基于多源遙感影像的2021年云南漾濞MS6.4地震災(zāi)區(qū)建筑物信息識(shí)別與震害分析

杜浩國(guó) 張方浩 盧永坤 林旭川 鄧樹榮 曹彥波

摘要：以無(wú)人機(jī)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(xì)化識(shí)別方法。對(duì)影像中的地物進(jìn)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(jìn)行震后建筑物震害、結(jié)構(gòu)類型以及樓層數(shù)識(shí)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(shí)別，為災(zāi)害損失評(píng)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(shí)別方法速度快、準(zhǔn)確率高。

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

中圖分類號(hào)：P315.94?? 文獻(xiàn)標(biāo)識(shí)碼：A?? 文章編號(hào)：1000-0666（2021）03-0490-09

0 引言

隨著我國(guó)經(jīng)濟(jì)社會(huì)的飛速發(fā)展，政府和公眾對(duì)地震災(zāi)情獲取的時(shí)效性要求越來越高（張建國(guó)，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(píng)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(shí)別，能夠?qū)Υ竺娣e區(qū)域的建筑物震害進(jìn)行快速有效地識(shí)別，為地震災(zāi)害風(fēng)險(xiǎn)評(píng)估提供精確有效的數(shù)據(jù)。

震后建筑物震害識(shí)別可大致分為現(xiàn)場(chǎng)調(diào)查、依托于各種機(jī)器學(xué)習(xí)算法的衛(wèi)星遙感影像解譯（王昶等，2021;李強(qiáng)，張景發(fā)，2016）和無(wú)人機(jī)遙感影像解譯（和仕芳等，2016;杜浩國(guó)等，2018）?，F(xiàn)場(chǎng)調(diào)查方法如盧永坤等（2019）介紹了2018年云南墨江5.9級(jí)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(guó)地震烈度表進(jìn)行了對(duì)比，探討了地震烈度評(píng)定的主要依據(jù)與方法。

基于機(jī)器學(xué)習(xí)算法的衛(wèi)星遙感影像震害識(shí)別方法以震后衛(wèi)星遙感影像為基礎(chǔ)，通過對(duì)影像中嚴(yán)重倒塌建筑物的紋理、亮度等特征進(jìn)行震害識(shí)別，但由于衛(wèi)星影像的偏移、分辨率低等問題，對(duì)建筑物屋頂輕微梭瓦和開裂等現(xiàn)象很難識(shí)別。陳晉等（2018）基于無(wú)人機(jī)、高分衛(wèi)星影像資料，通過實(shí)地調(diào)研與遙感影像對(duì)比分析，建立了基于無(wú)人機(jī)、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(jìn)行實(shí)例驗(yàn)證，該方法采用無(wú)人機(jī)高分辨率影像彌補(bǔ)了高分衛(wèi)星影像的偏移、分辨率低等不足，能有效識(shí)別建筑物屋頂局部輕微梭瓦和開裂現(xiàn)象。

基于無(wú)人機(jī)高分辨率遙感影像的震害識(shí)別方法主要有2種：①目視解譯震害識(shí)別，通過對(duì)影像中的建筑物進(jìn)行人工震害等級(jí)劃分，避免了災(zāi)評(píng)人員開展實(shí)地調(diào)查所面臨的風(fēng)險(xiǎn)，但人工影像震害識(shí)別會(huì)耗費(fèi)大量時(shí)間，且需要短時(shí)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(biāo)準(zhǔn)不統(tǒng)一。杜浩國(guó)等（2019）對(duì)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(jí)、樓層、層高、面積、外觀形狀及所處地形等進(jìn)行實(shí)地調(diào)查，對(duì)紅河縣城區(qū)進(jìn)行地震災(zāi)害三維仿真模擬評(píng)估，此類調(diào)查方法需要耗費(fèi)大量的人力與時(shí)間，且人的主觀性對(duì)評(píng)估結(jié)果影響很大。② 基于機(jī)器學(xué)習(xí)算法的無(wú)人機(jī)高分辨率遙感影像震害識(shí)別。將無(wú)人機(jī)獲取的高分辨率影像與機(jī)器學(xué)習(xí)算法相結(jié)合，既可以減少人工投入，震害識(shí)別的準(zhǔn)確率又比較高，張雪華等（2019）通過使用點(diǎn)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(diǎn)云格網(wǎng)化處理以及坡度值計(jì)算得到建筑物坡度特征，再結(jié)合研究區(qū)DOM數(shù)據(jù)進(jìn)行建筑物震害提取。

