基于多源遙感影像的2021年云南漾濞MS6.4地震災區建筑物信息識別與震害分析

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域高分辨率遙感影像、DSM數字表面模型為基礎，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，并依據光譜、紋理、形狀特征進行震后建筑物震害、結構類型以及樓層數識別。將該方法應用于2021年云南漾濞MS6.4地震災區建筑物震害識別，為災害損失評估工作提供基礎數據。結果表明，與傳統的人工震害調查相比，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。

關鍵詞：漾濞MS6.4地震;建筑物震害識別;災害損失評估;DSM數字表面模型;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

隨著我國經濟社會的飛速發展，政府和公眾對地震災情獲取的時效性要求越來越高（張建國，2014;張方浩等，2020）。遙感技術作為地震災情獲取的重要手段之一，在震后災害損失評估工作中發揮著越來越重要的作用。多源遙感信息的建筑物震害識別，能夠對大面積區域的建筑物震害進行快速有效地識別，為地震災害風險評估提供精確有效的數據。

震后建筑物震害識別可大致分為現場調查、依托于各種機器學習算法的衛星遙感影像解譯（王昶等，2021;李強，張景發，2016）和無人機遙感影像解譯（和仕芳等，2016;杜浩國等，2018）。現場調查方法如盧永坤等（2019）介紹了2018年云南墨江5.9級地震烈度分布情況，給出了各烈度區的房屋建筑震害特征和各類結構房屋的破壞比、震害指數，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與方法。

基于機器學習算法的衛星遙感影像震害識別方法以震后衛星遙感影像為基礎，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象很難識別。陳晉等（2018）基于無人機、高分衛星影像資料，通過實地調研與遙感影像對比分析，建立了基于無人機、高分衛星遙感影像獲取建筑物的技術路線，并以甘肅省隴南市為研究區進行實例驗證，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，避免了災評人員開展實地調查所面臨的風險，但人工影像震害識別會耗費大量時間，且需要短時間內處理大量建筑物震害信息，從而導致建筑物震害判別標準不統一。杜浩國等（2019）對云南省紅河縣城區房屋建造年代、結構類型、設防等級、樓層、層高、面積、外觀形狀及所處地形等進行實地調查，對紅河縣城區進行地震災害三維仿真模擬評估，此類調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果影響很大。② 基于機器學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習算法相結合，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建筑物高度特征DSM數據，并通過點云格網化處理以及坡度值計算得到建筑物坡度特征，再結合研究區DOM數據進行建筑物震害提取。

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

1 研究方法及技術路線

基于多源遙感影像的漾濞地震災區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，識別出破壞區域。③訓練樣本與驗證樣本。訓練建筑物震害識別規則，采用訓練所得的規則對高分辨率影像進行建筑物震害、結構、樓層數識別分類。④精度檢驗。與目視解譯、實地調研對比，分別計算分類結果的使用精度、生產精度和kappa系數。

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、紋理相同的小區域合并為更大的分割區域（杜妍開等，2020;代沁伶等，2020;馬燕妮等，2017）。通過對建筑物屋頂的破壞部分與整體部分的異質性進行分割，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。

影像的異質性f包含光譜異質性和形狀異質性，其公式為：

f=ω1x+（1-ω1y）（1）

式中：ω1為權值，0≤ω1≤1;x為光譜異質性，y為形狀異質性。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;σi為第i影像對象層光譜值的標準差;u為影像區域整體的緊密度;v為影像區域邊界的平滑度;ω2為權值，0≤ω2≤1。

1.2 建筑物震害提取規則

由于遙感數據各波段為連續值（0～255），波段的區間過多，會影響震害識別的效率和規則的質量，因此，在建立規則之前需要將訓練數據集進行離散化，即將各波段數據劃分為有限的區間（丁勝等，2010），如圖 2 所示，每條路徑對應一條完整的識別規則。

1.3 多源震害識別

遙感影像的建筑物震害、結構類型、樓層數等信息提取主要是依據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為圖像內像元的數目。

面積表示被分割區域的大小，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、生產精度、總體精度和kappa系數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果和地表真實信息，可以把分類結果的精度顯示在一個混淆矩陣中。混淆矩陣將每一個真實像元的位置和分類與分類圖像中的相應位置和分類相比較進行計算。混淆矩陣的每一列代表了一個地表真實分類，每一列中的數值等于地表真實像元在分類圖像中對應于相應類別的數量。

（2）總體分類精度

總體分類精度等于被正確分類的像元數除以總像元數。 地表真實圖像或地表真實感興趣區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，像元總數等于所有地表真實分類中的像元總和。

