基于D-LinkNet的2014年云南魯甸MS6.5地震建筑物損毀與重建評估*

雷雅婷，沈占鋒，許澤宇，王浩宇，李 碩，焦淑慧

(1.中國科學院空天信息創新研究院 國家遙感應用工程技術研究中心，北京 100101；2.中國科學院大學 資源與環境學院，北京 100049；3.中國科學院大學 電子電氣與通信工程學院，北京 100049)

0 引言

根據中國地震臺網中心國家地震科學數據中心發布的中國臺網正式地震目錄，2011年1月1日—2021年7月25日，在中國境內發生的6.0級以上強震共計61次，除東海海域內發生的地震，7.0級以上大地震共4次，其中造成人員死傷最多的是2013年四川蘆山6.5地震和2017年四川九寨溝7.0地震。據中國地震局公布的信息，兩次地震造成的死傷人數分別為11 662和550人，九寨溝地震導致73 671間房屋不同程度受損。建筑物和道路是地震災害最主要的承災體，在地震中建筑物倒毀對生命及財產損失造成的影響尤為顯著(眭海剛等，2019；Yang，2021；Zhai，2021)。因此，對建筑物震害進行評估對于在短期內的救援行動以及長期內的重建工作起著至關重要的作用(Uros，2020；Xiong，2020；Matin，Pradhan，2021)。

傳統的地震現場人工調查方法雖然精度與可信度較高，但是費時費力，難以滿足地震災害搶險救援的需求(Song，2020)。20世紀90年代，震害信息的提取方式主要是目視解譯，如張德成(1993)以1976年唐山7.8級大地震為例，建立了航空影像建筑物震害目視解譯的判讀標志，提出了建筑物倒塌率與烈度之間的關系，為建筑物震害快速評估提供了思路。20世紀末，隨著遙感技術和計算機技術的飛速發展，獲取建筑物震害信息的方法逐漸向半自動化和自動化方向發展。

基于對象的遙感圖像信息提取方法具有非常好的應用前景(Bialas，2016；杜浩國等，2021)。Taskin等(2011)基于2010年海地7.0地震的Quickbird圖像，結合面向對象的方法，對震害信息(包括損毀建筑物在內)進行檢測，總體精度為81.4%。分割尺度參數(Segmentation Scale Parameter，SSP)可以影響影像分割的效果，選擇高的SSP會導致分割不足，而選擇低的SSP會導致過度分割，產生大量的小目標片段(Davari，2019)。趙妍等(2016)基于2010年玉樹7.1地震的QuickBird影像的光譜與紋理信息，人工控制變量以確定最佳分割尺度，得到震前和震后建筑物的提取精度分別為88.53%和90.21%。為了解決人工最佳分割尺度確定方法耗時耗力的問題，杜妍開等(2020)提出了一種影像分割尺度參數算法來自動選擇最優分割尺度，對海地高分辨率遙感影像進行建筑物震害信息提取。面向對象方法在高分辨率影像處理與分析領域有較大的優勢，但傳統的面向對象分類方法存在精度和速度上的不足，且需要設置較多參數(Song，2020)。

地震圖像信息提取的關鍵步驟是提取具有代表性的目標特征，而特征提取的準確性將直接影響最終的結果(Xu，2018)。為了避免手動特征的設計高度依賴于專業知識(Li，2018)，深度學習算法為遙感影像識別提供了一種新的思路，通過深度神經網絡的構建，充分利用影像的紋理、光譜、形狀等特征，提高遙感影像信息提取的精度。Bialas等(2016)、Conner等(2016)、Liu等(2020)將機器或深度學習應用于地震災害信息提取，證實了這種方法比已有方法表現得更好。在種類繁多的深度學習網絡模型中，深度卷積神經網絡(Deep Convolutional Neural Network，DCNN)因其在空間結構特征提取方面的優勢，是應用效果最好的一種模型(王樹華等，2020)。雖然深度學習的神經網絡模型可以從具有高分辨率的原始圖像中學習高層次的抽象特征，但它嚴重依賴于大量的訓練樣本，這限制了基于深度學習技術的遙感圖像分類方法獲得更好的性能(Li，2018；Masarczyk，2020)。目前可以獲得的及時的震后遙感影像數據有限，針對可用的訓練樣本庫很小的問題，Masarczyk等(2020)提出了一種簡單有效的遷移學習方法，證實了該算法不受特定圖像類型或神經網絡結構的限制，在提高分類精度方面非常有效。王澤泓和劉厚泉(2019)基于遷移學習改善預訓練的VGG-16網絡，設計出自適應特征融合的卷積神經網絡，用于建筑物的識別，準確率高達98.93%。

