基于面向對象的建筑物破壞遙感震害快速評估方法研究＊

徐秀杰，楊玉永，潘 健

（山東省地震局，山東 濟南 250100）

發生破壞性地震后，開展地震災區應急救援和震后恢復工作都迫切需要快速獲取地震烈度分布信息。基于房屋震害程度的遙感評估是目前地震烈度快速評估最高效的方法之一（王曉青等，2015；魏成階，2009），在汶川地震、蘆山地震等大震震害評估得到廣泛應用（王麗濤等，2010），如何在影像中快速精確提取災區房屋破壞的數量是實現這種方法的關鍵問題（竇愛霞等，2012；HUANG S 等，2016）。近年來隨著無人機航拍技術的高速發展，獲取的高分辨率（厘米級）遙感影像中建筑物的破壞細節信息能夠更清晰表達。與衛星遙感影像數據相比，無人機航拍可以準確、快速地獲取目標區的高分辨率影像（鄧飛等，2017）。

目前的遙感圖像分類方法主要分三種：目視解譯、基于像元分類、面向對象分類（張潔等，2015）。其中，人工目視解譯方法分類結果最準確，但卻最耗時費力，且需要豐富的經驗，也是目前最常用的方法（明小娜等，2018）。基于像元的方法在處理高空間分辨率遙感影像時，分類精度比較低。面向對象的分類方法是一種智能化的自動影像分類技術，它的處理單元是提取的目標“對象”（劉賈賈等，2019），利用對象的光譜特征、形狀特征、紋理特征和相鄰關系特征等提取目標（朱芳芳等，2019）。在高分辨率遙感影像上，建筑物呈現清晰的輪廓特征，并具有一定的光譜特征，面向對象的方法能更好地提取建筑物信息（HUANG S 等，2016）。

1 面向對象分類原理

面向對象圖像處理的兩個關鍵步驟是影像分割和模糊邏輯分類。

1.1 影像分割

本文選擇多尺度影像分割，目的是將一幅M×N陣列的數字圖像劃分為若干個互不交疊區域的過程。多尺度分割算法可以保證生成高度同質性（或異質性最小）的影像分割區域（影像對象）。不同的分割尺度會影響分類的精度和結果，影像的空間分辨率與分割尺度有著密切的關系，提取同一空間屬性與紋理特征的類別信息（趙妍等，2016），空間分辨率高的數據選擇的分割尺度大，而分辨率低的數據選擇的分割尺度小。為了得到較好的分割效果，往往試驗對比選擇不同尺度的分割結果，從而確定合適的分割尺度。

將3 種尺度（20、50、100）的分割效果進行對比，分割尺度為20 時，建筑物分割破碎，形狀特征不明顯，不能有效地提取出建筑物；分割尺度為50 時，建筑物較好地同其他地物進行區分，并較為完整；分割尺度為100 時，建筑物分割較為完整，但是與其他地物出現“粘連”現象，由此得出分割尺度50 為最佳。

1.2 模糊邏輯分類特征

影像分割后產生了眾多形狀特征、紋理特征和光譜特征。面向對象的邏輯分類對象特征主要有3 種：光譜特征、紋理特征、形狀特征。水體、植被、建筑用地等不同利用類型分類可以給予NDVI、NDWI、亮度閾值等參數建立特征規則。但同一地物不同類型的目標分類就需要建立更加復雜的規則，本文研究的破壞程度的房屋分類提取就需要多層次結構的組合規則，航拍影像包含紅、綠、藍三波段，根據不同目標的像素亮度、方差、形狀等特征值相關性分析。

常用基于邏輯分類對象特征如表1 所示。

表1 常用基于邏輯分類對象特征列表

1.3 面向對象分類流程

面向對象遙感影像分類技術流程如圖1 所示，確定了分割尺度及特征庫，按照分類流程，得到分類結果，與其他解譯結果或者實際分類數據對比，對處理結果進行定量的精度評價（如Kappa 值）。

