關(guān)鍵詞：道路損毀提取；變化檢測(cè)；先驗(yàn)知識(shí)；地震；遙感中圖分類(lèi)號(hào)：P315.9；TP79 文獻(xiàn)標(biāo)志碼：A doi：10.3969/j.issn.1000-1379.2025.07.010引用格式：李佳欣，吳吉東，吳瑋，等.基于先驗(yàn)知識(shí)的甘肅省積石山震后損毀道路提取[J].人民黃河，2025，47（7）：59-65

Post-Earthquake Road Damage Information Extraction in Jishishan， Gansu Province Based on Prior Knowledge

LI Jiaxin ^{1，2，3} ，WU Jidong12，WU Wei4，MA Daqing§，XU Yingjun ^1，2 ， PENG Ruyi ^{1，2，3}

（1.International Cooperation JointLaboratory for Catastrophe Simulationand Systemic Risk Response，Ministryof Education， Beijing Normal Universityat Zhuhai，Zhuhai 519087，China;2.School of National Safetyand Emergency Management， Beijig NoralUniversity，Beijing00875，China；3.ScholofSystesScien，BeijingNoalUniversityBeijing0875，China; 4.National Disaster Reduction Center of China，Ministry of Emergency Management，Beijing 1O0124， China; 5.China Academy of Safety Science and Technology，Beijing 1Oo012，China）

Abstract：Chinaisacountrywithsevereearthquakedisasters，withawiderangeoffectedareas，ighfrequencyofoccuenceandhigh intensityofearthquakeactivityRoads，aste\"lifeline\"，playanimportantroleinthetransporationofmateralsandpersoelfteran earthquakedisasterocus，quicklyandcuratelybtainingtelcationofroaddamageisfgreatgificancefotielydedgingoflif andcaryingoutpostdisasterrescue.Inresponsetotheissuesoftrongshadowinterference，ighfaultmissddetectionrate，andsevere fragmentationinremotessingidenificationofroaddamageafterarthquakes，thispperproposdaoaddamagelayerextractionfraeork thatintegratedpriorknowledgeofOpenStreeap（OSM）.Theefectivenessofthemethodwasverifiedbyusingthe2O23JishshanM6. earthquaeasatypicalcase.Byuldigafourlayertecicalsstemof\"vectorostraint-agsegmentatioopologepaidagdete tion\"，rapidlcalizationofaddmageinomplexteinareashadncheved，providingaistaceiniproingresespdd ducing personnel and property losses.

Key words：road damage extraction；change detection；prior knowledge；earthquake； remote sensing

0 引言

地震是地殼運(yùn)動(dòng)引發(fā)劇烈震動(dòng)的一種自然現(xiàn)象，由于其具有突發(fā)性，因此劇烈的地震會(huì)給人類(lèi)帶來(lái)巨大的災(zāi)難。尤其在社會(huì)經(jīng)濟(jì)高速發(fā)展、城市化進(jìn)程發(fā)展迅速的今天，地震會(huì)造成生命財(cái)產(chǎn)安全的巨大損失。我國(guó)位于環(huán)太平洋地震帶與歐亞地震帶之間，地殼活動(dòng)頻繁，地震活動(dòng)影響區(qū)域廣、發(fā)生頻次多、發(fā)生強(qiáng)度大，是一個(gè)地震災(zāi)害嚴(yán)重的國(guó)家，全國(guó)大約有 60% 的國(guó)土面積 50% 的城市 67% 的大城市位于7度及以上地震烈度帶，而且地震區(qū)域內(nèi)大中城市居多[1]。我國(guó)地震呈現(xiàn)西強(qiáng)東弱、西多東少的分布特點(diǎn)，主要分布于東經(jīng) 110^° 以西。2021年國(guó)務(wù)院發(fā)布《“十四五”現(xiàn)代綜合交通運(yùn)輸體系發(fā)展規(guī)劃》，強(qiáng)調(diào)“交通運(yùn)輸是構(gòu)建新發(fā)展格局的重要支撐”，在災(zāi)后應(yīng)急響應(yīng)、抗震救災(zāi)過(guò)程中，道路作為“生命線(xiàn)”起著物資輸送、人員運(yùn)送的重要作用。地震發(fā)生后往往會(huì)伴隨崩塌、滑坡、泥石流等次生地質(zhì)災(zāi)害，導(dǎo)致道路掩埋、中斷，較強(qiáng)地震會(huì)導(dǎo)致房屋坍塌而掩埋路面，甚至路面直接發(fā)生斷裂，例如：1976年唐山地震造成 228km 公路受到損壞[2]2008年汶川地震導(dǎo)致 244.27km 的公路損毀[3]，2013年雅安市廬山地震損毀道路達(dá) 18.5km^[4] ，2014年云南省魯?shù)榈卣鹗軗p公路里程達(dá)到 2595km^[5] 。道路損毀會(huì)影響交通運(yùn)輸，進(jìn)而影響應(yīng)急救援的效率。傳統(tǒng)獲取道路損毀信息主要依靠人工實(shí)地勘察，信息獲取時(shí)間長(zhǎng)、投入人力物力大且具有危險(xiǎn)性。因此，減少獲取損毀道路精確位置的時(shí)間對(duì)于及時(shí)疏通生命線(xiàn)、展開(kāi)災(zāi)后救援具有重要意義

