面向?qū)ο筮b感分類方法在震害快速提取中的應用

王 巖，王曉青，竇愛霞，孫素梅，付 聰

（1. 遼寧省地震局，遼寧 沈陽 110034；2. 中國地震局地震預測研究所，北京 100036）

0　引言

強震發(fā)生后，評估地震災害的范圍程度是最急迫的需求，評估過程中，對災害進行準確、快速的提取能夠第一時間掌握全局，為進一步的救災工作提供最有效的依據(jù)[1]。在震害快速提取中，應用遙感衛(wèi)星影像已成為主要手段之一，提高災害提取的精度與速度，是研究的關(guān)鍵問題[2-3]。隨著遙感技術(shù)的日趨成熟，獲取的各類影像分辨率越來越高，其包含的空間信息越來越豐富，地物的幾何結(jié)構(gòu)、紋理信息突出，運算量也逐步增大，造成基于像元的分類方法越來越難以適應需求[4]。

面向?qū)ο蟮倪b感圖像分類方法，以影像對象代替像元，是一種運用多尺度分割實現(xiàn)圖像信息的融合再分類的方法[5-6]。面向?qū)ο蟮姆诸愔校瑧眯畔⒉粌H局限于光譜信息，更側(cè)重于對象與對象之間的紋理、形狀、關(guān)系等。在精度上，由于應用了更接近人類思維模式的模糊邏輯分類而更為精確；在速度上，采用影響對象為基礎(chǔ)計算單位，大大減少了計算量，提高了速度[7-8]。

本文以汶川地震中破壞嚴重的北川縣城作為研究對象，應用面向?qū)ο蠓诸惙椒ǎ瑢崿F(xiàn)震后災害區(qū)域的快速提取。

1　研究區(qū)域與數(shù)據(jù)

研究選取2008年5月12日汶川8.0級地震后，烈度為Ⅺ的北川縣城及周邊地區(qū)作為研究區(qū)域。北川位于四川盆地西北部，境內(nèi)地質(zhì)構(gòu)造復雜，震后二次災害嚴重，是汶川地震后受災最為嚴重的區(qū)域之一。

研究數(shù)據(jù)：福衛(wèi)二號衛(wèi)星多光譜影像，分辨率8m，獲取時間2008年5月14日。福衛(wèi)二號衛(wèi)星由中國臺灣制造，2004年5月美國發(fā)射，多光譜波段包括：0.45～0.52微米（藍），0.52～0.60微米（綠），0.63～0.69微米（紅），0.76～0.90微米（近紅外）四個波段。

2　面向?qū)ο笥跋穹诸?/h2>

2.1　目標類別

研究主要目的是快速提取震后的受災區(qū)域，即地震發(fā)生后因嚴重災害而引起變化的區(qū)域，稱為“熱區(qū)”。熱區(qū)地物類型包括建筑物嚴重損毀區(qū)域和地質(zhì)災害區(qū)域。

根據(jù)災害評估內(nèi)容類別的需求和北川縣城及周邊地區(qū)的地物特征，在面向?qū)ο蠓诸愔袆澐至怂膫€類別：植被、水體、熱區(qū)和陰影。其中熱區(qū)類別是震前震后變化巨大的地物范圍；水體類別是震前震后未發(fā)生變化的水體部分，不包括堰塞湖；陰影主要是各山體之間的陰影部分。四個類別相互獨立，為并列關(guān)系。

2.2　多尺度分割

面向?qū)ο蠓诸愂菑膯我幌裨_始，采用自下而上區(qū)域合并的方法形成影像對象，再針對眾多對象進行分類的方法。多尺度影像分割技術(shù)，是面向?qū)ο蠓诸惖暮诵膬?nèi)容，是完成影像對象分割的基礎(chǔ)。多尺度影像分割包含兩個重要選擇：分割尺度和同質(zhì)性系數(shù)。分割尺度的選擇是根據(jù)地物類別的顆粒大小決定分割單元大小；同質(zhì)性系數(shù)是根據(jù)地物光譜和形狀特征的不同選擇不同的要素權(quán)重。

