基于高分一号卫星遥感图像的建筑物震害损毁检测研究——以2015年尼泊尔MS8.1地震为例*

叶 昕 王 俊 秦其明

(中国北京100871北京大学地球与空间科学学院)



基于高分一号卫星遥感图像的建筑物震害损毁检测研究
——以2015年尼泊尔MS8.1地震为例*

(中国北京100871北京大学地球与空间科学学院)

在高分辨率遥感图像中， 不同震害损毁程度的建筑物呈现不同的图像特征， 鉴于此本文提出一种利用遥感图像多特征分析建筑物损毁程度的检测方法． 以2015年尼泊尔MS8.1地震为例， 结合震后高分一号卫星全色遥感图像和城市道路矢量数据提供的街区信息， 以建筑物街区为单元进行图像纹理提取和局部空间统计等多类别图像特征参数分析， 并构建多特征分类模型， 将震后建筑物街区划分为基本完好、 部分损毁和严重损毁等3个类别． 试验结果表明， 本文提取的参数能够有效地表征损毁建筑物的图像特征， 而且建筑物震害损毁检测精度较高． 该方法可用于建筑物震害损毁信息的快速提取， 为震后应急救援提供指导； 同时还可为我国自主研发高分卫星遥感数据在地震灾害信息提取中的应用提供技术参考与方法借鉴．

高分一号 地震 建筑物损毁检测 遥感图像

引言

地震灾情信息的快速获取和灾害损失的快速评估是有效降低灾害损失的前提条件， 震后抢险和评估工作要求及时准确地获取地震破坏信息. 传统人工实地勘测方法所获取的数据精度和置信度虽然较高， 但存在工作量大、 效率低、 费用高、 信息不直观等不足， 尚不能满足快速获取的要求(柳稼航等， 2005； 陈文凯， 2007)． 近十年快速发展的遥感技术改变了人类对地震灾害监测、 损毁评估等的响应方式， 在获取信息方面该技术具有范围广、 时间短、 限制少、 信息量大等特点， 能够极大地提高工作效率， 节省人力财力， 快速提供大范围的震害信息．

目前， 建筑物震害遥感损毁评估方法可分为多时相和单时相震害评估方法． 多时相震害评估方法受到数据获取、 传感器的重访周期、 拍摄角度和时间等因素的影响， 实际应用难度较大． 基于震后单时相数据的震害评估方法受制约则相对较小， 直接利用灾害发生后的遥感图像进行损毁建筑物目标识别和评估已成为有效的技术手段(Dong, Shan, 2013)． 部分研究通过目视解译获得了灾害地区的房屋损毁情况(Yamazakietal， 2005; 雷莉萍等， 2010; 曾涛， 2010)， 但该方法人力物力耗费较大， 时间周期长且效率不高． 计算机自动解译方法可根据损毁建筑物的图像表现特征， 利用光谱特征(Sumer, Turker, 2005)、 纹理特征(窦爱霞等, 2009; 曾招城等, 2011)、 形态学特征(郭华东等, 2009)等作为参数对图像进行分类， 此类方法通常基于面向对象分类算法进行损毁建筑物识别(王岩等， 2009; 张磊, 张景发, 2009; 李方方等， 2011)； 然而目前的研究多基于单类特征来提取震害建筑物， 且通常此类方法的鲁棒性很大程度上受图像分割的准确性影响， 在实际应用中也存在一定的局限性． 随着近年来基础地理信息系统(geographic information system， 简写为GIS)数据的不断完善， GIS数据在灾害信息提取中的应用也愈加广泛(Samadzadegan, Rastiveisi, 2008； Turker, Sumer, 2008; 王龙等, 2008)， 因此将信息更加丰富、 明确的GIS数据应用于建筑物震害损毁评估中， 利用GIS数据与遥感图像叠加分析的方法代替图像分割， 可以达到准确划分建筑物群体边界的目的．

