基于最优特征空间的震后损毁建筑物信息提取研究

基于传统面向对象方法,提出了一种基于最优特征空间的损毁建筑物信息提取方法。采用ESP(Estimate of Scale Parameter)工具对图像进行最优尺度分割,之后通过选取样本,计算各类地物距离矩阵和最小分离距离寻求最优特征空间,最后运用最优特征空间对震后损毁建筑物影像进行提取实验,在QuickBird影像中提取总体精度达到了83.1%, Kappa系数达到了0.813,在无人机影像中提取总体精度为92.9%, Kappa系数达到了0.940。本文建立的提取方法与传统分类决策树方法相比,其提取精度和效率都有较大提高,在损毁建筑物信息提取方面具有较好的推广价值。

不同特征融合的震后损毁建筑物识别研究

采用玉树地震Quick Bird影像,对不同损毁级别的建筑物进行采样分析,提取不同损毁情况表征纹理特征的灰度共生矩阵中区分度较好的特征参数。比较不同特征融合之后损毁建筑物提取精度。结果表明,灰度共生矩阵中纹理特征参数对不同损毁程度的建筑物具有不同的区分度,光谱特征与纹理特征结合,损毁建筑物识别精度最高,不同的特征参数混淆使用会造成信息冗余,从而降低信息提取精度。在实际工作中,要根据遥感震害机理选取合适的特征组合,提高损毁建筑物的提取精度。

面向对象的损毁建筑物提取

地震灾害已经成为一种频发的自然灾害之一,在震后的灾害评估中,建筑物的倒塌情况是很重要的一项指标。本文用GeoEye影像提取海地地震中的损毁建筑物。由于海地地震时发生倒塌的房子大多处于比较老旧的地区,房屋比较密集,而且房顶结构也比较复杂,我们采取了一种基于规则集的方法通过分类将倒塌建筑物逐步与其他各种地物区分开来。即在影像多尺度分割的基础上,结合纹理特征及几何特征,通过规则集的方法构成分类树提取损毁房屋。另外在进行植被剔除时本文根据影像的特点提出了一种新的植被指数geo-NDVI,最后根据目视解译的结果对分类的结果进行了对比。

利用灰度共生矩阵纹理特征识别空心村损毁建筑物的方法

从无人机影像上快速识别空心村损毁建筑物,不仅能精确掌握损毁建筑物的位置分布,还能为实地调研提供指导材料。本文首先在试验区范围内获取建筑物影像,并对这些建筑物逐一标记。然后以单个建筑物为对象,计算纹理特征参数和光谱特征参数,选取与损毁程度正相关的参数标准化后组成特征参数向量,根据向量的可视化结果获取损毁建筑物的分布、损毁程度等信息。试验结果表明,该方法能实现从无人机影像上识别出损毁建筑物,并能对建筑物的损毁程度得到初步认识,可以有效实现高分辨率影像中空心村损毁建筑物的识别。

基于灾后无人机遥感影像的地震损毁建筑物样本集构建

灾后建筑物损毁评估可以高效辅助应急救援、指挥决策与恢复重建等工作。近年来,遥感技术与深度学习方法的飞速发展为高效掌握灾后建筑物的损毁情况提供了重要的技术支撑。然而,高分辨率遥感影像上的损毁建筑物样本获取困难,且可用于深度学习模型训练的公开数据集较少。因此,本文利用2021年云南大理漾濞6.4级地震灾前Google Earth 20级影像和灾后高分辨率无人机遥感影像分别进行建筑物轮廓自动提取,通过对比分析灾前、灾后建筑物分布情况与灾后建筑物的屋顶损毁面积占比,并结合灾后三维模型辅助研判,最终得到一组带有损毁等级属性的灾后损毁建筑物样本数据集,为基于深度学习方法进行建筑物损毁评估的模型训练等算法研究工作提供数据基础。

