杜浩國 張方浩 盧永坤 林旭川 鄧樹榮 曹彥波

摘要：以無人機獲取的震后區(qū)域高分辨率遙感影像、DSM數(shù)字表面模型為基礎(chǔ)，提出多源遙感影像的建筑物震害精細化識別方法。對影像中的地物進行多尺度分割，剔除其它地物，提取出建筑物，并依據(jù)光譜、紋理、形狀特征進行震后建筑物震害、結(jié)構(gòu)類型以及樓層數(shù)識別。將該方法應(yīng)用于2021年云南漾濞MS6.4地震災(zāi)區(qū)建筑物震害識別，為災(zāi)害損失評估工作提供基礎(chǔ)數(shù)據(jù)。結(jié)果表明，與傳統(tǒng)的人工震害調(diào)查相比，基于多源遙感影像的建筑物信息識別方法速度快、準確率高。

關(guān)鍵詞：漾濞MS6.4地震;建筑物震害識別;災(zāi)害損失評估;DSM數(shù)字表面模型;高分辨率影像

中圖分類號：P315.94?? 文獻標識碼：A?? 文章編號：1000-0666（2021）03-0490-09

0 引言

隨著我國經(jīng)濟社會的飛速發(fā)展，政府和公眾對地震災(zāi)情獲取的時效性要求越來越高（張建國，2014;張方浩等，2020）。遙感技術(shù)作為地震災(zāi)情獲取的重要手段之一，在震后災(zāi)害損失評估工作中發(fā)揮著越來越重要的作用。多源遙感信息的建筑物震害識別，能夠?qū)Υ竺娣e區(qū)域的建筑物震害進行快速有效地識別，為地震災(zāi)害風險評估提供精確有效的數(shù)據(jù)。

震后建筑物震害識別可大致分為現(xiàn)場調(diào)查、依托于各種機器學(xué)習算法的衛(wèi)星遙感影像解譯（王昶等，2021;李強，張景發(fā)，2016）和無人機遙感影像解譯（和仕芳等，2016;杜浩國等，2018）。現(xiàn)場調(diào)查方法如盧永坤等（2019）介紹了2018年云南墨江5.9級地震烈度分布情況，給出了各烈度區(qū)的房屋建筑震害特征和各類結(jié)構(gòu)房屋的破壞比、震害指數(shù)，并與中國地震烈度表進行了對比，探討了地震烈度評定的主要依據(jù)與方法。

基于機器學(xué)習算法的衛(wèi)星遙感影像震害識別方法以震后衛(wèi)星遙感影像為基礎(chǔ)，通過對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、分辨率低等問題，對建筑物屋頂輕微梭瓦和開裂等現(xiàn)象很難識別。陳晉等（2018）基于無人機、高分衛(wèi)星影像資料，通過實地調(diào)研與遙感影像對比分析，建立了基于無人機、高分衛(wèi)星遙感影像獲取建筑物的技術(shù)路線，并以甘肅省隴南市為研究區(qū)進行實例驗證，該方法采用無人機高分辨率影像彌補了高分衛(wèi)星影像的偏移、分辨率低等不足，能有效識別建筑物屋頂局部輕微梭瓦和開裂現(xiàn)象。

基于無人機高分辨率遙感影像的震害識別方法主要有2種：①目視解譯震害識別，通過對影像中的建筑物進行人工震害等級劃分，避免了災(zāi)評人員開展實地調(diào)查所面臨的風險，但人工影像震害識別會耗費大量時間，且需要短時間內(nèi)處理大量建筑物震害信息，從而導(dǎo)致建筑物震害判別標準不統(tǒng)一。杜浩國等（2019）對云南省紅河縣城區(qū)房屋建造年代、結(jié)構(gòu)類型、設(shè)防等級、樓層、層高、面積、外觀形狀及所處地形等進行實地調(diào)查，對紅河縣城區(qū)進行地震災(zāi)害三維仿真模擬評估，此類調(diào)查方法需要耗費大量的人力與時間，且人的主觀性對評估結(jié)果影響很大。② 基于機器學(xué)習算法的無人機高分辨率遙感影像震害識別。將無人機獲取的高分辨率影像與機器學(xué)習算法相結(jié)合，既可以減少人工投入，震害識別的準確率又比較高，張雪華等（2019）通過使用點云CSF濾波算法得到研究區(qū)建筑物高度特征DSM數(shù)據(jù)，并通過點云格網(wǎng)化處理以及坡度值計算得到建筑物坡度特征，再結(jié)合研究區(qū)DOM數(shù)據(jù)進行建筑物震害提取。