2015年4月25日(北京时间)尼泊尔发生MS8.1地震， 震中位于(28.2°N， 84.7°E)， 震源深度约为20 km(中国地震台网中心， 2015)． 此次地震造成了尼泊尔、 中国、 印度、 孟加拉等多国受灾， 共导致8849人死亡， 2万2232人受伤， 同时， 还有90余万座建筑物受损(Nepal Disaster Risk Reduction Portal, 2015)． 尼泊尔地震发生在喜马拉雅地震带上， 为低角度逆冲型单侧破裂； 余震区呈WNW--ESE方向展布， 长轴约为170 km， 短轴约为60 km(薛艳等, 2015)． 这次强震波及珠穆朗玛峰， 引发了雪崩、 滑坡、 泥石流、 冰湖等次生灾害， 致使中国、 尼泊尔等高海拔山区交通中断(刘吉夫等, 2015)． 目前， 已经开展了关于该地震烈度分布、 应急救援、 震害损毁等方面的研究， 并取得了部分成果(亢川川, 陈鲲, 2015; 曲哲， 杨永强， 2015； 王巍, 陈虹, 2015; 王晓青等, 2015； 徐剑侠等, 2015)． 在已有研究中， 建筑物震害遥感信息的提取方法以人机交互为主， 且数据均源自国外遥感影像． 关于尼泊尔地震， 利用国产高分辨率卫星数据， 进行建筑物损毁信息计算机自动提取方法研究的较少．

本文将基于国产高分一号卫星数据， 提出一种基于遥感图像的建筑物震害损毁快速检测方法， 将GIS数据与遥感图像复合生成的建筑物街区作为基本处理单元， 根据不同损毁程度的建筑物在纹理特征和局部空间统计等关键特征参数的定量统计差异， 建立多特征分类模型， 并根据损毁状况将各街区划分为基本完好、 部分损毁和严重损毁等3种类别， 以此开展尼泊尔地震建筑物震害损毁检测研究， 为地震快速救援提供辅助参考．

1 研究区及试验数据

图1 研究区高分一号卫星遥感图像及街区矢量数据Fig.1 GF-1 remote sensing image and block vector data of the studied area

研究区位于尼泊尔的巴克塔普尔市， 距加德满都市中心20 km， 研究区内建筑物大量受损． 基于我国自主研究的高分一号卫星获取的全色遥感图像进行建筑物震害损毁检测， 遥感图像的空间分辨率为2 m． 此外， 本文还从OpenStreetMap网站http:∥www.openstreetmap.org/获取了研究区的道路矢量数据， 经过ArcGIS软件处理生成街区矢量数据． 研究区遥感图像和街区矢量数据叠加结果如图1所示．

2 建筑物震害遥感损毁检测方法

本文基于高分一号卫星遥感数据， 以街区为基本单元， 利用完好建筑物与损毁建筑物在遥感图像中的差异， 提取街区图像内的多类特征参数， 综合分析特征参数的定量统计结果， 按照不同损毁程度将街区分类， 提取建筑物震害损毁信息．

2.1 技术路线

本文建筑物震害损毁检测流程包括以下3个步骤： ① 特征提取． 对震后遥感图像进行纹理特征分析和局部空间统计， 计算出纹理特征参数和局部空间自相关特征参数， 并分析不同损毁程度地区各特征参数的变化规律． ② 参数计算． 根据特征分析结果， 选择典型的图像特征， 计算得到特征图像集， 并与街区矢量数据叠加， 进行分区特征统计， 计算得到各街区的多类特征参数值． ③ 损毁检测． 基于上述分析所得的多类特征参数， 对建筑物震害损毁情况进行检测， 将研究区内的建筑物街区划分为基本完好、 部分损毁和严重损毁等3个类别， 并结合研究区震害损毁参考数据对分类结果进行精度评价． 该检测方法的技术路线如图2所示．

图2 基于高分一号卫星遥感图像的建筑物震害损毁检测技术路线Fig.2 The flow chart of damaged building detection based on GF-1 images

2.2 特征提取

对高分一号震后遥感图像分析显示， 在遥感图像中建筑物受损后会丧失原有的规则几何形态以及均一的光谱、 纹理特征等． 当建筑物严重损毁时， 其规则外形轮廓图案的图像特征消失， 无完整的几何形态和线状纹理， 或不具有几何外形图像形态， 破损瓦砾为不同色调的杂乱斑点状， 照射光线呈漫反射状态， 外形图案图像凌乱， 轮廓图像不清， 建筑物布局图像消失， 相邻街道或人行道被堵塞或无法辨认； 当建筑物部分损毁时， 建筑物的纹理韵律被打破， 损毁部分在图像上呈暗色或黑色， 为无规则斑点状， 原来规则的色调也产生变化， 建筑物间隔尚可辨认． 不同损毁程度的建筑物震害特征影像如图3所示．