目前深度學習技術在震災信息的快速識別、損毀分析方面應用較多，但在災后重建評估中的應用仍處于初步研究階段。本文以2014年云南魯甸6.5地震破壞最嚴重的龍頭山鎮為例，基于多源遙感影像，利用D-LinkNet深度卷積神經網絡實現震后損毀建筑物的較高精度識別和變化檢測，并構建災害損毀評估模型與災后重建評估模型，實現區域受災程度的快速分析及區域災后重建恢復程度的準確評估。

1 研究區概況及數據源

1.1 研究區概況

2014年8月3日16時30分，在云南省昭通市魯甸縣發生6.5地震，震中位于龍頭山鎮(27.1°N，103.3°E)。魯甸縣位于云貴高原的西北部，地勢中間低平，東西兩側高，地貌錯綜復雜。魯甸地區屬于青藏高原東緣南北地震帶的中南段，主要發育NE向及NW向斷裂構造，龍頭山鎮處于這兩個主要斷裂構造的交匯處(龐衛東等，2016)。本文選取的研究區域為2014年魯甸6.5地震的極災區——龍頭山鎮。

1.2 數據源

1.2.1 數據來源

魯甸縣地形圖主要來源于ALOS PALSAR發布的12.5 m的DEM數據；2014年的震后影像為分辨率0.2 m的無人機影像；2015、2018年的影像來源于谷歌地圖分辨率為0.6 m的歷史影像數據(表1)，其它數據來自中國地震局及其它相關部門發布的信息。

表1 遙感數據源信息

1.2.2 影像預處理

影像預處理工作主要是對2014年的無人機影像和2015年、2018年的谷歌影像進行裁剪、幾何校正、圖像增強(包括輻射增強、濾波增強等)以及精確的地理配準，使得影像中的目標識別物或檢測物位置互相匹配，并且可以更好地突出建筑物的信息，圖像增強效果對比如圖1所示。

(a-1)2014年原始影像 (a-2)2014年預處理影像

2 研究方法

基于D-LinkNet的云南魯甸6.5地震災害建筑物損毀與重建評估研究可分為4個部分，技術路線如圖2所示。一是完成多源遙感影像的預處理，損毀建筑物以及重建變化建筑區域的樣本標簽制作；二是開展基于D-LinkNet神經網絡的損毀建筑物識別以及地震烈度的確定，實現災后損毀分析；三是基于D-LinkNet神經網絡的損毀建筑物群變化檢測以及重建評估系數的計算，實現災后重建評估；四是精度評價與效率描述，將研究結果與中國地震局以及相關部門發布的信息進行對比，證實本方法的可行性和結果的準確性。

圖2 建筑物損毀與重建評估技術路線

2.1 D-LinkNet模型

D-LinkNet模型(圖3)是以Zhou 等(2018)提出的Link-Net作為基本框架，延續其Encoder-Decoder的架構，并且在中心部分使用空洞卷積層，從而保證了保持分辨率的同時擴大了感受野。D-LinkNet模型還帶有預訓練編碼器，可以在訓練數據有限的情況下直接提高模型的性能。該模型的主要思想是編碼區將識別體的信息編碼到特征信息上，再將編碼的識別體特征信息映射到空間中進行分割(張立恒等，2021)。D-LinkNet神經網絡不僅在道路信息提取及應用方面有良好的效果(張立恒等，2021；Yuan，2020)，而且在識別建筑物、水域、農田等方面也有較佳的效果(田櫪文，2020；朱祺琪等，2021；Zhu，2020；Xia，2021)。因此，本文采用D-LinkNet模型對2014年魯甸地震震后損毀的建筑物進行識別，并對其結果進行統計分析以評估研究區的受災程度。

