基于震后機(jī)載激光雷達(dá)點(diǎn)云的建筑物破壞特征分析*

黃樹松 竇愛霞 王曉青 袁小祥

(中國(guó)北京100036中國(guó)地震局地震預(yù)測(cè)研究所)

?

基于震后機(jī)載激光雷達(dá)點(diǎn)云的建筑物破壞特征分析*

(中國(guó)北京100036中國(guó)地震局地震預(yù)測(cè)研究所)

本文利用2010年海地MW7.0地震震后獲取的機(jī)載激光雷達(dá)(LiDAR)三維點(diǎn)云數(shù)據(jù)， 通過人機(jī)交互的方式選取受損程度不同的典型建筑物點(diǎn)云數(shù)據(jù)， 比較分析倒塌建筑物與完好建筑物點(diǎn)云數(shù)據(jù)的高度、 坡度和法向量等分布特征， 提出了用建筑物點(diǎn)云高度均值偏離度、 屋頂面坡度值以及法向量與天頂方向夾角等因子判定建筑物破壞程度． 試驗(yàn)分析結(jié)果表明， 高度均值偏離度因子對(duì)單個(gè)建筑物的破壞部分識(shí)別效果較好， 屋頂面坡度值因子可以識(shí)別建筑物破壞部分的邊緣， 點(diǎn)云法向量與天頂方向夾角因子能夠較好地識(shí)別大范圍區(qū)域內(nèi)的建筑物破壞情況， 因此上述判定因子均能在一定情況下表征建筑物的破壞情況．

機(jī)載激光雷達(dá)(LiDAR)點(diǎn)云 海地MW7.0地震 建筑物破壞特征 判定因子

引言

在眾多關(guān)于地震造成的人員傷亡因素分析的研究中不難發(fā)現(xiàn)， 雖然地震造成的人員傷亡是多種因素綜合作用的結(jié)果(馬玉宏， 謝禮立， 2000)， 但是作為地震直接災(zāi)害的建筑物倒塌是其中一個(gè)非常重要的影響因素(王艷茹等， 2009； 陳洪富等， 2011)． 因此， 分析地震造成的建筑物破壞情況， 對(duì)于震后應(yīng)急救援和損失評(píng)估等具有重要意義．

機(jī)載激光雷達(dá)(light detection and ranging, 簡(jiǎn)寫為L(zhǎng)iDAR)技術(shù)是一門新興的技術(shù)， 可以快速地獲取大范圍高精度的高程信息， 因此可以用于檢測(cè)一些常規(guī)二維影像上無(wú)法檢測(cè)的建筑物破壞細(xì)節(jié)． 目前利用LiDAR數(shù)據(jù)進(jìn)行地震災(zāi)害方面的研究大多集中在地表破裂、 滑坡、 道路及堰塞湖等(董秀軍， 黃潤(rùn)秋， 2008； 馬洪超等， 2008； 袁小祥等， 2012； 馬俊偉等， 2014)． 對(duì)于地震造成的建筑物倒塌情況， 近年來也有眾多學(xué)者進(jìn)行了研究， 例如： Vu等(2004)提出了一種基于地震前后兩個(gè)時(shí)相的LiDAR數(shù)據(jù)集的建筑物變化檢測(cè)方法， 將建筑物的變化分為未變化、 新修建的建筑物和拆除的建筑物等3種類別； Schweier和Markus(2004)根據(jù)房屋體積的減小、 高度的降低、 房屋傾角的變化及房屋大小等， 給出了地震所造成的建筑物破壞目錄， 并進(jìn)行了實(shí)例分析； Rehor(2007)運(yùn)用基于模糊邏輯分析法對(duì)震前震后的建筑物屋頂面進(jìn)行分類， 并將其劃分到事先定義好的破壞類別中． 上述研究依賴于震前震后兩個(gè)時(shí)相的LiDAR點(diǎn)云數(shù)據(jù)， 但是目前很多地區(qū)沒有LiDAR點(diǎn)云數(shù)據(jù)， 因此利用災(zāi)前災(zāi)后機(jī)載LiDAR點(diǎn)云數(shù)據(jù)的建筑物震害變化檢測(cè)法很難在震后應(yīng)急中得到實(shí)際應(yīng)用．

