基于遙感影像的城鎮(zhèn)建筑物群分類(lèi)

劉賈賈，劉志輝，李 鳳

(河北省地震局，河北 石家莊 050800)

我國(guó)是一個(gè)多地震國(guó)家，歷次地震造成的人員傷亡和財(cái)產(chǎn)損失主要是由建筑物遭到破壞引起的。建筑物的結(jié)構(gòu)類(lèi)型多樣，不同結(jié)構(gòu)類(lèi)型的建筑物抗震性能也不同，尤其是老舊磚結(jié)構(gòu)建筑，其建筑材料及抗震設(shè)計(jì)較差，存在很大的震害風(fēng)險(xiǎn)?，F(xiàn)有的對(duì)建筑物結(jié)構(gòu)類(lèi)型進(jìn)行數(shù)據(jù)獲取的方式主要為實(shí)地調(diào)查[1-2]，建筑物結(jié)構(gòu)類(lèi)型實(shí)地調(diào)查需要耗費(fèi)巨大的人力、物力和時(shí)間，近年來(lái)日益成熟的遙感技術(shù)為建筑物結(jié)構(gòu)類(lèi)型的獲取提供了一種新的方式。

遙感影像可以客觀的反映地物信息，并能快速的采集到地物信息。隨著遙感獲取技術(shù)的快速發(fā)展，高分辨率遙感影像的出現(xiàn)，遙感信息提取技術(shù)不斷完善，遙感影像的研究和應(yīng)用領(lǐng)域越來(lái)越廣泛。近年來(lái)大量學(xué)者致力于遙感影像在建筑領(lǐng)域的研究及應(yīng)用：高分辨率遙感影像建筑物提取方法研究[3-5]，通過(guò)遙感影像獲取震后建筑物震害損毀情況[6-8]，利用遙感影像對(duì)建筑物進(jìn)行解譯分類(lèi)等。在對(duì)建筑物分類(lèi)領(lǐng)域，鄧飛、明小娜、張文靜等[9-12]通過(guò)建筑物的解譯標(biāo)志進(jìn)行了遙感影像的建筑物解譯，與實(shí)際調(diào)查情況進(jìn)行對(duì)比分析得出遙感目視解譯結(jié)果與實(shí)際調(diào)查結(jié)果高度一致；黨濤[13]基于多尺度分割和多特征對(duì)建筑物進(jìn)行了提取，得出該方法可以得到高精度的建筑物提取成果；于書(shū)媛等[14]基于CART 決策樹(shù)的面向?qū)ο蟮姆诸?lèi)方法對(duì)研究區(qū)建筑物進(jìn)行了分類(lèi)提取，得出該方法對(duì)建筑物的提取精度較好；劉賈賈等[15]采用面向?qū)ο蟮亩喑叨确指罘椒▽?duì)城鎮(zhèn)建筑物進(jìn)行了分類(lèi)，得出該方法可以應(yīng)用于城鎮(zhèn)建筑物的分類(lèi)。

城鎮(zhèn)建筑物是以連片、成區(qū)的形式出現(xiàn)的，建筑物類(lèi)型也以群的形式聚集出現(xiàn)，目前基于遙感的建筑物信息提取大多是基于單獨(dú)建筑物進(jìn)行提取，雖然精確度較高，但是在建筑物震害風(fēng)險(xiǎn)調(diào)查分析領(lǐng)域?qū)嵱眯暂^差。本文以建筑物群為研究對(duì)象，忽略同類(lèi)建筑物間的少量空地、道路，以及一些零星的建筑物，采用面向?qū)ο蟮姆诸?lèi)方法，運(yùn)用監(jiān)督分類(lèi)方法對(duì)建筑物進(jìn)行分類(lèi)，對(duì)得到的結(jié)果與目視解譯結(jié)果進(jìn)行對(duì)比分析，得出此種方法的可行性。

1 遙感分類(lèi)方法

遙感影像分類(lèi)的方法根據(jù)是否需要先驗(yàn)知識(shí)分為監(jiān)督分類(lèi)和非監(jiān)督分類(lèi)兩種[16]。監(jiān)督分類(lèi)法需要通過(guò)選取一定數(shù)量樣本，對(duì)樣本進(jìn)行訓(xùn)練，訓(xùn)練樣本的好壞與分類(lèi)方法會(huì)影響最終的分類(lèi)結(jié)果；非監(jiān)督分類(lèi)需要依靠影像上地物特征差別進(jìn)行分類(lèi)。本文是對(duì)懷來(lái)縣縣城進(jìn)行建筑物提取，為了兼顧準(zhǔn)確率和效率，采取了監(jiān)督分類(lèi)方法中的決策樹(shù)(CART)、隨機(jī)森林(Random Trees)兩種分類(lèi)方法。

