基于DInSAR技術監測地震形變及深度學習提取損毀建筑物
——以厄瓜多爾為例

郭天豪 解斐斐,2 霍志玲

(1. 山東科技大學 測繪科學與工程學院, 山東 青島 266590; 2. 山東省3S工程技術中心, 山東 青島 266590)

0 引言

根據中國地震臺網數據顯示,世界上地震發生頻率非常頻繁,2019年4月至2020年4月僅強震(震級大于等于6.0)就發生了120余次。地震若發生在人口密度大、建筑物密集地區,會嚴重危及當地人民的生命財產安全[1]。在當前技術手段下,預測地震難題依舊沒有解決。如何正確評估地震造成的地表破壞,特別是災區建筑物破損統計分布情況,對政府相關部門制定救災方案、最大限度地減少人員傷亡和財產損失等至關重要[2-3]。

合成孔徑雷達(Synthetic Aperture Radar,SAR)作為一種非接觸式測量手段,具有全天時、全天候地對地觀測優勢,隨其不斷發展的SAR監測手段,已成為監測地震、火山等自然災害的有效途徑[3-4]。為了提高地形形變精度,基于干涉原理的合成孔徑雷達干涉測量技術(Differential Interferometric Synthetic Aperture Radar, DInSAR)通過相位信息變化獲得形變信息,精度可達到厘米級甚至毫米級[5-7]。劉歡等基于成昆鐵路復線工程需要,利用DInSAR技術監測垂直形變并驗證其可行性與精度[8];焦昊分析了差分干涉方法,利用其監測山西霍爾辛赫煤礦地形形變并提出了具體解決方案[9];Emanuela等基于DInSAR測量技術建立數學模型分析造成東阿塞拜疆地震的主要原因[10];Lorenzo等通過分析了250多篇論文綜述InSAR技術在意大利滑坡監測研究方面的實際應用[4],有力地論證了干涉技術在監測地形形變的優勢。

隨著高分辨率遙感技術的發展,利用高分辨率遙感影像為震害損毀建筑物提取提供了有利基礎,成為當前研究的熱點問題之一。然而,傳統的基于像元的方法由于“椒鹽噪聲”存在,解譯精度不高;面向對象的分割方法需要按照不同尺度分割建立不同的尺度特征,自動化程度低,無法充分滿足抗震救災、應急指揮的要求[11]。近年來,基于機器學習的方法研究十分活躍,深度學習算法具有自學習和較強的容錯能力,被廣泛應用于遙感圖像處理,為高效、自動化震區損毀建筑物提取提供可能性[12]。

本文利用覆蓋厄瓜多爾地區兩景Sentinel-1A數據,采用差分干涉提取地震的形變場;基于高分辨率Worldview2光學衛星數據,利用ENVINet5深度卷積網絡對提取損壞建筑物,該研究為高效、自動化提取地震信息提供技術參考。

1 原理與方法

1.1 DInSAR的雙軌差分測量原理

DInSAR是利用形變事件發生前后的兩期或多期合成孔徑雷達數據,通過干涉圖差分處理來獲取地表微小形變的測量技術[13-14]。合成孔徑雷達生成的干涉條紋圖主要包含五項相位信息:地形相位、形變相位、大氣延遲相位、平地相位和相位噪聲,相位計算公式為[15-16]

φ=φdef+φtopo_res+φatm+φflat+φnoise

(1)

式中,φdef為視線向的形變相位；φtopo_res為地形相位；φatm為大氣延遲相位；φflat為平地相位；φnoise為噪聲相位。

(2)

式中，ΔR為形變信息；φp為兩幅SAR影像生成的干涉相位信息；φtp為地形相位信息。雙軌差分干涉原理如圖1所示。

圖1 雙軌法原理圖

1.2 深度卷積神經網絡

卷積神經網絡(Convolutional Neural Networks,CNN) 通過多層神經元組合低層特征形成抽象的高層特征(屬性類別或特征),整合特征提取和分類器建模到一個學習框架下,減少人工/人為設計特征的工作。根據研究需要,本文選用ENVINet5卷積神經網絡。