眾多研究者利用LiDAR點(diǎn)云數(shù)據(jù)對(duì)建筑物震害進(jìn)行了分類提取. 例如： Ural等(2011)運(yùn)用面向?qū)ο蠓▽?duì)震后的建筑物和廢墟進(jìn)行分類， 主要考慮了影像和點(diǎn)云數(shù)據(jù)的光譜、 紋理及高度特征； Khoshelham和Elberink(2012)通過LiDAR點(diǎn)云數(shù)據(jù)與多光譜影像結(jié)合， 對(duì)LiDAR點(diǎn)云數(shù)據(jù)進(jìn)行分割， 并討論了減少特征空間維度在識(shí)別建筑物屋頂毀壞情況中的作用； 竇愛霞等(2013)采用面向?qū)ο蠓ǎ?綜合震后機(jī)載LiDAR點(diǎn)云數(shù)據(jù)和高分辨率衛(wèi)星影像的光譜、 紋理、 形狀和高度特征參數(shù)， 自動(dòng)分類提取倒塌建筑物和未倒塌建筑物； Dong和Guo(2012)通過模擬分析不同類型屋頂結(jié)構(gòu)的房屋， 在部分倒塌及完全倒塌情形下， 由建筑物點(diǎn)云的三維形狀特征與高分辨率遙感影像提取的三維高程特征的相關(guān)系數(shù)確定房屋的破壞程度． 上述研究需要有多光譜或其它數(shù)據(jù)的輔助， 然而輔助影像和機(jī)載LiDAR點(diǎn)云實(shí)現(xiàn)高精度配準(zhǔn)所需花費(fèi)的時(shí)間較長(zhǎng)．

本文擬利用震后機(jī)載LiDAR點(diǎn)云數(shù)據(jù)， 依據(jù)典型建筑物的震害類型， 由建筑物點(diǎn)云的高度、 坡度和法向量等空間特征， 提出識(shí)別建筑物破壞程度的空間定量判定因子， 并試驗(yàn)確定其因子閾值， 為后續(xù)建筑物震害自動(dòng)檢測(cè)與定量分析奠定基礎(chǔ)．

1 建筑物破壞點(diǎn)云判定因子

1.1 建筑物高度均值偏離度

倒塌建筑物的重要特征就是高度相比未遭受地震破壞的建筑物有所降低． 由于機(jī)載LiDAR可以獲取高精度的高度信息， 因此高度成為檢測(cè)震后建筑物破壞的重要特征． 定義某一點(diǎn)云高度值h與整個(gè)建筑物屋頂點(diǎn)云高度均值hmean的距離的絕對(duì)值與hmean的比值為該點(diǎn)云與整個(gè)屋頂點(diǎn)云高度均值的偏離程度m， 用公式表示為

(1)

圖1p點(diǎn)坡度值計(jì)算示意圖， 黑點(diǎn)為點(diǎn)云數(shù)據(jù)Fig.1 The calculation schematic diagram of slope value for the point p. The black spots are the point cloud data

1.2 建筑物屋頂面坡度

在建筑物完好情況下， 不同屋頂形態(tài)的建筑物屋頂相鄰點(diǎn)云之間的坡度值應(yīng)為一固定值． 當(dāng)建筑物某部分倒塌后， 其破壞部分和未破壞部分點(diǎn)云的坡度值會(huì)發(fā)生變化． 將建筑物屋頂點(diǎn)云投影到二維平面oxy上， 記建筑物屋頂一點(diǎn)云坐標(biāo)為p(x,y,z)， 其投影到oxy平面上的點(diǎn)坐標(biāo)為p′(x,y)； 搜索點(diǎn)p′附近的最鄰近點(diǎn)， 記為q′(x1,y1), 則點(diǎn)q′所對(duì)應(yīng)的三維點(diǎn)坐標(biāo)為q(x1,y1,z1)(圖1). 記點(diǎn)p的坡度值為s， 則