隨著遙感影像分辨率的提升與地物類(lèi)型復(fù)雜性的增加，基于像素或?qū)ο蟮膫鹘y(tǒng)方法逐漸暴露出對(duì)數(shù)據(jù)質(zhì)量依賴(lài)性強(qiáng)、特征表達(dá)不足等問(wèn)題。針對(duì)高分辨率遙感影像中道路提取的研究始于啟發(fā)式算法，如基于邊緣檢測(cè)、基于紋理和形狀特征的方法。這些方法對(duì)噪聲與陰影敏感，易產(chǎn)生斷裂和遺漏[6]。地震災(zāi)后道路往往伴隨破裂、塌陷及覆被物遮擋，單純依賴(lài)影像分割的方法難以準(zhǔn)確區(qū)分真實(shí)斷裂和噪聲斷裂，且后續(xù)拓?fù)湫迯?fù)算法多使用固定緩沖區(qū)半徑，難以適應(yīng)道路寬度和地形變化，導(dǎo)致誤檢和漏檢顯著[7]。此外，陰影、云霧等影像干擾會(huì)進(jìn)一步降低提取精度，傳統(tǒng)的陰影抑制算法效果有限。在此背景下，引入先驗(yàn)知識(shí)成為優(yōu)化地物提取精度與魯棒性的重要途徑。先驗(yàn)知識(shí)能夠通過(guò)整合地物的空間分布規(guī)律、光譜特征關(guān)聯(lián)性及語(yǔ)義邏輯關(guān)系，有效彌補(bǔ)遙感影像中因遮擋、陰影或噪聲導(dǎo)致的信息缺失，道路矢量信息是道路提取的重要先驗(yàn)知識(shí)。崇乾鵬[8]指出，知識(shí)驅(qū)動(dòng)學(xué)習(xí)可通過(guò)構(gòu)建地物拓?fù)潢P(guān)系網(wǎng)絡(luò)，約束分割邊界的不確定性，顯著提升復(fù)雜場(chǎng)景下的分割性能。吳曉燕等[嘗試用新的小比例尺遙感影像和已有的道路網(wǎng)矢量數(shù)據(jù)自動(dòng)或半自動(dòng)地進(jìn)行道路網(wǎng)提取及變化檢測(cè)。程效猛等[10]提出基于矢量路網(wǎng)輔助的道路提取方法，實(shí)現(xiàn)了對(duì)高分辨率遙感影像道路快速精確的自動(dòng)提取。這些研究充分證明了道路矢量信息在提高道路識(shí)別精度中的有效性，且具有拓?fù)浣Y(jié)構(gòu)完整的優(yōu)勢(shì)。道路提取依賴(lài)形態(tài)學(xué)特征與拓?fù)湟?guī)則，先驗(yàn)知識(shí)的融合顯著提升了復(fù)雜環(huán)境下的提取魯棒性。例如：Liu等[提出方向性數(shù)學(xué)形態(tài)學(xué)算子，結(jié)合VGI數(shù)據(jù)中的道路網(wǎng)絡(luò)密度先驗(yàn)，有效抑制了建筑物邊緣的干擾。總變分和形態(tài)學(xué)分析方法，根據(jù)鄰域總變分和直方圖得到分割道路所需的合適閾值并從圖像中分割出道路區(qū)域，結(jié)果證明能穩(wěn)定提取道路信息[12。這些研究發(fā)現(xiàn)形態(tài)學(xué)算法能夠有效提高影像分割的穩(wěn)定性。

綜上，本研究將OSM道路矢量作為先驗(yàn)知識(shí)引入道路提取流程，在影像分割前進(jìn)行矢量約束，并在輸出結(jié)果前進(jìn)行拓?fù)湫迯?fù)，形成“三位一體”的連貫框架

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

本文研究區(qū)為積石山保安族東鄉(xiāng)族撒拉族自治縣，該縣屬甘肅省臨夏回族自治州，地處黃土高原與青藏高原過(guò)渡帶的黃河上游河谷區(qū)。研究區(qū)地貌類(lèi)型豐富，地勢(shì)以山地和河谷為主，地形起伏較大，地質(zhì)條件相對(duì)復(fù)雜。該縣作為連接甘青兩省的交通要沖，G310國(guó)道、S309省道穿境而過(guò)，是臨夏回族自治州通往青海省循化縣的核心走廊。

2023年12月18日23時(shí)59分，該縣發(fā)生6.2級(jí)地震，震源深度 10km ，地震最大烈度達(dá)V度。截至12月22日，地震造成甘肅省117人、青海省31人遇難。

1.2 研究數(shù)據(jù)來(lái)源及預(yù)處理

1.2.1 遙感數(shù)據(jù)源

本研究采用多源異構(gòu)遙感數(shù)據(jù)協(xié)同分析的技術(shù)路線(xiàn)，針對(duì)2023年12月18日積石山地震，選取高分二號(hào)（GF-2）衛(wèi)星遙感影像與吉林一號(hào)（JL-1）衛(wèi)星遙感影像構(gòu)建災(zāi)前災(zāi)后對(duì)比數(shù)據(jù)集。在數(shù)據(jù)選取中，選擇云量小于 30% 的遙感影像，且災(zāi)前成像時(shí)間距災(zāi)害發(fā)生不大于30d，災(zāi)后成像時(shí)間距災(zāi)害發(fā)生不大于 ^72h 。

