杜浩國 林旭川 張建國 杜浩標 張方浩 杜竹泉 盧永坤 代博洋

1)云南省地震局，昆明 650224 2)中國地震局工程力學研究所，哈爾濱 150080 3)中國人民解放軍31663部隊，昆明 650224 4)迪慶州藏文中學，迪慶 674400 5)中國地震應急搜救中心，北京 100049

0 引言

政府和社會對地震災情獲取的時效性要求越來越高，而遙感作為地震災情獲取的重要手段之一，在地震應急救援、 地震災害損失評估工作中發(fā)揮著越來越重要的作用(Linetal.，2015)。 無人機遙感技術(shù)的發(fā)展，使得快速獲取較大范圍內(nèi)的建筑物信息成為可能，避免了人力資源需求大、 數(shù)據(jù)采集格式不一、 自動化識別程度低和信息更新不及時等問題(張景發(fā)等，2017； 杜浩國等，2019)。 本文結(jié)合人工智能蟻群算法提出一種基于改進蟻群算法的遙感影像震害識別新方法，該方法屬于半監(jiān)督式識別方法，能在震后對大面積損壞的建筑物進行快速震害識別，為地震災害損失評估工作提供高效精確的數(shù)據(jù)支持(Lietal.，2009)。

近年來，學者們提出了一系列基于遙感高分辨率影像的建筑物震害識別方法，可分為監(jiān)督式、 非監(jiān)督式和半監(jiān)督式3種。 采用監(jiān)督式識別方法識別建筑物震害信息往往需要預先構(gòu)建訓練樣本及提供先驗知識。 Guo等(2011)利用多光譜遙感數(shù)據(jù)提取了2011年3月11日日本福島東部海域7.3級地震中巖手縣、 宮城縣和福島縣等嚴重受災地區(qū)的建筑和農(nóng)場的矢量數(shù)據(jù)，通過疊加地震烈度和建筑物的分布評估建筑物的損壞程度； 宋平等(2016)提出基于現(xiàn)場調(diào)查的地震災害損失預評估，以現(xiàn)場調(diào)查的建筑物類型和比例為修正依據(jù)，與實際歷史地震造成的地震災害損失對比進行震害損失評估； 郭建興等(2020)提出了一種利用遙感影像與居民地建筑數(shù)據(jù)評估地震烈度的方法，通過構(gòu)建居民地房屋倒塌率與地震烈度之間的關(guān)系模型，利用高分辨率遙感影像解譯居民地房屋的倒塌率。 非監(jiān)督式震害識別方法主要有3種。 第1種為基于紋理特征的震害提取方法。 Hu等(2019)提出了基于CHRIS高光譜圖像的濱海濕地分類的全連通8層特征深度學習分類方法，將光譜特征與多空間紋理特征信息相結(jié)合應用于黃河河口濱海濕地。 李強等(2018)針對震后強度圖像變化復雜無規(guī)律、 紋理特征參數(shù)繁多且難優(yōu)選的問題，提出了基于紋理特征主成分變換的相關(guān)性變化檢測方法，對不同震害程度建筑物的分布進行檢測。 張景發(fā)等(2018)選取了2i495個建筑區(qū)樣本點，基于圖像紋理信息熵的相關(guān)性分析對重點村鎮(zhèn)目標進行變化檢測處理，獲得了各村鎮(zhèn)建筑物的破壞程度及其趨勢。 第2種為基于幾何特征的震害提取方法。 游永發(fā)等(2019)在綜合考慮影像光譜、 幾何與上下文特征的基礎(chǔ)上，提出了一種基于面向?qū)ο笈c形態(tài)學的高分辨率遙感影像建筑物信息分級提取方法。 劉瑩等(2017)充分利用高分辨率遙感影像提供的細節(jié)信息，提出了一種圖割框架下融合形狀、 邊緣、 角點等多種類型特征的損毀建筑物檢測方法。 第3種為基于輔助特征的震害提取方法，其中輔助特征包括LiDAR建筑物點云、 建筑物DSM和DEM、 陰影信息等。 Guo等(2021)通過天空視因子(SVF)分析機載激光雷達DEM衍生品，以評估激光雷達技術(shù)在中國西南山區(qū)地質(zhì)災害識別中的性能。 此外，基于天空視因子(SVF)生成的精準三維地形圖，使準確解釋地質(zhì)災害特征成為可能。 鄧飛等(2018)利用從機載激光雷達點云中提取出的建筑物點云，實現(xiàn)了災區(qū)建筑物的震害識別。 范熙偉等(2017)利用基于攝影測量原理獲得了研究區(qū)的數(shù)字表面模型(Digital Surface Model，DSM)、 數(shù)字高程模型(Digital Elevation Model，DEM)和數(shù)字正射影像數(shù)據(jù)，提出基于攝影測量技術(shù)的房屋提取方法。 半監(jiān)督識別方法是監(jiān)督識別與非監(jiān)督識別相結(jié)合的一種提取方法。 半監(jiān)督式震害識別方法中，Wang等(2020)針對高光譜圖像(HSI)數(shù)據(jù)獲取困難、 不同HSI特征分布不一致的問題，提出了一種半監(jiān)督異構(gòu)域自適應CycleGan(UHDAC)算法，該算法可以在缺乏相似數(shù)據(jù)的情況下捕獲可轉(zhuǎn)移特征。 張凌等(2019)提出基于馬爾科夫隨機場的單時相震害影像的受損建筑物識別方法。 何曼蕓等(2017)融合LiDAR和航空影像2種數(shù)據(jù)源，提出了改進頂帽變換及局部二進制模式(LBP)高程紋理分析的建筑物提取算法。 井然等(2020)提出一種基于多尺度SLIC-GMRF和FCNSVM的建筑物識別方法，提高了高分辨率遙感影像建筑物提取能力。 半監(jiān)督學習在使用標記數(shù)據(jù)的同時，也使用了大量的未標記數(shù)據(jù)，既可減少人工投入，又能夠保證較高的準確性，因此日益受到人們的重視。