(2)

1.3 點(diǎn)云法向量與天頂方向的夾角

Hoppe等(1992)提出了基于局部表面擬合的方法計(jì)算每個(gè)點(diǎn)的法向量信息， 其基本原理為： 記查詢點(diǎn)為p， 搜索p的k個(gè)最鄰近點(diǎn)p1，p2， …,pk， 將計(jì)算平面上某一點(diǎn)的法向量轉(zhuǎn)換成求取平面在該點(diǎn)處的平面切線的法向量， 即求取這些點(diǎn)的最小二乘平面P， 因此可將上述過程轉(zhuǎn)化為求解由最鄰近點(diǎn)組成的協(xié)方差矩陣M的最小特征值和特征向量， 最小特征值的特征向量即為法向量， 其計(jì)算公式為

(3)

為了使所求取的法向量方向指向明確， 規(guī)定天頂方向的某一點(diǎn)為視點(diǎn)坐標(biāo)， 使所求取的法向量均指向天頂方向的這一點(diǎn)， 同時(shí)也有利于計(jì)算其法向量與天頂方向的夾角. 本文規(guī)定視點(diǎn)坐標(biāo)為(0, 0, 100)， 得到法向量后計(jì)算其與天頂方向的夾角θ， 然后根據(jù)夾角大小分析建筑物的破壞特征．

2 基于機(jī)載LiDAR點(diǎn)云的建筑物震害分析

2.1 試驗(yàn)數(shù)據(jù)

本文選取2010年1月21日海地MW7.0地震后ImageCat公司獲取的機(jī)載LiDAR點(diǎn)云數(shù)據(jù)(OpenTopography， 2010)中首都太子港局部區(qū)域的兩處點(diǎn)云數(shù)據(jù)， 如圖2所示， 點(diǎn)云密度約為4.439 點(diǎn)/m2， 在該范圍內(nèi)選取遭受地震破壞的典型建筑物點(diǎn)云數(shù)據(jù), 并對(duì)其進(jìn)行分析試驗(yàn)． 由于機(jī)載LiDAR點(diǎn)云中包含其它雜物點(diǎn)云， 如汽車、 植被等， 為研究本文確定的震害判定因子對(duì)震害程度的檢測(cè)效果， 應(yīng)盡可能地去除噪聲， 因此選用建筑物點(diǎn)云數(shù)據(jù)時(shí)采用人機(jī)交互的方式， 結(jié)合高分辨率光學(xué)影像， 手工精確地選取研究所需的數(shù)據(jù)．

圖2 高度較低(a)和高度較高(b)區(qū)域的機(jī)載LiDAR點(diǎn)云數(shù)據(jù)

2.2 建筑物震害特征分析

2.2.1 高度均值偏離度因子

在研究區(qū)內(nèi)選取人字形頂面的部分倒塌建筑物和完好建筑物， 即圖3a中紅框所標(biāo)示的建筑物， 其點(diǎn)云分布如圖3b所示． 利用式(1)計(jì)算破壞建筑物點(diǎn)云的高度均值偏離度m， 結(jié)果如圖3c所示． 部分倒塌建筑物倒塌部分與未倒塌部分的m值分布特征的比較分析結(jié)果表明， 倒塌部分的m值較大， 呈離散狀態(tài)分布， 而其原始點(diǎn)云數(shù)據(jù)因倒塌部分的高度明顯降低， 其空間位置與離散分布m值較大部分相吻合． 完好建筑物的m值， 除極少量噪聲點(diǎn)處較大外， 其它點(diǎn)處m值相對(duì)較小， 分布比較集中． 為進(jìn)一步分析m值對(duì)震害的表征程度， 將其投影到二維空間中， 如圖3d所示． 可以看出， 部分倒塌建筑物的完好部分與倒塌部分的m值空間分布差異顯著： 完好部分的m值在0—0.2之間， 倒塌部分的m值在0.2—0.56之間； 完好建筑物的m值在0—0.15之間， 只有個(gè)別噪聲點(diǎn)云的m值超過了0.15． 統(tǒng)計(jì)兩棟建筑物的m值頻度(圖4)， 并選取多棟部分倒塌建筑物和完好建筑物進(jìn)行試驗(yàn)， 結(jié)果顯示當(dāng)m值的閾值約為0.2時(shí)， 部分倒塌建筑物和完好建筑物的識(shí)別效果均較好．

