雷雅婷，沈占鋒，許澤宇，王浩宇，李 碩，焦淑慧

(1.中國(guó)科學(xué)院空天信息創(chuàng)新研究院 國(guó)家遙感應(yīng)用工程技術(shù)研究中心，北京 100101；2.中國(guó)科學(xué)院大學(xué) 資源與環(huán)境學(xué)院，北京 100049；3.中國(guó)科學(xué)院大學(xué) 電子電氣與通信工程學(xué)院，北京 100049)

0 引言

根據(jù)中國(guó)地震臺(tái)網(wǎng)中心國(guó)家地震科學(xué)數(shù)據(jù)中心發(fā)布的中國(guó)臺(tái)網(wǎng)正式地震目錄，2011年1月1日—2021年7月25日，在中國(guó)境內(nèi)發(fā)生的6.0級(jí)以上強(qiáng)震共計(jì)61次，除東海海域內(nèi)發(fā)生的地震，7.0級(jí)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(jù)中國(guó)地震局公布的信息，兩次地震造成的死傷人數(shù)分別為11 662和550人，九寨溝地震導(dǎo)致73 671間房屋不同程度受損。建筑物和道路是地震災(zāi)害最主要的承災(zāi)體，在地震中建筑物倒毀對(duì)生命及財(cái)產(chǎn)損失造成的影響尤為顯著(眭海剛等，2019；Yang，2021；Zhai，2021)。因此，對(duì)建筑物震害進(jìn)行評(píng)估對(duì)于在短期內(nèi)的救援行動(dòng)以及長(zhǎng)期內(nèi)的重建工作起著至關(guān)重要的作用(Uros，2020；Xiong，2020；Matin，Pradhan，2021)。

傳統(tǒng)的地震現(xiàn)場(chǎng)人工調(diào)查方法雖然精度與可信度較高，但是費(fèi)時(shí)費(fèi)力，難以滿(mǎn)足地震災(zāi)害搶險(xiǎn)救援的需求(Song，2020)。20世紀(jì)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(jí)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(biāo)志，提出了建筑物倒塌率與烈度之間的關(guān)系，為建筑物震害快速評(píng)估提供了思路。20世紀(jì)末，隨著遙感技術(shù)和計(jì)算機(jī)技術(shù)的飛速發(fā)展，獲取建筑物震害信息的方法逐漸向半自動(dòng)化和自動(dòng)化方向發(fā)展。

基于對(duì)象的遙感圖像信息提取方法具有非常好的應(yīng)用前景(Bialas，2016；杜浩國(guó)等，2021)。Taskin等(2011)基于2010年海地7.0地震的Quickbird圖像，結(jié)合面向?qū)ο蟮姆椒?，?duì)震害信息(包括損毀建筑物在內(nèi))進(jìn)行檢測(cè)，總體精度為81.4%。分割尺度參數(shù)(Segmentation Scale Parameter，SSP)可以影響影像分割的效果，選擇高的SSP會(huì)導(dǎo)致分割不足，而選擇低的SSP會(huì)導(dǎo)致過(guò)度分割，產(chǎn)生大量的小目標(biāo)片段(Davari，2019)。趙妍等(2016)基于2010年玉樹(shù)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(shí)耗力的問(wèn)題，杜妍開(kāi)等(2020)提出了一種影像分割尺度參數(shù)算法來(lái)自動(dòng)選擇最優(yōu)分割尺度，對(duì)海地高分辨率遙感影像進(jìn)行建筑物震害信息提取。面向?qū)ο蠓椒ㄔ诟叻直媛视跋裉幚砼c分析領(lǐng)域有較大的優(yōu)勢(shì)，但傳統(tǒng)的面向?qū)ο蠓诸?lèi)方法存在精度和速度上的不足，且需要設(shè)置較多參數(shù)(Song，2020)。