決策樹(shù)(CART)是通過(guò)對(duì)由測(cè)試變量和目標(biāo)變量組成的訓(xùn)練數(shù)據(jù)集的循環(huán)分析生成二叉樹(shù)形式的決策樹(shù)結(jié)構(gòu)[17-19]。通過(guò)生成的二叉樹(shù)能夠得到每次的決策過(guò)程和分類(lèi)準(zhǔn)則，其基尼系數(shù)定義如下：

(1)

(2)

式中：p(j/h)為從訓(xùn)練樣本集中隨機(jī)抽取的一個(gè)樣本，當(dāng)某一個(gè)測(cè)試變量值為h時(shí)屬于第j類(lèi)的概率；nj(h)為訓(xùn)練樣本中測(cè)試變量值h時(shí)屬于第j類(lèi)的樣本個(gè)數(shù)；n(h)為訓(xùn)練樣本中變量值為h的樣本個(gè)數(shù)；j為類(lèi)別個(gè)數(shù)[17]。

隨機(jī)森林(Random Trees)算法是由Breiman等提出的以決策樹(shù)為基礎(chǔ)分類(lèi)器的集成分類(lèi)器，隨機(jī)森林算法分別為每個(gè)訓(xùn)練子集建立一個(gè)決策樹(shù)，以N個(gè)生成的決策樹(shù)構(gòu)建出一個(gè)“森林”，每棵樹(shù)生成的方式為隨機(jī)選取樣本、隨機(jī)選取特征，在規(guī)則內(nèi)任其生長(zhǎng)，直到自動(dòng)終止[20]。

2 試驗(yàn)結(jié)果與分析

2.1 研究區(qū)

懷來(lái)縣隸屬于河北省，東臨北京，地處燕山山脈北側(cè)，是連接北京和西北的交通樞紐。歷史上該地區(qū)地震頻發(fā)，近年來(lái)小震頻繁，存在較高的地震風(fēng)險(xiǎn)隱患。因城鎮(zhèn)比農(nóng)村人口密集且建筑物結(jié)構(gòu)類(lèi)型多，抗震性能差異較大，地震時(shí)容易造成更大的震害及損失，以懷來(lái)縣城為研究區(qū)。通過(guò)實(shí)地調(diào)查，研究區(qū)的建筑物主要有1層的磚結(jié)構(gòu)房屋，4～6層的磚混結(jié)構(gòu)多層房屋，7層以上的鋼筋混凝土結(jié)構(gòu)高層，1～2層大跨度廠(chǎng)房(圖1)。該地的建筑物結(jié)構(gòu)正處在新舊更替的過(guò)程中，存在大量20世紀(jì)90年代及以前的老舊建筑，該類(lèi)建筑以一層磚結(jié)構(gòu)為主，屬于城中村，這些老舊建筑的抗震性能差，地震發(fā)生后極易發(fā)生危險(xiǎn)；還存在少量2～3層沿街門(mén)臉和自建住房，該類(lèi)建筑未做相應(yīng)的抗震設(shè)計(jì)或構(gòu)造措施，抗震性能較差，也存在震害隱患。

圖1 懷來(lái)縣城建筑物結(jié)構(gòu)類(lèi)型Fig.1 Building structure type in Huailai County

2.2 遙感數(shù)據(jù)及分析

研究區(qū)采用谷歌三波段衛(wèi)星遙感影像，空間分辨率為2.15 m(圖2)。通過(guò)對(duì)懷來(lái)縣城遙感影像的目視解譯及實(shí)地調(diào)查，懷來(lái)縣城衛(wèi)星遙感影像主要分為4類(lèi)：建筑物、裸地、道路和水體。本文通過(guò)ENVI軟件在遙感影像上對(duì)建筑物、裸地、道路和水體4類(lèi)地物分別進(jìn)行采樣，采集樣本共計(jì)1 025個(gè)，通過(guò)對(duì)樣本進(jìn)行波段均值、方差分析得其到光譜曲線(xiàn)(圖3)。

