震后建筑物受災程度遙感監測方法研究*

楊玉榮，張仕廉，鐵中用，周 超

(1.四川工程職業技術學院 建筑工程系，四川 德陽 618000；2.重慶大學 建設管理與房地產學院，重慶 400045)

0 引言

近幾十年，地震災害頻發，對房屋建筑、公共設施造成巨大損害。為了在震后及時了解受損建筑物的地理位置、損毀程度，及時開展救援與重建，可以利用地震前后建筑物的遙感監測圖像進行分析對比，獲取有益信息。傳統的遙感圖像信息提取方法已廣為應用，它具有可靠性好、精準度高的優勢，但存在耗費時間長、資源浪費明顯、效率低的缺點(葉昕等，2016)。因此必須探索一種高質量的建筑物受損程度遙感圖像分析方法，為震后建筑重建提供更有價值的參考依據(王福濤等，2016；付蕭等，2016)。

以往的震后建筑物受災程度遠程監測方法均存在一定局限性，如基于TLS技術的典型建筑物震害信息三維建模分析方法(焦其松等，2016)，需要采用震后建筑物的三維模型評估建筑物受災情況，監控效率偏低；利用相干系數對震后倒塌建筑物進行快速評估(徐豐等，2016)，僅在震后建筑物受災程度嚴重的條件下，具有效率高的優勢，但是存在評估精度低的問題；張方浩等(2016)提出基于互聯網的地震災情信息分類編碼及其應用方法，存在無法獲取直觀形象的建筑物受災程度的缺陷；張斌等(2014)利用災前光學影像和災后VHR SAR影像對建筑物受災程度進行分析，但只能對地震區低層建筑物進行變化監測，無法對高層建筑物進行監測，具有一定的局限性。

本文提出的基于面向對象的震后建筑物受災程度遙感監測方法，通過對受災建筑物的遙感圖像進行光譜分析，利用建筑物在地震前后多光譜圖像分割處理后的紋理特征判斷其結構分布變化，評估建筑物受災程度。并以2010年青海玉樹7.1級地震重災區建筑遙感圖為例對該方法進行實驗分析。

1 分析方法

1.1 面向對象的多光譜遙感圖像分割方法

結合多光譜掃描、攝影系統，從可見光與熱紅外波段部分獲取震后建筑物受災狀況的多光譜遙感圖像，并對其展開遙感監測分析(周云東等，2017)。面向對象的多光譜遙感圖像分割方法是在調整遙感圖像異質性參數與尺度參數的基礎上合并相鄰區域，對震后建筑物圖像進行分割。遙感圖像異質性參數與尺度參數可由衛星監測器與航空拍攝器獲取。

識別目標對象異質性最小的尺度閾值稱作尺度參數。在識別目標時，分辨率越高的圖像相應的尺度參數越小。通過顏色差異與形狀差異來獲取異質參數：

f=wcolor·Δhcolor+wshape·Δhshape

(1)

式中：f為異質參數；△hcolor為顏色差異，目標的光譜響應即顏色；△hshope為形狀差異，相關聯對象的語義信息存在一致性，可用形狀來描述；wcolor為顏色差異的權重參數；wshape為形狀差異的權重參數。

緊致度與光滑度是形狀因子的主要特征因素：

(2)

式中：SCOM為緊致度；SSMO為光滑度；l為周長；n為像元數量；b為存在的邊長最小值。

根據獲取的異質性參數合并遙感圖像的相鄰區域，先完成建筑物遙感圖像的分割。

1.2 提取震后建筑物分割對象紋理特征

在獲取的震后建筑物多光譜遙感圖像中，紋理特征是分割對象的重要特點。基于這一特征對已獲取的分割結果進行目標紋理特征提取，獲取震后建筑物分割對象的紋理特征。

震前與震后建筑物的紋理特征存在如下特點(上官冬輝等，2017)：震前完好建筑物的紋理特征差異小，呈基本相同的紋理狀態；震后倒塌建筑物的紋理特征分布散亂、變化差異大。經過驗算，可通過分析震后建筑物紋理特征的對比度、差異性和方差來提取震后建筑物分割對象的紋理特征：

(3)

式中：fCON為對比度；fDIS為差異性；fVAR為方差；p(i，j)表示多光譜遙感圖像中2個灰度值分別為i和j時，其間距為一特定值的像素出現頻率；g表示相似度；i，j為不同窗口中的共生矩陣點對應的灰度值；N表示灰度共生矩陣的維數；μ為均值。