本文在無人機高分辨率影像的基礎(chǔ)上，提出基于多源遙感影像的建筑物信息識別方法，并應(yīng)用于2021年5月21日漾濞MS6.4地震災(zāi)害損失評估，對識別方法的精度與有效性進行了驗證。

1 研究方法及技術(shù)路線

基于多源遙感影像的漾濞地震災(zāi)區(qū)建筑物震害精細化識別可分為4個步驟，如圖1所示：①將無人機獲取的單張航拍影像進行拼接，得到漾濞縣淮安村高分辨率遙感影像與DSM數(shù)字表面模型（杜浩國等，2021）。②對影像進行多尺度分割，提取建筑物，去除非建筑物地表信息，并對建筑物進行邊緣檢測，識別出破壞區(qū)域。③訓(xùn)練樣本與驗證樣本。訓(xùn)練建筑物震害識別規(guī)則，采用訓(xùn)練所得的規(guī)則對高分辨率影像進行建筑物震害、結(jié)構(gòu)、樓層數(shù)識別分類。④精度檢驗。與目視解譯、實地調(diào)研對比，分別計算分類結(jié)果的使用精度、生產(chǎn)精度和kappa系數(shù)。

1.1 多尺度影像震害分割

多尺度分割算法是一種自上而下的分割方法，其最小單元為一個單獨的像素，合并周圍相似像元從而形成小的影像對象，然后通過合并算法將光譜、紋理相同的小區(qū)域合并為更大的分割區(qū)域（杜妍開等，2020;代沁伶等，2020;馬燕妮等，2017）。通過對建筑物屋頂?shù)钠茐牟糠峙c整體部分的異質(zhì)性進行分割，識別遭到破壞的建筑物。分割尺度的選擇決定了震害識別的精度：如果分割尺度較小，則容易將無破壞的建筑物進行分割，識別為遭到破壞的建筑物;如果分割尺度較大，則容易將建筑物破壞的部分與整體融合，從而誤判為無破壞建筑物。

影像的異質(zhì)性f包含光譜異質(zhì)性和形狀異質(zhì)性，其公式為：

f=ω1x+（1-ω1y）（1）

式中：ω1為權(quán)值，0≤ω1≤1;x為光譜異質(zhì)性，y為形狀異質(zhì)性。其中x，y分別為：

x=∑ni=1piσi（2）

y=ω2u+（1-ω2）v（3）

式中：pi為第i影像層的權(quán);σi為第i影像對象層光譜值的標準差;u為影像區(qū)域整體的緊密度;v為影像區(qū)域邊界的平滑度;ω2為權(quán)值，0≤ω2≤1。

1.2 建筑物震害提取規(guī)則

由于遙感數(shù)據(jù)各波段為連續(xù)值（0～255），波段的區(qū)間過多，會影響震害識別的效率和規(guī)則的質(zhì)量，因此，在建立規(guī)則之前需要將訓(xùn)練數(shù)據(jù)集進行離散化，即將各波段數(shù)據(jù)劃分為有限的區(qū)間（丁勝等，2010），如圖 2 所示，每條路徑對應(yīng)一條完整的識別規(guī)則。

1.3 多源震害識別

遙感影像的建筑物震害、結(jié)構(gòu)類型、樓層數(shù)等信息提取主要是依據(jù)影像對象的特征信息，包含光譜、形狀、紋理等多種特征，通過分析光譜平均灰度值、面積、延伸性、矩形度、亮度等特征對影像進行分類（曾濤等，2010）。筆者選取平均灰度值、面積、矩形度作為建筑物震害識別指標。