2.2.2 坡度因子

利用式(2)對(duì)圖3b的建筑物點(diǎn)云數(shù)據(jù)的坡度特征進(jìn)行分析， 結(jié)果如圖5所示． 比較部分倒塌建筑物的倒塌部分與未倒塌部分的s值分布特征， 可以看出， 倒塌部分的s值變化明顯且呈離散分布狀態(tài)． 圖5a中部分倒塌建筑物原始點(diǎn)云中的倒塌部分與s值的較大部分相吻合． 完好建筑物的s值， 除少量噪聲點(diǎn)處較大外， 其它點(diǎn)處的s值相對(duì)較小， 集中分布在某一固定值． 將s值投影到二維空間(圖5b)， 可以看出： 部分倒塌建筑物的倒塌部分與完好部分點(diǎn)云的s值差異變化明顯， 完好部分的s值集中在-3—3之間， 倒塌部分的s值則超出此范圍； 完好建筑物的s值在-2—2之間， 只有極少部分噪聲點(diǎn)的m值超出此范圍． 統(tǒng)計(jì)兩棟建筑物的s值頻度(圖6)， 并選取多棟倒塌及完好建筑物點(diǎn)云數(shù)據(jù)進(jìn)行試驗(yàn)， 結(jié)果顯示， 當(dāng)s值約為±3時(shí)， 部分倒塌建筑物與完好建筑物可以較好地被識(shí)別．

圖3 部分倒塌建筑物(左)和完好建筑物(右)高度均值偏離度m的計(jì)算結(jié)果

2.2.3 點(diǎn)云法向量與天頂方向的夾角因子

圖4 部分倒塌建筑物(a)和完好建筑物(b)的高度均值偏離度m分布直方圖

圖5 部分倒塌建筑物(左)和完好建筑物(右)坡度值s的計(jì)算結(jié)果

圖6 部分倒塌建筑物(a)和完好建筑物(b)的坡度值s分布直方圖

較集中． 為更好地表現(xiàn)θ值對(duì)建筑物震害的表征程度， 將θ投影到二維空間中， 如圖7c所示． 可以看出： 部分倒塌建筑物的倒塌部分θ值較大， 超過30°， 完好部分的θ值在0°—30°

圖7 部分倒塌建筑物(左)和完好建筑物(右)的法向量與天頂方向夾角θ的計(jì)算結(jié)果

圖8 部分倒塌建筑物(a)和完好建筑物(b)的法向量與天頂方向夾角θ分布直方圖

之間； 完好建筑物的θ值在0°—25°之間， 只有極少數(shù)θ值超過25°． 統(tǒng)計(jì)兩棟建筑物的θ值頻度分布圖(圖8)， 并選取多棟倒塌建筑物和完好建筑物的點(diǎn)云， 經(jīng)試驗(yàn)確定當(dāng)θ值為30°時(shí)， 部分倒塌建筑物和完好建筑物的識(shí)別效果均較好．

2.3 基于機(jī)載LiDAR的震害識(shí)別試驗(yàn)