不同上下文比例对损毁建筑遥感场景图片样本集构建的影响

基于深度学习的遥感影像场景分析是震后进行损毁评估的重要手段。在损毁建筑影像资源相对稀缺的情况下,构建高质量的遥感场景图片样本集,对提高场景识别和分类精度具有重要意义。作为遥感分析的重要参考依据,上下文信息在场景图片中所占比例是影响样本集构建效果的一个关键因素。目前,样本集构建方法中缺乏对上下文信息合适比例的探索。该文以构建高质量样本集为目标,设计一种调整场景图片上下文信息比例的方法,研究不同上下文信息占比对场景样本集构建的影响,探索上下文信息比例的最佳设置范围。文章构建6组不同上下文信息占比的场景图片样本集,使用5种经典卷积神经网络(convolutional neural network,CNN)进行训练和测试,并依次对每个模型的分类结果和不同上下文信息的分类结果进行分析。研究表明,当上下文信息占比为80%时,CNN网络达到了最佳的分类准确率(92.22%),当上下文信息占比为95%时,则降到89.03%;在所有的CNN模型中,GoogLeNet的分类表现最好,平均准确率达到93.13%。该研究可以找到场景样本集中合理的上下文信息比例设置范围,有效提高遥感场景图片分类的准确率,为损毁建筑遥感场景图片样本集的制作提供指导。

利用高分辨率光学遥感图像检测震害损毁建筑物

地震发生后,利用高分辨率遥感图像进行建筑物损毁检测,有利于快速评估灾害损失。在分析损毁建筑物梯度分布的基础上,提出了一种利用梯度局部空间统计检测震害损毁建筑物的方法。首先用Prewitt算子提取图像梯度信息;然后对梯度图像进行局部空间统计,统计各建筑物屋顶内部梯度的空间相关性,得到初步损毁检测结果;最后,在先验知识的指导下进行极小值分析和阴影检测,进一步修正建筑物损毁检测结果。分别以玉树地震后的Quickbird卫星遥感图像和盈江地震后的光学航空图像为例进行实验,结果表明,利用梯度局部空间统计检测震害损毁建筑物的方法效果优于传统损毁检测方法,总体精度达到80%以上,能够有效检测损毁建筑物。

基于生成对抗网络的建筑物损毁检测

建筑物作为自然灾害中最受影响的承灾体之一,其损毁信息的准确提取对灾后应急救援具有十分重要的意义。本文借鉴多模态的思想,提出了一种自动检测损毁建筑物的recursive-generative adversarial networks(RS-GAN)方法,将损毁建筑物检测分为灾前建筑物识别和灾后损毁建筑物检测两个任务,且分别在两个GAN分支中完成。RS-GAN加入联合损失函数将两个GAN分支进行连接,充分利用两个任务之间的潜在互利性提升检测效果。RS-GAN利用第1条GAN分支识别建筑物灾前形状与位置,并将识别结果作为第2条GAN分支的输入进行损毁建筑物检测任务,从而使检测结果具有更清晰的轮廓。该方法为端到端模型,在不需要过多的人工干预情形下,实现了损毁建筑物的自动检测。为了验证RS-GAN模型的效果,在圣罗莎和密苏里两个数据集上进行了测试。试验结果表明,RS-GAN方法拥有更好的检测性能,在圣罗莎数据集上的总体精度和平均精度分别达到了0.90和0.86。

长江上游航道整治建筑物损毁原因及维修探讨

以长江上游航道甑柄碛滩丁顺坝为例,结合该坝运行实际对上游航道整治建筑物损毁原因进行了概括,并对其中水流泥沙动力作用这个不可控原因进行了深入分析;在水流泥沙动力作用下坝体外侧冲坑持续增大,进而引发丁顺坝损毁;对扭王字块应用于坝体坡面维修的设计思路、施工工艺及维修效果进行了分析。本文分析结果对长江上游航道整治建筑物维修处理具有普遍适用性,也为扭王字块结构在航道整治建筑物护面中的推广应用提供了思路。

基于DCNN特征的建筑物震害损毁区域检测

为了提高基于高空间分辨率遥感影像的建筑物震害损毁评估精度,引入深度卷积神经网络(deep convolutional neural network,DCNN)模型,提出一种利用DCNN全连接层特征结合支持向量机(support vector machine,SVM)进行遥感影像建筑物震害损毁区域检测的方法。首先,利用神经网络前馈方式从DCNN全连接层提取训练样本和待检测区域的特征;然后,基于样本训练SVM分类器;最后,对待检测区域的所有区块进行分类预测和投票确定是否损毁。以2010年海地地震遥感影像为例,建筑物损毁检测正确率可以达到89%,相比于传统的特征提取方法正确率提高了4%。实验结果表明该方法在建筑物震害损毁检测方面具有一定的应用潜力。