網絡的輸入是一張572×572的RGB影像,共有5個尺度,9個塊(block);編碼器結構中的4個block均由3個有效卷積和一個最大值池化的下采樣組成,通過卷積和下采樣降低Feature map尺寸增加個數,最終得到了32×32 尺寸的Feature map;解碼器結構中的4個block(最后一個略有不同)由3個有效反卷積和1個上采樣組成,通過裁剪、合并相應尺度的Feature map,最終得到了一個386×386 尺寸的類別激活柵格。類別激活柵格是一個灰度圖像,其像素大致代表給定特征的概率,圖像越明亮的地方匹配度越高[19]。

2 試驗與分析

2.1 研究區與數據

本文選取2016年4月厄瓜多爾地震作為研究對象,厄瓜多爾位于南美洲西北部,南接秘魯,西境瀕臨太平洋,國土面積約28萬km2。2016年4月16日18時53分37秒,厄瓜多爾地區發生7.8級地震,震源深度19.2 km,震源為0.371°N,79.940°W,造成668人死亡,超23萬人受傷。

本文的數據源有兩部分,一部分是用于地形變形監測的Sentinel-1A雷達數據和數字高程模型(Digital elevation model,DEM)數據,另一部分是進行震害損毀建筑物提取的Worldview2光學衛星數據(分辨率1.8 m)。其中雷達數據為2016年4月12日和24日兩幅厄瓜多爾區域Sentinel-1A 干涉寬幅模式斜距單視復數(IW SLC)衛星數據,極化方式為同向極化(VV),分辨率為5×20 m,具體參數如表1所示。DEM數據選用SRTM_V4 90 m DEM產品。

表1 SAR影像具體參數

2.2 震區形變場反演

本文采用雙軌差分干涉雷達技術對4月16日厄瓜多爾地震區域進行震后形變場反演,具體流程如圖2所示。

圖2 形變反演流程圖

當基線的垂直分量超出臨界線的極限時,相位信息不會被保留,相干性也將喪失,無法實現干涉測量,只有當地面反射率具有多于兩個天線重疊時才能產生干涉圖。

通過ENVI軟件進行基線估計的運算以獲得主從影像基礎信息及影像質量,雷達波一次2π變化可以檢測到的形變變化為0.028 m,可以檢測到的地表形變敏感度為2.33 m。然后利用2期Sentinel-1A的干涉寬幅模式數據,對距離相與方位相參數調整,結合DEM中的投影坐標參數,可以得到配準后的干涉條紋圖。該干涉圖是由兩部分組成的:一是平地相位干涉條紋,由于兩次觀測的幾何關系不同,即便觀測的是平地,兩回波信號也會有一個相位差,形成干涉條紋;二是由實際觀測的地形產生的相位差。必須去掉前者,以得到純粹反映觀測地形的干涉圖,稱為去平地效應。本文利用DEM數據對干涉相對去除平地效應。

新形勢下計劃指標使用管理的幾點思考（姜欽杰） ........................................................................................1-42

由于三角函數的周期性,干涉相位的測量值都位于[-π,π],與真實相位相差2π的整數倍,相應的相位圖呈條紋狀。為了將所測得的相位信息轉換成與傳播路徑直接相關的物理量,必須對干涉相位的測量值進行二維相位展開處理。本文采用最小費用流(Minimum Cost Flow)進行相位解纏,該方法使用于當有大面積的低相干或是其他限制增長的因素而使解纏困難時,解纏結果如圖3所示。為了實現控制測量,需要人工選擇控制點,應優先在去平后的干涉圖上選擇控制點,避免有地形相位沒有去除的區域和變化的區域(干涉條紋密集區域);盡量選擇相干性高的區域,遠離形變區,避免解纏錯誤的區域,不能位于解纏錯誤的相位躍變上(phase jump),如相位孤島等。本文利用三次多項式校正方法,選取26個點,得到矯正后軌道均方根誤差為100.257。去除殘差后標準差為1.289,平均差為0.142。圖4為轉換到制圖坐標系下的形變數據,該形變數據表明厄瓜多爾地區整體地震形變在0～0.226 m之間。

