基于面向对象的建筑物破坏遥感震害快速评估方法研究＊

徐秀杰，杨玉永，潘 健

（山东省地震局，山东 济南 250100）

发生破坏性地震后，开展地震灾区应急救援和震后恢复工作都迫切需要快速获取地震烈度分布信息。基于房屋震害程度的遥感评估是目前地震烈度快速评估最高效的方法之一（王晓青等，2015；魏成阶，2009），在汶川地震、芦山地震等大震震害评估得到广泛应用（王丽涛等，2010），如何在影像中快速精确提取灾区房屋破坏的数量是实现这种方法的关键问题（窦爱霞等，2012；HUANG S 等，2016）。近年来随着无人机航拍技术的高速发展，获取的高分辨率（厘米级）遥感影像中建筑物的破坏细节信息能够更清晰表达。与卫星遥感影像数据相比，无人机航拍可以准确、快速地获取目标区的高分辨率影像（邓飞等，2017）。

目前的遥感图像分类方法主要分三种：目视解译、基于像元分类、面向对象分类（张洁等，2015）。其中，人工目视解译方法分类结果最准确，但却最耗时费力，且需要丰富的经验，也是目前最常用的方法（明小娜等，2018）。基于像元的方法在处理高空间分辨率遥感影像时，分类精度比较低。面向对象的分类方法是一种智能化的自动影像分类技术，它的处理单元是提取的目标“对象”（刘贾贾等，2019），利用对象的光谱特征、形状特征、纹理特征和相邻关系特征等提取目标（朱芳芳等，2019）。在高分辨率遥感影像上，建筑物呈现清晰的轮廓特征，并具有一定的光谱特征，面向对象的方法能更好地提取建筑物信息（HUANG S 等，2016）。

1 面向对象分类原理

面向对象图像处理的两个关键步骤是影像分割和模糊逻辑分类。

1.1 影像分割

本文选择多尺度影像分割，目的是将一幅M×N阵列的数字图像划分为若干个互不交叠区域的过程。多尺度分割算法可以保证生成高度同质性（或异质性最小）的影像分割区域（影像对象）。不同的分割尺度会影响分类的精度和结果，影像的空间分辨率与分割尺度有着密切的关系，提取同一空间属性与纹理特征的类别信息（赵妍等，2016），空间分辨率高的数据选择的分割尺度大，而分辨率低的数据选择的分割尺度小。为了得到较好的分割效果，往往试验对比选择不同尺度的分割结果，从而确定合适的分割尺度。

将3 种尺度（20、50、100）的分割效果进行对比，分割尺度为20 时，建筑物分割破碎，形状特征不明显，不能有效地提取出建筑物；分割尺度为50 时，建筑物较好地同其他地物进行区分，并较为完整；分割尺度为100 时，建筑物分割较为完整，但是与其他地物出现“粘连”现象，由此得出分割尺度50 为最佳。

1.2 模糊逻辑分类特征

影像分割后产生了众多形状特征、纹理特征和光谱特征。面向对象的逻辑分类对象特征主要有3 种：光谱特征、纹理特征、形状特征。水体、植被、建筑用地等不同利用类型分类可以给予NDVI、NDWI、亮度阈值等参数建立特征规则。但同一地物不同类型的目标分类就需要建立更加复杂的规则，本文研究的破坏程度的房屋分类提取就需要多层次结构的组合规则，航拍影像包含红、绿、蓝三波段，根据不同目标的像素亮度、方差、形状等特征值相关性分析。

常用基于逻辑分类对象特征如表1 所示。

表1 常用基于逻辑分类对象特征列表

1.3 面向对象分类流程

面向对象遥感影像分类技术流程如图1 所示，确定了分割尺度及特征库，按照分类流程，得到分类结果，与其他解译结果或者实际分类数据对比，对处理结果进行定量的精度评价（如Kappa 值）。

图1 面向对象的遥感分类技术流程

2 以芦山地震为例研究建筑物遥感震害快速定量化评估方法

2.1 数据获取及定量化评估模型

2013-04-20 四川省雅安市芦山县发生7.0 级地震，根据震后烈度调查，距离震中约4 km 处的太平镇房屋被严重破坏，墙体龟裂，局部坍塌，复修困难，被划为最大烈度Ⅸ度区。本文使用测绘局对太平镇进行震后航拍摄影数据，经拼接、校正、配准等图像处理后得到的震后0.6 cm 分辨率影像，影像处理面积约1.3 km2，经实地调查单体建筑物总数量223栋。分别利用目视解译方法和面向对象方法提取倒塌建筑物，并统计倒塌数量，计算出灾区震害指数（倒塌率），在此基础上，利用遥感评估的震害指数与地面调查确定的震害指数的定量转换模型和地震烈度遥感评估方法，确定地震灾区相对高烈度区的地震烈。

本文使用芦山地震的建筑物震害定量评估模型公式（1）（预测所，王晓青），遥感快速评估结果相比较于详细评估结果，震害指数相差绝对值不大于0.10，地震烈度评估结果为同一个烈度值，表明地震烈度遥感快速评估结果与详细评估结果具有可比性。总体一致性精度为80%，Kappa 检验值达到0.68。同时，经现场调查对比，确定地震烈度遥感快速评估结果与地面详细调查评估结果比较一致性精度为80%，Kappa 检验值达到0.71。

地面等效震害指数DIg与平均遥感震害指数DIRS线性统计关系模型为：

2.2 震害提取

数据预处理后，根据建筑物破坏遥感解译标志建立目标特征库，其震害指数如表2 所示。

表2 建筑物震害特征及震害指数

根据解译标志，分别采用人工目视解译方法和面向对象提取方法，提取的4 类建筑物震害类型结果如表3 所示。相比目视解译方法，面向对象方法可快速提取并计算出各类型建筑物的数量和面积。

表3 建筑物震害提取数量统计

2.3 遥感定量评估及精度评定

基于建筑物栋数的综合震害指数评估处理，利用公式（1）计算出地面等效震害指数，再根据地震烈度与震害指数的关系——中国地震烈度表（国家质量技术监督局，1999；中华人民共和国国家质量监督检验检疫总局等，2008）（如表4 所示），可评估出太平镇在本次地震中的烈度（如表5所示）为Ⅸ度，面向对象方法和目视解译方法、现场调查评定结果一致。

表4 等效震害指数和地震烈度对照表

表5 太平镇遥感遥感评估地震烈度结果

根据提取的误差矩阵（如表6 所示）误差计算得到总体分类精度为82.2%，Kappa 系数为0.73，分类效果较好。

3 结果及讨论

本实验研究结果表明，面向对象分类方法在倒塌和未倒塌分类上进度高可达到90%以上，但在局部倒塌和未倒塌有明显破坏分类上精度相对较低，还需建立更精细的提取规则提高分类精度。与实地调查方式耗时长、人力投入大不足相比，面向对象提取方式快速、精确、可视化强，并能统计建筑面积等，如果结合倾斜摄影还可以提取不同结构类型的房屋数量和面积。

表6 面向对象提取误差矩阵

震后对农村建筑物的震害评估和震前预评估越来越多依赖于高分辨率遥感影像，利用面向对象提取的各类震害建筑物数量和面积，不仅可用于地震烈度评估，同时也能用于灾区经济损失统计计算。面向对象分类方法在倒塌和未倒塌分类上进度高，可达到90%以上，但在局部倒塌和未倒塌有明显破坏分类上精度相对较低，还需建立更精细的提取规则提高分类精度。利用面向对象提取的各类震害建筑物数量和面积，不仅可为地震烈度评估提供重要参数，同时也可用于灾区经济损失统计计算等方面。