趙 妍 張景發(fā) 姚磊華

1) 中國北京100083中國地質(zhì)大學(xué)(北京)工程技術(shù)學(xué)院2) 中國北京100085中國地震局地殼應(yīng)力研究所

?

基于面向?qū)ο蟮母叻直媛蔬b感建筑物震害信息提取與評估*

趙 妍1,2)張景發(fā)2),*姚磊華1)

1) 中國北京100083中國地質(zhì)大學(xué)(北京)工程技術(shù)學(xué)院2) 中國北京100085中國地震局地殼應(yīng)力研究所

為了快速地確定地震等自然災(zāi)害引起的受災(zāi)區(qū)域范圍， 并對其受災(zāi)程度進行及時評估， 本文采用面向?qū)ο蟮慕ㄖ餀z測方法， 基于高分辨率遙感影像所包含的地物幾何結(jié)構(gòu)和紋理特征信息， 提出了一種建筑物震害信息提取與評估的方法和技術(shù)流程． 在此基礎(chǔ)上， 以2010年玉樹MS7.1地震部分地區(qū)地震前后的QuickBird影像為例， 對受災(zāi)區(qū)域震前、 震后建筑物的形狀、 面積等信息進行提取， 提取精度分別為88.53%和90.21%， 對該區(qū)域建筑物變化信息進行提取所獲取的建筑物變化信息精度為79.68%， 統(tǒng)計變化區(qū)域像素個數(shù)， 確定變化面積為15923.52 m2， 占研究區(qū)域總面積的68.16%， 因此評估其為中重度受災(zāi)區(qū)域． 本文結(jié)果與實地考察結(jié)果一致， 證實了這種快速的震害信息提取與評估流程切實有效， 能夠快速評估受災(zāi)區(qū)， 為災(zāi)后第一時間搶險及救援提供重要參考．

高分辨率遙感 震害信息提取與評估 面向?qū)ο笞兓瘷z測

引言

衛(wèi)星遙感技術(shù)以其數(shù)據(jù)覆蓋范圍廣、 數(shù)據(jù)處理速度快、 數(shù)據(jù)檢測動態(tài)性好和輸出結(jié)果精度高等技術(shù)優(yōu)勢在地震災(zāi)害調(diào)查和評估中發(fā)揮著越來越重要的作用(張景發(fā)等， 2001)． 隨著傳感器技術(shù)的發(fā)展， 遙感影像空間分辨率也在不斷提高， 影像信息更加豐富， 且能更好地反映地物的紋理信息與幾何結(jié)構(gòu)， 更易于識別地物類型的屬性特征， 如形狀、 紋理、 層次和拓撲關(guān)系等(杜鳳蘭等， 2004； 聞春晶等， 2010; 顏潔等， 2010)． 對于影像的操作， 不再單純地依靠像素， 而是利用地物對象， 這樣能更好地保留地物的連續(xù)性， 也可以更加凸顯地物間的差異性． 黎小東(2009)研究了遙感影像面向?qū)ο蠓诸惙椒ㄔ诔鞘薪ㄖ镎鸷π畔⑻崛≈械膽?yīng)用． 龔麗霞等(2013)闡述了面向?qū)ο蟮淖兓瘷z測方法的原理和數(shù)據(jù)處理流程， 并以2010年玉樹MS7.1地震前后的高分辨率遙感影像為例， 提取房屋變化信息精度可達86%． 李小強(2014)使用QuickBird遙感影像對玉樹地區(qū)結(jié)古鎮(zhèn)震后典型建筑區(qū)進行了建筑物震害信息提取試驗， 采用面向?qū)ο蟮姆椒ㄌ崛×瞬煌鸷Φ燃壍慕ㄖ镄畔ⅲ?并從模糊概念的隸屬度角度進行了分類穩(wěn)定性和最優(yōu)分類結(jié)果的評估與分析． Turker和San(2004)采用高斯(Gaussian)算子和普魯伊特(Priwitt)算子對1999年土耳其地震的航片影像進行濾波處理并提取建筑物邊界信息， 通過對建筑物陰影特征值的統(tǒng)計， 設(shè)定一定的圖像分割閾值提取建筑物陰影信息， 然后根據(jù)地震前后遙感影像中陰影的變化提取建筑物破壞信息． Huyck等(2005)利用2003年伊朗巴姆地區(qū)地震前后的QuickBird衛(wèi)星影像， 根據(jù)地震前后建筑物的鄰域變化， 用拉普拉斯(Laplacian)算子進行圖像濾波處理并提取鄰域邊界地震前后建筑物變化情況的信息． Liu等(2015)利用變化向量分析(change vector analysis， 簡寫為CVA)法對多時相高分辨率影像進行變化信息提?。?對比以上國內(nèi)外研究人員所使用的面向?qū)ο蟮茸兓瘷z測方法可見， 這些方法均需前期地面數(shù)據(jù)的支持， 且未對受災(zāi)區(qū)域震害程度進行評估， 無法在災(zāi)害突發(fā)后快速地確定受災(zāi)地區(qū)以及把控重災(zāi)區(qū)．