圖3 D-LinkNet模型結構

為保證每個訓練樣本影像中建筑物信息的完整性，將無人機影像按照1 024×1 024像素的尺度進行切割，由于切割尺度較大，選取了50張包含損毀建筑物的樣本影像，對其中的損毀建筑物和基本完好建筑物分別進行標注，形成訓練集。D-LinkNet模型為單輸入模型，在進行變化檢測前，將前時相(2014年)分別與后時相(2015年和2018年)影像的通道合并，形成差異化影像，將合并后的影像按照1 024×1 024像素的切割尺度進行切割，并選取50張包含損毀建筑物的樣本影像，對其中發生變化損毀建筑物區域進行標注，形成訓練集。

2.2 建筑物損毀評估方法

《中國地震烈度表》 (GB/T 17742—2020)將房屋破壞分為5個等級：基本完好、輕微破壞、中等破壞、嚴重破壞和毀壞。烈度表中定義平均震害指數為同類房屋震害指數的加權平均值，即各級震害的房屋所占比例與其相應的震害指數的乘積之和。而震害指數是房屋震害程度的定量指標，由輕到重的震害程度可以用數字0.00～1.00表示(表2)。

表2 震害指數定義

平均震害指數為：

(1)

式中：表示房屋破壞等級為的震害指數；表示破壞等級為的房屋破壞面積；表示各類房屋總面積。

本文將研究區建筑物分為基本完好與毀壞，其震害指數分別為0.00與1.00。研究區中的毀壞建筑物以未經抗震設防的單層砌體房屋或多層磚砌體房屋為主，屬于B類結構，本文根據云南省未設防磚混結構房屋震害指數統計值(表3)(樸永軍，2013)，來確定研究區的地震烈度。

表3 B類建筑平均震害指數統計值

2.3 災后重建情況評估方法

將2014年無人機影像分別與2015年、2018年谷歌影像合并通道后得到兩組用于變化檢測的影像，通過基于D-LinkNet模型的變化檢測方法，統計分析損毀建筑物重建變化的面積，計算重建評估系數并對災后重建情況進行評估，將重建評估等級劃分為基本完全恢復、一般恢復和未恢復。

損毀建筑物的重建情況分析較為復雜，因為對于震后的損毀建筑物，重建工作可能是修復可恢復的損毀建筑物，或是清除損毀建筑物的廢墟。由于異源遙感影像合并通道后的光譜、紋理特征都有所削弱，為了加快檢測的過程，在制作樣本標簽時是以變化的建筑物群而不是單體建筑為單位。將變化檢測結果與損毀建筑物識別結果相交，即可獲得魯甸地震損毀建筑物的重建情況檢測結果，如圖4所示。

(a)災后損毀建筑物 (b)重建變化區域 (b)重建變化建筑物

將2014年震后影像分別與2015、2018年重建后的影像進行對比檢測，得到重建評估系數為：

(2)

式中：表示2014年震后影像中的建筑物損毀面積；表示第年影像中損毀建筑物的重建面積。

按照建筑物重建程度分級表(表4)，將魯甸縣建筑物的重建程度分為基本完全恢復、一般恢復和未恢復。

表4 建筑物重建程度分級

2.4 模型評價指標

D-LinkNet模型的評價指標為準確率、召回率和分數，計算公式如下：

(3)

(4)

(5)

式中：表示正確識別或檢測的建筑物像素數量；和分別表示錯誤識別或檢測的建筑物像素數量和非建筑物像素數量；表示分數。

3 分析與結果

3.1 災后損毀情況分析與評估

研究區損毀建筑物的識別結果如圖5所示，建筑物損毀較集中的區域是龍頭山鎮中心區，建筑物大多數為未經抗震設防的單層砌體房屋或多層磚砌體房屋，抗震能力差且房屋密集。砌體建筑的高抗震易損性主要與建筑配置(細長墻的數量、開放式布局、結構構件之間的連接不當)以及砌體材料的固有力學性能有關，具有高度的非彈性響應和極低的抗拉強度(Sorrentino，2018)。其它區域多為硬山擱檁式房屋和夯土墻房屋，硬山擱檁式房屋極容易在地震中向內倒塌，而夯土墻房屋墻梁連接不牢靠、自重大、承載力低、整體性差，抗震性能極弱(和嘉吉等，2015)。

