Earthquake damage building identification technology based on high resolution remote sensing image with optimal segmentation
-
摘要: 为了提高建筑物震害信息提取的效率与准确度，针对震后高分辨率遥感影像，根据震害建筑物在遥感影像上的特征，以2010年海地MS7.0地震为例，通过尺度参数估计算法自动选择最优分割尺度对影像进行多尺度分割，并采用面向对象方法对海地高分辨率遥感影像进行建筑物震害信息提取，同时与基于像元的支持向量机、反向传播神经网络、基于分类回归算法的决策树分类方法进行比较。试验结果表明，面向对象的分类方法具有更好的目视效果和更高的分类精度，有利于地震后震害信息的准确提取和快速评估。Abstract: In order to improve the efficiency and the accuracy of information extraction about earthquake damage building, based on high resolution remote sensing image after the earthquake, and according to the features of earthquake damage buildings in remote sensing images, we took a case study of MS7.0 Haiti earthquake in 2010, through the ESP algorithm automatically chose the optimal segmentation scale to multi-scale segmentation of images, used object-oriented method to Haiti high-resolution remote sensing image information extraction of earthquake damage buildings. At the same time, it is compared with Support Vector Machine based on pixel, BP neural network and Decision Tree classification method based on CART algorithm, the experimental results show that the object-oriented classification method has better visual effect and higher classification accuracy, which is beneficial to the accurate extraction and rapid evaluation of earthquake damage information after the earthquake.
-
引言
强震动观测和历史震害都表明局部场地条件会对地表地震动强度和震害产生重要影响。例如，局部软弱土层会造成地震动特定周期成分显著放大，从而导致位于软弱厚土层场地上的震害明显加重。场地条件对地震动参数的影响主要体现在地震动幅值（峰值、反应谱幅值）和频谱特性（反应谱特征周期）的变化上。对于场地地震效应模拟研究：Idriss和Seed （1968）提出了一维场地地震反应的等效线性方法，并编制出计算程序SHAKE系列；廖振鹏（1989）开发了具有自主知识产权的计算程序LSSRLI-1，并被广泛应用于重大工程地震安全性评价中。时域方法以土动力非线性为核心，例如Hashash和Park （2001）开发的DEEPSOIL计算程序等。
近年来，人工智能方法已在地震工程多个领域实现交叉融合：Peng等（2021）采用深度学习方法对六层钢框架的动力响应进行分析，验证了深度学习方法的合理性；Li等（2022）开发了一种深度学习模型来快速预测高墩桥的抗震性能；Zhang等（2021a）提出使用长短期记忆（long short term memory，缩写为LSTM）的深度学习方法预测岩土应力-应变行为；Liu和Dai （2021）提出了一种实时预测地震动烈度趋势的深度学习模型；Roten和Olsen （2021）使用神经网络从离散剪切波速剖面中预测场地放大效应；刘献伟等（2023）采用动态聚类方法对日本相模湾海底台站的水平垂直谱比进行分类，获取了最优场地分类；任叶飞等（2023）基于K均值聚类（K-means）方法根据台阵真实场地放大因子对我国现行规范中Ⅱ类场地进行聚类分析，并给出了新的场地分类优化方案；Derakhshani和Foruzan （2019）基于深度学习，针对太平洋地震研究中心（Pacific Earthquake Engineering Research，缩写为PEER）的NGA-West2数据库，建立了峰值加速度（peak groud acceleration，缩写为PGA）和峰值速度（peak ground velocity，缩写为PGV）等地震动参数衰减模型；Zhang等（2019）针对数据驱动的结构地震响应建模，提出了两种LSTM网络，通过在有限数据集中训练，其模型能够准确预测建筑结构的弹性和非弹性响应。在人工智能的发展进程中，时序卷积神经网络已在各个领域得到应用，如能源燃料、声学、信息科技等，具体信息列于表1。