災(zāi)前數(shù)據(jù)為2023年11月18日獲取的高分二號(hào)衛(wèi)星遙感影像數(shù)據(jù)，距地震發(fā)生日期為30d，可以有效規(guī)避道路施工、改道等常態(tài)道路變化對(duì)災(zāi)后道路損毀識(shí)別帶來(lái)的影響。高分二號(hào)衛(wèi)星搭載的全色多光譜傳感器（PMS）提供 0.81m 分辨率全色數(shù)據(jù)與 3.24m 分辨率多光譜融合數(shù)據(jù)。經(jīng) 融合算法處理后的高分二號(hào)遙感影像空間分辨率達(dá) 0.85m ，能夠清晰辨識(shí)超過(guò) 3m 寬度的道路結(jié)構(gòu)特征。災(zāi)后數(shù)據(jù)為2023年12月19日獲取的吉林一號(hào)衛(wèi)星遙感影像數(shù)據(jù)，距離災(zāi)害發(fā)生僅 24h ，可以及時(shí)識(shí)別震后道路損傷。吉林一號(hào)衛(wèi)星遙感影像的空間分辨率為 0.72m ！分辨率高，可以清晰識(shí)別道路結(jié)構(gòu)特征。

由于不同傳感器之間存在差異，同一衛(wèi)星拍攝的全色和多光譜影像在分辨率、定位精度上存在差異，因此相同區(qū)域的影像往往會(huì)出現(xiàn)不同程度的錯(cuò)位。為了保證前后時(shí)相影像的一致性和數(shù)據(jù)精度，首先對(duì)所用遙感影像進(jìn)行輻射定標(biāo)、大氣校正和正射校正，然后將多源影像通過(guò)融合與重采樣的方法統(tǒng)一到相同分辨率與投影坐標(biāo)系，并在此基礎(chǔ)上對(duì)災(zāi)前與災(zāi)后影像實(shí)施精確配準(zhǔn)。上述預(yù)處理流程有效消除了成像條件與傳感器差異的影響，為后續(xù)道路提取提供了可靠的數(shù)據(jù)支撐，見(jiàn)圖1。

圖1遙感影像預(yù)處理結(jié)果

Fig.1 Preprocessing Results of Remote Sensing Images

在多源遙感數(shù)據(jù)協(xié)同處理中，采用圖2所示技術(shù)路線(xiàn)，確保災(zāi)前災(zāi)后數(shù)據(jù)投影、配準(zhǔn)、分辨率保持一致。通過(guò)人工標(biāo)志點(diǎn)-自動(dòng)匹配混合配準(zhǔn)法完成異構(gòu)數(shù)據(jù)的地理校正，通過(guò)統(tǒng)一投影、空間裁剪（裁剪災(zāi)前災(zāi)后遙感影像的公共區(qū)域）與重采樣3個(gè)關(guān)鍵步驟實(shí)現(xiàn)數(shù)據(jù)空間一致性，重采樣后災(zāi)前災(zāi)后遙感影像分辨率均為 0.72m 。

1.2.2 道路矢量數(shù)據(jù)

本文采用OpenStreetMap（OSM）開(kāi)源道路數(shù)據(jù)集作為先驗(yàn)知識(shí)源，通過(guò)OSM官方API下載研究區(qū)路網(wǎng)矢量數(shù)據(jù)。其原始數(shù)據(jù)集包含7類(lèi)等級(jí)化道路要素，依據(jù)OSM的“highway”屬性標(biāo)簽，將道路劃分為高速公路（motorway）、主干道（trunk）、主要道路（primary）等，見(jiàn)表1。

1.2.3 道路數(shù)據(jù)集構(gòu)建

為驗(yàn)證模型精度，采用“從局部到整體”的思路構(gòu)建數(shù)據(jù)集，具體流程如下。

1）局部典型區(qū)選取與多時(shí)相影像預(yù)處理。選取積石山地震中部、北部山谷等具有代表性的典型受損路段，確保這些子區(qū)域損毀特征明顯，為模型提供最具挑戰(zhàn)性的局部樣本。收集災(zāi)前（GF-2）與災(zāi)后（JL-1）高分辨率遙感影像，對(duì)所有原始TIF影像統(tǒng)一進(jìn)行上述預(yù)處理工作，消除不同傳感器、不同時(shí)間拍攝導(dǎo)致的畸變與亮度差異。采用基于特征點(diǎn)的亞像素級(jí)配準(zhǔn)算法與矢量道路圖層（OSM）對(duì)齊

2）圖塊裁切與樣本生成。在校正后的影像中，以1 024×1 024 像素為單位滑動(dòng)裁切，覆蓋中部、北部山谷等典型損毀路段。

3）像素級(jí)手工標(biāo)注?；贚abelMe平臺(tái)，結(jié)合GoogleMap道路分布與OSM矢量數(shù)據(jù)，通過(guò)矢量勾繪精確標(biāo)注每條可見(jiàn)道路的邊緣，保證道路邊緣與斷裂、塌陷等損毀細(xì)節(jié)均被準(zhǔn)確覆蓋

4）掩膜優(yōu)化與格式轉(zhuǎn)換。將標(biāo)注JSON導(dǎo)出為二值掩膜，利用平滑處理、Gaussian模糊、開(kāi)閉運(yùn)算等形態(tài)學(xué)優(yōu)化去除鋸齒與噪聲。將優(yōu)化后掩膜由JSON轉(zhuǎn)換為8位PNG，像素值0表示非道路，255表示道路。將影像格式從原始TIF轉(zhuǎn)換為JPG，以減小訓(xùn)練輸入體量。