圖1 面向對象的遙感分類技術流程

2 以蘆山地震為例研究建筑物遙感震害快速定量化評估方法

2.1 數據獲取及定量化評估模型

2013-04-20 四川省雅安市蘆山縣發生7.0 級地震，根據震后烈度調查，距離震中約4 km 處的太平鎮房屋被嚴重破壞，墻體龜裂，局部坍塌，復修困難，被劃為最大烈度Ⅸ度區。本文使用測繪局對太平鎮進行震后航拍攝影數據，經拼接、校正、配準等圖像處理后得到的震后0.6 cm 分辨率影像，影像處理面積約1.3 km2，經實地調查單體建筑物總數量223棟。分別利用目視解譯方法和面向對象方法提取倒塌建筑物，并統計倒塌數量，計算出災區震害指數（倒塌率），在此基礎上，利用遙感評估的震害指數與地面調查確定的震害指數的定量轉換模型和地震烈度遙感評估方法，確定地震災區相對高烈度區的地震烈。

本文使用蘆山地震的建筑物震害定量評估模型公式（1）（預測所，王曉青），遙感快速評估結果相比較于詳細評估結果，震害指數相差絕對值不大于0.10，地震烈度評估結果為同一個烈度值，表明地震烈度遙感快速評估結果與詳細評估結果具有可比性。總體一致性精度為80%，Kappa 檢驗值達到0.68。同時，經現場調查對比，確定地震烈度遙感快速評估結果與地面詳細調查評估結果比較一致性精度為80%，Kappa 檢驗值達到0.71。

地面等效震害指數DIg與平均遙感震害指數DIRS線性統計關系模型為：

2.2 震害提取

數據預處理后，根據建筑物破壞遙感解譯標志建立目標特征庫，其震害指數如表2 所示。

表2 建筑物震害特征及震害指數

根據解譯標志，分別采用人工目視解譯方法和面向對象提取方法，提取的4 類建筑物震害類型結果如表3 所示。相比目視解譯方法，面向對象方法可快速提取并計算出各類型建筑物的數量和面積。

表3 建筑物震害提取數量統計

2.3 遙感定量評估及精度評定

基于建筑物棟數的綜合震害指數評估處理，利用公式（1）計算出地面等效震害指數，再根據地震烈度與震害指數的關系——中國地震烈度表（國家質量技術監督局，1999；中華人民共和國國家質量監督檢驗檢疫總局等，2008）（如表4 所示），可評估出太平鎮在本次地震中的烈度（如表5所示）為Ⅸ度，面向對象方法和目視解譯方法、現場調查評定結果一致。

表4 等效震害指數和地震烈度對照表

表5 太平鎮遙感遙感評估地震烈度結果

根據提取的誤差矩陣（如表6 所示）誤差計算得到總體分類精度為82.2%，Kappa 系數為0.73，分類效果較好。

3 結果及討論

本實驗研究結果表明，面向對象分類方法在倒塌和未倒塌分類上進度高可達到90%以上，但在局部倒塌和未倒塌有明顯破壞分類上精度相對較低，還需建立更精細的提取規則提高分類精度。與實地調查方式耗時長、人力投入大不足相比，面向對象提取方式快速、精確、可視化強，并能統計建筑面積等，如果結合傾斜攝影還可以提取不同結構類型的房屋數量和面積。

表6 面向對象提取誤差矩陣

震后對農村建筑物的震害評估和震前預評估越來越多依賴于高分辨率遙感影像，利用面向對象提取的各類震害建筑物數量和面積，不僅可用于地震烈度評估，同時也能用于災區經濟損失統計計算。面向對象分類方法在倒塌和未倒塌分類上進度高，可達到90%以上，但在局部倒塌和未倒塌有明顯破壞分類上精度相對較低，還需建立更精細的提取規則提高分類精度。利用面向對象提取的各類震害建筑物數量和面積，不僅可為地震烈度評估提供重要參數，同時也可用于災區經濟損失統計計算等方面。