表 1 时序卷积神经网络模型在各领域的应用Table 1. Application of temporal convolutional neural network model in various fields研究领域 应用场景 作者 能源燃料 可再生资源的超短期时空预测 Liang，Tang （2 022） 电力系统暂态稳定评估模型 刘聪等 （2 023） 电力系统短期负荷预测 Yin，Xie （2 021） 分布式能源概率多周期预测 Loschenbrand （2 021） 热负荷预测模型 Song等 （2 020） 西班牙国家电力需求与电动汽车充电站电力需求模型 Lara-Benítez等 （2 020） 声学 高质量头部相关传递函数（HRTF） Gebru等 （2 021） 一种高效的端到端的句子级唇读模型 Zhang等 （2 021b） 信息科技 通用日志序列异常检测框架 杨瑞朋等 （2 020） 社交物联网中情感识别 Xiao等 （2 021） 医学 一种用于识别胃旁路手术中手术阶段与手术步骤的模型 Ramesh等 （2 021） 一种用于自动诊断脓毒症的自动化工具 Kok等 （2 020） 机械工业 工业设备剩余寿命预测模型 刘丽等 （2 022） 金融 融合情感特征的股价预测模型 严冬梅等 （2 022） 地球科学 复杂地层波阻抗反演模型 王德涛，陈国雄 （2 022） 气象学 高分辨的中短期区域天气预报模型 Hewage等 （2 020） 传统深度学习多基于纯数据进行训练，缺乏物理可解释性。本文针对场地地震效应模拟，提出基于物理嵌入的时序卷积神经网络的深度学习框架，不仅可以进一步增强从数据中学习的鲁棒性和可靠性，而且具有一定的可解释性。同时，在稀疏数据情况下，嵌入式物理信息可以为训练学习过程提供更多信息，从而将模拟结果约束在可行空间内。本文将通过单自由度体系，对物理信息嵌入网络的可行性和必要性进行验证，并利用构建的场地地震效应模拟数据集，给出方法的适用性与可行性，最后使用KiK-net台站中典型井下/井上记录，实现基于物理嵌入的时序卷积神经网络（physics-embedded temporal convolutional neural network，缩写为Phy-TCN）的代理模型构建。
1. 物理嵌入时序卷积神经网络模型
1.1 时序卷积神经网络
时序卷积神经网络（TCN）（Bai et al，2018）具有比循环神经网络（recurrent neural network，缩写为RNN）、LSTM和门控循环单元（gated recurrent unit，缩写为GRU）更强的并行性和更为灵活的感受野，为了使得TCN实现输入序列与输出序列的步长相同，TCN采用一维全卷积网络架构（Long et al，2017），通过零填充方式使得每一个隐藏层中输入与输出长度相同。同时，我们也引入膨胀因果卷积（Yu，Koltun，2016），使感受野实现指数级增长，以此避免网络在处理长序列时增长得太深，同时保证历史信息不遗漏，TCN中膨胀因果卷积如图1a所示。对于超长序列数据，需要训练更深层次的网络以使模型足够强大。在网络模型构建中，TCN考虑使用残差块（He et al，2016）来避免梯度消失，TCN残差块如图1b所示。
![]()
图 1 时序卷积神经网络（TCN）组构（a） 膨胀因果卷积；（b） TCN残差块Figure 1. Architectural elements in temporal convolutional neural network （TCN）（a） Dilated causal convolution；（b） TCN residual block1.2 物理嵌入时序卷积神经网络 （Phy-TCN）
本文提出的网络结构是将物理过程嵌入神经网络损失函数中，从而实现物理-数据双驱动模式。以单自由度Phy-TCN架构及物理概念为例，系统控制方程为：
$$ \ddot {\boldsymbol{u}} ＋ 2\xi \omega \dot {\boldsymbol{u}} ＋ {\omega ^2}{\boldsymbol{u}} ＝ - {\ddot {\boldsymbol{u}}_{\rm{g}}}\text{，} $$ (1) 令$2\xi \omega \dot {\boldsymbol{u}} ＋ {\omega ^2}{\boldsymbol{u}} ＝ g$，则
$$ \ddot {\boldsymbol{u}} ＋ g ＋ {\ddot {\boldsymbol{u}}_{\rm{g}}} \to 0 \text{，} $$ (2) 式中，ξ为阻尼比，ω为体系圆频率，g为质量归一化内力，${\boldsymbol{u}} $，$\dot {\boldsymbol{u }}$，$\ddot {\boldsymbol{u}} $，$\ddot {\boldsymbol{u}}_ {\rm{g}}$分别为相对位移、相对速度、相对加速度和输入基底加速度。