鑒于此， 本文擬采用面向?qū)ο蟮姆椒ǎ?對玉樹縣部分受災(zāi)區(qū)域進行建筑物信息提取， 以控制變量的方式， 確定最佳分割尺度， 從而滿足建筑物信息提取的精度， 并由此提出一種切實有效的快速提取變化區(qū)域并對建筑物破壞程度進行初步評估的方法．

1 研究區(qū)域概況與技術(shù)流程

1.1 研究區(qū)域概況

據(jù)中國地震臺網(wǎng)測定， 北京時間2010年4月14日7時49分青海省玉樹州玉樹縣(33.2°N， 96.6°E)發(fā)生MS7.1地震， 震源深度為33 km． 該地震主要具有如下特點： ① 災(zāi)區(qū)設(shè)防薄弱， 土木結(jié)構(gòu)房屋破壞嚴重； ② 地形效應(yīng)和地震構(gòu)造效應(yīng)明顯， 造成的破壞較大； ③ 災(zāi)區(qū)環(huán)境惡劣， 救災(zāi)難度較大．

玉樹地區(qū)經(jīng)濟不發(fā)達， 災(zāi)區(qū)房屋結(jié)構(gòu)類型復(fù)雜． 王曉青等(2013)對玉樹地震進行實地調(diào)查的結(jié)果顯示， 該地區(qū)建筑結(jié)構(gòu)大體可分為土木結(jié)構(gòu)、 磚混結(jié)構(gòu)和鋼筋混凝土框架結(jié)構(gòu)等3類， 其中， 70%以上的城鎮(zhèn)房屋為土木結(jié)構(gòu)， 20%左右為磚木結(jié)構(gòu)和磚混結(jié)構(gòu)， 僅有約10%為鋼筋混凝土框架結(jié)構(gòu)． 由于大部分房屋為土木結(jié)構(gòu)， 該地區(qū)抗震強度低， 建筑物損毀狀況嚴重． 結(jié)合玉樹地區(qū)建筑物的特點， 對建筑物抗震等級較低且建筑物分布較密集的地區(qū)， 應(yīng)用基于面向?qū)ο蠼ㄖ镒兓畔⑻崛〉姆椒ㄟM行變化檢測和震害評估， 具有較高的可行性和普適性．

1.2 技術(shù)流程

為了在最短時間內(nèi)確定受災(zāi)區(qū)域， 并作出初步震害評估， 為災(zāi)后搶險、 救援提供依據(jù)， 本文提出一套快速應(yīng)對地震受災(zāi)區(qū)域進行提取及評估的技術(shù)流程， 主要分為3個階段， 如圖1所示．

圖1 震害信息提取技術(shù)流程圖

第一階段為數(shù)據(jù)預(yù)處理階段， 主要是對震前、 震后影像進行幾何校正、 輻射增強和波段選?。?幾何校正是影像預(yù)處理階段的重要環(huán)節(jié), 其精度的高低直接影響著變化檢測的結(jié)果， 影像的變化檢測本質(zhì)上還是一種代數(shù)運算過程． 影像的輻射增強和波段選擇， 不僅可以使影像的顏色更好地反映地物信息， 而且可以避免影像波段冗余， 減少計算量， 提高工作效率．