分割尺度的大小代表對象異質(zhì)性的閾值，用無量綱的數(shù)值表示，數(shù)值越大顆粒越大。異質(zhì)性是由對象的光譜和形狀差異確定的，光譜異質(zhì)性、質(zhì)密度異質(zhì)性共同提供形狀信息，與顏色信息相互依存，組成同質(zhì)性系數(shù)，如圖1所示。

光譜異質(zhì)性的計算公式如下：

圖1　同質(zhì)性系數(shù)的組成Fig.1　 Composition of homogeneity coefficient

光滑度異質(zhì)性的計算公式為：

質(zhì)密度異質(zhì)性計算公式為：

其中，n是組成影像對象的像元個數(shù)。

形狀因子綜合了質(zhì)密度異質(zhì)性與光滑度異質(zhì)性兩種信息，計算公式為：

同質(zhì)性系數(shù)綜合了光譜異質(zhì)性與形狀異質(zhì)性兩種信息，計算公式為：

如圖2所示，不同的分割尺度下，地物分割成不同大小的單元集合。尺度為10時，地物分割太過于細碎；尺度為20時，水體、居民區(qū)分割最為合理；尺度為30時，植被分割最為合理；尺度為40、50時，過于概括而無法有效區(qū)分。為了最大程度正確分類各種地物，研究選擇兩個不同尺度進行交叉分類：尺度為20時分割水體、熱區(qū)，尺度為30時分割植被、陰影。

圖2　不同尺度參數(shù)下的分割Fig.2　 Segmentation result of different scales

同時，從圖2中可見，同一分割尺度下，分割后的單元并不是大小一致的，而是隨著地物特征變化的，這些變化取決于同質(zhì)性系數(shù)的選擇。由于北川縣城的災害快速提取中對形狀特征的要求不是很突出，在分割過程中形狀因子的權(quán)重選擇較小，其中植被與陰影區(qū)受形狀因素影響程度更低，具體歸一化權(quán)重選擇如表1所示。

表1　尺度參數(shù)列表

另外，在多光譜福衛(wèi)二號衛(wèi)星影像中有四個波段數(shù)據(jù)，其中不同波段對不同地物的反映不同。例如近紅外波段對植被、水體的反映就較為敏感，在這種情況下，研究通過適當調(diào)整不同波段在不同地物分類中的權(quán)重進行篩選。如表2所示，為實驗獲得的最佳權(quán)重。

表2　波段權(quán)重表

3　分類結(jié)果與效能評價

3.1　分類結(jié)果

面向?qū)ο笥跋穹指钪锌梢愿鶕?jù)每一種地物的特征，分別選擇不同的分類標準，在不同的尺度下建立分類流程。如圖3，為北川縣城及周邊區(qū)域震害快速提取的工作示意圖，其中用到了比值植被指數(shù)（RVI）、差值環(huán)境指數(shù)（DVIEVI）、歸一化植被指數(shù)（NDVI）三個光譜特征來分別分類植被、熱區(qū)和水體。

RVI是比值植被指數(shù)，其公式為：

圖3　北川縣城及周邊區(qū)域震害快速提取Fig.3　 Rapid seismic damage extraction of Beichuan County and its surrounding area

其中NIR為近紅外波段的亮度值，R為紅光波段的亮度值。

DVIEVI是差值環(huán)境指數(shù)，其公式為：

NDVI是歸一化植被指數(shù)，其公式為：

選取的分類特征是取自大量不同類別的特征，選取過程中經(jīng)過對圖像的直方圖分析調(diào)整，綜合分析得到。

按照上述分類流程，得到了分類結(jié)果，如圖4（a）所示，粉色為熱區(qū)、綠色為植被、藍色為水體、黑色為陰影。面向?qū)ο蟮姆诸惤Y(jié)果是矢量化的結(jié)果，不再是單個像元分離，更易于進行各種變換和統(tǒng)計。將提取的熱區(qū)用矢量化圖層表示，與原始影像疊合，結(jié)果如圖4（b），可見各個類別的劃分非常明確，沒有細碎的噪聲，分類結(jié)果與目視解譯基本吻合。