地震圖像信息提取的關(guān)鍵步驟是提取具有代表性的目標(biāo)特征，而特征提取的準(zhǔn)確性將直接影響最終的結(jié)果(Xu，2018)。為了避免手動(dòng)特征的設(shè)計(jì)高度依賴(lài)于專(zhuān)業(yè)知識(shí)(Li，2018)，深度學(xué)習(xí)算法為遙感影像識(shí)別提供了一種新的思路，通過(guò)深度神經(jīng)網(wǎng)絡(luò)的構(gòu)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(jī)器或深度學(xué)習(xí)應(yīng)用于地震災(zāi)害信息提取，證實(shí)了這種方法比已有方法表現(xiàn)得更好。在種類(lèi)繁多的深度學(xué)習(xí)網(wǎng)絡(luò)模型中，深度卷積神經(jīng)網(wǎng)絡(luò)(Deep Convolutional Neural Network，DCNN)因其在空間結(jié)構(gòu)特征提取方面的優(yōu)勢(shì)，是應(yīng)用效果最好的一種模型(王樹(shù)華等，2020)。雖然深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型可以從具有高分辨率的原始圖像中學(xué)習(xí)高層次的抽象特征，但它嚴(yán)重依賴(lài)于大量的訓(xùn)練樣本，這限制了基于深度學(xué)習(xí)技術(shù)的遙感圖像分類(lèi)方法獲得更好的性能(Li，2018；Masarczyk，2020)。目前可以獲得的及時(shí)的震后遙感影像數(shù)據(jù)有限，針對(duì)可用的訓(xùn)練樣本庫(kù)很小的問(wèn)題，Masarczyk等(2020)提出了一種簡(jiǎn)單有效的遷移學(xué)習(xí)方法，證實(shí)了該算法不受特定圖像類(lèi)型或神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的限制，在提高分類(lèi)精度方面非常有效。王澤泓和劉厚泉(2019)基于遷移學(xué)習(xí)改善預(yù)訓(xùn)練的VGG-16網(wǎng)絡(luò)，設(shè)計(jì)出自適應(yīng)特征融合的卷積神經(jīng)網(wǎng)絡(luò)，用于建筑物的識(shí)別，準(zhǔn)確率高達(dá)98.93%。

目前深度學(xué)習(xí)技術(shù)在震災(zāi)信息的快速識(shí)別、損毀分析方面應(yīng)用較多，但在災(zāi)后重建評(píng)估中的應(yīng)用仍處于初步研究階段。本文以2014年云南魯?shù)?.5地震破壞最嚴(yán)重的龍頭山鎮(zhèn)為例，基于多源遙感影像，利用D-LinkNet深度卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)震后損毀建筑物的較高精度識(shí)別和變化檢測(cè)，并構(gòu)建災(zāi)害損毀評(píng)估模型與災(zāi)后重建評(píng)估模型，實(shí)現(xiàn)區(qū)域受災(zāi)程度的快速分析及區(qū)域?yàn)?zāi)后重建恢復(fù)程度的準(zhǔn)確評(píng)估。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

2014年8月3日16時(shí)30分，在云南省昭通市魯?shù)榭h發(fā)生6.5地震，震中位于龍頭山鎮(zhèn)(27.1°N，103.3°E)。魯?shù)榭h位于云貴高原的西北部，地勢(shì)中間低平，東西兩側(cè)高，地貌錯(cuò)綜復(fù)雜。魯?shù)榈貐^(qū)屬于青藏高原東緣南北地震帶的中南段，主要發(fā)育NE向及NW向斷裂構(gòu)造，龍頭山鎮(zhèn)處于這兩個(gè)主要斷裂構(gòu)造的交匯處(龐衛(wèi)東等，2016)。本文選取的研究區(qū)域?yàn)?014年魯?shù)?.5地震的極災(zāi)區(qū)——龍頭山鎮(zhèn)。

1.2 數(shù)據(jù)源

1.2.1 數(shù)據(jù)來(lái)源

魯?shù)榭h地形圖主要來(lái)源于A(yíng)LOS PALSAR發(fā)布的12.5 m的DEM數(shù)據(jù)；2014年的震后影像為分辨率0.2 m的無(wú)人機(jī)影像；2015、2018年的影像來(lái)源于谷歌地圖分辨率為0.6 m的歷史影像數(shù)據(jù)(表1)，其它數(shù)據(jù)來(lái)自中國(guó)地震局及其它相關(guān)部門(mén)發(fā)布的信息。