圖3 相位解纏圖

圖4 形變結果圖

本文從DigitalGlobe提供的光學影像中選取震后特征明顯的建筑物區域,結合形變數據生成結果分析圖(圖5);從光學影像中可以看出,部分損壞建筑物特征明顯且大部分廢墟在形變變化處;形變大的區域地形損壞較為嚴重,建筑物坍塌也會導致救援困難,大形變區域和形變變化區域是損壞建筑物大概率存在處,也是災后救援和財產評估的重點。

圖5 形變感興趣區結果圖

3 震害損毀建筑物提取

全損壞建筑物指研究區光學影像中所提取出來的全部損壞建筑物,廢墟是指已經坍塌的建筑物。由于提取結果是概率柵格圖,因而需要選擇合適的概率值來區分不同損壞程度的建筑物,廢墟提取結果是在全損壞建筑物提取結果的基礎之上,通過目視解譯選擇合適的概率值篩選出廢墟,概率值68%以上為廢墟。實驗數據選取DInSAR沉降形變大且房屋特征明顯的子影像區域,輸入原始影像和標簽數據訓練分類模型,調整網絡參數,主要有損失權重、疊代次數、采樣密度等[19],提取流程如圖6所示。

圖6 提取損毀建筑物流程圖

基于ENVINet5的深度學習框架進行研究區建筑物提取和損壞建筑物提取。結果表明:提取較大廢墟效果較好,對于損壞程度較小的建筑物只能提取小部分。因為其框架是根據感興趣區特征符合程度分類,特征越明顯,概率越大,而損壞程度較小的建筑物特征不明顯,概率就比較小,提取結果如圖7～8所示。

圖7 廢墟提取結果圖

圖8 損壞建筑物提取結果圖

研究區光學影像和形變結果的影像空間分辨率均為1.8 m,在經過多次余震后,老房或舊房等建筑物在形變量較低的情況下,極易發生損壞情況。由圖9可知,對比光學影像和形變場結果影像的相同區域,損壞建筑物分布在形變的變化交界處附近,符合實際情況。

圖9 損壞建筑物和形變場對比圖

研究區損壞建筑物樣本數為27個,正確分類數為20個;建筑物樣本為79個,正確分類數為63個。由此可知,通過ENVINet5提取的損壞建筑物精度達到74%,建筑物精度達到79%。說明基于ENVINet5的深度學習網絡框架對建筑物進行提取精度較高,為震后受災情況分析提供了良好的科學依據,具有較強的可行性。

4 結束語

本文以厄瓜多爾地區為研究區域,基于Sentinel-1A雷達數據,采用雙軌干涉測量技術,反演厄瓜多爾地震形變場;利用ENVI5提供的Deep Learning 模塊的ENVINet5深度卷積網絡對Worldview2光學衛星數據提取震后損壞建筑物。DInSAR形變結果顯示,厄瓜多爾地區整體形變值在0～0.226 m,越靠近震中,地表凹陷程度越大;遠離震中,地表形變趨于0。由損壞建筑物分布可以看出,在形變值變化區域有80%以上概率存在損壞度較大建筑物,地形形變明顯,道路阻塞嚴重,該區域應該成為后續救援的重點。利用深度卷積神經網絡ENVINet5提取損壞建筑物的過程為概率提取,相似程度越大,其概率越高。本文所選感興趣區提取分類精度達74%,這說明基于深度卷積網絡在高分辨率光學影像上提取災后建筑物,精度高,效率高,節省人力、物力,有較好的可行性,對災后房屋評估、災區重建等提供了科學依據。