针对此物理系统，本文采用Phy-TCN建模，该模型由TCN网络和差分求解器组成，如图2所示，包含输入层、输出层。其中，TCN残差块层和全连接层用于信息提取和特征学习。差分求解器用于神经网络学习过程中对输出层进行求导，如输出状态空间z（t）中${\boldsymbol{u}} $和$\dot {{{\boldsymbol{u}} }}$计算导数得${\boldsymbol{u}}_{t} $和$\dot {\boldsymbol{u}} _t$，以此在损失函数中嵌入物理约束；模型将加速度激励时间序列信号作为输入，将相对位移、速度、加速度等状态变量作为输出，通过优化网络参数使得整个网络模型满足物理与数据同时约束。总体损失函数定义如下：
$$ {J_{{\rm{T}}}} （ \theta ） ＝ {J_{\rm{P}}} （ \theta ） ＋ {J_{\rm{D}}} （ \theta ） \text{，} $$ (3) $$ {J_{\rm{P}}} （ \theta ） ＝ \frac{1}{N}\left( {{\beta _1}\left\| {\dot {\boldsymbol{u}} － {{\boldsymbol{u}}_t}} \right\| ＋ {\beta _2}\left\| {\ddot {\boldsymbol{u}} － {{\dot {\boldsymbol{u}}}_t}} \right\| ＋ {\beta _3}\left\| {{{\dot {\boldsymbol{u}}}_t} ＋ g ＋ {{\ddot {\boldsymbol{u}}}_{\rm{g}}}} \right\|} \right) \text{，} $$ (4) $$ {J_{\rm{D}}} （ \theta ） ＝ \frac{1}{N}\left( {{\alpha _1}\left\| {{\boldsymbol{u}} － {{\boldsymbol{u}}^ * }} \right\| ＋ {\alpha _2}\left\| {\dot {\boldsymbol{u}} － {{\dot {\boldsymbol{u}}}^ * }} \right\| ＋ {\alpha _3}\left\| {\ddot {\boldsymbol{u}} － {{\ddot {\boldsymbol{u}}}^ * }} \right\|} \right) \text{，} $$ (5) 式中：JT表示总体损失函数，JP表示物理损失函数，JD表示数据损失函数，θ为网络中训练参数；${\boldsymbol{u}}^* $，$\dot {\boldsymbol{u}}^*$，${{\ddot {\boldsymbol{u}}}^ * } $表示实测相对位移、速度、加速度；β1，β2，β3，α1，α2，α3为各损失函数的权重系数，可根据各损失函数量级进行估计。Phy-TCN的模型框架如图2所示，训练采用Adam （Kingma，Ba，2015）结合L-BFGS优化策略（Liu，Nocedal，1989）实现空间最优解。
1.3 物理嵌入时序卷积神经网络验证
随机选取30组时序长度为1 000的白噪声作为单自由度体系激励，采用数值方法生成采样频率为20 Hz的加速度数据集，各取15组分别将其划分到训练集与测试集中。网络参数设置如下：$ ［ $m×n×p$ ］ $＝$ ［ $15×
1000 ×1$ ］ $，p1＝10，q1＝10，q＝3，膨胀因子d＝$ ［ $1，2，4，8，16$ ］ $，卷积核k＝3。然后将嵌入物理信息的Phy-TCN与TCN模型进行对比。为了说明物理嵌入的必要性，本文从测试集中挑选两组工况进行阐明。图3a和3b对应工况一下Phy-TCN模型与TCN模型模拟所得位移、加速度与参考值的对比结果，图3c和3d对应工况二。从图中可以看出，TCN模型预测结果毛刺现象明显，而Phy-TCN模型模拟结果并无此现象，且能得到更合理的模拟结果。由此可见：嵌入物理信息的模型Phy-TCN相对TCN模型泛化能力更强。从图3c和3d所示工况二中可以看出，在0—2 s时TCN模拟结果误差较大，这是因为TCN模型训练时没有0 s以前的前序时程作为样本，导致其对0 s后若干时序长度的模拟结果不准确，而采用物理嵌入时序卷积神经网络模型将进一步约束解空间，使得提出的网络结果的性能得到优化，模拟结果与参考记录对比更为准确。![]()
图 3 Phy-TCN与TCN在单自由度测试集下的比较结果图（a）和图（b）为工况一对应的位移和加速度比较；图（c）和图（d）为工况二对应的位移和加速度比较Figure 3. Comparison of the Phy-TCN and TCN in single degree of freedom test setFigs. （a） and （b） are the comparisons of displacement and acceleration in case 1；Figs. （c） and （d） are those in case 2进一步将应用于非线性场地地震效应分析模型，通过构建设定钻孔，采用Shi和Asimaki （2017）提出的混合双曲（hybrid hyperbolic，缩写为HH）非线性土体本构模型来描述土体非线性动力行为，表达式如下：
