano Y, Matsuoka M. 2005. Visual damage interpretation of buildings in Bam city using QuickBird images following the 2003 Bam, Iran, earthquake[J].EarthqSpectra, 21(S1): 329--336.

Damaged building detection based on GF-1 satellite remote sensing image: A case study for NepalMS8.1 earthquake

(InstituteofRemoteSensingandGIS,PekingUniversity,Beijing100871,China)

The damaged buildings caused by an earthquake present different image features from that of the intact buildings, therefore the building damage information could be distinguished from a variety of target features. From this point of view, this paper proposed an approach for building damage detection by utilizing various features of the building blocks. Taking the GF-1 satellite image of the NepalMS8.1 earthquake occurred in 2015 as an example, this paper utilized blocks information provided by the GIS data, and classified the building blocks in the studied area into three categories of the intact, partly damaged and seriously destroyed, on the basis of the quantitative analysis results about texture features of remote sensing image and local spatial statistics of the building blocks. The test results demonstrated that the indicative key parameters extracted in this paper could effectively demonstrate the image characteristics of the damaged building, so that we can effectively conduct the classification and detection of building damage information caused by earthquakes with the proposed detection method in this paper. Also, it could provide guidance for earthquake emergency rescue, and it provides technical experiences and

for the building damage detection using the GF-1 data with independent intellectual property rights in our country.

GF-1 satellite; earthquake; building damage detection; remote sensing image

高分辨率對地觀測系統(tǒng)重大專項(31-Y30B09-9001-13/15)資助.

2015-12-28收到初稿， 2016-02-25決定采用修改稿.

e-mail: qmqinpku@163.com

10.11939/jass.2016.03.015

P315.9

A

葉昕， 王俊， 秦其明. 2016. 基于高分一號衛(wèi)星遙感圖像的建筑物震害損毀檢測研究----以2015年尼泊爾MS8.1地震為例. 地震學(xué)報, 38(3): 477--485. doi:10.11939/jass.2016.03.015.

Ye X, Wang J, Qin Q M. 2016. Damaged building detection based on GF-1 satellite remote sensing image: A case study for NepalMS8.1 earthquake.ActaSeismologicaSinica, 38(3): 477--485. doi:10.11939/jass.2016.03.015.