为了准确检测震后建筑物的损毁信息， 需要找出能够有效区分不同损毁程度建筑物区域的关键特征参数． 本文从震后高分一号卫星遥感图像中选取多处典型建筑物损毁区域特征进行定量分析， 包括灰度共生矩阵纹理特征和局部空间自相关指数等参数． 分析结果表明， 不同损毁程度街区的对比度、 非相似性和局部莫兰(Moran)指数I等3项特征参数具有明显的差异性， 能够用于检测震后的损毁建筑物区域．

图3 不同损毁程度的建筑物震害影像特征

2.2.1 纹理特征

灰度共生矩阵(grey-level co-occurrence matrix， 简写为GLCM)是一个用于描述图像中的一个局部区域或整个区域相邻像元或一定间距内两像元灰度值呈现某种关系的矩阵(Haralick, 1979)． 该矩阵能够提供图像灰度的方向、 间隔和变化幅度等信息， 但不能直接提供区别纹理的特性， 因此需要在灰度共生矩阵的基础上提取用来定量描述纹理特征的统计属性， 对比度(contrast)和非相似性(dissimilarity)即为其中两种典型的特征统计量．

对比度的计算公式为

(1)

非相似性的计算公式为

(2)

式中： qk为灰度压缩级别， 一般取64， 32或16； x和y为图像灰度压缩后的灰度值；p为共生矩阵；p(x, y)是在给定方向和空间距离后， 以灰度为x的像素为起点， 在搜索路径中灰度为y的像素出现的频次．

对比度能够反映图像中的局部灰度变化总量． 在图像中， 若局部像素对的灰度值相差越大， 则图像的对比度越大， 图像的视觉效果越清晰． 非相似性与对比度类似， 但其值随局部象素对的灰度值之差线性增加， 即局部对比度越高， 则非相似度也越大． 根据参数定义， 本文认为： 在基本完好的建筑物街区中， 建筑物屋顶与地面存在显著不同， 反差较大， 因此二者具有较高的对比度和非相似性； 而对于严重损毁区域， 建筑物遭到了严重破坏， 破损瓦砾与地面相互混杂， 难以区分， 具有最低的对比度和非相似性； 部分损毁区域则介于二者之间．

本文从尼泊尔地震后高分一号遥感图像中选取了多处典型建筑物区域进行纹理特征参数的定量统计分析， 对比度和非相似性参数的统计分析结果如图4所示． 可以看出， 对比度和非相似性越高， 说明图像视觉效果越清晰， 这与基本完好建筑物街区的图像特征一致， 而严重损毁街区的两参数值最低． 纹理特征参数统计分析结果与理论分析结果一致， 说明对比度和非相似性能够有效地区分不同损毁程度的建筑物区域．

图4 纹理特征参数的统计分析结果

2.2.2 局部空间自相关特征

在典型纹理特征分析的基础上， 本文还引入了局部空间自相关统计参数即局部莫兰指数I进行特征分析． 该指数由Anselin(1995)提出， 主要用于探测空间地物聚集状况， 当其值大于数学期望并且有统计学意义时， 提示存在局部的正空间相关， 其计算公式为

(3)

式中：s2为空间权重矩阵内属性值的方差；d为间隔距离；w为空间权重矩阵， 一般只有0和1两个值， 代表空间单元i与j之间的影响程度， 对于遥感图像， 空间单元即为图像像素点； i和j代表像素在图像中的位置； cij为空间单元i和j的属性值分别与间隔范围内平均属性值差值的乘积．

图5 局部莫兰指数I统计分析结果Fig.5 The statistical analysis results of local Moran index I

基本完好建筑物区域内的建筑物屋顶内部像素间的相关性较大， 因此其局部空间自相关程度最高； 建筑物部分损毁区域的空间自相关程度次之； 而严重损毁的建筑物区域内存在大量破损瓦砾， 灰度分布杂乱， 导致其局部空间自相关程度最低． 局部莫兰指数I值越大， 表明该区域的空间自相关程度越高； 反之， 则表明该区域的空间自相关程度越低．