第二階段為建筑物信息提取階段， 該階段是本研究的核心． 首先， 通過控制變量的方法確定最佳的影像分割尺度， 運用選取邊緣檢測方法對影像進行分割； 然后， 利用面向?qū)ο蟮姆椒▽ρ芯繀^(qū)域建筑物信息進行提取； 最后， 通過真實訓(xùn)練樣本建立混淆矩陣并計算卡帕(Kappa)系數(shù)對建筑物變化信息的提取精度進行檢驗．

第三階段為變化檢測與評估階段． 該階段先對震前、 震后所提取出的建筑物信息進行變化檢測， 并確定其變化區(qū)域； 再根據(jù)變化區(qū)域所占影像的百分比， 對該區(qū)域的受災(zāi)情況進行快速評估．

2 數(shù)據(jù)處理

2.1 數(shù)據(jù)資料

研究區(qū)內(nèi)建筑物分布廣泛、 密集， 對建筑物震害信息的提取不僅要考慮建筑物本身的光譜信息， 還要考慮建筑物的形狀、 幾何結(jié)構(gòu)等紋理信息． 為了充分利用這兩種信息， 本研究選取2010年玉樹MS7.1地震發(fā)生前后的QuickBird遙感影像作為研究數(shù)據(jù)對建筑物密集區(qū)域的震害信息進行提取， 地震發(fā)生前后的數(shù)據(jù)獲取時間分別為2010年3月和2010年10月． 為了加快運算速度， 提高工作效率， 在影像中選取了一個550像素×450像素的區(qū)域作為研究區(qū)域， 如圖2所示．

圖2 玉樹震前(a)和震后(b)研究區(qū)的QuickBird影像

2.2 數(shù)據(jù)預(yù)處理

由于震前、 震后影像的采集時間不同， 影像存在不同程度的幾何畸變． 為了確保地物在地理位置上的一一對應(yīng)， 對影像數(shù)據(jù)進行幾何校正． 在幾何校正過程中， 手動選取地面控制點， 使其均勻地分布在影像上， 控制點為12個， 并確保影像精度誤差為0.89像素， 以避免影像地物偏移對變化檢測產(chǎn)生影響．

為了突出專題信息的視覺效果， 分類之前對影像作適當增強， 即通過把目標地物的光譜特征在額定范圍內(nèi)放大而使之更加突出． 圖3給出了研究區(qū)域震后的原始影像和增強影像， 可以看出： 未經(jīng)過增強的遙感影像， 影像信息模糊， 對比度低， 色彩昏暗， 建筑物信息與背景地物之間色差不明顯； 而經(jīng)過增強的影像， 圖像顏色表現(xiàn)豐富、 清晰， 能很好地反映地物間的差異, 特別是損毀建筑物與完好建筑物間色彩差異明顯， 從而達到區(qū)分二者的目的．

圖3 玉樹震后研究區(qū)的原始影像(a)和增強影像(b)

為了避免影像信息冗余， 減少運算時間， 提高工作效率， 選取對建筑物信息敏感的波段參與影像分割． 波段數(shù)據(jù)的標準差越大， 所包含的信息量也越大； 波段間的相關(guān)系數(shù)越小， 則表明各波段數(shù)據(jù)的獨立性越高， 信息的冗余度越?。?研究區(qū)域遙感影像各波段光譜值的均值和標準差以及相關(guān)性列于表1和表2． 可以看出， 影像1波段包含的信息量最小， 2波段包含的信息量最大， 4波段的獨立性最高．

表1 遙感影像各波段光譜值的均值和標準差

表2 遙感影像各波段光譜值相關(guān)性

根據(jù)影像各波段的標準差及相關(guān)性， 利用波段最佳指數(shù)(optimum index factor， 簡寫為OIF)法對研究區(qū)域遙感影像各波段的標準差和波段間的相關(guān)系數(shù)進行計算． OIF法是由美國查維茨提出， 該方法將標準差和相關(guān)系數(shù)有效地統(tǒng)一起來， 使各波段間灰度值相關(guān)性最小的同時又包含了最多的信息， 其表達式為

表3 遙感影像各波段組合OIF指數(shù)值

(1)