光譜平均灰度值用來計算各影像對象組成的像元在各個波段上光譜的平均值，計算公式如下：

Ai=1n∑ni=1Ax（i）（4）

式中：Ai為影像光譜平均灰度值;x為波段號;x（i）為第i個像元在第x個波段的像元值，范圍大小為（0，255）;n為圖像內(nèi)像元的數(shù)目。

面積表示被分割區(qū)域的大小，計算公式如下：

S（n）=∑ni=1ai（5）

式中：S（n）表示在地理參考坐標系中，n個像元ai真實面積的總和。

矩形度為矩形形狀的度量，矩形的值為1，非矩形的值小于1，Rect（n）表示第i個分割像元的矩形度值。計算公式如下：

Rect（n）=∑ni=1S（i）Rmax（i）·Rmin（i）（6）

1.4 精度分析

本文采用混淆矩陣、使用精度、生產(chǎn)精度、總體精度和kappa系數(shù)作為衡量震害識別精度的指標。

（1）混淆矩陣

混淆矩陣主要用于比較分類結(jié)果和地表真實信息，可以把分類結(jié)果的精度顯示在一個混淆矩陣中?；煜仃噷⒚恳粋€真實像元的位置和分類與分類圖像中的相應(yīng)位置和分類相比較進行計算?；煜仃嚨拿恳涣写砹艘粋€地表真實分類，每一列中的數(shù)值等于地表真實像元在分類圖像中對應(yīng)于相應(yīng)類別的數(shù)量。

（2）總體分類精度

總體分類精度等于被正確分類的像元數(shù)除以總像元數(shù)。 地表真實圖像或地表真實感興趣區(qū)限定了像元的真實分類。被正確分類的像元沿著混淆矩陣的對角線分布，它顯示出被分類到正確地表真實分類中的像元數(shù)，像元總數(shù)等于所有地表真實分類中的像元總和。

（3）kappa系數(shù)

kappa系數(shù)用于一致性檢驗和衡量分類精度。具體計算公式如下：

k=Po-Pe1-Pe（7）

Pe=a1·b1+a2·b2+…+ac·bcn·n（8）

式中：k為分類精度指標kappa系數(shù)值;Po為總體分類精度，由每一類正確分類的樣本數(shù)量之和除以總樣本數(shù)得到;a1，a2，…，ac為每一類真實樣本個數(shù);b1，b2，…，bc為每一類預(yù)測樣本個數(shù);n表示真實總樣本個數(shù)。表1為kappa系數(shù)精度級別分類標準。

2 區(qū)域震害提取試驗

2.1 研究區(qū)數(shù)據(jù)預(yù)處理

2021年5月21日21時48分34秒，云南省大理州漾濞縣發(fā)生MS6.4地震，震源深度8 km。地震造成漾濞縣淮安村建筑物破壞較為嚴重，本文將其作為研究區(qū)，選取2021年5月23日15時獲取的淮安村無人機高分辨率影像，選擇影像波段為 1～4波段，圖 3a為 1～4 波段合成的假彩色影像。輔助參考數(shù)據(jù)為該研究區(qū)域數(shù)字表面模型（DSM），如圖3b所示。

訓(xùn)練樣本是提高震害識別的關(guān)鍵，直接關(guān)系到建筑物震害識別規(guī)則的質(zhì)量。根據(jù)實地調(diào)查分析，研究區(qū)建筑物震害可分為嚴重破壞、中等破壞、輕微破壞和無破壞4個等級，圖4為部分訓(xùn)練樣本。表2為不同震害等級選取的訓(xùn)練樣本和驗證樣本數(shù)量。

2.2 震害識別規(guī)則與試驗結(jié)果

圖5a為漾濞縣淮安村不同震害等級樣本。采用多尺度分割方法對影像中建筑物輪廓以及震害區(qū)域進行邊緣檢測，如圖 5b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;然后結(jié)合圖像分割區(qū)域的平均灰度值、面積和矩形度進行建筑物震害提取，并得到18條震害識別規(guī)則，見表3。圖5c為部分訓(xùn)練樣本震害規(guī)則提取結(jié)果。圖6為282個訓(xùn)練樣本平均灰度值與建筑物數(shù)量統(tǒng)計。將訓(xùn)練樣本所得規(guī)則應(yīng)用在試驗區(qū)進行震害識別，得到識別結(jié)果，如圖7a所示。圖7b為目視解譯與實地調(diào)研結(jié)果圖，采用相同的識別方法得到淮安村建筑物結(jié)構(gòu)類型統(tǒng)計結(jié)果（圖7c）與淮安村建筑物樓層數(shù)統(tǒng)計結(jié)果（圖7d）。