5）數(shù)據(jù)集劃分與統(tǒng)計(jì)最終篩選出1042對(duì)“影像-掩膜”樣本。按照 4：1 比例隨機(jī)分配，其中訓(xùn)練集833對(duì)，測(cè)試集209對(duì)。

1.3 研究方法

本文采用先驗(yàn)知識(shí)理論，在多源遙感數(shù)據(jù)的情況下，構(gòu)建基于先驗(yàn)知識(shí)的道路損毀提取方法，并對(duì)積石山地震后道路損毀情況進(jìn)行提取，技術(shù)路線(xiàn)見(jiàn)圖3。

1）系統(tǒng)分析震后道路損毀遙感識(shí)別中存在的關(guān)鍵挑戰(zhàn)，指出傳統(tǒng)方法在陰影干擾抑制、道路斷裂漏檢和緩沖區(qū)參數(shù)固化等方面的不足。2）提出融合OSM先驗(yàn)知識(shí)的道路損毀提取框架。3）以甘肅省積石山地震為試驗(yàn)區(qū)，利用遙感影像數(shù)據(jù)開(kāi)展試驗(yàn)。

1.3.1 基于矢量先驗(yàn)的道路提取方法

針對(duì)震后復(fù)雜場(chǎng)景下道路提取的干擾抑制與斷裂修復(fù)難題，研究提出一種融合OpenStreetMap（OSM）矢量先驗(yàn)的三層遞進(jìn)式技術(shù)框架（見(jiàn)圖4），依次為矢量約束層、影像分割層、拓?fù)湫迯?fù)層。該方法的核心思想是通過(guò)地理先驗(yàn)知識(shí)約束處理范圍，結(jié)合影像特征自適應(yīng)分割與拓?fù)湫迯?fù)，實(shí)現(xiàn)高精度、高效率的道路提取。

1）矢量約束層：動(dòng)態(tài)緩沖區(qū)生成與候選區(qū)掩膜。

傳統(tǒng)道路提取方法常受非道路區(qū)域（如建筑物、植被）干擾導(dǎo)致誤檢率高且計(jì)算效率低。利用OSM中道路中心線(xiàn)，依據(jù)道路類(lèi)型（主干道、次干道、支路）和當(dāng)?shù)芈肪W(wǎng)屬性，可以動(dòng)態(tài)計(jì)算對(duì)應(yīng)的緩沖區(qū)寬度，替代固定半徑，達(dá)到匹配影像實(shí)際分辨率和道路寬度差異的目的[13]。因此，本研究基于OpenStreetMap 開(kāi)源地理數(shù)據(jù)庫(kù)，獲取研究區(qū)OSM道路矢量數(shù)據(jù)，通過(guò)屬性-空間關(guān)聯(lián)建模生成等級(jí)化動(dòng)態(tài)緩沖區(qū)解決上述問(wèn)題，關(guān)鍵過(guò)程包括屬性空間映射和高斯軟邊界過(guò)渡。

屬性-空間關(guān)聯(lián)建模是一種將地理要素的語(yǔ)義屬性（如道路等級(jí)、類(lèi)型）轉(zhuǎn)化為空間處理參數(shù)的關(guān)鍵技術(shù)，旨在實(shí)現(xiàn)基于先驗(yàn)知識(shí)的自適應(yīng)計(jì)算。本研究利用OSM道路矢量數(shù)據(jù)中的屬性標(biāo)簽信息，依照屬性-空間關(guān)聯(lián)建模建立道路等級(jí)與物理特征的映射關(guān)系。該方法可以使緩沖區(qū)寬度與道路等級(jí)進(jìn)行動(dòng)態(tài)適配，將道路提取搜索范圍從遙感影像的全圖縮小至緩沖區(qū)，避免固定閾值導(dǎo)致的過(guò)分割或欠分割問(wèn)題[14-15] 。

依照道路等級(jí)與緩沖區(qū)參數(shù)建立的映射關(guān)系為

式中： T 為OSM道路數(shù)據(jù)中highway屬性標(biāo)簽，參數(shù)依據(jù)《公路工程技術(shù)標(biāo)準(zhǔn)》（JTGB01—2014）與影像分辨率綜合確定。

高斯軟邊界過(guò)渡是一種基于高斯衰減函數(shù)的緩沖區(qū)邊緣平滑技術(shù)。該方法通過(guò)概率權(quán)重衰減實(shí)現(xiàn)緩沖區(qū)邊緣的自然過(guò)渡，提升后續(xù)影像分割與拓?fù)湫迯?fù)的魯棒性，避免提取結(jié)果出現(xiàn)鋸齒效應(yīng)。高斯軟邊界過(guò)渡的目標(biāo)函數(shù)為

式中： d（x，y） 為像素點(diǎn) Φ（x，y） 至道路中心線(xiàn)的歐氏距離； σ 為高斯函數(shù)的標(biāo)準(zhǔn)差，控制衰減的速率，取 σ= 0.5W （ W 為道路等級(jí)對(duì)應(yīng)的基礎(chǔ)緩沖區(qū)寬度）。