$$ {\tau }_{{\rm{HH}}} （ \gamma ） ＝w （ \gamma ） \dfrac{{G}_{\mathrm{max}}\gamma }{1＋\beta {\left(\dfrac{\gamma }{{\gamma }_{{\rm{ref}}}}\right)}^{s}}＋\left[1＋w （ \gamma ） \right]\dfrac{{\gamma }^{d}\mu }{\dfrac{1}{{G}_{\mathrm{max}}＋\dfrac{{\gamma }^{d}\mu }{{\tau }_{{\rm{f}}}}}} \text{，} $$ (6) $$ w （ \gamma ） ＝ 1 －\frac{{ 1}}{{{1 ＋ {{10}^{ - a （ {{{\lg }}{\frac{\gamma }{{{\gamma _{\rm{t}}}}}} - 4.039{a^{ - 1.036}}} ） }}} }} \text{，} $$ (7) 式中，β＝1，s＝0.919，a＝1，γ为剪切应变，γt为转变应变，μ和h为两个附加参数，Gmax为最大剪切模量，τf为抗剪强度，γref为参考剪应变。
各土层具体参数及HH模型参数详见表2。从日本国家地球科学与灾害防御研究所（The National Research Institute for Earth Science and Disaster Resilience，缩写为NIED）的强震台网数据库中选择30组地震记录作为输入，包括20个样本的训练数据集和10个样本的测试数据集，来测试训练模型的泛化性能。其中网络参数设置为：$ ［ $m×n×p$ ］ $＝$ ［ $6×
1200 ×1$ ］ $，p1＝30，q1＝10，q=3，膨胀因子d＝$ ［ $1，2，4，8，16，32，64$ ］ $，卷积核k＝3。表 2 土层力学参数及混合双曲模型相关参数Table 2. Mechanics parameters in soil layer and related parameters of hybrid hyperbolic model层号 土层厚度/m vS/（m·s−1） 密度/（kg·m−3） μ 转变应变γt h 抗剪强度
τf/kPa参考剪应变
γref最大剪切模量
Gmax/MPa1 4 120 1600 0.308 0.048% 0.938 31.170 0.034% 23.760 2 4 360 1800 0.073 0.011% 0.721 143.183 0.046% 256.835 3 8 500 1800 0.061 0.010% 0.699 245.276 0.047% 503.375 4 12 620 1800 0.058 0.010% 0.688 358.898 0.056% 776.576 5 22 1200 2000 1.000 0.010% 0.941 547.318 0.073% 3173.761 由于Phy-TCN模型在测试集上模拟场地地震效应表现良好，而其与实际记录反应谱的对比显示，其决定系数大于0.97，故仅选两组对比结果进行展示（图4）。由图4a可知：决定系数R2＝0.983时，模拟和实测加速度反应谱曲线、加速度、速度以及位移曲线基本匹配；由图4b可知：决定系数R2＝0.992时，模拟和实测加速度反应谱曲线、加速度、速度以及位移结果匹配良好。由此可见，Phy-TCN在模拟一维非线性场地地震效应方面表现良好。
![]()
图 4 场地模拟结果与实测结果对比图图（a）和图（b）分别为决定系数R2为0.983和0.992时所对应的加速度反应谱、加速度、速度及位移时程Figure 4. Comparison of simulated results and measured results in simple siteFigs. （a） and （b） are the comparison results of acceleration response spectra，acceleration，velocity and displacement time histories when determination coefficient R2 are 0.983 and 0.992，respectively2. 基于KiK-net强震动记录的Phy-TCN模型验证
2.1 数据集及Phy-TCN模型参数
采用KiK-net井上/井下台站对的强地震动记录作为数据。选择IBRH11和IBRH12站点，对应场地速度剖面如图5所示。选择地表峰值加速度大于等于0.3 m/s2的50个地震事件，随机将其中40个地震事件对应的两个水平方向井下地表加速度记录划分为训练集；将其余10个地震事件划分为测试集。整个网络模型参数设置为：$ ［ $m×n×p$ ］ $＝$ ［ $10×12 000×1$ ］ $，p1＝80，q1＝10，q＝3，膨胀因子d＝$ ［ $1，2，4，8，16，32，64，128$ ］ $，卷积核k＝3。为了说明Phy-TCN模型性能，采用等效线性法对测试集进行计算，并与Phy-TCN模拟结果对比。等效线性法采用SeismoSoil计算软件（Asimaki，Shi，2017），首先根据各土层剪切波速对现有土层重新离散化，如式8所示，基岩类型选择为刚性基岩；然后通过Darendeli （2001）提出的方法根据已知场地剪切波速合成不同深度处的土层非线性曲线（图6）；最后将地震动输入形式选择为从井下输入。计算过程中当连续两次剪切模量G与阻尼比ξ之间的相对误差小于7.5%或进行10次迭代后，结束迭代。