綜上所述，當前主要災害評估手段可分為3種： 1)人工目視解譯調(diào)查，該方法通過人工對影像中的建筑物進行震害等級劃分，避免了人工實地調(diào)查帶來的風險，但人為進行影像震害識別將花費大量時間，且需要人工短時間內(nèi)處理大量建筑物震害信息，可能導致建筑物震害判別標準不統(tǒng)一。 2)基于衛(wèi)星遙感影像震害識別，此類方法以震后衛(wèi)星遙感影像為基礎(chǔ)，根據(jù)影像中嚴重倒塌建筑物的紋理、 亮度等特征進行震害識別，但由于衛(wèi)星影像的偏移、 分辨率低、 時效性差等問題，導致很難識別建筑物屋頂輕微梭瓦和開裂現(xiàn)象。 3)基于機器學習的無人機高分辨率影像震害識別。 近年來，無人機遙感技術(shù)的發(fā)展，使得快速獲取大范圍建筑物信息成為可能，將無人機獲取的高分辨率影像與機器學習算法相結(jié)合，既可以減少人工的投入，又能夠保證較高的準確率，因此日益受到人們的重視。 本文在遙感影像半監(jiān)督識別方法的基礎(chǔ)上，結(jié)合機器學習算法，提出基于改進蟻群算法與無人機影像的震害識別方法，并在2021年5月21日漾濞6.4級地震的地震應急與損失評估中進行應用，對方法的有效性進行驗證。

1 蟻群算法的基本原理

蟻群優(yōu)化算法是基于螞蟻覓食的原理設(shè)計出的一種群集智能算法。 螞蟻在覓食過程中能夠在其經(jīng)過的路程上留下一種被稱為信息素的物質(zhì)，并在覓食過程中感知這種物質(zhì)的強度，指導行動方向。 螞蟻總是朝著該物質(zhì)強度高的方向移動，因此大量螞蟻組成的集體覓食就表現(xiàn)為一種對信息素的正反饋現(xiàn)象(杜浩國等，2021； Zhangetal.，2021)。 當某一震害特征被選中時，選取此特征的螞蟻就會越來越多，其信息素遺留也就越多，信息素的濃度也就越高，螞蟻選擇這一震害特征的幾率就越高，由此構(gòu)成正反饋過程，從而逐漸逼近最優(yōu)的震害提取規(guī)則。

