基于遥感影像技术对普兰店农居建筑物的普查分析
2021-04-08张文静戴盈磊刘琳婷
张文静,戴盈磊,惠 杨,刘琳婷,于 浩
(辽宁省地震局,辽宁 沈阳 110034)
0 引言
我国是世界上遭受地震灾害最严重的国家之一,震后房屋的破坏和倒塌是造成人员伤亡和经济损失的最主要原因,由于农村房屋结构种类多样,许多学者对农居建筑物展开抗震性能和震害特征的研究。通过对农居建筑现场抽样调查及结构特征分析,总结出中强有感地震中典型建筑震害特征,并对农居典型结构开展抗震性能及震害预测分析[1]。对具有代表性的农村民居实地调查,针对主要民居结构的建筑特点和抗震性能现状进行研究并给出农居房屋在不同地震烈度区域内的破坏率和损失比[2]。采用现场调查方式对典型村镇房屋进行随机抽样调查,分析地基基础、建筑材料、构件的连接等抗震构造措施[3]。
因此,农居建筑物的抗震调查对地震灾害评估有着重大的影响,通常房屋建筑物数据的采集采用实地调查的方法,耗费大量的人力物力,各类数据的收集和更新较为困难,而且无法反应建筑物空间上的特点[4]。随着科技技术的不断发展,可以利用遥感技术快速提取建筑物的信息,通过卫星遥感和无人机获取高分辨率的遥感影像,利用光谱信息、纹理信息、形状信息及几何信息等,对建筑物进行空间化处理[5-6]。采用遥感影像和实地调查相结合的方法,构建较高精度的房屋基础信息,提高地震灾害损失快速评估的精度和准确性[7]。利用无人机对房屋正射影像全景图和三维点云模型进行了对比分析,为区域建筑物抗震能力评估提供有效的基础信息[8]。通过地面调查与无人机遥感影像相结合,建立遥感解译标志,快速获得房屋结构类型属性[9]。
本文以大连市普兰店区农居建筑物为例,利用无人机遥感手段获取遥感影像,通过遥感影像确定建筑物结构类型,建立解译标志,并与实际调研情况相结合,对区域农居建筑物进行精度评价,为地震震害预测和灾害损失评估提供有力依据。
1 研究区域和数据源选取
1.1 研究区域概况
普兰店区是大连市市辖区,地处辽东半岛南部、大连市中北部,位于东经121°50′33″~122°36′15″,北纬39°18′25″~39°59′00″之间。普兰店区地势北高南低,西高东低。地形大体分为三部分:北部低山区,东北及中部丘陵区,南部沿海丘陵平原区,海拔最高处为老帽山,其主峰海拔848m,海岸线总长187km。
图1 大连市普兰店地区遥感影像图Fig.1 Remote sensing image of Pulandian District in Dalian City
1.2 数据源获取
笔者于2018 年3 月对大连市普兰店农居建筑物进行实地调研,普兰店区农居建筑物主要以砖木结构、石木结构、砖混结构为主,少量的土木和框架结构。
2 农居建筑物解译分析
影像解译就是根据遥感图像提供的影像特征及其对应的特点进行推理判断,将目标识别出来进行定性定量的分析工作[10]。根据遥感影像的特点,通常采用图像的光谱特征、形状特征以及纹理特征来进行建筑物的信息提取[11]。光谱特征是通过对图像的亮度、对比度、颜色等信息的描述,反映建筑物的光谱信息;形状特征是通过图像中物体的周长、面积、长宽比及紧致程度等对建筑物的外形特征描述;纹理特征能够很好的反映出同质区域的视觉特征,有规律的呈现出建筑物的特征[12-13]。
2.1 建立建筑物遥感影像解译标志
此次无人机航测地区主要为大连地区的普兰店,通过无人机的航摄影像进行建筑物结构的目视判读,从建筑物的几何信息、光谱信息及纹理信息等进行建筑物描述,并与实际调查结果相结合建立无人机影像解译标志。