（3）kappa系數

kappa系數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系數值;Po為總體分類精度，由每一類正確分類的樣本數量之和除以總樣本數得到;a1，a2，…，ac為每一類真實樣本個數;b1，b2，…，bc為每一類預測樣本個數;n表示真實總樣本個數。表1為kappa系數精度級別分類標準。

2 區域震害提取試驗

2.1 研究區數據預處理

2021年5月21日21時48分34秒，云南省大理州漾濞縣發生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，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。輔助參考數據為該研究區域數字表面模型（DSM），如圖3b所示。

訓練樣本是提高震害識別的關鍵，直接關系到建筑物震害識別規則的質量。根據實地調查分析，研究區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為部分訓練樣本。表2為不同震害等級選取的訓練樣本和驗證樣本數量。

2.2 震害識別規則與試驗結果

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域進行邊緣檢測，如圖 5b所示，受損的建筑物屋頂具備不規則形狀以及多形狀聚集的特征;然后結合圖像分割區域的平均灰度值、面積和矩形度進行建筑物震害提取，并得到18條震害識別規則，見表3。圖5c為部分訓練樣本震害規則提取結果。圖6為282個訓練樣本平均灰度值與建筑物數量統計。將訓練樣本所得規則應用在試驗區進行震害識別，得到識別結果，如圖7a所示。圖7b為目視解譯與實地調研結果圖，采用相同的識別方法得到淮安村建筑物結構類型統計結果（圖7c）與淮安村建筑物樓層數統計結果（圖7d）。

3 討論與分析

筆者采用實地調研與遙感影像目視解譯的方法，對震害識別結果的精度進行評價，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構類型統計結果。從表5可以看出，磚木和土木結構建筑物“嚴重破壞”數量為76棟，占“嚴重破壞”房屋總數的97.43%，“中等破壞”數量為73棟，占“中等破壞”建筑物總數的79.34%;對于框架和磚混結構建筑物，“無破壞”數量為80棟，占“無破壞”建筑物總數的95.23%，“輕微破壞”數量為83棟，占“輕微破壞”建筑物總數的61.48%。從表6中可以看出，樓層數為一層和二層的“嚴重破壞”建筑物數量為78棟，占“嚴重破壞”建筑物總數的100%，“中等破壞”數量為91棟，占“中等破壞”建筑物總數的98.8%;對于三層和四層建筑物，“無破壞”數量為36棟，占“無破壞”建筑物總數的42.85%，“輕微破壞”數量為6棟，占“輕微破壞”建筑物總數的4.44%。

綜上所述，由于土木和磚木結構建筑物的抗震性能低于框架和磚混結構，因此頂部破裂倒塌數量占比較高，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構房屋，主要用磚塊建造，多以3～4層為主。根據建筑物震害、結構與樓層數識別結果，這一類房屋建筑整體結構完整，外部輪廓清晰，沒有出現明顯的破損和倒塌現象，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。“嚴重破壞”建筑物主要以老舊的土木和磚木結構建筑物為主，1～2層居多，承重的載體為木頭，墻面多以泥土砌成，結構簡單且建造時間久遠，屋頂呈現墨黑色。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構框架以及泥土、瓦礫等堆積物。

4 結論

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，應用于 2021 年 5 月 21 日漾濞 6.4 級地震的區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，依據光譜、紋理、形狀特征進行建筑物震害、結構類型與樓層數識別。

（1）建筑物震害識別總體精度為87.14%，kappa系數為0.825 5。采用相同的識別方法，得到建筑物結構、樓層數識別精度分別為92.15%，89.78%，kappa系數分別為0.8634，0.842 3。分析結果表明，該方法能快速準確地對災區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、精確等特點在災情評估工作中發揮了重要作用，為災后第一時間的震害快速評估提供了精確的數據。

（2）通過識別結果可以看出，淮安村框架（磚混）結構與土木（磚木）結構建筑物相比，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.區域多尺度馬爾可夫隨機場的遙感影像分類[J].遙感學報，24（3）：245-253.

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

杜浩國，陳亮，林旭川，等.2019.云南紅河縣城區房屋地震災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.基于蟻群優化算法的應急避難場所選址模型研究[J].自然災害學報，30（2）：89-101.

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

杜妍開，龔麗霞，李強，等.2020.基于最優分割的高分辨率遙感影像震害建筑物識別技術[J].地震學報，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查中的應用[J].地震研究，39（4）：673-679.

李強，張景發.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.面向對象影像多尺度分割最大異質性參數估計[J].遙感學報，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].測繪學報，50（2）：235-247.

曾濤.2010.汶川地震重災區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.

張方浩，盧永坤，鄧樹榮，等.2020.云南地區區域地震災害特征[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，（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