圖4　分類結(jié)果圖與熱區(qū)Fig.4　 Classification result and the hot-area

3.2　效能評價

面向?qū)ο蟮倪b感分類結(jié)果提供了矢量分類數(shù)據(jù)，能夠快速給出災害范圍的區(qū)域、面積等定量化結(jié)果，便于與基礎(chǔ)生命線數(shù)據(jù)庫中的矢量信息進行交叉計算，第一時間提供震后的評估數(shù)據(jù)。

與人工解譯結(jié)果比對分析發(fā)現(xiàn)，除了山體滑坡信息中較為細碎的小滑坡和影像中云的影響，判讀結(jié)果基本一致。去除云的影響，受災面積正確率達90%、水體95%、植被85%。在面向?qū)ο蠓诸愔校活愋瓦b感影像數(shù)據(jù)在大范圍宏觀災害提取中選取的各參數(shù)信息具有可遺傳性，試用廣泛，因此可以在大區(qū)域計算中減少重復工作，大大提高災害提取速度。

21天結(jié)束后，共99人參加打卡活動，總打卡次數(shù)1218次。根據(jù)讀者在21天的打卡表現(xiàn)，最終評選出31名全勤打卡獎及28名優(yōu)質(zhì)打卡獎，在寫書評的讀者中評選出五名優(yōu)秀書評獎。開學后我們邀請三十名寒假打卡的讀者組織了“寒假21天閱讀習慣養(yǎng)成”活動的線下交流會暨頒獎儀式。活動中讀者交流寒假打卡的心得體會，邀請兩位同學就“如何挑選你要讀的書”“如何抽出時間讀更多的書”以及“讀書給你帶來了什么”這三個問題分享了自己的心得和感悟。

4　結(jié)論

在震后快速評估中，快速、準確的提取有效災害信息是評估依據(jù)的基礎(chǔ)。本文應用面向?qū)ο蟮姆诸惙椒ǎ焖偬崛×算氪ǖ卣鸢l(fā)生后北川縣城及周邊的宏觀災害區(qū)域。提取過程中綜合運用了遙感影像數(shù)據(jù)的多光譜特征和紋理特征，模擬人類思維的模式，使得分類結(jié)果最大程度接近于人工解譯結(jié)果，并大大提高了解譯速度。同時，面向?qū)ο蟮姆诸惤Y(jié)果得到的是矢量化的數(shù)據(jù)信息，相對于傳統(tǒng)的基于像元的分類結(jié)果，更便于定量化信息的分析和后續(xù)應用計算。

參考文獻：

[1] 王曉青， 丁香. 地震現(xiàn)場災害損失評估地理信息系統(tǒng)[M]. 北京： 地震出版社， 2002.

[2] 王曉青， 魏成階， 苗崇剛， 等 . 震害遙感快速提取研究—以2003年2月24日巴楚－伽師6.8級地震為例 [J]. 地學前緣， 2003， 10（U08）： 285-291.

[3] 王巖， 李彤霞， 李秀麗， 等 . 基于 MODIS 的日本 9.0級地震前后溫度變化研究[J]. 防災減災學報， 2015，31（4）： 14-19.

[4] 竇愛霞. 震害遙感圖像的變化檢測技術(shù)研究[D]. 山東： 山東科技大學， 2003.

[6] 孫曉霞， 張繼賢， 劉正軍. 利用面向?qū)ο蟮姆诸惙椒◤腎KONOS全色影像中提取河流和道路[J]. 測繪科學， 2006， 31（1）： 62-63.

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

[8] 王巖. 面向?qū)ο髨D像處理方法在震害信息提取中的應用研究[D]. 北京： 中國地震局預測研究所， 2009.