在初始時刻，將m只螞蟻隨機放置于影像中，影像上的每棟建筑物震害信息素初始值相等，設(shè)τij(0)=τ0為信息素初始值，其中τ0=m/Lm，Lm是由最鄰近啟發(fā)式方法構(gòu)造的震害等級。 其次，螞蟻k=(k=1，2，…，m) 按照隨機比例規(guī)則選擇下一步要選擇的震害識別規(guī)則，其選擇概率公式為

(1)

其中，τij為區(qū)域(i，j)上的信息素，ηij=1/dij為從區(qū)間i轉(zhuǎn)移到區(qū)間j的啟發(fā)式因子，allowedk為螞蟻k下一步被允許訪問的震害識別規(guī)則集合。

當螞蟻完成1次循環(huán)后，清空禁忌表，對識別規(guī)則再進行重新選擇，準備下次周游。 信息素的更新公式為

(2)

(3)

2 數(shù)據(jù)預處理與改進的蟻群算法

2.1 數(shù)據(jù)預處理

本文將蟻群算法引入遙感影像建筑物震害識別中，基于改進蟻群算法的高分辨率影像震害識別流程如圖 1 所示。 將蟻群算法應用于遙感影像震害識別可分為3個步驟： 1)螞蟻隨機選擇1條路徑，并在路徑上重復選擇屬性節(jié)點，構(gòu)造1條完整的路徑，即某一地物的1條識別規(guī)則； 2)優(yōu)化識別規(guī)則，移去多余不相關(guān)的屬性節(jié)點，避免識別規(guī)則對樣本的過度擬合； 3)更新所有節(jié)點的信息素數(shù)據(jù)，對比每條路徑上的信息素濃度，選出最優(yōu)識別規(guī)則。

圖1 基于改進蟻群算法的高分辨率影像震害識別流程圖Fig. 1 The flowchart of earthquake damage identification based on improved ant colony algorithm.

定義蟻群搜索路徑為屬性節(jié)點和類節(jié)點的連線，其中屬性節(jié)點最多只出現(xiàn)一次且必須有類節(jié)點，屬性節(jié)點對應遙感影像識別的特征值，如圖 2 所示，每條路徑對應1條完整的識別規(guī)則。

圖2 識別規(guī)則對應的路徑Fig. 2 Route corresponding to classification rule.

建筑物震害識別規(guī)則代碼為

Ifthen

代碼中，termi為條件項，條件項用<波段，操作符，波段的值>表示，規(guī)則結(jié)論(then部分)則定義了建筑物樣本震害識別等級。 在對遙感影像中的建筑物進行震害識別時，需要對數(shù)據(jù)進行離散化處理； 然后從一條空路徑開始重復選擇路徑節(jié)點，直到搜索到一條完整路徑，即規(guī)則構(gòu)造，之后對搜索的規(guī)則進行優(yōu)化和刪減，最后得到一條最優(yōu)的建筑物震害識別路徑規(guī)則，并作為下一只螞蟻搜索震害規(guī)則的對比條件。

2.2 優(yōu)化算子改進

為了較快獲取識別規(guī)則，提高螞蟻搜索震害識別規(guī)則的質(zhì)量和效率，將優(yōu)化算子引入到蟻群算法中。 優(yōu)化算子在算法中對規(guī)則進行比較以及修剪，不斷提高規(guī)則質(zhì)量，優(yōu)化算子算法描述如下：

∥初始化信息濃度

double choose=((double)rand())/(RAND MAX)∥螞蟻隨機選擇屬性節(jié)點∥

RuleA; (term(ij)and term(ij)or term(ij))； ∥隨機選擇一條完整的震害識別規(guī)則A∥

RuleB; (term(ij)and term(ij)or term(ij))； ∥隨機選擇一條完整的震害識別規(guī)則B∥

RuleB=RuleAterm(ij)-term(ik)，其中j≠k； ∥確保選擇的規(guī)則不相同∥

if(QA>QB)return RuleA; ∥如果規(guī)則A的質(zhì)量高于規(guī)則B的質(zhì)量，則選擇規(guī)則A∥

Else return RuleB; ∥否則選擇規(guī)則B∥

程序中，RuleB=RuleAterm(ij)-term(ik)表示RuleB是由用term(ik)代替RuleA中的term(ij)而得到的；QA為RuleA的有效性，QB為RuleB的有效性。