式中，Si為第i個波段灰度值的標準差，Rij為兩個波段灰度值的相關(guān)系數(shù)． OIF指數(shù)越大， 說明3個波段所包含的信息量越大， 且波段間的相關(guān)性越?。?研究區(qū)域影像各波段組合的OIF值結(jié)果列于表3， 可以看出， 當影像波段為2-3-4組合時， 其包含的信息量最大， 地物間差異最明顯．

2.3 影像分割

面向?qū)ο筇崛∽兓畔⒌姆椒ㄒ詫ο鬄榛締挝唬?影像對象的獲取是面向?qū)ο筇崛∽兓畔⒌幕A(chǔ)． 因此， 合理的影像分割可以獲得有利于變化信息提取的對象， 這是提高變化信息提取精度的關(guān)鍵．

遙感影像分割是指根據(jù)影像的灰度、 顏色和幾何性質(zhì)等， 將一幅影像劃分為互不重疊且具有不同意義的一組區(qū)域的過程， 劃分所得到的每個區(qū)域內(nèi)部均具有某種一致性或相似性， 而任意兩個相鄰的區(qū)域則不具有此種相似性(章毓晉， 2000)． 由于基于邊緣檢測的分割方法符合認知習(xí)慣， 當圖像各區(qū)域之間的差異明顯時， 該方法經(jīng)常能取得較好的效果， 且運算速度較快． 因此， 本文采用該方法進行影像分割， 利用不同區(qū)域間邊界像素灰度不連續(xù)的特點檢測出區(qū)域間的邊緣， 從而達到影像分割的目的． 分割時， 首先檢測圖像中的邊緣像素， 再利用微分算子、 邊緣擬合和Hough變換等邊緣檢測方法將邊緣點組成目標邊界．

為了確定合適的分割尺度， 本研究選取控制變量的方法， 分別確定分割窗口大小和分割尺度． 首先， 將分割尺度設(shè)為50， 分別采用3像素×3像素、 5像素×5像素、 7像素×7像素和9像素×9像素作為窗口大小對影像進行分割， 結(jié)果如圖4所示． 可以看出： 分割窗口越小， 影像的分割越細， 各對象間差異性越顯著， 但影像的延續(xù)性遭到破壞， 地物的完整性也得不到很好的表現(xiàn)； 由于建筑物密集， 受損房屋與完好房屋間邊界不明顯， 且理紋結(jié)構(gòu)信息、 顏色相似， 僅能從陰影大小加以區(qū)別， 當分割窗口過大時， 影像分割模糊， 易將一部分倒塌房屋錯分為完好房屋； 當分割窗口為5像素×5像素時(圖4b)， 分割結(jié)果可以將建筑物信息與道路、 河流和空地等非建筑物信息進行有效的區(qū)分， 并且建筑物之間的空間結(jié)構(gòu)信息， 如建筑物形狀、 大小等信息也得到了很好的展現(xiàn)， 從而達到區(qū)分受損建筑物與完好建筑物的目的．

圖4 分割尺度為50時不同窗口的影像分割結(jié)果

在確定分割窗口為5像素×5像素后， 對分割尺度進行試驗， 分別選取尺度為10， 20， 30， 40， 50， 60， 70， 80和90等9個尺度對影像進行分割， 結(jié)果如圖5所示． 可以看出： 當影像分割尺度為10， 20和30時(圖5a--c)， 影像分割十分零散， 地物的整體性遭到嚴重破壞， 且分割尺度越小， 影像越零散； 當影像分割尺度為70， 80和90時(圖5g--j)， 影像分割十分模糊， 不同地物間的差異無法表達， 且分割尺度越大， 錯分現(xiàn)象越明顯； 當影像分割尺度為50和60時(圖5e, f)， 盡管可以將部分建筑物信息有效地提取出來， 但并不能將倒塌建筑物與河流、 道路等背景信息很好地區(qū)分開來； 當影像分割尺度為40時(圖5d)， 既保持了地物的整體性， 又能很好地反映出地物間的差異， 可以準確地區(qū)分建筑物與非建筑物， 所以本研究選取分割尺度為40進行影像分割．