若為中心線(xiàn)附近（ d≈0 ），權(quán)重 B（x，y）≈1 ，保留完整道路特征;若為緩沖區(qū)邊緣（ d≈W） ，權(quán)重 B（x，y） ，弱化邊緣像素的貢獻(xiàn)；若為超出緩沖區(qū)（ （dgt;W） ，權(quán)重趨近于0，完全抑制非道路區(qū)域干擾。

2）影像分割層：自適應(yīng)閾值分割與形態(tài)學(xué)優(yōu)化。震區(qū)影像常因云層、煙霧的影響而局部對(duì)比度下降，固定閾值難以適應(yīng)不同區(qū)域的光照差異，同時(shí)建筑物倒塌后容易與道路光譜相混淆，影響識(shí)別結(jié)果。影像分割層主要包括自適應(yīng)閾值分割[16-17]和橢圓核閉運(yùn)算兩個(gè)關(guān)鍵步驟，實(shí)現(xiàn)對(duì)遙感影像的道路識(shí)別。

Otsu自適應(yīng)閾值分割是一種基于圖像直方圖的自適應(yīng)二值化方法，通過(guò)最大化類(lèi)間方差自動(dòng)確定最佳分割閾值，適用于光照不均或?qū)Ρ榷茸兓膱?chǎng)景。針對(duì)震區(qū)影像中局部對(duì)比度下降及光譜混淆問(wèn)題，本研究在傳統(tǒng)Otsu算法基礎(chǔ)上引人局部對(duì)比度權(quán)重因子，提升陰影區(qū)域道路的識(shí)別能力。Otsu自適應(yīng)閾值分割的函數(shù)為

式中： w₀（T）_?w₁（T） 為閾值分割后的前景（道路）/背景像素占比 為前景/背景區(qū)域的平均灰度值， C_local（x，y） 為以像素 （x，y） 為中心的局部對(duì)比度。

式中： ：μ_local 為窗口內(nèi)灰度均值， μ_global 為全圖灰度均值。

橢圓核閉運(yùn)算是一種基于數(shù)學(xué)形態(tài)學(xué)的后處理方法，通過(guò)設(shè)計(jì)方向性結(jié)構(gòu)元素與多步驟形態(tài)學(xué)運(yùn)算組合，解決道路提取中常見(jiàn)的斷裂填充、噪聲去除與邊緣平滑問(wèn)題。相較于傳統(tǒng)矩形核，橢圓核因其各向異性特征更適配道路線(xiàn)性結(jié)構(gòu)，在保護(hù)拓?fù)溥B通性的同時(shí)提升形態(tài)學(xué)操作的有效性，

3）拓?fù)湫迯?fù)層：端點(diǎn)檢測(cè)與區(qū)域生長(zhǎng)。地震災(zāi)害發(fā)生后，真實(shí)的損毀往往伴隨著灰度突變、形態(tài)不規(guī)則等。傳統(tǒng)道路提取方法受建筑物、粉塵、背景等因素影響導(dǎo)致識(shí)別出的錯(cuò)誤損毀信息增加，拓?fù)浣Y(jié)構(gòu)不完整，這類(lèi)損毀信息往往灰度相對(duì)連續(xù)且?guī)缀涡螒B(tài)規(guī)則。因此，拓?fù)湫迯?fù)層在動(dòng)態(tài)緩沖區(qū)生成的候選區(qū)掩膜內(nèi)，通過(guò)端點(diǎn)檢測(cè)和區(qū)域生長(zhǎng)[18-20]兩個(gè)關(guān)鍵算法，為損毀檢測(cè)提供完整的災(zāi)前基準(zhǔn)道路網(wǎng)絡(luò)，修復(fù)非損毀性斷裂（如分割誤差、臨時(shí)遮擋），使得真實(shí)損毀（塌陷、裂縫）在修復(fù)后的完整路網(wǎng)中更易凸顯。

端點(diǎn)檢測(cè)是拓?fù)湫迯?fù)層的核心步驟，可以定位道路掩膜中的斷裂端點(diǎn)，為后續(xù)區(qū)域生長(zhǎng)提供種子點(diǎn)。

區(qū)域生長(zhǎng)算法在拓?fù)湫迯?fù)層中用于連接因分割誤差或臨時(shí)遮擋導(dǎo)致的道路斷裂，通過(guò)端點(diǎn)引導(dǎo)-灰度驅(qū)動(dòng)-掩膜約束三重機(jī)制，在動(dòng)態(tài)緩沖區(qū)內(nèi)實(shí)現(xiàn)精準(zhǔn)修復(fù)。其核心在于灰度相似性與空間約束的協(xié)同作用，確保生長(zhǎng)過(guò)程僅填充真實(shí)道路區(qū)域，避免誤連至建筑物或損毀區(qū)域

1.3.2 道路損毀識(shí)別方法

道路損毀識(shí)別主要依賴(lài)光譜特征分析與深度學(xué)習(xí)語(yǔ)義分割兩類(lèi)方法。光譜特征分析存在受環(huán)境干擾導(dǎo)致誤檢率高、數(shù)據(jù)時(shí)序依賴(lài)性強(qiáng)、結(jié)果碎片化等問(wèn)題，深度學(xué)習(xí)對(duì)訓(xùn)練數(shù)據(jù)需求量較大，數(shù)據(jù)獲取難。本研究采用二值掩膜變化檢測(cè)[21-22]的方法，通過(guò)對(duì)比災(zāi)前災(zāi)后的道路掩膜，規(guī)避光譜噪聲的干擾，提高計(jì)算效率。道路損毀識(shí)別主要基于基礎(chǔ)差異檢測(cè)和連通區(qū)域過(guò)濾兩個(gè)關(guān)鍵算法得以實(shí)現(xiàn)，見(jiàn)圖5。