表1 遙感數(shù)據(jù)源信息

1.2.2 影像預(yù)處理

影像預(yù)處理工作主要是對(duì)2014年的無(wú)人機(jī)影像和2015年、2018年的谷歌影像進(jìn)行裁剪、幾何校正、圖像增強(qiáng)(包括輻射增強(qiáng)、濾波增強(qiáng)等)以及精確的地理配準(zhǔn)，使得影像中的目標(biāo)識(shí)別物或檢測(cè)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(qiáng)效果對(duì)比如圖1所示。

(a-1)2014年原始影像 (a-2)2014年預(yù)處理影像

2 研究方法

基于D-LinkNet的云南魯?shù)?.5地震災(zāi)害建筑物損毀與重建評(píng)估研究可分為4個(gè)部分，技術(shù)路線(xiàn)如圖2所示。一是完成多源遙感影像的預(yù)處理，損毀建筑物以及重建變化建筑區(qū)域的樣本標(biāo)簽制作；二是開(kāi)展基于D-LinkNet神經(jīng)網(wǎng)絡(luò)的損毀建筑物識(shí)別以及地震烈度的確定，實(shí)現(xiàn)災(zāi)后損毀分析；三是基于D-LinkNet神經(jīng)網(wǎng)絡(luò)的損毀建筑物群變化檢測(cè)以及重建評(píng)估系數(shù)的計(jì)算，實(shí)現(xiàn)災(zāi)后重建評(píng)估；四是精度評(píng)價(jià)與效率描述，將研究結(jié)果與中國(guó)地震局以及相關(guān)部門(mén)發(fā)布的信息進(jìn)行對(duì)比，證實(shí)本方法的可行性和結(jié)果的準(zhǔn)確性。

圖2 建筑物損毀與重建評(píng)估技術(shù)路線(xiàn)

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(xù)其Encoder-Decoder的架構(gòu)，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(shí)擴(kuò)大了感受野。D-LinkNet模型還帶有預(yù)訓(xùn)練編碼器，可以在訓(xùn)練數(shù)據(jù)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(qū)將識(shí)別體的信息編碼到特征信息上，再將編碼的識(shí)別體特征信息映射到空間中進(jìn)行分割(張立恒等，2021)。D-LinkNet神經(jīng)網(wǎng)絡(luò)不僅在道路信息提取及應(yīng)用方面有良好的效果(張立恒等，2021；Yuan，2020)，而且在識(shí)別建筑物、水域、農(nóng)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(duì)2014年魯?shù)榈卣鹫鸷髶p毀的建筑物進(jìn)行識(shí)別，并對(duì)其結(jié)果進(jìn)行統(tǒng)計(jì)分析以評(píng)估研究區(qū)的受災(zāi)程度。

圖3 D-LinkNet模型結(jié)構(gòu)

為保證每個(gè)訓(xùn)練樣本影像中建筑物信息的完整性，將無(wú)人機(jī)影像按照1 024×1 024像素的尺度進(jìn)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(duì)其中的損毀建筑物和基本完好建筑物分別進(jìn)行標(biāo)注，形成訓(xùn)練集。D-LinkNet模型為單輸入模型，在進(jìn)行變化檢測(cè)前，將前時(shí)相(2014年)分別與后時(shí)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(jìn)行切割，并選取50張包含損毀建筑物的樣本影像，對(duì)其中發(fā)生變化損毀建筑物區(qū)域進(jìn)行標(biāo)注，形成訓(xùn)練集。

2.2 建筑物損毀評(píng)估方法

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

表2 震害指數(shù)定義

平均震害指數(shù)為：

(1)

式中：表示房屋破壞等級(jí)為的震害指數(shù)；表示破壞等級(jí)為的房屋破壞面積；表示各類(lèi)房屋總面積。

本文將研究區(qū)建筑物分為基本完好與毀壞，其震害指數(shù)分別為0.00與1.00。研究區(qū)中的毀壞建筑物以未經(jīng)抗震設(shè)防的單層砌體房屋或多層磚砌體房屋為主，屬于B類(lèi)結(jié)構(gòu)，本文根據(jù)云南省未設(shè)防磚混結(jié)構(gòu)房屋震害指數(shù)統(tǒng)計(jì)值(表3)(樸永軍，2013)，來(lái)確定研究區(qū)的地震烈度。