2.3 信息素濃度改進

盡管信息素濃度過快增長有利于最優(yōu)震害提取規(guī)則快速收斂，但也會遺漏一些潛在的規(guī)則，導致最終的結(jié)果不是全局最優(yōu)解，而是局部最優(yōu)解。 為了防止信息素濃度增長過快，對信息素濃度增加項進行優(yōu)化。 式(4)為蟻群算法信息素增長數(shù)學模型，式(5)為信息素濃度增長抑制參數(shù)的數(shù)學模型，式(6)為改進信息素濃度增長速度的蟻群算法，經(jīng)改進的信息素更新濃度加快了算法的收斂，能進行大范圍震害規(guī)則的提取。

τij(t+1)=(1-ρ)τij(t)+Qτij(t)

(4)

(5)

τij(t+1)=(1-ρ)τij(t)+pτij(t)

(6)

式中，Δτij(t)為條件屬性節(jié)點的信息素濃度，當蟻群優(yōu)化算法開始運行時，初始化所有節(jié)點的信息素濃度，并取相同值；P為信息素濃度增長抑制參數(shù)；Q為震害識別規(guī)則的有效性；ρ信息素揮發(fā)因子，一般取0<ρ<1。

將被螞蟻選中的節(jié)點加入到路徑規(guī)則中，直到得到一條震害識別規(guī)則，式(7)為震害識別規(guī)則有效性計算方法：

(7)

式中，TurePos為滿足規(guī)則條件且和規(guī)則預測類型相同的樣本數(shù)；TruePos為滿足規(guī)則條件且和規(guī)則預測類型不同的樣本數(shù)；FalseNeg為不滿足規(guī)則條件且和規(guī)則預測類型相同的樣本數(shù)；TrueNeg為不滿足規(guī)則條件且和規(guī)則預測類型不同的樣本數(shù)。

以下為信息素改進的更新算法： 首先，以多尺度分割后的像元為屬性節(jié)點，對訓練樣本進行最優(yōu)規(guī)則的搜尋； 然后，根據(jù)找出的最優(yōu)震害識別規(guī)則路徑更新信息素，質(zhì)量高的規(guī)則信息素不斷增加，質(zhì)量差的規(guī)則信息素不斷減少； 最后，將最優(yōu)規(guī)則搜尋算法循環(huán)10次，選取最優(yōu)震害識別規(guī)則。 以下為最優(yōu)核心代碼：

If(mone==1)∥螞蟻經(jīng)過的屬性節(jié)點是否被選中，選中為1，未選中為0∥

{mone[ij]=(1-ρ)*mone[ij]+p*mone[ij]; mone[ij]=(mone[ij]>0.9)？0.9: mone[ij];}

∥未被選中，信息素減少，螞蟻下一次循環(huán)搜索時，該規(guī)則將不會被選中； *為乘號∥

{mone[ij]=(1-ρ)*mone[ij]; mone[ij]=(mone[ij]<0.1)？0.1:mone[ij];}

∥mone為信息素，ρ為信息素揮發(fā)系數(shù)，p為信息素增長抑制參數(shù)∥

3 區(qū)域震害提取試驗

3.1 漾濞地震概況及遙感影像

根據(jù)中國地震臺網(wǎng)測定，5月21日21時48分34秒在云南省漾濞縣發(fā)生6.4級地震，震源深度8km，試驗的數(shù)據(jù)是2021年5月22日10時獲取的漾濞縣城的無人機高分辨率影像，選擇波段為1—4波段，圖3a為1—4波段合成的影像圖。 輔助參考數(shù)據(jù)為該研究區(qū)域的DSM(數(shù)字表面模型)，如圖3b所示。 表1 為多光譜影像采集設(shè)備參數(shù)。

圖3 a 漾濞縣城無人機影像圖； b 漾濞縣城數(shù)字表面模型Fig. 3 The UAV image(a) and the DSM(b) of Yangbi county seat.