在研究區(qū)中選取了包含完全倒塌、 部分倒塌以及完好等不同建筑物震害類型的點(diǎn)云進(jìn)行震害識(shí)別效果檢驗(yàn)， 計(jì)算了該區(qū)域的高度均值偏離度m、 坡度值s及法向量與天頂方向夾角θ， 并用上述初步閾值對(duì)驗(yàn)證區(qū)域進(jìn)行識(shí)別， 得到的結(jié)果如圖9所示． 圖9a中編號(hào)1， 4， 5為部分倒塌的建筑物， 編號(hào)2， 3為完全倒塌的建筑物; 紅色圓圈標(biāo)示的是遭受地震破壞的建筑物， 下部為其破壞部分的放大圖. 可以看出: 部分倒塌建筑物1， 5與4的倒塌形態(tài)不同， 倒塌部分的光學(xué)影像與未倒塌部分均表現(xiàn)出明顯的紋理變化； 而完全倒塌建筑物2， 3在光學(xué)影像上亮度和紋理與完好建筑物差異明顯． 因?yàn)閰^(qū)域內(nèi)建筑物高度相差較大，

圖9 研究區(qū)域內(nèi)各建筑物震害因子計(jì)算結(jié)果

根據(jù)該區(qū)域計(jì)算出的高度均值偏離度m(圖9b)按其閾值識(shí)別后， 原本較高或較低的建筑物容易被識(shí)別成倒塌建筑物(紅色為超出閾值部分， 即為識(shí)別出的破壞點(diǎn)云， 下同)， 因此該特征因子m能夠識(shí)別出單個(gè)建筑物的破壞部分， 但在大范圍應(yīng)用時(shí)， 仍需進(jìn)一步優(yōu)化， 需考慮不同建筑物單體本身的高度差異. 圖9c中的坡度值s可以較好地檢測(cè)建筑物破壞部分與完好部分的交界處以及建筑物本身的邊界； 圖9d中的法向量與天頂方向夾角θ的閾值識(shí)別結(jié)果與實(shí)際破壞的結(jié)果比較接近． 同時(shí)， 各特征因子還準(zhǔn)確識(shí)別了研究區(qū)內(nèi)的平頂建筑物， 表明特征因子對(duì)不同形態(tài)房屋的適用性． 上述試驗(yàn)證明，θ值在大范圍點(diǎn)云數(shù)據(jù)的震害識(shí)別方面具有通用性， 是一個(gè)能夠定量識(shí)別建筑物震害的有效因子．

3 討論與結(jié)論

本文利用機(jī)載LiDAR點(diǎn)云數(shù)據(jù)的高度、 坡度和法向量特征， 提出了高度均值偏離度、 坡度值和法向量與天頂方向夾角等用于建筑物震害識(shí)別的判定因子， 經(jīng)分析確定了各因子的閾值， 并將各因子應(yīng)用于較大區(qū)域內(nèi)驗(yàn)證所確定的因子閾值． 試驗(yàn)證明： 高度均值偏離度m因子因房屋高低差異較大， 在大范圍應(yīng)用時(shí)其通用性受到影響； 坡度值s因子在檢測(cè)建筑物破壞部分的邊緣具有優(yōu)勢(shì)； 法向量與天頂方向夾角θ因子的通用性和適用性均較強(qiáng)， 是一個(gè)能有效檢測(cè)建筑物破壞特征的因子．

本文使用的點(diǎn)云數(shù)據(jù)為人工交互選取的精確點(diǎn)云數(shù)據(jù)， 因此在實(shí)際應(yīng)用時(shí)應(yīng)對(duì)機(jī)載LiDAR點(diǎn)云數(shù)據(jù)進(jìn)行處理， 以獲得較為精確的建筑物點(diǎn)云數(shù)據(jù)． 本文只對(duì)機(jī)載LiDAR點(diǎn)云數(shù)據(jù)的部分空間特征單獨(dú)進(jìn)行了定量分析， 后續(xù)將進(jìn)一步研究利用機(jī)載LiDAR點(diǎn)云數(shù)據(jù)提取建筑物震害的更多空間特征， 發(fā)展多維特征空間綜合震害識(shí)別的方法， 以期實(shí)現(xiàn)高精度建筑物震害的自動(dòng)判別與評(píng)估．

農(nóng)村小學(xué)藝術(shù)課程教學(xué)的設(shè)備極為簡(jiǎn)陋，藝術(shù)課程設(shè)施幾乎沒有。這與教育行政部門對(duì)農(nóng)村藝術(shù)教育的投入有關(guān)，也與農(nóng)村小學(xué)自身資金不足有關(guān)，學(xué)校把有限的資金向主科傾斜，導(dǎo)致藝術(shù)課程教育教學(xué)投入極為不足，教學(xué)設(shè)施嚴(yán)重缺乏。

陳洪富, 戴君武, 孫柏濤, 王艷茹, 張滄海. 2011. 玉樹7.1級(jí)地震人員傷亡影響因素調(diào)查與初步分析[J]. 地震工程與工程振動(dòng), 31(4): 18--25.