圖5 5像素×5像素窗口下不同分割尺度Ω的分割影像結(jié)果

3 結(jié)果分析

3.1 面向?qū)ο蟮慕ㄖ镄畔⑻崛?/p>

建筑物信息提取之前， 在研究區(qū)內(nèi)隨機選取建筑物和非建筑物區(qū)域各50處， 從中各抽取15處作為訓(xùn)練樣本， 其余則作為檢驗樣本建立混淆矩陣， 并計算卡帕(Kappa)系數(shù)對建筑物信息的提取精度進行驗證． 然后， 選取分割窗口為5像素×5像素以及分割尺度為40對影像分類， 進而采用K鄰近法對影像進行建筑物信息提取， 得到震前、 震后的建筑物信息結(jié)果如圖6所示． 從圖6a可以看出， 有少數(shù)非建筑物地物(如河堤、 街道等)被錯分為建筑物， 造成該錯分現(xiàn)象主要是由于研究區(qū)內(nèi)大部分房屋為土木結(jié)構(gòu)的平房， 在房屋周圍的院落與房屋間影像光譜值相近且紋理形狀間隔模糊． 震前建筑物信息提取的總體精度可達88.53%， 卡帕系數(shù)為0.707， 可以滿足快速提取建筑物的整體要求． 從圖6b可以看出， 震后建筑物信息提取精度較高， 但也出現(xiàn)少數(shù)錯分現(xiàn)象， 主要是由于局部地區(qū)房屋受損嚴重， 多數(shù)房屋倒塌， 個別未損毀建筑物的光譜信息與周圍地物相似， 且地物邊緣不明顯所致， 盡管該房屋未倒塌， 也無法正常使用， 對變化檢測的結(jié)果影響并不大． 震后建筑物信息提取的精度為90.21%， 卡帕系數(shù)為0.779．

圖6 玉樹震前(a)和震后(b)建筑物面向?qū)ο笮畔⑻崛〗Y(jié)果圖

3.2 變化檢測與評估

通過對比玉樹地震前后影像的建筑物信息， 將兩期數(shù)據(jù)進行絕對差值處理得到的變化區(qū)域即為地震前后建筑物的變化區(qū)域． 由于幾何校正仍存在微小誤差， 本研究提取的變化信息出現(xiàn)了個別的“孤島”現(xiàn)象， 但并不影響建筑物的識別， 最終共提取建筑物變化信息51處， 包括地震損毀建筑物信息以及災(zāi)后增建的建筑物信息， 如圖7a所示； 通過目視解譯震前、 震后影像變化區(qū)域建筑物變化信息64處， 如圖7b所示； 該變化檢測方法的精度為79.68%．

由于本研究提出的評估方法是一種區(qū)域性震害評估方法， 并未對房屋的受損程度進行評估分析， 震前為建筑物而震后為非建筑物區(qū)域則認為該建筑物損毀． 本研究根據(jù)影像變化信息在影像中所占的百分比， 將研究區(qū)域的受災(zāi)程度分成未受損或輕度受損、 輕中度受損、 中度受損、 中重度受損和重度受損或損毀等5個等級， 其具體劃分標準列于表4．

圖7 玉樹地震前后建筑物變化區(qū)域(a)及目視解譯研究區(qū)域建筑物實際變化區(qū)域(b)

面積變化受災(zāi)等級<20%未受損或輕度受損20%—40%輕中度受損40%—60%中度受損60%—80%中重度受損>80%重度受損或損毀

表5 震前、 震后建筑物變化量統(tǒng)計表

地震前后建筑物的變化量列于表5． 可以看出： 該研究區(qū)域地震前后建筑物的變化量為-57.286%， 表示建筑物數(shù)目減少； 非建筑物區(qū)域的變化量為10.874%， 表示非建筑物地區(qū)增加； 總變化量為68.16%． 根據(jù)整個區(qū)域建筑物的變化百分比， 將該研究區(qū)域受損等級確定為中重度受損．