表3 B類(lèi)建筑平均震害指數(shù)統(tǒng)計(jì)值

2.3 災(zāi)后重建情況評(píng)估方法

將2014年無(wú)人機(jī)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(cè)的影像，通過(guò)基于D-LinkNet模型的變化檢測(cè)方法，統(tǒng)計(jì)分析損毀建筑物重建變化的面積，計(jì)算重建評(píng)估系數(shù)并對(duì)災(zāi)后重建情況進(jìn)行評(píng)估，將重建評(píng)估等級(jí)劃分為基本完全恢復(fù)、一般恢復(fù)和未恢復(fù)。

損毀建筑物的重建情況分析較為復(fù)雜，因?yàn)閷?duì)于震后的損毀建筑物，重建工作可能是修復(fù)可恢復(fù)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(cè)的過(guò)程，在制作樣本標(biāo)簽時(shí)是以變化的建筑物群而不是單體建筑為單位。將變化檢測(cè)結(jié)果與損毀建筑物識(shí)別結(jié)果相交，即可獲得魯?shù)榈卣饟p毀建筑物的重建情況檢測(cè)結(jié)果，如圖4所示。

(a)災(zāi)后損毀建筑物 (b)重建變化區(qū)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(jìn)行對(duì)比檢測(cè)，得到重建評(píng)估系數(shù)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(jí)表(表4)，將魯?shù)榭h建筑物的重建程度分為基本完全恢復(fù)、一般恢復(fù)和未恢復(fù)。

表4 建筑物重建程度分級(jí)

2.4 模型評(píng)價(jià)指標(biāo)

D-LinkNet模型的評(píng)價(jià)指標(biāo)為準(zhǔn)確率、召回率和分?jǐn)?shù)，計(jì)算公式如下：

(3)

(4)

(5)

式中：表示正確識(shí)別或檢測(cè)的建筑物像素?cái)?shù)量；和分別表示錯(cuò)誤識(shí)別或檢測(cè)的建筑物像素?cái)?shù)量和非建筑物像素?cái)?shù)量；表示分?jǐn)?shù)。

3 分析與結(jié)果

3.1 災(zāi)后損毀情況分析與評(píng)估

研究區(qū)損毀建筑物的識(shí)別結(jié)果如圖5所示，建筑物損毀較集中的區(qū)域是龍頭山鎮(zhèn)中心區(qū)，建筑物大多數(shù)為未經(jīng)抗震設(shè)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(xì)長(zhǎng)墻的數(shù)量、開(kāi)放式布局、結(jié)構(gòu)構(gòu)件之間的連接不當(dāng))以及砌體材料的固有力學(xué)性能有關(guān)，具有高度的非彈性響應(yīng)和極低的抗拉強(qiáng)度(Sorrentino，2018)。其它區(qū)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(nèi)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(shí)別結(jié)果

由圖5b、c可知，樣例區(qū)1與樣例區(qū)2的大部分損毀建筑物沒(méi)有清晰的邊界且不規(guī)則。從識(shí)別效果來(lái)看，基于D-LinkNet識(shí)別損毀建筑物的準(zhǔn)確率較高，但存在少部分建筑物信息漏檢或誤檢的現(xiàn)象。這是由于此次地震破壞十分嚴(yán)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?chē)愕鼗蚱渌匚锵嗨?，?dǎo)致了部分漏檢或誤檢現(xiàn)象。

統(tǒng)計(jì)建筑物損毀的面積，并計(jì)算研究區(qū)內(nèi)建筑物的破壞率，得到損毀建筑物統(tǒng)計(jì)結(jié)果(表5)。

表5 損毀建筑物統(tǒng)計(jì)

研究區(qū)影像中毀壞建筑物的面積達(dá)28.78×10km，按照公式(1)，研究區(qū)的平均震害指數(shù)的均值為0.579 4，根據(jù)表3可知，研究區(qū)的地震烈度為Ⅷ～Ⅸ，即研究區(qū)內(nèi)既有烈度為Ⅷ的區(qū)域，也有烈度為Ⅸ的區(qū)域。

3.2 災(zāi)后重建情況分析與評(píng)估

樣例區(qū)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(qū)內(nèi)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(tǒng)計(jì)損毀建筑物的重建面積，并按照公式(2)計(jì)算得到研究區(qū)損毀建筑物的重建評(píng)估系數(shù)(表6)。

