基于手机位置信息的高精度动态人口数据空间化方法研究——以四川泸定6.8级地震为例

破坏性地震通常造成大量生命损失,符合实际情况的人口空间数据是影响震后生命损失快速评估的重要因素。为克服以往静态格网数据的滞后性,以近年来广泛应用的手机位置数据作为来源,提出改进的统计人口数据空间化方法,在不损失统计空间单元总体人口数量的基础上,将人口统计数据转化为动态人口空间分布,并以2022年9月5日四川泸定6.8级地震为例进行验证。研究结果表明,该方法能够实现人口统计数据的高精度快速空间化,对于通信设施较为完善的城镇区域,能够精细刻画人口空间的现势特征,满足破坏性地震的生命损失快速评估,具有较好的实用性。

3D点云震害建筑物深度学习样本增强方法

针对震后复杂场景下LiDAR点云建筑物破坏类型自动识别问题,为满足应急救援时效性、准确性需求,告别传统人工震害特征提取,充分挖掘点云数据中灾区建筑物震害信息,进一步实现建筑物自动化智能化识别。本文将3D点云深度学习方法应用于建筑物震害识别,构建了包含倒塌、局部倒塌、未倒塌3种建筑物破坏类型的点云数据集。基于PointNet++网络探究了各类别样本量及其均衡性对识别精度的影响,并提出破坏建筑物样本增强方法,丰富了各类别样本点云形态。利用2010年海地7.0级地震后机载LiDAR数据,在PointNet++网络中进行了样本增强前后分类精度比较、样本量以及均衡性分析实验,样本增强后倒塌和局部倒塌的分类精度分别提高近27%和17%,模型整体平均分类精度、Kappa系数均有近15%的提升。实验结果表明三维建筑物震害深度学习模型在各类别样本量足够且均衡时,才能取得较好的分类识别效果。