二值掩膜變化檢測(cè)是一種基于圖像分割結(jié)果的差異分析方法，通過(guò)對(duì)比不同時(shí)相的二值化道路掩膜，快速識(shí)別道路損毀區(qū)域。其核心思想是將復(fù)雜的遙感影像變化檢測(cè)問(wèn)題轉(zhuǎn)化為二值邏輯運(yùn)算問(wèn)題，通過(guò)像素級(jí)比對(duì)凸顯道路損毀的空間分布與形態(tài)特征。二值掩膜變化檢測(cè)的數(shù)學(xué)公式為

D_raw（x，y）=M_pre（x，y）[1-M_post（x，y）]

式中： M_pre 為災(zāi)前道路二值掩膜， M_post 為重采樣對(duì)齊后的災(zāi)后道路掩膜

連通區(qū)域過(guò)濾是圖像處理中用于分離獨(dú)立對(duì)象并篩選有效區(qū)域的關(guān)鍵技術(shù)。在道路損毀檢測(cè)中，其作用為去除小面積噪聲、提取連續(xù)損毀區(qū)域、統(tǒng)計(jì)損毀區(qū)域幾何特征。

1.3.3 道路提取模型精度驗(yàn)證

為了進(jìn)行對(duì)模型精度的驗(yàn)證，構(gòu)建了一個(gè)高質(zhì)量的像素級(jí)手工標(biāo)注數(shù)據(jù)集，以確保精度驗(yàn)證的可靠性與全面性。該數(shù)據(jù)集包含1042對(duì)道路影像及其對(duì)應(yīng)的二值掩膜，標(biāo)注工作基于LabelMe平臺(tái)展開(kāi)，在OpenStreetMap提供的道路中心線(xiàn)與Google地圖實(shí)際道路分布的雙重參考下，沿道路邊緣逐幀勾繪多邊形，獲得精準(zhǔn)的道路區(qū)域邊界。為了消除多邊形折線(xiàn)帶來(lái)的尖角和噪點(diǎn)，對(duì)標(biāo)注結(jié)果先后采用了平滑處理、高斯模糊以及形態(tài)學(xué)的膨脹與腐蝕操作，有效填補(bǔ)了微小孔洞并抑制了邊緣噪聲。所有JSON標(biāo)注文件通過(guò)批量轉(zhuǎn)換生成了與原始影像分辨率完全一致的二值TIF掩膜，保證了模型輸出與地物標(biāo)注在像素級(jí)上的對(duì)齊。

混淆矩陣也叫誤差矩陣，是一種直觀展示分類(lèi)模型預(yù)測(cè)結(jié)果與真實(shí)標(biāo)簽結(jié)果之間關(guān)系的工具，通過(guò)二維表格直觀展示預(yù)測(cè)結(jié)果與真實(shí)標(biāo)簽的對(duì)應(yīng)關(guān)系，見(jiàn)表2。混淆矩陣的優(yōu)點(diǎn)在于直觀展示分類(lèi)錯(cuò)誤的具體情況，為后續(xù)計(jì)算各類(lèi)評(píng)價(jià)指標(biāo)提供基礎(chǔ)數(shù)據(jù)，

注： TP 為被準(zhǔn)確識(shí)別為道路的像素?cái)?shù)量， FP 為將非道路區(qū)域誤判為道路的像素?cái)?shù)量， FN 為未能識(shí)別出的真實(shí)道路像素?cái)?shù)量， TN 為被正確識(shí)別為背景的像素?cái)?shù)量。

準(zhǔn)確率（ （A_ccuracy） ）使用了混淆矩陣中的所有元素，可以整體衡量模型分類(lèi)正確的比例，反映模型預(yù)測(cè)的總體準(zhǔn)確性，其計(jì)算公式及計(jì)算結(jié)果如下：

2 結(jié)果分析

2.1 道路提取結(jié)果

基于OMS道路矢量先驗(yàn)的道路提取方法準(zhǔn)確率為 95.03% ，表明模型在超過(guò)九成的像素上均能實(shí)現(xiàn)正確分類(lèi)，矢量提取結(jié)果如圖6所示。該模型能很好地提取道路，結(jié)果較為精準(zhǔn)，尤其在主干道提取上表現(xiàn)優(yōu)秀，充分驗(yàn)證了融合OpenStreetMap（OSM）矢量先驗(yàn)的三層遞進(jìn)式道路提取模型可以得到很好的應(yīng)用

2.2 道路損毀提取結(jié)果

2.2.1基于矢量先驗(yàn)的道路識(shí)別結(jié)果

基于OpenStreetMap（OSM）開(kāi)源地理數(shù)據(jù)，獲取研究區(qū)道路矢量信息，將預(yù)處理后的災(zāi)前災(zāi)后遙感影像（分辨率為 0.72m ）按照OMS數(shù)據(jù)中的道路屬性生成道路掩膜并進(jìn)行裁剪。運(yùn)用自適應(yīng)閾值分割方法、區(qū)域生長(zhǎng)法完成災(zāi)前災(zāi)后的道路提取，最終生成災(zāi)前災(zāi)后的道路提取二值掩膜結(jié)果。圖7、圖8為災(zāi)前災(zāi)后道路二值掩膜結(jié)果。從圖7提取結(jié)果可以看出，依據(jù)災(zāi)前遙感影像能很好地提取道路信息，主干道路連續(xù)性好，各級(jí)道路拓?fù)浣Y(jié)構(gòu)完整，道路邊界平滑，盤(pán)山公路彎曲路段無(wú)明顯鋸齒現(xiàn)象。圖8提取結(jié)果表明，依據(jù)災(zāi)后遙感影像能很好地識(shí)別細(xì)小損毀區(qū)域，因此該算法能很好地提取道路信息。