$$ \Delta h ＝ \frac{{{v_{\rm{S}}}}}{{10 f}} \text{，} $$ (8) ![]()
图 6 IBRH11 （a）与IBRH12 （b）场地不同土层土的归一化剪切模量和阻尼比的非线性曲线Figure 6. G/Gmax and damping ratio nonliner curves of soil for different layer at the sites IBRH11 （a） and IBRH12 （b）式中，Δh为空间网格大小，vS为土层剪切波速，f为谐波分量频率。
2.2 结果分析
Phy-TCN与等效线性方法模拟地表峰值加速度对比结果如图7a所示，可见，随着地震动强度的增加，实测地表峰值加速度渐渐大于等效线性法模拟的地表峰值加速度，而Phy-TCN方法模拟的地表峰值加速度则稳定在偏差为±20%范围内不变。图7b展示了Phy-TCN与等效线性法基于IBRH11和IBRH12场地测试集共计40组样本所得的模拟反应谱的决定系数与实测地表峰值加速度之间的关系，可见，随着地震动强度的增加，对Phy-TCN的模拟能力干扰并不多，且决定系数R2基本保持在0.8以上。
![]()
图 7 Phy-TCN与等效线性方法在IBRH11与IBRH12场地计算得到的地表峰值加速度（a）及决定系数（b）对比Figure 7. Comparison of the peak ground acceleration （a） and coefficient of determination （b） for the sites IBRH11 and IBRH12 calculated by Phy-TCN and equivalent linear method为了说明Phy-TCN在场地地震效应的模拟能力，分别从两个场地中挑选两组地震事件的两个水平方向地震动进行模拟（图8）。在图8a的两个地震事件的模拟中，Phy-TCN相对等效线性法能够较合理地模拟出主要周期段0.1—0.4 s （上）及0.08—0.2 s （下）处的加速度反应谱值；在图8b中，两种方法基本上都能识别出主要周期段，如0.06—0.2 s （上）和0.09—0.2 s （下），Phy-TCN能够更精确地识别出主要周期段的加速度反应谱值。在图8b左上图中的周期0.5—0.7 s及右上图中的0.2—0.7 s，等效线性法过高地估计了加速度反应谱值，而Phy-TCN结果则较为合理。对每个地震事件上述方法相对误差进行比较（表3），可见Phy-TCN、等效线性法与实测结果平均相对误差分别为0.067和0.379。Phy-TCN与等效线性法模拟不确定性主要体现在参数不确定性方面，由于实际土层信息的不完备带来等效线性法土动力学参数的不确定性，相比之下，Phy-TCN模型参数不确定性主要为网络权重的不确定，本文物理嵌入和数据驱动联合训练可近一步将网络权重约束到最优状态。另外在建模不确定性方面，等效线性法建模假设在应用中存在一定的失真。Phy-TCN模型直接训练实际强震动记录，并未设置假设条件。从图7可知：在剪切波速以及土层力学参数不确定性较强的情况下或无合适土层剖面信息情况下，Phy-TCN模型模拟结果的精度较等效线性法更高。
![]()
图 8 Phy-TCN与等效线性法基于IBRH11场地（a）和IBRH12场地（b）的两个地震事件的加速度反应谱模拟结果与实测结果的对比Figure 8. Comparison of simulated and measured results of acceleration response spectra for two earthquake events in different horizontal directions at the sites IBRH11 （a） and IBRH12 （b） calculated by Phy-TCN and equivalent linear method表 3 IBRH11和IBRH12场地不同地震事件实测最大加速度反应谱下周期点地表加速度反应谱值比较Table 3. Comparison of acceleration response spectra at periodic points under different measured maximum acceleration response spectra of earthquake events at the sites IBRH11and IBRH12场地 地震事件 方向 周期/s $S_{{\rm{a}}}^{\rm{EQ}} $
/（m·s−2）$S_{{\rm{a}}}^{\rm{orig}} $
/（m·s−2）$S_{{\rm{a}}}^{\rm{Phy-TCN}} $
/（m·s−2）等效线性反应谱值相对误差
（|$ S_{ {\rm{a} } }^{\rm{EQ} } $–$S_{ {\rm{a} } }^{\rm{orig} } $|/$S_{ {\rm{a} } }^{\rm{orig} } $）Phy-TCN反应谱值相对误差