圖2 懷來(lái)縣城谷歌衛(wèi)星遙感影像Fig.2 Google satellite remote sensing image of Huailai County

圖3 光譜差異統(tǒng)計(jì)Fig.3 Statistics of spectral differences

由圖3可以看出，建筑物和裸地在紅波段的光譜均值和方差差異較大，道路和建筑物在藍(lán)波段的光譜均值和方差差異較大，道路和裸地在紅波段的光譜趨于一致，建筑物、裸地、道路分別和水體的光譜均值和方差均差異較大。通過(guò)對(duì)光譜差異的分析，可以將裸地、道路、水體合為非建筑類(lèi)。

我們有以下結(jié)論：地球?qū)ζ鋬?nèi)距球心為r的質(zhì)點(diǎn)P的引力，等效為與半徑為r的球體質(zhì)量相等且位于球心的質(zhì)點(diǎn)對(duì)質(zhì)點(diǎn)P的引力。即:

懷來(lái)縣城建筑物在遙感影像上呈片狀分布，同類(lèi)建筑物以群的形式聚集在一起，形成建筑物群。本文所研究的建筑物群是以建筑物結(jié)構(gòu)類(lèi)型為單位進(jìn)行的分類(lèi)。根據(jù)實(shí)地調(diào)研得到的懷來(lái)縣建筑物結(jié)構(gòu)類(lèi)型及遙感影像目視解譯結(jié)果對(duì)建筑物的遙感影像特征進(jìn)行解譯分類(lèi)：

(1)鋼筋混凝土結(jié)構(gòu)建筑：高層建筑物群，形狀多樣，顏色灰色系較多，建筑物陰影較大，樓間距較大，建筑群內(nèi)有大量空地和綠地。

(2)磚混結(jié)構(gòu)建筑：多層建筑物群(大部分為5～6層)，建筑物形狀單一，顏色較多，建筑物陰影一般，建筑物群內(nèi)空地有大有小，有的含有綠地。

(3)磚結(jié)構(gòu)建筑：低矮建筑物群(大部分為1～3層建筑物)，低矮建筑物群顏色混雜，部分上覆彩鋼板，形狀較為單一，建筑群內(nèi)的空地較小，道路較窄，建筑物陰影很小或基本沒(méi)有。

(4)大跨度廠(chǎng)房：低層廠(chǎng)房群，廠(chǎng)房間距較大，一般在城鎮(zhèn)邊緣地帶，屋頂顏色一般為藍(lán)色或者紅色彩鋼板，建筑群內(nèi)空地較多。

2.3 建筑物遙感分類(lèi)

對(duì)研究區(qū)高分辨率遙感影像進(jìn)行預(yù)處理，得到圖像增強(qiáng)的影像，在此影像上對(duì)建筑物信息進(jìn)行提取、分類(lèi)。根據(jù)對(duì)研究區(qū)的遙感影像分析把遙感影像地物類(lèi)型分為5類(lèi)：高層建筑、多層建筑、低矮建筑、廠(chǎng)房和非建筑。本文采用ecogniton軟件進(jìn)行樣本的選取、訓(xùn)練及分類(lèi)。

采用了多尺度分割的方法，多尺度分割方法可以很好的解決“椒鹽”和“同物異譜”情況。多尺度分割的尺度很重要，因?yàn)榻ㄖ锎嬖诓煌念?lèi)型混雜在一起的情況，分割尺度過(guò)大，不同結(jié)構(gòu)建筑物不易區(qū)分，分割尺度過(guò)小，建筑群容易被分散，經(jīng)過(guò)反復(fù)試驗(yàn)，本文設(shè)置的分割尺度為400，形狀因子為0.3，緊致度因子為0.5。

監(jiān)督分類(lèi)首先要選取訓(xùn)練樣本，樣本選擇要根據(jù)研究區(qū)遙感影像分類(lèi)地物的特點(diǎn)及類(lèi)型選取，且樣本選取要具有準(zhǔn)確性、典型性、代表性、分散性，共選擇5類(lèi)樣本共計(jì)89個(gè)。樣本經(jīng)過(guò)光譜特征和紋理特征進(jìn)行訓(xùn)練，經(jīng)過(guò)多次訓(xùn)練達(dá)到了較好的分類(lèi)效果，分類(lèi)結(jié)果見(jiàn)圖4。