本文从尼泊尔地震后高分一号遥感图像中选取多处典型建筑物区域进行局部空间自相关特征参数的定量统计分析， 结果如图5所示． 可以看出， 局部莫兰指数I的定量统计结果与理论分析结果一致， 说明该指数能够用于后续建筑物街区的损毁检测．

2.3 参数计算与损毁检测

在完成特征提取的基础上， 计算对应的特征图像集， 并将其与建筑物街区矢量数据进行叠加， 利用ArcGIS空间分析工具箱中的分区统计工具(zonal statistics)计算各街区内不同特征参数的均值， 将多个特征的统计计算结果作为该街区的特征向量用于建筑物震害损毁检测． 建立多特征分类模型， 对上述特征参数的统计结果进行分类， 得到建筑物损毁检测结果． 最后， 将检测结果与建筑物损毁参考结果进行对比， 以检验本文方法的精度．

2.4 试验结果及分析

在对震害建筑物遥感图像特征进行分析的基础上， 本文以尼泊尔地震高分一号全色遥感图像为数据源进行建筑物震害损毁检测， 以检验本文方法的有效性和适用性． 完成遥感图像目标特征分析后， 计算得到的特征图像集如图6所示．

图6 特征图像集

将特征图像集与建筑物街区矢量数据进行叠加， 计算各街区内的不同特征参数值， 将计算结果作为该街区的特征向量进行分类， 得到建筑物损毁检测结果如图7所示．

图7 建筑物损毁检测试验结果

检测结果参考结果中各类损毁目标的数量严重损毁部分损毁基本完好合计严重损毁5229部分损毁228131基本完好15410合计835750生产者精度62.50%80.00%57.14%用户精度55.56%90.32%40.00%总体精度74.00%

将本文得到的损毁检测试验结果与联合国训练研究所发布的尼泊尔地震在研究区的遥感解译结果(United Nations Institute for Training and Research, 2015)进行对比， 参考地震灾害遥感评估行业标准， 将街区损毁程度归类为3个级别， 即严重损毁(存在大量严重受损建筑物)、 部分损毁(存在少量严重受损建筑物和部分受损建筑物)和基本完好(基本不存在受损建筑物)． 对比结果表明， 本文方法正确地检测出了37个街区的建筑物损毁信息， 总体精度可达70%以上， 具体精度评价结果列于表1． 可以看出： 对于部分损毁建筑物区域的检测精度较高， 生产者精度和用户精度均达80%以上； 但有一些严重损毁的建筑物区域被误分成了部分损毁区域， 致使其精度相对较低； 另外， 还存在部分损毁与严重损毁建筑物区域混淆的情况．

3 讨论与结论

震后高分辨率遥感图像对于提取灾害信息和评估地震损失具有重大意义． 高分一号卫星是我国自主研制的高分辨率对地观测卫星， 提供了大量优质的高分辨率卫星遥感数据， 具有极高的使用价值和应用前景． 本文提出了一种基于高分一号卫星遥感图像的多特征建筑物震害损毁检测方法， 将GIS数据提供的街区信息作为先验知识， 计算出各街区对应的特征参数， 并分类得到震害损毁检测结果， 将建筑物街区分为严重损毁、 部分损毁和基本完好等3种类别． 然后， 以尼泊尔地震后的高分一号全色遥感图像为例， 开展了街区震害损毁检测． 检测结果与实际调查情况的对比表明， 本文方法的总体精度可达70%以上， 能够较准确地检测出震后建筑物损毁信息， 可为高分卫星数据在震害信息提取方面的应用提供技术参考与方法借鉴．

本文在进行建筑物震害损毁检测时， 主要利用了基于统计的纹理特征和局部空间自相关特征， 在后续的研究当中， 将深入分析不同损毁程度建筑区之间更多的特征差异， 从而提高损毁检测精度． 由于数据源有限， 本文仅对单景高分一号遥感图像进行了建筑物损毁检测试验， 若今后能够获取更多数据， 将会进一步开展试验， 以验证本文方法的通用性． 此外， 本文只利用了高分一号卫星的全色波段图像， 对遥感数据光谱信息挖掘不够， 后续研究中将增加多光谱数据， 更准确地提取灾后建筑物震害信息．