表1 多光譜影像采集設(shè)備參數(shù)

訓練樣本的選擇是蟻群算法的關(guān)鍵，直接關(guān)系到建筑物震害識別規(guī)則的質(zhì)量。 通過實地調(diào)查，采用分層隨機采樣的方法獲取訓練樣本和驗證數(shù)據(jù)集。 如表2 所示，漾濞6.4級地震中確定的建筑物震害為嚴重破壞、 中等破壞、 輕微破壞、 無破壞4個等級，訓練數(shù)據(jù)集的樣本數(shù)為1i680，驗證數(shù)據(jù)集的樣本數(shù)2i048。 圖 4 為部分訓練樣本的實地調(diào)研影像。

表2 訓練樣本和驗證樣本

圖4 部分訓練樣本的實地調(diào)研影像Fig. 4 The field survey images of some training samples.

3.2 震害識別規(guī)則挖掘與試驗結(jié)果

改進的蟻群算法在搜尋震害識別規(guī)則時，將離散化后的各波段值作為螞蟻路徑上的屬性節(jié)點，將識別的震害等級作為螞蟻路徑最終的類節(jié)點，屬性節(jié)點與類節(jié)點構(gòu)成一條完整的震害識別規(guī)則。 圖 5 為部分訓練樣本震害規(guī)則提取，圖 6 為1i680個訓練樣本的平均灰度值與建筑物數(shù)量統(tǒng)計。 試驗首先采用基于遙感影像邊緣檢測的多尺度分割方法，對建筑物屋頂破壞進行邊緣檢測，如圖5a所示，受損的建筑物屋頂具備不規(guī)則形狀以及多形狀聚集的特征(Xieetal.，2018； Heetal.，2020)，然后利用改進的蟻群算法搜索建筑物震害識別規(guī)則。 本文中蟻群算法規(guī)則挖掘算法是在Visual Studio 2008環(huán)境中用C#語言編程實現(xiàn)的，此次試驗利用改進的蟻群優(yōu)化算法搜索到20條震害識別規(guī)則，利用蟻群算法搜索到36條震害識別規(guī)則，具體如表3 所示。 將所搜索的規(guī)則應用于試驗區(qū)進行震害識別，得到識別結(jié)果，如圖7a和7d所示。 同時，采用相同的訓練樣本利用最大似然法對試驗區(qū)進行震害識別，結(jié)果如圖7c所示。 圖7d為后期對試驗區(qū)影像進行目視解譯與實地調(diào)研結(jié)果，圖 8 為漾濞縣云龍橋區(qū)域結(jié)果的局部放大圖。

圖5 a 建筑物輪廓檢測結(jié)果； b 建筑物灰度化結(jié)果； c 建筑物損壞識別結(jié)果； d 建筑物震害等級識別結(jié)果Fig. 5 Building contour test results(a)，building grayscale results(b)，building damage identification results(c)，and identification result of building earthquake damage grade(d).

圖6 訓練樣本的平均灰度值與建筑物數(shù)量統(tǒng)計Fig. 6 The average grayscale value of training samples and building number statistics.

表3 改進的蟻群算法和蟻群算法挖掘的部分識別規(guī)則

圖7 a 改進的蟻群算法震害識別結(jié)果圖； b 蟻群算法震害識別結(jié)果圖； c 最大似然法震害識別結(jié)果圖； d 目視解譯結(jié)果Fig. 7 Seismic damage identification results of improved ant colony algorithm(a)，seismic damage identification results of ant colony algorithm(b)，seismic damage identification results of maximum likelihood method(c)，and visual interpretation results(d).

圖 8 a 改進的蟻群算法震害識別局部放大； b 蟻群算法震害識別局部放大； c 最大似然法震害識別局部放大； d 目視解譯局部放大Fig. 8 An improved ant colony algorithm for local amplification of seismic damage identification(a)，ant colony algorithm for seismic damage identification local amplification(b)，local amplification of earthquake damage identification by maximum likelihood method(c)，and local magnification of visual interpretation(d).

3.3 震害識別精度分析

本文采用實地調(diào)研與影像目視解譯的方法，分別對基于改進蟻群算法、 蟻群算法和最大似然法的結(jié)果進行精度評價，得到如表4—6所示的混淆矩陣。 從表4—6和圖 8 中可以看出，基于改進的蟻群算法所得到的結(jié)果的總體識別精度與Kappa系數(shù)最高，分別為89.64%和0.855，該方法對建筑物震害的識別效果最好。 對比表4 與表5 可發(fā)現(xiàn)，改進的蟻群算法對建筑物震害識別的總體精度與Kappa系數(shù)高于蟻群算法，但2種方法對嚴重破壞、 輕微破壞和無破壞建筑物的識別結(jié)果相差很小，對中等破壞建筑物識別的結(jié)果相差較大，分別為384棟和370棟。 對比表5 和表6 可發(fā)現(xiàn)，蟻群算法震害識別的總體精度與Kappa系數(shù)高于最大似然法，說明蟻群算法在建筑物震害識別方面較常用的最大似然法具有一定優(yōu)勢。 可見，本文提出的信息素濃度更新策略以及加入的優(yōu)化算子是可行的。