2.2.2 基于變化檢測(cè)的損毀識(shí)別結(jié)果

通過(guò)變化檢測(cè)方法對(duì)災(zāi)前災(zāi)后的道路提取二值掩膜結(jié)果進(jìn)行分析，得到研究區(qū)道路提取結(jié)果（見(jiàn)圖9），其中紅色區(qū)域?yàn)樽R(shí)別的損毀區(qū)域。結(jié)合研究區(qū)地形地貌特征，可以得出研究區(qū)震后道路損毀空間分布特征：1）集聚性分布。損毀路段主要集聚于研究區(qū)的中部及中北部地區(qū)。2）等級(jí)差異性。主干道路如G310國(guó)道、S309省道局部出現(xiàn)間斷性損毀，且主要集中在邊坡陡峭路段，而農(nóng)村公路損毀則呈現(xiàn)連續(xù)片狀分布。3）地形關(guān)聯(lián)性。研究區(qū)縣地形復(fù)雜，地震發(fā)生后河谷地帶沿黃河南岸道路出現(xiàn)道路損毀，山地區(qū)也出現(xiàn)滑坡體掩埋道路的現(xiàn)象。

3討論

3.1 方法局限性

1）現(xiàn)有公開(kāi)OSM數(shù)據(jù)覆蓋不足。研究區(qū)部分村級(jí)道路（尤其是山區(qū)小路）在OSM數(shù)據(jù)中缺失，導(dǎo)致動(dòng)態(tài)緩沖區(qū)未能完全覆蓋實(shí)際路網(wǎng)，提取影像特征時(shí)存在漏檢風(fēng)險(xiǎn)。

2）損毀識(shí)別能力限制。對(duì)于損毀結(jié)果的識(shí)別停留在是否損毀的尺度，沒(méi)有對(duì)損毀程度的劃分，無(wú)法顯示損毀的嚴(yán)重性，且在分辨率上只能提取 1m 以上的損毀信息。

3）先驗(yàn)知識(shí)靜態(tài)性影響。OSM數(shù)據(jù)更新滯后于實(shí)際路網(wǎng)改造，新建或改道路段（如震前3月通車(chē)的吹麻灘鎮(zhèn)環(huán)線(xiàn)）未納入矢量庫(kù)，導(dǎo)致動(dòng)態(tài)緩沖區(qū)參數(shù)適配偏差。

3.2 改進(jìn)方向

1）先驗(yàn)知識(shí)與深度學(xué)習(xí)相結(jié)合。利用OSM道路矢量生成訓(xùn)練樣本，通過(guò)遷移學(xué)習(xí)策略（如Domain-AdversarialTraining）提升模型在數(shù)據(jù)稀缺區(qū)域的泛化能力，緩解村級(jí)道路標(biāo)注不足導(dǎo)致的漏檢問(wèn)題

2）多種先驗(yàn)知識(shí)相結(jié)合。集成地震烈度分布圖、斜坡穩(wěn)定性評(píng)估數(shù)據(jù)，融合手機(jī)信令數(shù)據(jù)或POI分布，構(gòu)建動(dòng)態(tài)緩沖區(qū)寬度調(diào)整規(guī)則，提升道路信息的提取能力。

3）多源數(shù)據(jù)相結(jié)合。嘗試使用無(wú)人機(jī)數(shù)據(jù)提高影像的分辨率，從而提高模型對(duì)道路損毀信息的提取能力[18] 。

4結(jié)論

針對(duì)災(zāi)后道路損毀信息識(shí)別需求，構(gòu)建了基于先驗(yàn)知識(shí)的多層次道路損毀提取框架，并以積石山6.2級(jí)地震為典型案例完成方法驗(yàn)證，主要結(jié)論如下。

1）動(dòng)態(tài)緩沖區(qū)的有效性。通過(guò)OSM道路屬性生成的等級(jí)化動(dòng)態(tài)緩沖區(qū)，成功將影像處理范圍約束至道路潛在區(qū)域。結(jié)合分塊計(jì)算策略顯著降低了運(yùn)算內(nèi)存壓力，提高了道路識(shí)別的能力，避免建筑物等其他要素對(duì)識(shí)別結(jié)果的影響，為后續(xù)處理提供高效的空間約束條件。

2）拓?fù)湫迯?fù)的實(shí)用性。端點(diǎn)引導(dǎo)的區(qū)域生長(zhǎng)算法有效修復(fù)了因影像分割誤差導(dǎo)致的道路斷裂，減少了其他因素影響道路連續(xù)性，保證了災(zāi)前道路提取結(jié)果的拓?fù)渫暾?，修正了?zāi)后道路提取結(jié)果中非損毀性斷裂信息，滿(mǎn)足后續(xù)損毀對(duì)比分析需求。

3）損毀分布的空間特征。檢測(cè)結(jié)果表明，損毀路段在研究區(qū)中部及中北部集聚性分布，低等級(jí)道路（村級(jí)公路）的損毀呈現(xiàn)連續(xù)性特征。從數(shù)據(jù)預(yù)處理到損毀識(shí)別的全鏈條方法在積石山案例中展現(xiàn)出工程可行性，輸出成果可為應(yīng)急指揮提供道路中斷位置、損毀聚集區(qū)等關(guān)鍵信息

參考文獻(xiàn)：

［1]：王龍.基于遙感影像的地震災(zāi)害損失評(píng)估方法研究與實(shí)現(xiàn)[D].北京：中國(guó)地震局地震預(yù)測(cè)研究所，2007：31-36.