3 討論與分析

筆者采用實地調(diào)研與遙感影像目視解譯的方法，對震害識別結(jié)果的精度進行評價，得到混淆矩陣（表4），從表4可以看出，淮安村建筑物震害識別總體精度為87.14%，kappa系數(shù)為0.825 5，震害識別精度相對較好。表5為震害等級與建筑物結(jié)構(gòu)類型統(tǒng)計結(jié)果。從表5可以看出，磚木和土木結(jié)構(gòu)建筑物“嚴重破壞”數(shù)量為76棟，占“嚴重破壞”房屋總數(shù)的97.43%，“中等破壞”數(shù)量為73棟，占“中等破壞”建筑物總數(shù)的79.34%;對于框架和磚混結(jié)構(gòu)建筑物，“無破壞”數(shù)量為80棟，占“無破壞”建筑物總數(shù)的95.23%，“輕微破壞”數(shù)量為83棟，占“輕微破壞”建筑物總數(shù)的61.48%。從表6中可以看出，樓層數(shù)為一層和二層的“嚴重破壞”建筑物數(shù)量為78棟，占“嚴重破壞”建筑物總數(shù)的100%，“中等破壞”數(shù)量為91棟，占“中等破壞”建筑物總數(shù)的98.8%;對于三層和四層建筑物，“無破壞”數(shù)量為36棟，占“無破壞”建筑物總數(shù)的42.85%，“輕微破壞”數(shù)量為6棟，占“輕微破壞”建筑物總數(shù)的4.44%。

綜上所述，由于土木和磚木結(jié)構(gòu)建筑物的抗震性能低于框架和磚混結(jié)構(gòu)，因此頂部破裂倒塌數(shù)量占比較高，破壞程度較為嚴重。其中“無破壞”“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，多以3～4層為主。根據(jù)建筑物震害、結(jié)構(gòu)與樓層數(shù)識別結(jié)果，這一類房屋建筑整體結(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，受到的地震破壞較小，部分建筑外墻有輕微破損，震害等級為基本完好?！皣乐仄茐摹苯ㄖ镏饕岳吓f的土木和磚木結(jié)構(gòu)建筑物為主，1～2層居多，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，屋頂呈現(xiàn)墨黑色。這一類建筑物受到的地震破壞較大，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)框架以及泥土、瓦礫等堆積物。

4 結(jié)論

本文提出基于多源遙感影像的建筑物震害精細化識別方法，應(yīng)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，獲取震后漾濞縣淮安村無人機遙感影像，數(shù)字表面模型（DSM），并通過高分辨率影像的多尺度分割，剔除其它地物，提取建筑物，依據(jù)光譜、紋理、形狀特征進行建筑物震害、結(jié)構(gòu)類型與樓層數(shù)識別。

（1）建筑物震害識別總體精度為87.14%，kappa系數(shù)為0.825 5。采用相同的識別方法，得到建筑物結(jié)構(gòu)、樓層數(shù)識別精度分別為92.15%，89.78%，kappa系數(shù)分別為0.8634，0.842 3。分析結(jié)果表明，該方法能快速準確地對災(zāi)區(qū)建筑物進行震害識別，并能夠得到詳細準確的建筑物信息，其快速、精確等特點在災(zāi)情評估工作中發(fā)揮了重要作用，為災(zāi)后第一時間的震害快速評估提供了精確的數(shù)據(jù)。

（2）通過識別結(jié)果可以看出，淮安村框架（磚混）結(jié)構(gòu)與土木（磚木）結(jié)構(gòu)建筑物相比，擁有良好的抗震性能，因此急需加強老舊土木和磚木建筑物的改造，提升建筑物抗震能力，減輕災(zāi)害風險。

參考文獻：

陳晉，習聰望，陳文凱，等.2018.基于無人機、高分衛(wèi)星遙感影像的甘肅省隴南市建筑物空間化研究[J].地震研究，41（2）：192-200.