根據紅、綠、藍不同波段的多光譜遙感圖像得到震后建筑物的紋理特征。慣性矩分布在灰度共生矩陣的主對角線周圍，即對比度(王庭華等，2017)。紋理深淺程度與清晰狀況是通過度量矩陣值的排列規律以及多光譜遙感圖像空間頻率的部分變化狀況來體現的，也就是多光譜圖像中灰度上限與下限的幅度差。共生矩陣之間的差異狀況是通過差異性參數來體現的，差異性越大說明該受災區域建筑物紋理特征的對比度越高(李孝波等，2017)。建筑物的損壞程度可以用方差值來體現(Dongetal，2016)，較大的方差值存在于倒塌的建筑物中，較低的方差值存在于完好無損的建筑物中。

對比建筑倒塌前后的特征紋理圖(圖1)可以看出，倒塌前后圖像的紋理特征具有明顯差異，對比度較高，倒塌后的圖像紋理程度較深，且紋理清晰。

圖1 建筑物倒塌前(a)、后(b)及其相應的紋理特征(c)，(d)Fig.1 Pre-collapse buildings(a)and collapsed buildings(b)and their characteristic texture(c)，(d)

1.3 支持向量機分類方法

在符合分類約束條件的情況下，分散待分類數據集中的所有點，獲取最優超平面，使得點與超平面間的距離最大，這就是支持向量機分類的過程(王宇等，2017)。將獲取的震后建筑物分割對象的紋理特征輸入到支持向量機分類學習過程中，經過訓練輸出最優的震后建筑受災紋理特征分類結果。圖2為支持向量機的結構風險最小化原則。

圖2 結構風險最小化原則

采用非線性映射函數φ(x)解決線性分類問題，將獲取的震后建筑物的高光譜遙感圖像紋理特征映射到高維特征空間內(崔燕等，2014)，經過處理，實現震后建筑物特征的分類。

首先尋找紋理特征的分類界限。最優分類超平面計算方法為：

f(x)=w·φ(x)+b=0

(4)

式中：w為權重矢量，b為閾值。

通過結構風險最小化原則對建筑物分割對象進行初步分析，給出獲取最優分類超平面的限制條件(李強，張景發，2016)：

yi[w·φ(x)+b]≥1

(5)

支持向量機的泛化能力不理想，采用非負松弛變量ξi進行優化，增強其泛化能力，則分類公式為：

(6)

約束條件為：

s.t.yi(w·xi+b)≥1-ξi(ξi≥0，i=1,…,n)

(7)

式中：C為誤差懲罰因子。

若要獲取最優的震后建筑物分類結果，需變換分類問題為對偶問題實施計算，則需引用Lagrange乘子算法：

(8)

約束條件為：

(9)

式中：支持向量用αi>0時對應的點描述。

在沒有參數調優的情況下，徑向基核函數一般不會出現太大的偏差，且徑向基核函數的準確性和召回率均很高。此處采用徑向基核函數解決非線性分類問題，獲取支持向量機最優分離超平面分類決策函數(周麗萍，馬蓉擘，2011)：

(10)

圖3為震后建筑物受災程度遙感監測方法流程圖，基于上述方法獲取震后建筑物受災程度的最優分類結果，實現對受災程度的遙感監測。

圖3 震后建筑物受災程度遙感監測流程圖

2 實驗分析

2.1 實驗背景

采用本文提出的基于面向對象的震后建筑物受災程度遙感監測方法，對2010年青海玉樹7.1級地震進行建筑物受災狀況分析。通過衛星以及航空遙感手段，用多光譜掃描系統與多光譜攝影系統對玉樹縣的地震受災狀況進行遙感監測。Beijing-1號小衛星、福衛2號Formosat-2、SPOT-5、航空ADS80等多個衛星監測器以及航空拍攝器為本次實驗提供了重要的高分辨率的多光譜遙感圖像支持。

2.2 構造背景

NW向的玉樹—甘孜斷裂帶是玉樹7.1級地震的發震構造。根據Beijing-1號小衛星提供的震前相關信息能夠看出，河谷形態是玉樹—甘孜斷裂帶的主要地貌形態，該斷裂帶長約500 km。由于玉樹—甘孜斷裂帶一直開展繼承性活動，偶爾伴有垂直差異活動，所以一旦發生地震將造成巨大損失。遙感數據詳細描述了玉樹地震極重災區的地質構造背景和環境，能夠看出青海玉樹地區三江構造帶北段以及唐古拉準地臺北緣區內褶皺、斷裂構造發育，巖漿活動頻繁。玉樹—甘孜斷裂帶貫穿整個玉樹地震災區，如圖4所示。

F1：玉樹斷裂帶；F2：鮮水河斷裂帶孳生的羽式斷裂帶；F3：風火山斷裂帶余脈

2.3 建筑物受災程度遙感監測分析

因監測區域內磚混結構較少，土木結構建筑物較多，其占比超過全部建筑物的60%，因此本文主要針對受災區域內的土木結構建筑進行監測分析。由于土木結構建筑物存在結構簡易、抗震性能較差的缺點，且本次地震震級高，主震后發生多次余震，土木結構建筑物毀壞嚴重。