基于高分一号卫星遥感图像的建筑物震害损毁检测研究——以2015年尼泊尔M_S8.1地震为例

在高分辨率遥感图像中,不同震害损毁程度的建筑物呈现不同的图像特征,鉴于此本文提出一种利用遥感图像多特征分析建筑物损毁程度的检测方法.以2015年尼泊尔MS8.1地震为例,结合震后高分一号卫星全色遥感图像和城市道路矢量数据提供的街区信息,以建筑物街区为单元进行图像纹理提取和局部空间统计等多类别图像特征参数分析,并构建多特征分类模型,将震后建筑物街区划分为基本完好、部分损毁和严重损毁等3个类别.试验结果表明,本文提取的参数能够有效地表征损毁建筑物的图像特征,而且建筑物震害损毁检测精度较高.该方法可用于建筑物震害损毁信息的快速提取,为震后应急救援提供指导;同时还可为我国自主研发高分卫星遥感数据在地震灾害信息提取中的应用提供技术参考与方法借鉴.

基于基尼系数的建筑物立面损毁自动检测仿真

针对传统的建筑物立面损毁自动检测方法存在检测时间过长、误检率较高等问题,提出一种基于基尼系数的建筑物立面损毁自动检测方法。将全变分去噪模型和分数阶微分理论两者相结合,构建新的建筑物立面图像去噪模型,对图像进行去噪处理得到平滑图像。采用Hear小波变换,在最高层对近似分量进行自适应阈值分割获取建筑物立面损毁初始区域。在其他各层中针对损毁区域进一步进行分割处理,通过基尼系数自动判定建筑物立面是否存在损毁。实验结果表明,所提方法能够有效抑制噪声干扰,减少检测时间,提高检测效率,获取准确的检测结果。

遥感分类方法在建筑物震害提取中的应用(以玉树地震为例)

建筑物损毁情况是地震灾害评估的一项重要指标,利用遥感技术快速提取震后建筑物震害信息,对科学指导地震应急救援工作具有重要意义。利用2010年4月14日青海玉树7.1级地震前后玉树县结古镇团结村高分辨率遥感影像,结合像素光谱和空间特性的纹理、结构等多源信息,基于支持向量机(SVM)方法,对地震前后建筑物信息进行分类提取,变化检测出建筑物损毁情况,并与面向对象多源信息复合的模糊分类法的分类精度、提取效率进行对比分析。研究结果表明,多源数据复合的SVM影像分类方法能够有效解决模糊分类影像破碎问题,地震前后两实相影像分类总精度达到77.53%和73.56%,提高了建筑物震害信息提取精度。

遥感技术在震后建筑物损毁检测中的应用

建筑物损毁信息提取作为震后损失评估的重要内容,对于及时了解灾情、开展灾害应急响应及灾后恢复重建等具有重要意义。近年来,多平台遥感技术和高分辨率遥感技术的飞速发展为建筑物损毁信息的精确提取带来新的发展机遇。在介绍建筑物损毁基本特征和分级标准的基础上,总结了目前国内外遥感技术在建筑物损毁检测方面的常见方法,包括基于震后单时相的提取方法、灾前灾后的变化检测方法以及融合多源数据的建筑物损毁信息检测方法,并分析了各种方法本身的局限性与不足。结合目前遥感领域的前沿技术,探讨了如何基于高分辨率遥感技术、合成孔径雷达技术、机载激光雷达技术以及倾斜摄影技术实现震后建筑物损毁信息的提取。

基于基尼系数的倾斜航空影像中建筑物立面损毁检测

针对已分割出的建筑物立面,提出了以基尼系数作为损毁指数对倾斜航空影像中建筑物立面损毁检测的方法。该方法首先通过改进的k-means算法分割出建筑物立面的门窗和墙面,然后利用Canny算法对分割影像进行边缘检测提取统计特征,最后利用经济学中的基尼系数来判断建筑物立面是否损毁。实验结果表明,本文方法在没有先验信息的情况下仅利用单时相倾斜航空影像就能简单高效地判定建筑物立面损毁。

利用词袋模型检测建筑物顶面损毁区域

针对航空影像中已分割出的建筑物顶面,提出了一种利用视觉词袋模型检测建筑物顶面损毁区域的方法。该方法首先利用简单线性迭代聚类方法对建筑物顶面进行超像素分割,然后对超像素区域利用颜色和梯度方向直方图特征构建视觉词袋模型,最后使用支持向量机（support vector machine,SVM）对超像素区域中的损毁区域进行检测。实验结果表明,该方法能有效判定建筑物顶面损毁区域,对提高建筑物整体损毁检测精度具有重要意义。