本文在無(wú)人機(jī)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(shí)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(píng)估，對(duì)識(shí)別方法的精度與有效性進(jìn)行了驗(yàn)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(xì)化識(shí)別可分為4個(gè)步驟，如圖1所示：①將無(wú)人機(jī)獲取的單張航拍影像進(jìn)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(guó)等，2021）。②對(duì)影像進(jìn)行多尺度分割，提取建筑物，去除非建筑物地表信息，并對(duì)建筑物進(jìn)行邊緣檢測(cè)，識(shí)別出破壞區(qū)域。③訓(xùn)練樣本與驗(yàn)證樣本。訓(xùn)練建筑物震害識(shí)別規(guī)則，采用訓(xùn)練所得的規(guī)則對(duì)高分辨率影像進(jìn)行建筑物震害、結(jié)構(gòu)、樓層數(shù)識(shí)別分類。④精度檢驗(yàn)。與目視解譯、實(shí)地調(diào)研對(duì)比，分別計(jì)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(gè)單獨(dú)的像素，合并周圍相似像元從而形成小的影像對(duì)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(duì)建筑物屋頂?shù)钠茐牟糠峙c整體部分的異質(zhì)性進(jìn)行分割，識(shí)別遭到破壞的建筑物。分割尺度的選擇決定了震害識(shí)別的精度：如果分割尺度較小，則容易將無(wú)破壞的建筑物進(jìn)行分割，識(shí)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(wú)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(duì)象層光譜值的標(biāo)準(zhǔn)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(huì)影響震害識(shí)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(jìn)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(duì)應(yīng)一條完整的識(shí)別規(guī)則。

1.3 多源震害識(shí)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(duì)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(duì)影像進(jìn)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(shí)別指標(biāo)。

光譜平均灰度值用來計(jì)算各影像對(duì)象組成的像元在各個(gè)波段上光譜的平均值，計(jì)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(hào);x（i）為第i個(gè)像元在第x個(gè)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(jì)算公式如下：

S（n）=∑ni=1ai（5）

式中：S（n）表示在地理參考坐標(biāo)系中，n個(gè)像元ai真實(shí)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(gè)分割像元的矩形度值。計(jì)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(shí)別精度的指標(biāo)。

（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(shí)信息，可以把分類結(jié)果的精度顯示在一個(gè)混淆矩陣中。混淆矩陣將每一個(gè)真實(shí)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(jìn)行計(jì)算?；煜仃嚨拿恳涣写砹艘粋€(gè)地表真實(shí)分類，每一列中的數(shù)值等于地表真實(shí)像元在分類圖像中對(duì)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(shí)圖像或地表真實(shí)感興趣區(qū)限定了像元的真實(shí)分類。被正確分類的像元沿著混淆矩陣的對(duì)角線分布，它顯示出被分類到正確地表真實(shí)分類中的像元數(shù)，像元總數(shù)等于所有地表真實(shí)分類中的像元總和。

（3）kappa系數(shù)

kappa系數(shù)用于一致性檢驗(yàn)和衡量分類精度。具體計(jì)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(biāo)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(shí)樣本個(gè)數(shù);b1，b2，…，bc為每一類預(yù)測(cè)樣本個(gè)數(shù);n表示真實(shí)總樣本個(gè)數(shù)。表1為kappa系數(shù)精度級(jí)別分類標(biāo)準(zhǔn)。

2 區(qū)域震害提取試驗(yàn)

2.1 研究區(qū)數(shù)據(jù)預(yù)處理

2021年5月21日21時(shí)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(yán)重，本文將其作為研究區(qū)，選取2021年5月23日15時(shí)獲取的淮安村無(wú)人機(jī)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(shí)別的關(guān)鍵，直接關(guān)系到建筑物震害識(shí)別規(guī)則的質(zhì)量。根據(jù)實(shí)地調(diào)查分析，研究區(qū)建筑物震害可分為嚴(yán)重破壞、中等破壞、輕微破壞和無(wú)破壞4個(gè)等級(jí)，圖4為部分訓(xùn)練樣本。表2為不同震害等級(jí)選取的訓(xùn)練樣本和驗(yàn)證樣本數(shù)量。