（|$ S_{ {\rm{a} } }^{\rm{Phy-TCN} } $–$S_{ {\rm{a} } }^{\rm{orig} } $|/$S_{ {\rm{a} } }^{\rm{orig} } $）IBRH11 1 104 021 656 EW 0.12 1.42 2.71 2.48 0.476 0.085 NS 0.38 1.58 3.19 2.99 0.505 0.063 1 303 180 653 EW 0.20 0.97 2.96 2.74 0.672 0.074 NS 0.14 3.04 2.96 2.76 0.027 0.068 IBRH12 1 104 111 758 EW 0.14 1.15 1.51 1.46 0.238 0.033 NS 0.14 0.92 1.44 1.53 0.361 0.063 1 206 281 452 EW 0.14 2.78 3.98 3.77 0.302 0.053 NS 0.15 1.86 3.39 3.71 0.451 0.094 注：$S_{ {\rm{a} } }^{\rm{EQ} } $为等效线性化方法求得的反应谱值，$S_{ {\rm{a} } }^{\rm{Phy-TCN} } $为Phy-TCN方法求得的反应谱值，$S_{ {\rm{a} } }^{\rm{orig} } $为实测反应谱值. 3. 结论
本文提出了基于物理嵌入时序卷积神经网络（Phy-TCN）模型，并应用在场地地震效应模拟中，所得结论如下：
1） 构建的Phy-TCN与TCN相比，嵌入物理约束使得时序卷积神经网络泛化能力更强，通过考虑将物理信息嵌入到网络损失函数中，以实现物理模型的数字孪生。
2） 针对工程场地，通过构建的Phy-TCN模型来模拟场地效应，结果表明，此模型能够较好地模拟地震动激励下场地的地震效应。基于KiK-net典型台站井上/井下地震记录，针对不同场地建立Phy-TCN模型并与等效线性法进行对比，结果表明，Phy-TCN模型在土层剖面信息及土层力学参数不确定性较强的情况下，可较合理地模拟场地地震效应。
-
![]()
图 2 基于ESP算法的最优尺度分割评估结果
Figure 2. Evaluation results of optimal segmentation scale based on ESP algorithm
![]()
图 6 基于各种方法的“噪声”现象对比
Figure 6. Comparison of “noise” phenomena based on various methods
![]()
图 7 BP神经网络（a）、SVM（b）、基于CART算法决策树（c）分类结果
Figure 7. Classification results of BP neural network (a)，SVM (b)，decision tree based on CART algorithm method (c)
表 1 各地物的特征规则集
Table 1 The feature rule set of a variety of surface features
地物类别 特征规则集 阴影 亮度≤23 植被 均值≤30.5；矩形度≤0.9；紧致度≥1.61 完全损毁建筑物 GLCM角二阶矩≤0.002；GLCM同质性≤0.06；标准差≥30 基本完好建筑物 标准差≤12或标准差≥20；GLCM熵≥9；4.1≤GLDV熵≤4.3
1.925≤密度≤2.222或1.19≤密度≤1.39中度破坏建筑物 还未分类 注：GLCM为灰度共生矩阵，GLDV为灰度差分矢量。 
下载: 导出CSV
表 2 矢量分类结果中建筑物数量
Table 2 The number of buildings achieved from the vector classification results
建筑物类型 实地调查所得数据个数 面向对象分类所得数据个数 基本完好建筑物 274 194 中度破坏建筑物 237 308 完全损毁建筑物 235 212 总计 746 714
下载: 导出CSV
表 3 各分类方法的精度评价
Table 3 Accuracy evaluation of various classification methods
方法 总体精度 Kappa系数 方法 总体精度 Kappa系数 SVM 70.37% 0.5966 基于CART算法决策树 76.22% 0.633 0 BP神经网络 74.96% 0.6537 面向对象 87.10% 0.819 3
下载: 导出CSV
表 4 各分类方法的错分率
Table 4 The error rate of various classification methods
方法 基本完好 中度破坏 完全损毁 SVM 36.73% 33.22% 18.62% BP神经网络 30.53% 30.24% 16.00% 基于CART算法决策树 37.00% 40.44% 9.08% 面向对象 20.00% 5.56% 14.29%
下载: 导出CSV
-
陈云浩,冯通,史培军,王今飞. 2006. 基于面向对象和规则的遥感影像分类研究[J]. 武汉大学学报(信息科学版),31(4):316–320. Chen Y H,Feng T,Shi P J,Wang J F. 2006. Classification of remote sensing image based on object oriented and class rules[J]. Geomatics and Information Science of Wuhan University,31(4):316–320 (in Chinese).