利用具有注意力的Mask R-CNN检测震害建筑物立面损毁

震后建筑物损毁信息是灾情快速评估和应急救援的重要决策依据之一。针对传统的建筑物损毁遥感检测技术只关注于顶面信息,导致众多顶面结构完好而中间层、底层倒塌或崩裂的损毁建筑物处于检测盲点的问题,提出了一种融合引入注意力机制的深度学习实例分割模型和图像多尺度分割算法进行震后建筑物立面损毁检测的方法。首先,利用卷积块状注意力模块(convolutional block attention module,CBAM)改进掩模区域卷积神经网络(mask region-based convolutional networks,Mask R-CNN)模型实现了复杂建筑物立面背景中的损毁信息提取;然后,基于建筑物立面影像多尺度分割结果,利用多数投票规则实现了损毁检测结果的后处理优化。实验结果表明,相比传统损毁检测方法,所提方法能够更有效地实现震后建筑物立面损毁信息的精准定位,总体准确率可达到89.15%。

城市地震风险精细化评估--以北京海淀区为例

地震风险评估需充分考虑到地震风险的时空差异,选择合理的时空间尺度进行研究,才能给政府防灾减灾规划、政策的落实和应急救援等提供具有可操作性、切实有效的信息。为此,基于辨识城市地震风险时空格局差异以及抗震救灾组织2个方面的综合考虑,本研究选择在500m×500m格网尺度上进行昼夜2个不同时段的地震风险评估研究,建立了昼夜人口分布与土地利用的对应关系,以及建筑物损毁与人员伤亡之间的关系,提出了昼夜地震风险精细化评估的方法。并以北京市海淀区为例,在500m×500m格网尺度上进行了地震风险的模拟评估,估算了海淀区总体及格网在相应的地震烈度下可能的建筑物损毁面积、房屋损失以及人员伤亡数。结果表明,海淀区年期望建筑物损毁总面积为18.5万m2,房屋总损失为3.25亿元(不包括屋内财产),白天死亡总人数3158人,受伤总人数12071人,夜晚死亡总人数2037人,受伤总人数7790人;空间上,建筑物损毁面积和房屋损失比较大的地区集中在南部城市中心区和东部产业园区,白天和夜晚伤亡人数自东南向西北呈现出显著的"城市核心区—城市边缘区—城市影响区—乡村腹地"的衰减模式,白天伤亡人口有几个显著的高值区,夜晚伤亡人口则分布相对分散。文中的分析结果识别了昼夜精细化尺度地震风险的高值区域,为进一步确定防震减灾、震后应急救援以及各种救灾物资分配的重点地区提供了决策依据。

基于遥感图像的地震人员伤亡预测模型研究

目的探索遥感技术(remote sensing,RS)和地理信息系统(geoinformation system,GIS)在灾难医学中的应用,提高地震后人员伤亡预测的准确性。方法分析构建建筑物损毁程度、材质结构属性和地震人员伤亡三者的关系,基于RS和GIS数据,建立地震伤亡预测模型。以汶川地震都江堰震区灌口镇和幸福镇作为研究对象,验证模型准确性。结果灌口镇伤亡预测人数为3 815名,实际伤亡3 447名;幸福镇伤亡预测人数为3 366名,实际伤亡3 545名。结论相比于其他地震伤亡预测方法,基于遥感图像的地震人员伤亡预测更为准确,可为地震救援策略的制定提供参考。

1733年东川Ms7.8地震山地灾害研究

1733年云南东川发生里氏7.8级地震,震害被崔乃镛几乎完整地记录了下来,对山地区走滑发震断裂触发的震害研究具有很高的研究价值。基于史料及现场调研,对次生山地灾害进行了复核,并获得如下基本认识:(1)地震次生山地灾害尤其是滑坡沿发震断裂呈窄条带状分布;(2)弱支护采铜矿洞坍塌严重;(3)滑坡失稳既有抛射现象也有慢速滑动现象,取决滑坡边界条件或失稳时间;(4)斜坡岩土体地震过程中震裂、松动是该区泥石流高频的主要原因之一。