感谢中国地震局地震预测研究所王晓青研究员和窦爱霞副研究员对本文工作的指导， 感谢高分观测专项办公室提供高分一号卫星遥感图像．

陈文凯. 2007. 面向震害评估的遥感应用技术研究[D]. 兰州: 中国地震局兰州地震研究所： 2--8.

Chen W K.ResearchofRemoteSensingApplicationTechnologyBasedonEarthquakeDisasterAssessment[D]. Lanzhou: Lanzhou Institute of Seismology， China Earthquake Administration： 2--8 (in Chinese).

窦爱霞, 王晓青, 丁香, 杜则程. 2009. 遥感图像震害特征组合增强模型及其算法实现[J]. 震灾防御技术, 4(4): 373--379.

Dou A X, Wang X Q, Ding X, Du Z C. 2009. A combinatorial image enhancement model for earthquake disaster assessment[J].TechnologyforEarthquakeDisasterPrevention, 4(4): 373--379 (in Chinese).

郭华东, 鹿琳琳, 马建文, Martino Pesaresi, 苑方艳. 2009. 一种改进的地震灾害倒塌房屋遥感信息自动识别方法[J]. 科学通报, 54(17): 2581--2585.

Guo H D, Lu L L, Ma J W, Pesaresi M, Yuan F Y. 2009. An improved automatic detection method for earthquake-collapsed buildings for ADS40 image[J].ChinaScienceBulletin, 54(17): 2581--2585 (in Chinese).

亢川川, 陈鲲. 2015. 2015年4月25日尼泊尔MS8.1地震应急科技产品[J]. 国际地震动态, (5): 1--4.

Kang C C, Chen K. 2015. Earthquake emergency products of science and technology for April 25, 2015 NepalMS8.1 earthquake[J].RecentDevelopmentsinWorldSeismology, (5): 1--4 (in Chinese).

雷莉萍, 刘良云, 张丽, 毕建涛, 吴艳红, 焦全军, 张文娟. 2010. 汶川地震房屋倒塌的遥感监测与分析[J]. 遥感学报, 14(2): 333--344.

Lei L P, Liu L Y, Zhang L, Bi J T, Wu Y H, Jiao Q J, Zhang W J. 2010. Assessment and analysis of collapsing houses by aerial images in the Wenchuan earthquake[J].JournalofRemoteSensing, 14(2): 333--344 (in Chinese).

李方方, 马超, 张桂芳, 郭增长. 2011. 面向对象分类的震区建筑物损害快速评估[J]. 河南理工大学学报: 自然科学版, 30(1): 55--60.

Li F F, Ma C, Zhang G F, Guo Z Z. 2011. Rapid assessment of earthquake damage to buildings based on object-oriented classification[J].JournalofHenanPolytechnicUniversity:NaturalScience, 30(1): 55--60 (in Chinese).

刘吉夫, 石瑶, 邓志飞. 2015. 2015年4月25日尼泊尔8.1级特大地震科学问题探讨[J]. 地震地磁观测与研究, 36(6): 8--13.

Liu J F, Shi Y, Deng Z F. 2015. Several scientific problems revealed from 2015 great earthquake in Nepal[J].SeismologicalandGeomagneticObservationandResearch, 36(6): 8--13 (in Chinese).

柳稼航, 杨建峰, 魏成阶, 关泽群. 2005. 震害信息遥感获取技术历史、 现状和趋势[J]. 自然灾害学报, 13(6): 46--52.

Liu J H, Yang J F, Wei C J, Guan Z Q. 2005. Acquisition of earthquake damage information based on remote sensing technology: History, current situation and trend[J].JournalofNaturalDisasters, 13(6): 46--52 (in Chinese).

曲哲, 杨永强. 2015. 尼泊尔自建民居在2015年地震序列中的震害[J]. 地震工程与工程振动, 35(4): 51--59.