圖5 損毀建筑物的識別結果

由圖5b、c可知，樣例區1與樣例區2的大部分損毀建筑物沒有清晰的邊界且不規則。從識別效果來看，基于D-LinkNet識別損毀建筑物的準確率較高，但存在少部分建筑物信息漏檢或誤檢的現象。這是由于此次地震破壞十分嚴重，大部分建筑物完全損毀倒塌，以至于這些建筑物的光譜信息與周圍裸地或其它地物相似，導致了部分漏檢或誤檢現象。

統計建筑物損毀的面積，并計算研究區內建筑物的破壞率，得到損毀建筑物統計結果(表5)。

表5 損毀建筑物統計

研究區影像中毀壞建筑物的面積達28.78×10km，按照公式(1)，研究區的平均震害指數的均值為0.579 4，根據表3可知，研究區的地震烈度為Ⅷ～Ⅸ，即研究區內既有烈度為Ⅷ的區域，也有烈度為Ⅸ的區域。

3.2 災后重建情況分析與評估

樣例區1損毀建筑物在2015—2018年的重建情況如圖6所示，2015年損毀建筑物的重建程度較低，區內仍然存在部分建筑物廢墟，建筑物殘骸在2018年被完全清除，并完成了絕大部分損毀建筑物的重建。

(a)2014年損毀建筑物 (b)2015年重建部分 (c)2018年重建部分

統計損毀建筑物的重建面積，并按照公式(2)計算得到研究區損毀建筑物的重建評估系數(表6)。

表6 建筑物重建面積和重建評估系數

由表6可見，2015年與2018年龍頭山鎮的損毀建筑物分別重建恢復了41%與88%。按照表4可知，2015年龍頭山鎮的重建恢復等級為一般恢復，而在2018年為基本完全恢復。

3.3 精度評價

D-Linknet模型精度評價結果見表7?；谕粺o人機影像，程希萌等(2016)利用面向對象的方法(均值漂移分割算法以及C5.0決策樹分類算法)識別2014年龍頭山鎮的損毀建筑物，其相對誤差最低達5.31%，最高達36.02%。對比表7可知，本文利用D-LinkNet模型開展損毀建筑物的識別與檢測有著良好的效果。

表7 D-Linknet模型精度評價

中國地震局2014年8月7日發布的魯甸地震相關信息顯示，龍頭山鎮既有Ⅷ度也有Ⅸ度區域；2017年11月30日，云南魯甸6.5級地震災后恢復重建指揮部宣布，魯甸地震災后恢復重建全面完成，但仍存在個別項目由于特殊原因還未竣工。這些信息也驗證了本文研究方法的可靠性。

在進行損毀建筑物的提取時，模型訓練用時為170.27 min，約2.84 h；在檢測損毀建筑物重建恢復情況時，模型訓練用時為172.55 min，約2.88 h。無論是準確度還是效率，本文方法都有巨大的優勢，可以及時為相關救援部門的工作提供重要的信息支撐。

4 結論

本文將多源遙感與深度學習技術相結合，提出了一種基于D-LinkNet神經網絡，對建筑物損毀情況與重建情況進行快速、準確評估的方法。以2014年云南魯甸6.5地震震中龍頭山鎮為例，確定其地震烈度以及重建程度，并與相關部門發布的權威信息進行了對比驗證，得到以下結論：

(1)基于D-LinkNet神經網絡識別損毀建筑物的準確率達87.73%，檢測地震損毀建筑物的重建變化準確率約為84.42%，驗證了D-LinkNet模型在地震損毀建筑物識別方面有較好的效果。

(2)由于地震損毀建筑物以及異源遙感影像合并通道的特殊性，大部分嚴重損毀的建筑物喪失了原有的地物界限，這對D-LinkNet模型的識別與檢測精度造成了一定的影響。

(3)本文將損毀建筑物細分為基本完好、一般損毀、嚴重損毀3類開展實驗并沒有達到更好的效果。有部分一般損毀建筑物會誤分為嚴重損毀類型，導致這兩類建筑物識別結果有重疊。今后的研究中，可以探索更精細的震害建筑物損毀程度的識別方法，并考慮不同類型結構的抗震能力的差異性，參考綜合性的震害矩陣來確定建筑物地震損毀情況，綜合多方面因素來評估災區的重建恢復程度。