面向地震风险评估的高分辨率遥感影像建筑物信息提取与研究

刘耀辉

山东建筑大学测绘地理信息学院，山东 济南 250101

地震灾害具有突发性和不可预测性，严重威胁人类生命财产安全和社会稳定。进行区域尺度地震风险评估，既有助于相关部门制定城市规划和应急管理方案，最大限度减轻地震灾害风险，也可提高人民群众对潜在灾害的风险意识。承灾体、建(构)筑物数据是进行地震风险评估的基础数据之一。然而，当前存在建筑物数据获取难、更新速度慢等局限，无法满足区域尺度地震风险评估中建筑物数据准确性高、获取方便、更新及时等要求。同时，也缺乏结合社会脆弱性因素构建情景地震的应用案例。论文针对上述不足，以基于多源异构数据和机器学习方法快速、准确获取建筑物信息及其地震风险评估为研究目标，主要研究内容如下。

(1) 提出了一种融合编码-解码器结构和空间金字塔池化模块的轻量级卷积神经网络模型——USPP，用于高分辨率遥感影像建筑物自动提取。在Massachusetts和INRIA两个国际开源的建筑数据集上，与其他国际上通用的图像分割模型(包括SegNet、FCN、U-Net、Tiramisu及FRRN)相比，USPP模型的定性和定量结果都有所提升，能较好地提取建筑物，分类误差小、边界清晰。

(2) 上一步提出的USPP模型，虽然取得较优的建筑物分割结果，但无法满足区域尺度地震风险评估的计算效率需求。为此，提出了融合深度可分离卷积和非对称残差连接的ARC-Net网络，同时融合空洞卷积和空洞卷积空间金字塔池化模块来扩大视觉感受野，提升建筑物提取精度。在INRIA和WHU两个数据集上的试验表明，ARC-Net模型性能优于其他国际常用的深度学习模型。在此基础上，应用ARC-Net模型在乌鲁木齐城区和渭南农村地区进行建筑物自动提取。结果表明，ARC-Net模型进行面向地震风险评估的建筑物高精度、快速、自动提取是可行的，可以达到较高的建筑物提取精度和较快的计算效率，并且在农村地区进行建筑物提取效果更好。

(3) 在上一步提取建筑物轮廓基础上，提出了一种基于多源数据融合、机器学习和地理信息技术相结合的建筑物信息提取及其地震易损性的综合评定方法，并以乌鲁木齐为例进行应用验证。首先，选择天山区部分区域进行建筑物详细实地调研；
其次，采用EMS-98建筑物易损性分类标准和两种机器学习方法，即支持向量机和关联规则方法，建立建筑物属性信息与地震易损性的对应规则；
然后，基于街景影像、道路交通、土地利用规划和多时相遥感影像等多源数据，将乌鲁木齐进行居民地块体划分，将上一步建立的建筑物易损性对应规则应用于乌鲁木齐数据库，整体精度达到79.7%；
最后，应用地震风险评估模型，分析不同地震烈度下乌鲁木齐地震风险分布情况。

(4) 基于情景地震的地震易损性、危险性和社会脆弱性的地震风险综合评估分析。首先，对陕西省渭南市3个具有不同地形特征的农村进行建筑物及社会因素的详细调查；
然后，应用RISK-UE脆弱性指数方法，对3个村庄在不同地震烈度下的建筑物破坏程度进行定量分析；
最后，综合社会脆弱性因素，构建情景地震，对3个村庄可能的地震影响情景进行描述，并针对性地进行地震应急部署准备，为中国西部地区地震风险评估提供参考借鉴。