Qu Z, Yang Y Q. 2015. Seismic damages to owner-built dwellings in the 2015 earthquake sequence in Nepal[J].EarthquakeEngineeringandEngineeringDynamics, 35(4): 51--59 (in Chinese).

王龙, 王晓青, 丁香, 窦爱霞. 2008. 基于遥感和GIS的建筑物震害损失评估方法研究与实现[J]. 地震, 27(4): 77--83.

Wang L, Wang X Q, Ding X, Dou A X. 2008. Study on loss assessment of construction earthquake damage based on remote sensing and GIS[J].Earthquake, 27(4): 77--83 (in Chinese).

王巍, 陈虹. 2015. 尼泊尔地震灾害及应急救援[J]. 国际地震动态, (5): 15--21.

Wang W, Chen H. 2015. Disaster of Nepal earthquake and the emergency rescue[J].RecentDevelopmentsinWorldSeismology, (5): 15--21 (in Chinese).

王晓青, 黄树松, 丁香, 崔丽萍, 窦爱霞, 李旖雯. 2015. 尼泊尔8.1级地震建筑物震害遥感提取与分析[J]. 震灾防御技术, 10(3): 481--490.

Wang X Q, Huang S S, Ding X, Cui L P, Dou A X, Li Y W. 2015. Extraction and analysis of building damage caused by NepalMS8.1 earthquake from remote sensing images[J].TechnologyforEarthquakeDisasterPrevention, 10(3): 481--490 (in Chinese).

王岩, 王晓青, 窦爱霞. 2009. 面向对象遥感分类方法在汶川地震震害提取中的应用[J]. 地震, 29(3): 54--60.

Wang Y, Wang X Q, Dou A X. 2009. Building damage detection of the 2008 Wenchuan, China earthquake based on object-oriented classification method[J].Earthquake, 29(3): 54--60 (in Chinese).

徐剑侠, 张振国, 戴文杰, 张伟, Naveed Akram, 文健, 陈晓非. 2015. 2015年4月25日尼泊尔地震波场传播及烈度初步模拟分析[J]. 地球物理学报, 58(5): 1812--1817.

Xu J X, Zhang Z G, Dai W J, Zhang W, Akram N, Wen J, Chen X F. 2015. Preliminary simulation of seismic wave propagation and the intensity map for the 25 April 2015 Nepal earthquake[J].ChineseJournalofGeophysics, 58(5): 1812--1817 (in Chinese).

薛艳, 刘杰, 刘双庆, 王熠熙, 杨文. 2015. 2015年尼泊尔MS8.1与MS7.5级地震活动特征[J]. 科学通报, 60(36): 3617--3626.

Xue Y, Liu J, Liu S Q, Wang Y X, Yang W. 2015. Seismic activity of the 2015 NepalMS8.1 andMS7.5 earthquakes[J].ChinaScienceBulletin, 60(36): 3617--3626 (in Chinese).

曾涛. 2010. 汶川地震重灾区多源影像处理及震害信息提取方法研究[D]. 成都: 成都理工大学: 12--13.

Zeng T. 2010.MethodsofMulti-SensorsRSImageProcessingandEarthquakeDamageInformationExtractionfortheWenchuanEarthquakeHit-Area[D]. Chengdu: Chengdu University of Technology: 12--13 (in Chinese).

曾招城, 李利伟, 王正海, 雷莉萍. 2011. 基于监督分类的震后高分辨率影像倒塌房屋快速识别[J]. 遥感信息, 25(5): 76--80.

Zeng Z C, Li L W, Wang Z H, Lei L P. 2011. Fast extraction of collapsed buildings in post-earthquake high-resolution images using supervised classification[J].RemoteSensingInformation, 25(5): 76--80 (in Chinese).

张磊, 张景发. 2009. 基于面向对象分类的建筑物倒塌率计算方法研究[J]. 地震, 29(Z1): 139--145.

Zhang L, Zhang J F. 2009. Research on the ratio of collapsed buildings based on object-oriented classification[J].Earthquake, 29(Z1): 139--145 (in Chinese).

中国地震台网中心. 2015. 尼泊尔8.1级地震[EB/OL]. [2015-04-25]. http:∥news.ceic.ac.cn/CC20150425141126.html.