龚丽霞,李强,张景发,曾琪明,刘明众,李成龙. 2013. 面向对象的房屋震害变化检测方法[J]. 地震,33(2):109–114. doi: 10.3969/j.issn.1000-3274.2013.02.014 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).
李强,张景发,龚丽霞,薛腾飞,蒋洪波. 2018. SAR图像纹理特征相关变化检测的震害建筑物提取[J]. 遥感学报,22(增刊1):128–138. Li Q,Zhang J F,Gong L X,Xue T F,Jiang H B. 2018. Extraction of earthquake-collapsed buildings based on correlation change detection of multi-texture features in SAR images[J]. Journal of Remote Sensing,22(S1):128–138 (in Chinese).
李强,张景发,罗毅,焦其松. 2019. 2017年“8.8”九寨沟地震滑坡自动识别与空间分布特征[J]. 遥感学报,23(4):785–795. Li Q,Zhang J F,Luo Y,Jiao Q S. 2019. Recognition of earthquake-induced landslide and spatial distribution patterns triggered by the Jiuzhaigou earthquake in August 8,2017[J]. Journal of Remote Sensing,23(4):785–795 (in Chinese).
牟多铎,刘磊. 2019. ELM与SVM在高光谱遥感图像监督分类中的比较研究[J]. 遥感技术与应用,34(1):115–124. Mou D D,Liu L. 2019. Comparative study of ELM and SVM in hyperspectral image supervision classification[J]. Remote Sensing Technology and Application,34(1):115–124 (in Chinese).
王东明,许立红. 2016. 破坏建筑物遥感信息提取技术:以尼泊尔8.1级地震为例[J]. 自然灾害学报,25(3):124–129. Wang D M,Xu L H. 2016. Extraction technology of remote sensing information on building damage:A case study of MS8.1 Nepal earthquake[J]. Journal of Natural Disasters,25(3):124–129 (in Chinese).
吴剑. 2010. 基于面向对象技术的遥感震害信息提取与评价方法研究[D]. 武汉: 武汉大学: 1–5. Wu J. 2010. The Research of Earthquake Information Extraction and Assessment Based on Object-Oriented Technology with Remotely-Sensed Data[D]. Wuhan: Wuhan University: 1–5 （in Chinese）.
游永发,王思远,王斌,马元旭,申明,刘卫华,肖琳. 2019. 高分辨率遥感影像建筑物分级提取[J]. 遥感学报,23(1):125–136. You Y F,Wang S Y,Wang B,Ma Y X,Shen M,Liu W H,Xiao L. 2019. Study on hierarchical building extraction from high resolution remote sensing imagery[J]. Journal of Remote Sensing,23(1):125–136 (in Chinese).
张峰,薛艳丽,李英成,丁晓波. 2008. 基于SVM的多源遥感影像面向对象建筑物提取方法[J]. 国土资源遥感,47(2):27–29. Zhang F,Xue Y L,Li Y C,Ding X B. 2008. Object-oriented building extraction of multi-source remote sensing imagery based on SVM[J]. Remote Sensing for Land &Resources,47(2):27–29 (in Chinese).
