卿远昭/明冬萍：基于超像素CNN直接变化检测的震后建筑物倒损遥感评估【JAG，2022】

2022-09-22     发布：[信息工程学院]    点击：0次

地震是影响人类的最具灾难性和破坏性的自然灾害之一。我国地震灾害频发，破坏性地震往往造成重大人员伤亡和财产损失。建筑物倒损作为所有震害信息中最为典型的特征，直接反映了地震的严重程度，同时，建筑物倒损也是造成人员伤亡的主要原因。因此，快速、高效地检测和评估建筑物的倒损情况对震后应急救援和灾后重建意义重大。利用遥感技术获取震区建筑物倒损信息，有助于提高应急响应效率。随着人工智能技术的快速发展，卷积神经网络（convolutional neural network, CNN）被广泛应用于遥感影像建筑物倒损信息自动化提取。现有基于CNN的方法大多使用单时相的震后影像，其评估效率高但缺乏震前完好建筑物的边界信息，导致提取的倒损面积不精确。而使用震前震后双时相影像的方法则通常需要两步分类和一次比较，效率较低。

针对上述问题，我校信息工程学院2019级硕士研究生卿远昭在导师明冬萍教授的指导下，提出了一种基于超像素CNN直接变化检测的震后建筑物倒损遥感评估流程（图1），并选取2014年云南鲁甸6.5级地震灾区为研究区验证了所提工作流程的有效性及优越性。该工作的主要贡献如下：

（1）首先利用联合特征增强波段（extra feature enhancement channel, EFEC）的CNN模型，在较大尺度上筛选震中附近易受地震影响的建筑区域（图2）。建筑区提取结果显示，本文所使用的加入EFEC的CNN方法取得了较好的提取结果，整体精度和Kappa系数分别为89.2%和0.784，与不加入EFEC的传统机器学习方法相比分别高26.1%和0.523，证明了所提方法的有效性。

（2）利用包含建筑物变化属性（倒损类型）的样本和前时相超像素约束策略实现了建筑物倒损直接变化检测（图3）。对比实验结果表明本文方法的提取结果较好，交并比（IoU）为0.522，F1-Score为0.686。类内分层抽样评价结果显示本文方法整体精度和Kappa系数分别为88.5%和0.828，分别比仅使用震后影像且不使用前时相约束策略的方法高6.4%和0.096。

（3）构建了基于建筑物顶面面积的遥感震害快速评估指数。根据震害指数与地震烈度的关系，确定震区的地震烈度，实现了遥感震害快速定量评估（图4）。实验结果表明鲁甸县龙头山镇地震烈度为Ⅸ，该结果与中国地震局2014年8月7日公布的鲁甸地震烈度图一致。

本文验证了所提震后建筑物倒损遥感评估流程的可行性、有效性，该流程在评估效率上有显著优势（图5），可为应急减灾管理部门提供较为可靠的灾情定量评估参考，辅助制定更优的抗震救灾策略。评估结果也可以帮助决策者有针对性地设计地震易发区建筑和基础设施的抗震性能。

图1 本文技术路线图

图2 大尺度建筑区提取结果。(a) CECNN (加入特征增强波段) (b) CECNN (c) SVM (加入特征增强波段) (d) SVM）

图3建筑物损毁检测。左侧图为实验区及研究数据；右上图为震前影像超像素约束策略示意图；下图分别为所用深度学习网络及不同方法组合的建筑物损毁检测结果局部放大图。

图4  龙头山镇中心区分街区地震烈度评定

图5  流程耗时评价

上述研究成果发表在遥感国际权威刊物《International Journal of Applied Earth Observation and Geoinformation》。

引用格式：Qing Y, Ming D, Wen Q, et al. Operational earthquake-induced building damage assessment using CNN-based direct remote sensing change detection on superpixel level [J]. International journal of applied earth observation and geoinformation, 2022, vol.112, pp. 102899. [IF 2021=7.672]

全文链接：DOI: 10.1016/j.jag.2022.102899