Chen H F, Dai J W, Sun B T, Wang Y R, Zhang C H. 2011. Investigation report on influence factors of casualties in April 14, 2010 Yushu earthquake[J].JournalofEarthquakeEngineeringandEngineeringVibration, 31(4): 18--25 (in Chinese).

董秀軍, 黃潤(rùn)秋. 2008. 三維激光掃描測(cè)量在汶川地震后都汶公路快速搶通中的應(yīng)用[J]. 工程地質(zhì)學(xué)報(bào), 16(6): 774--779.

Dong X J, Huang R Q. 2008. Application of 3D laser scanner in making Duwen road travelable in short term after Wenchuan earthquake[J].JournalofEngineeringGeology, 16(6): 774--779 (in Chinese).

竇愛霞, 馬宗晉, 黃文麗, 王曉青, 袁小祥. 2013. 基于機(jī)載LiDAR和多光譜圖像的建筑物震害自動(dòng)識(shí)別方法[J]. 遙感信息, 28(4): 103--109.

Dou A X, Ma Z J, Huang W L, Wang X Q, Yuan X X. 2013. Automatic identification approach of building damages caused by earthquake based on airborne LiDAR and multispectral imagery[J].RemoteSensingInformation, 28(4): 103--109 (in Chinese).

馬洪超, 姚春靜, 張生德. 2008. 機(jī)載激光雷達(dá)在汶川地震應(yīng)急響應(yīng)中的若干關(guān)鍵問題探討[J]. 遙感學(xué)報(bào), 12(6): 925--932.

Ma H C, Yao C J, Zhang S D. 2008. Some technical issues of airborne LiDAR system applied to Wenchuan earthquake relief works[J].JournalofRemoteSensing, 12(6): 925--932 (in Chinese).

馬俊偉, 唐輝明, 胡新麗, 雍睿, 夏浩, 宋友建. 2014. 三維激光掃描技術(shù)在滑坡物理模型試驗(yàn)中的應(yīng)用[J]. 巖土力學(xué), 35(5): 1495--1505.

Ma J W, Tang H M, Hu X L, Yong R, Xia H, Song Y J. 2014. Application of 3D laser scanning technology to landslide physical model test[J].RockandSoilMechanics, 35(5): 1495--1505 (in Chinese).

馬玉宏, 謝禮立. 2000. 關(guān)于地震人員傷亡因素的探討[J]. 自然災(zāi)害學(xué)報(bào), 9(3): 84--90.

Ma Y H, Xie L L. 2000. A study on factors influencing earthquake casualties[J].JournalofNaturalDisasters, 9(3): 84--90 (in Chinese).

王艷茹, 王寶光, 戴君武, 馮學(xué)剛, 黃騰浪, 唐麗華. 2009. “5·12” 汶川大地震人員傷亡的時(shí)空分布特點(diǎn)[J]. 自然災(zāi)害學(xué)報(bào), 18(6): 52--56.

Wang Y R, Wang B G, Dai J W, Feng X G, Huang T L, Tang L H. 2009. Spatiotemporal distribution characteristics of casualties in great “5·12” Wenchuan earthquake[J].JournalofNaturalDisasters, 18(6): 52--56 (in Chinese).

袁小祥, 王曉青, 竇愛霞, 董彥芳, 王龍, 金鼎堅(jiān). 2012. 基于地面LIDAR玉樹地震地表破裂的三維建模分析[J]. 地震地質(zhì), 34(1): 39--46.