张景发,李强,焦其松. 2017. 建筑物震害多源遥感特征与机理分析[J]. 地震学报,39(2):257–272. doi: 10.11939/jass.2017.02.009 Zhang J F,Li Q,Jiao Q S. 2017. Multi-source remote sensing characteristics and mechanism analyses of building seismic damages[J]. Acta Seismologica Sinica,39(2):257–272 (in Chinese).
赵萍,傅云飞,郑刘根,冯学智,Satyanarayana B. 2005. 基于分类回归树分析的遥感影像土地利用/覆被分类研究[J]. 遥感学报,9(6):708–716. doi: 10.11834/jrs.200506103 Zhao P,Fu Y F,Zheng L G,Feng X Z,Satyanarayana B. 2005. Cart-based land use/cover classification of remote sensing images[J]. Journal of Remote Sensing,9(6):708–716 (in Chinese).
赵妍. 2017. 建筑物震害遥感影像面向对象变化检测研究[D]. 北京: 中国地质大学（北京）: 1–5. Zhao Y. 2017. The Research of Building Earthquake Damage Change Detection Based on Object-Oriented Technology With Remote Sensing Image[D]. Beijing: China University of Geosciences （Beijing）: 1–5 （in Chinese）.
Alonso-Benito A,Arroyo L A,Arbelo M,Hernández-Leal P,González-Calvo A. 2013. Pixel and object-based classification approaches for mapping forest fuel types in Tenerife Island from ASTER data[J]. Int J Wildland Fire,22(3):306–317. doi: 10.1071/WF11068
Baatz M, Schäpe A. 1999. Object-oriented and multi-scale image analysis in semantic networks[C]//Proceedings of the 2nd International Symposium on Operationalization of Remote Sensing. Enschede: 16–20.
Benediktsson J A,Swain P H,Ersoy O K. 1990. Neural network approaches versus statistical methods in classification of multisource remote sensing data[J]. IEEE Trans Geosci Remote Sens,28(4):540–550. doi: 10.1109/TGRS.1990.572944
Drăguţ L,Tiede D,Levick S R. 2010. ESP:A tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data[J]. Int J Geograph Inf Sci,24(6):859–871. doi: 10.1080/13658810903174803
Drăguţ L,Csillik O,Eisank C,Tiede D. 2014. Automated parameterisation for multi-scale image segmentation on multiple layers[J]. ISPRS J Photogr Remote Sens,88:119–127. doi: 10.1016/j.isprsjprs.2013.11.018
Hussain M,Chen D M,Cheng A,Wei H,Stanley D. 2013. Change detection from remotely sensed images:From pixel-based to object-based approaches[J]. ISPRS J Photogr Remote Sens,80:91–106. doi: 10.1016/j.isprsjprs.2013.03.006
Li Q,Gong L X,Zhang J F. 2019. A correlation change detection method integrating PCA and multi-texture features of SAR image for building damage detection[J]. Eur J Remote Sens,52(1):435–447. doi: 10.1080/22797254.2019.1630322
Li X D,Yang W N,Ao T Q,Li H X,Chen W Q. 2011. An improved approach of information extraction for earthquake-damaged buildings using high-resolution imagery[J]. J Earthq Tsunami,5(4):389–399. doi: 10.1142/S1793431111001157
Gulsen T K,Musaoglu N,Ersoy O K. 2011. Damage assessment of 2010 Haiti earthquake with post-earthquake satellite image by support vector selection and adaptation[J]. Photogrammetr Eng Remote Sens,77(10):1025–1035. doi: 10.14358/PERS.77.10.1025
Turker M,Koc-San D. 2015. Building extraction from high-resolution optical spaceborne images using the integration of support vector machine (SVM) classification,hough transformation and perceptual grouping[J]. Int J Appl Earth Observ Geoinform,34:58–69. doi: 10.1016/j.jag.2014.06.016
-
期刊类型引用(2)
1. 庾佳，谢秋芸，刘小清，桂志先，黄群. 高密度电法结合地温梯度研究羊屿地热田. 工程地球物理学报. 2024(06): 1059-1067 . 
百度学术
2. 齐剑峰，郭海朋，刘冯俊男，郝文拯. 含断裂地层中抽水致地裂缝扩展的数值模拟. 河北地质大学学报. 2023(02): 33-43 . 百度学术
其他类型引用(5)
计量
- 文章访问数: 642
- HTML全文浏览量: 332
- PDF下载量: 26
- 被引次数: 7