圖4 遙感影像地物分類(lèi)結(jié)果Fig.4 Remote sensing image feature classification results

2.4 結(jié)果分析

2.4.1 遙感分類(lèi)精度評(píng)價(jià)

對(duì)研究區(qū)遙感影像采用決策樹(shù)(CART)算法和隨機(jī)森林(Random Trees)算法分類(lèi)的結(jié)果分別進(jìn)行精度評(píng)價(jià)，精度評(píng)價(jià)能夠確定分類(lèi)結(jié)果的好壞和可靠性，運(yùn)用混淆矩陣進(jìn)行精度評(píng)價(jià)，結(jié)果見(jiàn)表1。對(duì)比精度評(píng)價(jià)結(jié)果，兩種分類(lèi)算法在研究區(qū)的分類(lèi)結(jié)果總體精度均達(dá)到了0.8以上，Kappa系數(shù)達(dá)到了0.6以上，說(shuō)明這兩種方法均能較好的對(duì)建筑物群進(jìn)行提取及分類(lèi)，精度評(píng)價(jià)結(jié)果從高到低為：隨機(jī)森林>CART決策樹(shù)。

表1 混淆矩陣精度評(píng)價(jià)對(duì)比Table1 Comparison of accuracy evaluation of confusion matrix

2.4.2 研究區(qū)目視解譯

根據(jù)實(shí)地調(diào)查及遙感影像目視解譯，用arcgis軟件進(jìn)行了地物類(lèi)別標(biāo)繪，得到研究區(qū)的目視解譯結(jié)果(圖5)。對(duì)比機(jī)器解譯結(jié)果可以看出，機(jī)器提取結(jié)果和目視結(jié)果基本保持一致，監(jiān)督分類(lèi)方法可以滿(mǎn)足建筑物群的分類(lèi)。

圖5 研究區(qū)地物目視解譯結(jié)果Fig.5 Visual interpretation results of features in the study area

2.4.3 數(shù)據(jù)分析

對(duì)目視解譯及機(jī)器解譯的結(jié)果進(jìn)行數(shù)據(jù)分析，分別計(jì)算出各類(lèi)地物的占比情況，見(jiàn)表2。通過(guò)各類(lèi)地物占比情況進(jìn)行對(duì)比，CART決策樹(shù)和隨機(jī)森林分類(lèi)方法中各類(lèi)地物占比與目視解譯方法保持一致。從表中可以看出CART決策樹(shù)分類(lèi)算法對(duì)高層建筑的提取較差，隨機(jī)森林分類(lèi)算法對(duì)低矮建筑的提取較差。

表2 解譯結(jié)果地物占比情況Table2 Proportion of ground features in interpretation results %

3 結(jié)論與討論

本文以河北省懷來(lái)縣城為例進(jìn)行遙感影像建筑物群分類(lèi)提取的研究，通過(guò)監(jiān)督分類(lèi)算法中的決策樹(shù)(CART)算法分類(lèi)和隨機(jī)森林(Random Trees)算法分類(lèi)進(jìn)行試驗(yàn)，并和實(shí)際調(diào)查結(jié)果進(jìn)行對(duì)比分析得出決策樹(shù)(CART)算法和隨機(jī)森林(Random Trees)算法均可用于遙感影像建筑物群結(jié)構(gòu)類(lèi)型的分類(lèi)，隨機(jī)森林分類(lèi)算法的精度高于CART決策樹(shù)。

對(duì)建筑物結(jié)構(gòu)進(jìn)行分類(lèi)可用于對(duì)建筑物群進(jìn)行風(fēng)險(xiǎn)分析，根據(jù)解譯結(jié)果地物占比情況表(表2)可以看出低矮建筑在懷來(lái)縣城建筑物中的占地面積占比超過(guò)了50%，經(jīng)實(shí)際調(diào)查可知，該地區(qū)低矮建筑以單層建筑物為主，多層以6層建筑物為主，高層層數(shù)主要分布在11～31層之間，數(shù)量不均，可以平均按照20層計(jì)算，則很快能計(jì)算出懷來(lái)縣城大致的建筑物比例，從而得到該地區(qū)的建筑物風(fēng)險(xiǎn)情況，可用于城鎮(zhèn)建筑物的管理和規(guī)劃，為城鎮(zhèn)的防災(zāi)減災(zāi)提供數(shù)據(jù)支撐。