2.3.1 數據處理

監測區域內，建筑物的倒塌率高達47.54%，重災區的房屋倒塌率高達59.54%，古老的土木結構建筑物幾乎全部損毀，具有一定抗震性能的磚混結構建筑物毀壞較少。因為該地屬于國家三江源的核心保護地區，除了居民建筑之外，工廠企業建筑分布不多，只有少量的國家行政機構、服務部門等建筑物采用框架結構，其抗震性能較強，相比土木結構房屋其倒塌程度較小，毀壞級別為輕度。

為了減少運算時間、提高工作效率，對震后建筑物信息敏感的波段進行分割，若波段數據的標準差越大，說明所包含的信息量也越大。研究區域遙感影像各波段光譜值的均值和標準差如表1所示。

表1 遙感圖像各波段光譜的均值和標準差

由表1數據可知，遙感圖像1波段包含的信息量最小，遙感圖像2波段包含的信息量最大，遙感圖像4波段的獨立性最高。根據遙感圖像各波段的標準差，利用波段最佳指數將監測區域遙感圖像各個波段的標準差與均值有效統一起來。

(11)

式中：VOIF為波段最佳指數；Si為第i個波段的標準差；Aij為i，j波段之間的相關系數。

監測區域遙感圖像各波段組合的OIF值如表2所示，當影像波段為2-3-4組合時，OIF指數最大，說明該波段包含的信息量最大，地物間差異最明顯。

表2 遙感圖像各波段組合OIF指數值

2.3.2 建筑群倒塌率分布

統計監測區域中的建筑物倒塌狀況，該區域被劃分成約152棟房屋以及954個村莊街道，破壞程度如表3所示。根據多光譜遙感數據可知監測區建筑物受災分布和結構損傷分布情況，如圖5所示。由圖5可見，越靠近震中的建筑物受災程度越嚴重，說明可以獲取清晰的震后結構損傷分布圖。

2.3.3 房屋結構倒塌情況分析

采用多光譜遙感數據，對遠程監測區域的極重災區結古鎮的建筑物倒塌情況進行分析。以勝利路為界，獲取如下結果：①勝利路西側南段區域建筑物總體倒塌情況嚴重，有一定抗震性能的磚混結構房屋大部分倒塌或嚴重毀壞，抗震性較差的土木結構建筑物幾乎全部倒塌；②勝利路東側區域建筑物中具備抗震性能的磚混結構房屋倒塌較少，土木結構的建筑物倒塌相對較少，主要原因是該區域遠離玉樹—甘孜活動斷裂帶。

表3 監測區震后建筑物的破壞程度

圖6 沖擊扇區結構損傷情況

圖6為該區域的沖積扇結構監測情況。由圖6可見，房屋倒塌嚴重的區域除了靠近玉樹—甘孜斷裂帶之外，還處于幾個沖積扇與河漫灘的匯聚處。由于該區域土質松軟，建筑物的地基不牢固，導致震后建筑物產生極其嚴重的毀壞。

2.3.4 寺院損毀情況分析

由于玉樹地區少數民族群眾信仰佛教，居民的生活與寺院密不可分，故利用多光譜遙感數據對寺院損毀情況實施遙感監測(圖7)，并對建筑物倒塌狀況進行分析。

由圖7a可見，寺院采用的是具有一定抗震性能的磚混結構，墻體結構穩固，震后房屋倒塌狀況較少，僅僅存在輕微損壞現象。而處于構造斷裂帶上的寺院震后損壞程度比較嚴重(圖7b)，嚴重倒塌，即使采用磚混結構也難以幸免。

綜合分析上述結果，采用本文方法對玉樹震后建筑物的受災程度進行遙感監測分析，優化后的最優分離超平面算法獲取的震后建筑物特征紋理分類結果與實際結果基本一致，具有較高的可信度。

圖7 結古鎮寺院(a)及位于斷裂帶的寺院(b)損傷情況

3 結論

本文提出了一種面向對象的震后建筑物受災程度遙感監測方法，利用多光譜遙感圖像獲取震后建筑物受災狀況，對多光譜遙感圖像進行分割，獲取震后建筑物分割對象；基于對比度、差異性以及方差3種參數采集震后建筑物分割對象紋理特征；最后通過支持向量機分類方法獲取震后建筑物受災紋理特征的最優分類，完成震后建筑物受災程度分析。

利用本文提出的方法對2010年青海玉樹7.1級地震后的建筑物受災程度進行遙感監測分析，可信度較高，為建筑物受災程度遠程監測提供了一種有效手段。