4 討論與結(jié)論

通過對玉樹地震部分地區(qū)前后的QuickBird影像進行不同分割窗口以及不同分割尺度的對比分析， 確定在分割窗口為5像素×5像素、 分割尺度為40時， 影像的分割效果最好， 該分割尺度既體現(xiàn)了同種地物間的同質(zhì)性， 又能很好地反映出不同地物間的異質(zhì)性， 對震后建筑物信息的提取精度更是高達90.21%， 為建筑物變化信息的提取提供了有效的數(shù)據(jù)支持． 同時， 本文所提出的變化檢測方法， 在災(zāi)害發(fā)生后災(zāi)區(qū)地面調(diào)查數(shù)據(jù)不完善或缺失的條件下， 通過該方法的整個技術(shù)流程能夠快速提取地震造成的變化信息即震害信息， 且其精度可達79.68%． 根據(jù)影像面積的變化及其所占百分比， 對受災(zāi)區(qū)域迅速進行圈定及評估， 具有較強的實際意義．

需要說明的是， 本文所采用的是分類后比較的變化檢測方法， 在對影像進行面向?qū)ο蟮姆诸愡^程中， 僅考慮了影像的光譜特征、 形狀特征及紋理特征， 并未對全部的特征信息進行有效的選擇， 所以一些特征信息甚至限制了影像分割的效果， 影響了影像特征提取的精度， 對特征信息的選擇尚待進一步研究． 另外， 本研究提出的震害快速評估方法， 是根據(jù)影像變化面積所占的百分比進行評估的， 而影像的變化面積不僅包含了建筑物的變化信息， 也包含了其它地物信息(背景地物信息)的變化信息， 導(dǎo)致該方法在進行震害評估時精度不足， 但其為第一時間地震救援提供了有效的數(shù)據(jù)支持， 值得推廣應(yīng)用．

杜鳳蘭， 田慶久， 夏學(xué)齊， 惠鳳鳴. 2004. 面向?qū)ο蟮牡匚锓诸惙ǚ治雠c評價[J]. 遙感技術(shù)與應(yīng)用， 19(1): 20--23.

Du F L， Tian Q J， Xia X Q， Hui F M. 2004. Object-oriented image classification analysis and evaluation[J].RemoteSensingTechnologyandApplication， 19(1): 20--23 (in Chinese).

龔麗霞， 李強， 張景發(fā)， 曾琪明， 劉明眾， 李成龍. 2013. 面向?qū)ο蟮姆课菡鸷ψ兓瘷z測方法[J]. 地震， 33(2): 109--114.

Gong L X， Li Q， Zhang J F， Zeng Q M， Liu M Z， Li C L. 2013. Object-oriented detection of earthquake building damages[J].Earthquake， 33(2): 109--114 (in Chinese).

黎小東. 2009. 面向?qū)ο蟮母呖臻g分辨率遙感影像城市建筑物震害信息提取： 以汶川縣城為例[D]. 成都: 成都理工大學(xué)地球科學(xué)學(xué)院： 36--43.

Li X D. 2009.InformationExtractionofDamagedTownBuildingsCausedbyEarthquakeWiththeObject-OrientedMethodFromHighSpatialResolutionImage:ACaseStudyinWenchuanEarthquake[D]. Chengdu： College of Earth Sciences， Chengdu University of Technology： 36--43 (in Chinese).

李小強. 2014. 面向?qū)ο蟮母叻直媛蔬b感影像建筑物震害信息提取研究[D]. 昆明: 云南師范大學(xué)旅游與地理科學(xué)學(xué)院： 10--24.

Li X Q. 2014.Object-OrientedMethodofBuildingDamageExtractionFromHigh-ResolutionImages[D]. Kunming: School of Tourism and Geographical Sciences， Yunnan Normal University： 10--24 (in Chinese).

王曉青， 竇愛霞， 孫國清， 丁香， 王龍， 袁小祥. 2013. 基于綜合震害指數(shù)的玉樹地震烈度遙感評估研究[J]. 地震， 33(2): 1--10.

Wang X Q， Dou A X， Sun G Q， Ding X， Wang L， Yuan X X. 2013. Intensity assessment of the 2010 YushuMS7.1 earthquake based on synthetic seismic damage index[J].Earthquake， 33(2): 1--10 (in Chinese).

聞春晶， 趙書河， 李暉. 2010. 面向?qū)ο蟮母叻直媛蔬b感影像變化檢測方法[J]. 山東師范大學(xué)學(xué)報: 自然科學(xué)版， 25(1): 126--129.