表4 漾濞縣城區(qū)基于改進的蟻群優(yōu)化算法震害識別精度評價結(jié)果

表5 漾濞縣城區(qū)基于蟻群算法震害識別精度評價結(jié)果Table5 Evaluation results of earthquake damage identification of Yangbi county seat based on ant colony algorithm

表6 漾濞縣城區(qū)基于最大似然法震害識別精度評價結(jié)果Table6 Accuracy evaluation results of earthquake damage identification of Yangbi county seat based on maximum likelihood method

綜上所述： 1)漾濞縣城云龍橋區(qū)域(圖 7)的最底端為茶馬古道遺址(圖 8)，該區(qū)域磚木與土木結(jié)構(gòu)建筑物居多且建造時間久遠，這2類建筑物的抗震性能低于框架和磚混結(jié)構(gòu)，因此出現(xiàn)頂部破裂、 倒塌的建筑物占比較高，其破壞程度較為嚴重； 無破壞與輕微破壞建筑物主要為新建的框架和磚混結(jié)構(gòu)房屋，主要用磚塊建造，該類房屋建筑整體結(jié)構(gòu)完整，外部輪廓清晰，沒有出現(xiàn)明顯的破損和倒塌現(xiàn)象，受到的地震損害較小，部分建筑外墻有輕微破損，震害等級為基本完好。 嚴重破壞建筑物主要以老舊的土木和磚木結(jié)構(gòu)建筑物為主，承重的載體為木頭，墻面多以泥土砌成，結(jié)構(gòu)簡單且建造時間久遠，建筑物屋頂呈現(xiàn)墨黑色。 該建筑物受到的地震損壞較大，有大面積的屋頂和墻面倒塌，可以看到倒塌后的木結(jié)構(gòu)框架以及一些泥土、 瓦片等堆積物。 2)從表4 和表5 中可以看出，改進的蟻群算法與普通的蟻群算法對中等破壞建筑物的識別效果顯著，而對于其他破壞類型建筑物識別效果不顯著。 究其原因，是由于各破壞等級建筑物的驗證樣本數(shù)量差別不大(除無破壞建筑物)，而訓練樣本里中等破壞建筑物的訓練樣本數(shù)遠高于其他樣本數(shù)，表明訓練樣本數(shù)越多，改進的蟻群算法優(yōu)勢更明顯。

4 結(jié)論

(1)本文提出了基于改進蟻群算法的高分辨率影像震害提取方法，并將其應用于2021年5月21日漾濞6.4級地震的區(qū)域建筑震害識別工作，獲取了震后縣城無人機遙感影像。 將本文所提出的方法與基于蟻群算法、 最大似然方法的震害識別效果進行了對比分析，本文方法的總體精度可達89.64%、 Kappa系數(shù)可達0.855，可有效提高建筑物震害識別的精度。

(2)蟻群算法具有較好的魯棒性，在建筑物震害識別方面的精度比最大似然法更高。 但蟻群算法容易收斂于局部最優(yōu)解，遺漏隱藏的全局最優(yōu)震害規(guī)則。 針對該問題，本文提出信息素濃度更新策略并加入優(yōu)化算子，建立基于改進蟻群算法搜索震害規(guī)則，相對于簡單的蟻群優(yōu)化算法能夠更好地搜索簡短有效的震害規(guī)則集，進一步提高建筑物震害識別精度。

(3)本文提出的基于改進蟻群算法的高分辨率影像震害提取方法尚處于起步階段。 在未來的工作中，將進一步推進高分辨率影像獲取、 波段數(shù)據(jù)離散化以及震害規(guī)則搜尋和建筑物震害識別的智能化、 自動化，為震后災情調(diào)查提供更加高效、 精準的數(shù)據(jù)支撐。