2.2 震害識(shí)別規(guī)則與試驗(yàn)結(jié)果

圖5a為漾濞縣淮安村不同震害等級(jí)樣本。采用多尺度分割方法對(duì)影像中建筑物輪廓以及震害區(qū)域進(jìn)行邊緣檢測(cè)，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(jìn)行建筑物震害提取，并得到18條震害識(shí)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(gè)訓(xùn)練樣本平均灰度值與建筑物數(shù)量統(tǒng)計(jì)。將訓(xùn)練樣本所得規(guī)則應(yīng)用在試驗(yàn)區(qū)進(jìn)行震害識(shí)別，得到識(shí)別結(jié)果，如圖7a所示。圖7b為目視解譯與實(shí)地調(diào)研結(jié)果圖，采用相同的識(shí)別方法得到淮安村建筑物結(jié)構(gòu)類型統(tǒng)計(jì)結(jié)果（圖7c）與淮安村建筑物樓層數(shù)統(tǒng)計(jì)結(jié)果（圖7d）。

3 討論與分析

筆者采用實(shí)地調(diào)研與遙感影像目視解譯的方法，對(duì)震害識(shí)別結(jié)果的精度進(jìn)行評(píng)價(jià)，得到混淆矩陣（表4），從表4可以看出，淮安村建筑物震害識(shí)別總體精度為87.14%，kappa系數(shù)為0.825 5，震害識(shí)別精度相對(duì)較好。表5為震害等級(jí)與建筑物結(jié)構(gòu)類型統(tǒng)計(jì)結(jié)果。從表5可以看出，磚木和土木結(jié)構(gòu)建筑物“嚴(yán)重破壞”數(shù)量為76棟，占“嚴(yán)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(duì)于框架和磚混結(jié)構(gòu)建筑物，“無(wú)破壞”數(shù)量為80棟，占“無(wú)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(yán)重破壞”建筑物數(shù)量為78棟，占“嚴(yán)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(duì)于三層和四層建筑物，“無(wú)破壞”數(shù)量為36棟，占“無(wú)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(yán)重。其中“無(wú)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(shí)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(jí)為基本完好?！皣?yán)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，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(jiǎn)單且建造時(shí)間久遠(yuǎn)，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(xì)化識(shí)別方法，應(yīng)用于 2021 年 5 月 21 日漾濞 6.4 級(jí)地震的區(qū)域建筑震害識(shí)別工作，獲取震后漾濞縣淮安村無(wú)人機(jī)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(jìn)行建筑物震害、結(jié)構(gòu)類型與樓層數(shù)識(shí)別。

（1）建筑物震害識(shí)別總體精度為87.14%，kappa系數(shù)為0.825 5。采用相同的識(shí)別方法，得到建筑物結(jié)構(gòu)、樓層數(shù)識(shí)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(zhǔn)確地對(duì)災(zāi)區(qū)建筑物進(jìn)行震害識(shí)別，并能夠得到詳細(xì)準(zhǔn)確的建筑物信息，其快速、精確等特點(diǎn)在災(zāi)情評(píng)估工作中發(fā)揮了重要作用，為災(zāi)后第一時(shí)間的震害快速評(píng)估提供了精確的數(shù)據(jù)。

（2）通過識(shí)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(qiáng)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(fēng)險(xiǎn)。

參考文獻(xiàn)：

陳晉，習(xí)聰望，陳文凱，等.2018.基于無(wú)人機(jī)、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(jī)場(chǎng)的遙感影像分類[J].遙感學(xué)報(bào)，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(dòng)波段選擇[J].測(cè)繪學(xué)報(bào)，39（3）：257-263.

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

杜浩國(guó)，張方浩，鄧樹榮，等.2018.震后極災(zāi)區(qū)無(wú)人機(jī)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(qiáng)，等.2020.基于最優(yōu)分割的高分辨率遙感影像震害建筑物識(shí)別技術(shù)[J].地震學(xué)報(bào)，42（6）：760-768.

和仕芳，鄧樹榮，張方浩，等.2016.旋翼無(wú)人機(jī)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(qiáng)，張景發(fā).2016.不同特征融合的震后損毀建筑物識(shí)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(jí)地震房屋震害特征與烈度評(píng)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(jì)[J].遙感學(xué)報(bào)，21（4）：566-578.

王昶，張永生，紀(jì)松，等.2021.建筑物變化的多特征融和及隨機(jī)多圖綜合檢測(cè)法[J].測(cè)繪學(xué)報(bào)，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(guó).2014.地震烈度的評(píng)定及其意義[J].中國(guó)減災(zāi)，（17）：42-43.

張雪華，王曉青，杜曉霞，等.2019.基于無(wú)人機(jī)遙感影像及其點(diǎn)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