Wen C J， Zhao S H， Li H. 2010. Object-oriented change detection method using very high spatial resolution imagery[J].JournalofShandongNormalUniversity:NaturalScience， 25(1): 126--129 (in Chinese).

顏潔， 劉建坡， 唐偉廣. 2010. 基于遙感圖像變化檢測的毀傷效果分析[J]. 信號與信息處理， 40(4): 30--31.

Yan J， Liu J P， Tang W G. 2010. The damage assessment based on remote sensing image change detection[J].JournalofSignalandInformationProcessing， 40(4): 30--31 (in Chinese).

張景發(fā)， 謝禮立， 陶夏新. 2001. 典型震害遙感圖像的模型分析[J]. 自然災(zāi)害學(xué)報， 10(2): 89--95.

Zhang J F， Xie L L， Tao X X. 2001. Pattern analysis of remote sensing imagery for some typical earthquake damages[J].JournalofNaturalDisasters， 10(2): 89--95 (in Chinese).

章毓晉. 2000. 圖像分割[M]. 北京: 科學(xué)出版社： 55--70.

Zhang Y J. 2000.ImageSegmentation[M]. Beijing: Science Press： 55--70 (in Chinese).

Huyck C K， Adams B J， Cho S， Chung H C， Eguchi R T. 2005. Towards rapid citywide damage mapping using neighborhood edge dissimilarities in very high-resolution optical satellite imagery： Application to the 2003 Bam， Iran， earthquake[J].EarthqSpectra， 21(S1): 255--266.

Liu S C， Bruzzone L， Bovolo F， Du P J. 2015. Hierarchical unsupervised change detection in multitemporal hyperspectral images[J].IEEETransGeosciRemoteSensing， 53(1): 244--260.

Turker M， San B T. 2004. Detection of collapsed buildings caused by the 1999 Izmit， Turkey earthquake through digital analysis of post-event aerial photographs[J].IntJRemoteSensing， 25(21): 4701--4714.

Seismic damage information extraction and evaluation of buildings with high resolution remote sensing based on object-oriented method

Zhao Yan1,2)Zhang Jingfa2),*Yao Leihua1)

1)CollegeofEngineeringandTechnology，ChinaUniversityofGeosciences(Beijing)，Beijing100083，China2)InstituteofCrustalDynamics，ChinaEarthquakeAdministration，Beijing100085，China

In order to rapidly determine the scope of stricken area and timely assess the extent of damages after an earthquake， this paper proposes a technical process of rapid extracting and evaluating building damage information by using the geometric structure and texture feature information of high resolution remote sensing images based on the object-oriented building detection method. The process can rapidly locate the disaster areas， which is of great significance to the post-disaster first opportunity rescue. Taking the Yushu area as an example， buildings of disaster area are extracted based on the QuickBird images before and after the Yushu earthquake， and the extraction precisions of buildings is 88.53% and 90.21%， respectively. The extraction accuracy of building changing information is 79.68%， and changing area reaches 15923.52 m2， which accounts for 68.16% of the entire studied area， therefore the area is evaluated as moderately-severe disaster area. The results of this paper are consistent with those of the field investigations， proving that the rapid seismic damage information extraction and evaluation process is effective. The presented method can quickly estimate the disaster areas, and provide an important reference for the first time rescue.

high resolution remote sensing； building damage extraction and evaluation； object-oriented change detection

國家自然科學(xué)基金(41374050)和高分遙感地震監(jiān)測與應(yīng)急應(yīng)用示范系統(tǒng)(一期)項目(31-Y30B09-9001-13/15)共同資助.

2016-01-13收到初稿， 2016-05-24決定采用修改稿.

10.11939/jass.2016.06.014

P315.9

A

趙妍, 張景發(fā), 姚磊華. 2016. 基于面向?qū)ο蟮母叻直媛蔬b感建筑物震害信息提取與評估. 地震學(xué)報, 38(6): 942--951. doi:10.11939/jass.2016.06.014.

Zhao Y, Zhang J F, Yao L H. 2016. Seismic damage information extraction and evaluation of buildings with high resolution remote sensing based on object-oriented method.ActaSeismologicaSinica, 38(6): 942--951. doi:10.11939/jass.2016.06.014.

*通訊作者 e-mail: zhangjingfa@hotmail.com