表6 建筑物重建面積和重建評(píng)估系數(shù)

由表6可見(jiàn)，2015年與2018年龍頭山鎮(zhèn)的損毀建筑物分別重建恢復(fù)了41%與88%。按照表4可知，2015年龍頭山鎮(zhèn)的重建恢復(fù)等級(jí)為一般恢復(fù)，而在2018年為基本完全恢復(fù)。

3.3 精度評(píng)價(jià)

D-Linknet模型精度評(píng)價(jià)結(jié)果見(jiàn)表7?；谕粺o(wú)人機(jī)影像，程希萌等(2016)利用面向?qū)ο蟮姆椒?均值漂移分割算法以及C5.0決策樹(shù)分類(lèi)算法)識(shí)別2014年龍頭山鎮(zhèn)的損毀建筑物，其相對(duì)誤差最低達(dá)5.31%，最高達(dá)36.02%。對(duì)比表7可知，本文利用D-LinkNet模型開(kāi)展損毀建筑物的識(shí)別與檢測(cè)有著良好的效果。

表7 D-Linknet模型精度評(píng)價(jià)

中國(guó)地震局2014年8月7日發(fā)布的魯?shù)榈卣鹣嚓P(guān)信息顯示，龍頭山鎮(zhèn)既有Ⅷ度也有Ⅸ度區(qū)域；2017年11月30日，云南魯?shù)?.5級(jí)地震災(zāi)后恢復(fù)重建指揮部宣布，魯?shù)榈卣馂?zāi)后恢復(fù)重建全面完成，但仍存在個(gè)別項(xiàng)目由于特殊原因還未竣工。這些信息也驗(yàn)證了本文研究方法的可靠性。

在進(jìn)行損毀建筑物的提取時(shí)，模型訓(xùn)練用時(shí)為170.27 min，約2.84 h；在檢測(cè)損毀建筑物重建恢復(fù)情況時(shí)，模型訓(xùn)練用時(shí)為172.55 min，約2.88 h。無(wú)論是準(zhǔn)確度還是效率，本文方法都有巨大的優(yōu)勢(shì)，可以及時(shí)為相關(guān)救援部門(mén)的工作提供重要的信息支撐。

4 結(jié)論

本文將多源遙感與深度學(xué)習(xí)技術(shù)相結(jié)合，提出了一種基于D-LinkNet神經(jīng)網(wǎng)絡(luò)，對(duì)建筑物損毀情況與重建情況進(jìn)行快速、準(zhǔn)確評(píng)估的方法。以2014年云南魯?shù)?.5地震震中龍頭山鎮(zhèn)為例，確定其地震烈度以及重建程度，并與相關(guān)部門(mén)發(fā)布的權(quán)威信息進(jìn)行了對(duì)比驗(yàn)證，得到以下結(jié)論：

(1)基于D-LinkNet神經(jīng)網(wǎng)絡(luò)識(shí)別損毀建筑物的準(zhǔn)確率達(dá)87.73%，檢測(cè)地震損毀建筑物的重建變化準(zhǔn)確率約為84.42%，驗(yàn)證了D-LinkNet模型在地震損毀建筑物識(shí)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(yán)重?fù)p毀的建筑物喪失了原有的地物界限，這對(duì)D-LinkNet模型的識(shí)別與檢測(cè)精度造成了一定的影響。

(3)本文將損毀建筑物細(xì)分為基本完好、一般損毀、嚴(yán)重?fù)p毀3類(lèi)開(kāi)展實(shí)驗(yàn)并沒(méi)有達(dá)到更好的效果。有部分一般損毀建筑物會(huì)誤分為嚴(yán)重?fù)p毀類(lèi)型，導(dǎo)致這兩類(lèi)建筑物識(shí)別結(jié)果有重疊。今后的研究中，可以探索更精細(xì)的震害建筑物損毀程度的識(shí)別方法，并考慮不同類(lèi)型結(jié)構(gòu)的抗震能力的差異性，參考綜合性的震害矩陣來(lái)確定建筑物地震損毀情況，綜合多方面因素來(lái)評(píng)估災(zāi)區(qū)的重建恢復(fù)程度。