[2] 陳丹丹.基于Deeplabv3 ^?+ 的高分遙感影像道路損毀信息提取方法研究［D].北京：中國(guó)地震局地震預(yù)測(cè)研究所，2020：23-36.

[3] 陳世榮，馬海建，范一大，等.基于高分辨率遙感影像的汶川地震道路損毀評(píng)估[J].遙感學(xué)報(bào)，2008，12（6）：949-955.

[4] 劉三超，湯童，高懋芳，等.利用高分辨率遙感數(shù)據(jù)的蘆山地震道路損毀快速評(píng)估[J].航天器工程，2014，23（4）：125-130.

[5] 劉愛(ài)文，帥向華，呂紅山，等.魯?shù)榈卣鹕€(xiàn)工程震害特點(diǎn)及應(yīng)急搶修[J].震災(zāi)防御技術(shù)，2014，9（3）：359-367.

[6] CHENZY，DENGLA，LUOYH，etal.RoadExtractioninRemote Sensing Data：A Survey[J].International Journal ofApplied Earth Observation and Geoinformation，2022，112：102833.

[7] ZHOU M T，SUI H G，CHEN S X，et al.Large-Scale RoadExtraction from High-Resolution Remote Sensing ImagesBased on a Weakly-Supervised Structural and OrientationalConsistency Constraint Network[J].ISPRS Journal ofPhoto-grammetryand Remote Sensing，2022，193：234-251.

[8] 崇乾鵬.基于知識(shí)驅(qū)動(dòng)學(xué)習(xí)的高性能遙感影像分割方法研究[D].煙臺(tái)：煙臺(tái)大學(xué)，2024：23-35.

[9] 吳曉燕，車(chē)登科，戴芬.影像與矢量結(jié)合的道路自動(dòng)提取及變化檢測(cè)[J].礦山測(cè)量，2010，38（1）：62-64.

[10] 程效猛，鄭浩，眭海剛，等.結(jié)合矢量引導(dǎo)的高分辨率遙感影像道路自動(dòng)提取[J].測(cè)繪通報(bào)，2018（9）：19-23.

[11]LIU B，WU HY，WANG YD，et al.Main Road Extractionfrom ZY-3 Grayscale Imagery Based on Directional Mathe-matical Morphology and VGI Prior Knowledge in Urban Ar-eas[J].PLoS ONE，2015，10（9） ：e0138071.

［12］李書(shū)曉，常紅星.基于總變分和形態(tài)學(xué)的航空?qǐng)D像道路檢測(cè)算法[J].計(jì)算機(jī)學(xué)報(bào)，2007，30（12）：2173-2180.

[13]LOURENCO M，ESTIMA D，OLIVEIRA H，et al.AutomaticRural Road Centerline Detection and Extraction from AerialImages for a Forest Fire Decision Support System[J].Remote Sensing，2023，15（1） ：271.

[14]POULLIS C，YOU S. Delineation and Geometric Modelingof Road Networks[J].ISPRS Journal of Photogrammetryand Remote Sensing，2010，65（2）：165-181.

[15]ZHANG Q P，COULOIGNER I.Accurate Centerline Detectionand Line Width Estimation of Thick Lines Using the RadonTransform[J].IEEE Transactions on Image Processing，2007，16（2） ：310-316.

[16]JUMB V，SOHANI M，SHRIVAS A.Color Image SegmentationUsing K-means Clustering and Otsu’s Adaptive Thresholding[J].International Journal of Innovative Technology and Explo-ring Engineering，2014，3（9） ：72-76.

[17]YANG P，SONG W，ZHAO X B，et al.An Improved OtsuThreshold Segmentation Algorithm[J].International Journalof Computational Science and Engineering，2020，22（1） ：146-153.

[18]HOJJATOLESLAMI S A，KITTLER J.Region Growing：A NewApproach[J].IEEE Transactions on Image Processing，1998，7（7）：1079-1084.

[19]CHANG Y L，LI X B.Adaptive Image Region-Growing[J].IEEE Transactions on Image Processing，1994，3（6） ：868-872.

[20]ZHANG X L，LI X F，F(xiàn)ENG Y C.A Medical Image Segmen-tation Algorithm Based on Bi-Directional Region Growing[J].Optik，2015，126（20） ：2398-2404.

[21］沙玉坤，趙榮，沈晶，等.基于矢量數(shù)據(jù)的道路網(wǎng)變化檢測(cè)算法研究[J].測(cè)繪通報(bào)，2012（9）：29-31，40.

[22］盧昭羿，左小清，黃亮，等.面向?qū)ο蟮耐队盎シ指畹缆纷兓瘷z測(cè)[J].國(guó)土資源遙感，2012，24（3）：60-64.