China Seismic Networks Center. 2015. NepalMS8.1 earthquake[EB/OL]. [2015-04-25]. http:∥news.ceic.ac.cn/CC20150425141126.html (in Chinese).

Anselin L. 1995. Local indicators of spatial association: LISA[J].GeogrAnal, 27(2): 93--115.

Dong L, Shan J. 2013. A comprehensive review of earthquake-induced building damage detection with remote sensing techniques[J].ISPRSJPhotogramm, 84: 85--99.

Haralick R M. 1979. Statistical and structural approaches to texture[J].ProcIEEE, 67(5): 786--804.

Nepal Disaster Risk Reduction Portal. 2015. Nepal earthquake 2015: Disaster relief and recovery information platform (NDRRIP)[EB/OL]. [2015-04-25]. http:∥drrportal.gov.np/.

Samadzadegan F, Rastiveisi H. 2008. Automatic detection and classification of damaged buildings, using high resolution satellite imagery and vector data[C]∥TheInternationalArchivesofthePhotogrammetry,RemoteSensingandSpatialInformationSciences， Vol.37. Beijing: XXIst ISPRS Congress: 415--420.

Sumer E, Turker M. 2005. Building damage detection from post-earthquake aerial imagery using building grey-value and gradient orientation analyses[C]∥RecentAdvancesinSpaceTechnologies, 2005，Proceedingsof2ndInternationalConference. Istanbul: IEEE： 577--582.

Turker M, Sumer E. 2008. Building-based damage detection due to earthquake using the watershed segmentation of the post-event aerial images[J].IntJRemoteSens, 29(11): 3073--3089.

United Nations Institute for Training and Research. 2015. Damage assessment of Bhaktapur, Kathmandu Valley, Nepal[EB/OL]. [2015-04-30]. http:∥www.unitar.org/unosat/node/44/2205?utm_source=unosat-unitar&utm_medium=rss&utm_campaign=maps.

Yamazaki F, Yano Y, Matsuoka M. 2005. Visual damage interpretation of buildings in Bam city using QuickBird images following the 2003 Bam, Iran, earthquake[J].EarthqSpectra, 21(S1): 329--336.

Damaged building detection based on GF-1 satellite remote sensing image: A case study for NepalMS8.1 earthquake

(InstituteofRemoteSensingandGIS,PekingUniversity,Beijing100871,China)

The damaged buildings caused by an earthquake present different image features from that of the intact buildings, therefore the building damage information could be distinguished from a variety of target features. From this point of view, this paper proposed an approach for building damage detection by utilizing various features of the building blocks. Taking the GF-1 satellite image of the NepalMS8.1 earthquake occurred in 2015 as an example, this paper utilized blocks information provided by the GIS data, and classified the building blocks in the studied area into three categories of the intact, partly damaged and seriously destroyed, on the basis of the quantitative analysis results about texture features of remote sensing image and local spatial statistics of the building blocks. The test results demonstrated that the indicative key parameters extracted in this paper could effectively demonstrate the image characteristics of the damaged building, so that we can effectively conduct the classification and detection of building damage information caused by earthquakes with the proposed detection method in this paper. Also, it could provide guidance for earthquake emergency rescue, and it provides technical experiences and

for the building damage detection using the GF-1 data with independent intellectual property rights in our country.

GF-1 satellite; earthquake; building damage detection; remote sensing image

高分辨率对地观测系统重大专项(31-Y30B09-9001-13/15)资助.

2015-12-28收到初稿， 2016-02-25决定采用修改稿.

e-mail: qmqinpku@163.com

10.11939/jass.2016.03.015

P315.9

A

叶昕， 王俊， 秦其明. 2016. 基于高分一号卫星遥感图像的建筑物震害损毁检测研究----以2015年尼泊尔MS8.1地震为例. 地震学报, 38(3): 477--485. doi:10.11939/jass.2016.03.015.

Ye X, Wang J, Qin Q M. 2016. Damaged building detection based on GF-1 satellite remote sensing image: A case study for NepalMS8.1 earthquake.ActaSeismologicaSinica, 38(3): 477--485. doi:10.11939/jass.2016.03.015.