代沁伶，羅斌，鄭晨，等.2020.區(qū)域多尺度馬爾可夫隨機場的遙感影像分類[J].遙感學(xué)報，24（3）：245-253.

丁勝，袁修孝，陳黎.2010.粒子群優(yōu)化算法用于高光譜遙感影像分類的自動波段選擇[J].測繪學(xué)報，39（3）：257-263.

杜浩國，陳亮，林旭川，等.2019.云南紅河縣城區(qū)房屋地震災(zāi)害三維仿真模擬方法[J].地震研究，42（2）：218-229.

杜浩國，林旭川，張方浩，等.2021.基于蟻群優(yōu)化算法的應(yīng)急避難場所選址模型研究[J].自然災(zāi)害學(xué)報，30（2）：89-101.

杜浩國，張方浩，鄧樹榮，等.2018.震后極災(zāi)區(qū)無人機最優(yōu)航拍區(qū)域選擇[J].地震研究，41（2）：209-215.

杜妍開，龔麗霞，李強，等.2020.基于最優(yōu)分割的高分辨率遙感影像震害建筑物識別技術(shù)[J].地震學(xué)報，42（6）：760-768.

和仕芳，鄧樹榮，張方浩，等.2016.旋翼無人機在建筑物抗震能力調(diào)查中的應(yīng)用[J].地震研究，39（4）：673-679.

李強，張景發(fā).2016.不同特征融合的震后損毀建筑物識別研究[J].地震研究，39（3）：486-493.

盧永坤，周洋，代博洋，等.2019.2018年云南墨江5.9級地震房屋震害特征與烈度評定[J].地震研究，42（2）：172-178.

馬燕妮，明冬萍，楊海平.2017.面向?qū)ο笥跋穸喑叨确指钭畲螽愘|(zhì)性參數(shù)估計[J].遙感學(xué)報，21（4）：566-578.

王昶，張永生，紀松，等.2021.建筑物變化的多特征融和及隨機多圖綜合檢測法[J].測繪學(xué)報，50（2）：235-247.

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).

張方浩，盧永坤，鄧樹榮，等.2020.云南地區(qū)區(qū)域地震災(zāi)害特征[J].地震研究，43（1）：134-143.

張建國.2014.地震烈度的評定及其意義[J].中國減災(zāi)，（17）：42-43.

張雪華，王曉青，杜曉霞，等.2019.基于無人機遙感影像及其點云特征的建筑物震害提取[J].地震研究，42（2）：230-235.

Recognition of the Earthquake Damage to Buildings in the 2021Yangbi，Yunnan MS6.4 Earthquake Area Based onMulti-source Remote Sensing Images

DU Haoguo1，ZHANG Fanghao1，LU Yongkun1，LIN Xuchuan2，DENG Shurong1，CAO Yanbo1

（1.Yunnan Earthquake Agency，Kunming 650224，Yunnan，China）

（2.Institute of Engineering Mechanics，China Earthquake Administration，Harbin 150080，Heilongjiang，China）

Abstract

Rapid identification of the earthquake damage to buildings in the earthquake-stricken area is of great significance for scientific and effective assessment of losses from earthquake disasters.Based on the high-resolution，remote-sensing images of post-earthquake field investigation obtained by UAV and digital surface model（DSM），we propose an identification method of earthquake damage to buildings based on multi-source，remote-sensing images.In the light of this method，we first do the multi-scale segmentation of the surface feature，then extract buildingsinformation，and weed out other features.Further，we identify the damage，structures and the floors of the buildings according to the spectrum，texture and shape of the buildings on the images.We apply our method to the identification of the damage to the buildings in the Yangbi MS6.4 earthquake on 21th，May 2021.The results show that，compared with the traditional manual investigation of the damage in the earthquake-affected areas，our method is more effective and more accurate.

Keywords：the Yangbi MS6.4 earthquake;identification of earthquake-damage to buildings;assessment on the disaster losses;digital surface model;high-resolution image