Yuan X X, Wang X Q, Dou A X, Dong Y F, Wang L, Jin D J. 2012. Terrestrial LIDAR-based 3D modeling analysis of surface rupture caused by Yushu earthquake[J].SeismologyandGeology, 34(1): 39--46 (in Chinese).

Dong P L, Guo H D. 2012. A framework for automated assessment of post-earthquake building damage using geospatial data[J].IntJRemSens, 33(1): 81--100.

Hoppe H, DeRose T, Duchamp T, McDonald J, Stuetzle W. 1992. Surface reconstruction from unorganized points[C]∥Proceedingsofthe19thAnnualConferenceonComputerGraphicsandInteractiveTechniques. New York, USA: ACM: 71--78.

Khoshelham K, Elberink S O. 2012. Role of dimensionality reduction in segment-based classification of damaged building roofs in airborne laser scanning data[C]∥Proceedingsofthe4thGEOBIA. Rio de Janeiro, Brazil: 372--377.

OpenTopography. 2010. Post-January 2010 Haiti earthquake LiDAR data now availableviaOpenTopography[EB/OL]. [2015-08-17]. http:∥opentopography.org/news/post-january-2010-haiti-earthquake-lidar-data-now-available-opentopography.

Rehor M. 2007. Classification of building damage based on laser scanning data[J].PhotogrJFinl, 20(2): 54--63.

Schweier C, Markus M. 2004. Assessment of the search and rescue demand for individual buildings[C]∥Proceedingsofthe13thWorldConferenceonEarthquakeEngineering. Vancouver, Canada: Mira Digital Publishing： 3092.

Ural S, Hussain E, Kim K H, Fu C S, Shan J. 2011. Building extraction and rubble mapping for city Port-au-Prince post-2010 earthquake with GeoEye-1 imagery and Lidar data[J].PhotogrEngRemSens, 77(10): 1011--1023.

Vu T T, Matsuoka M, Yamazaki F. 2004. LIDAR-based change detection of buildings in dense urban areas[C]∥Proceedingsofthe2004IEEEInternationalGeoscienceandRemoteSensingSymposium. Anchorage, AK: IEEE: 3413--3416.

Building damage feature analyses based on post-earthquake airborne LiDAR data

(InstituteofEarthquakeScience，ChinaEarthquakeAdministration,Beijing100036,China)

Building damage detection can be more accuracy because that the airborne LiDAR system can acquire height of buildings and other high resolution information, therefore airborne LiDAR data will be an important data source in post-earthquake disaster evaluation in the future. This paper chooses the typical building point cloud data on different damage condition from the airborne LiDAR point cloud data acquired after theMW7.0 earthquake in Haiti in 2010, and compares the distribution of the features such as height, slope and normal vector of damaged and non-damaged buildings. And then we establish the building damage determination factors, such as mean height deviation, slope value of building roof, and the intersection angle between normal vector and zenith direction. The results show that all factors can be used to recognize building damage in different condition, that is to say, mean height deviation can be used to detect the damage of single building, the slope value can be used to detect the damage part border of building, the intersection angle is a better factor that can be used to detect building damage in large areas.

airborne LiDAR point cloud; HaitiMW7.0 earthquake; building damage feature; determination factor

國(guó)家自然科學(xué)基金(41404046)資助.

2015-10-14收到初稿， 2016-01-22決定采用修改稿.

e-mail: axdothy@163.com

10.11939/jass.2016.03.014

P315.9

A

黃樹松， 竇愛霞， 王曉青， 袁小祥. 2016. 基于震后機(jī)載激光雷達(dá)點(diǎn)云的建筑物破壞特征分析. 地震學(xué)報(bào), 38(3): 467--476. doi:10.11939/jass.2016.03.014.

Huang S S, Dou A X, Wang X Q, Yuan X X. 2016. Building damage feature analyses based on post-earthquake airborne LiDAR data.ActaSeismologicaSinica, 38(3): 467--476. doi:10.11939/jass.2016.03.014.