从无人机获取的影像上进行目视判读,普兰店地区的农居建筑物主要为石木结构、砖混结构以及少量的框架结构。石木结构的建筑物为坡顶,大多呈“人”字型双坡,屋顶为深灰色或砖红色,形状一般为规则长方形,单体面积小,如图2 所示。砖混结构的建筑物多为平顶,颜色大多为灰色或灰白色,形状一般为规则长方形,房屋一般为单层或多层,可通过正射影像和倾斜摄影进行判定,如图3 所示。框架结构的建筑物为平顶,建筑物面积较大,阴影较长,一般为多层或高层的建筑物,农村较少,大多建在城区。
图2 石木结构无人机影像图Fig.2 Unmanned aerial vehicle images of stone and wood structure
图3 砖混结构无人机影像图Fig.3 Unmanned aerial vehicle images of brick-concrete structure
2.2 实地调研建筑物结构特征
在实地调研中,通过与无人机航拍照片进行对比,对普兰店农居建筑物结构类型进行分类,主要分为石木结构、砖木结构、砖混结构及框架结构。石木结构类型的房屋多建于70-80 年代,主要以石墙承重,房屋整体稳定性较差,地基较浅,基本无抗震构造措施,如图4所示。
图4 石木结构Fig.4 Stone and wood structure
砖木结构类型的房屋竖向承重结构的墙采用砖来砌筑,用木结构来完成楼板和屋里的支架,外墙采用37 cm 砖墙,内墙厚度多为24 cm,墙体采用黏土和沙土泥浆作为粘合剂,人字形的木房顶,硬山搁檩,此类房屋数量较少,大多为单层砌体,基本无抗震构造措施,如图5所示。
图5 砖木结构Fig.5 Brick wood structure
砖混结构楼房主要由屋盖、砖墙、钢筋混凝土楼盖板、楼梯、砖基础及窗台、台阶、散水等部分构成。主要结构荷载通过屋盖、楼板传到承重墙上,再由承重墙传到砖基础,承重墙砌筑质量的好坏、砌体强度的大小直接关系到砖混结构的质量和寿命。基础不均匀下沉,承重墙体出现裂缝,将意味着砖混结构的整体破坏,此类房屋一般为单层或多层,主要为红砖砌墙,部分房屋采用块石砌墙,大部分为水泥胶结。从抗震性能上分,可分为设防和未设防两种类型,设防类型的房屋楼的顶部和底部设有圈梁,四周设有钢筋混凝土构造柱,未设防类型的房屋建造时未设有圈梁和构造柱,或仅有圈梁,如图6 所示。
图6 砖混结构Fig.6 Brick concrete structure
框架结构类型的房屋一般按照我国设计规范建造,由钢筋混凝土主梁、次梁和柱形成的框架作为建筑物的骨架,梁和柱之间的连接力刚性节点,屋盖和楼板上的荷载通过架柱传到基础,框架结构的墙体全部为自承重墙,房间布置灵活,不受楼板跨度的限制,这种结构类型的房屋整体抗震性能好,强度大,能承受较大荷载,在农村地区多是集中居住的商品房,人群密集的公共场所如学校、医院及大型商场等,如图7 所示。
图7 框架结构Fig.7 Frame structure
3 解译精度分析
遥感影像解译的分类精度评价方法主要分为四个阶段[14-16]:第一阶段主要以目视为主,例如在遥感影像处理软件中,可通过卷帘模式来对分类结果进行定性评价,具有较强的主观性;第二阶段主要是定性到定量的一个过渡,是通过比较分类所得的专题图中的各项地类所占的面积比例与实际各项地类所占的面积比例作比较来对分类精度进行评价;第三阶段在第二阶段的基础上,对各项地类与实际地类进行定位类别比较,并衍生出各种精度测量;第四阶段在第三阶段的基础上边衍生而出,以误差矩阵为核心,并在利用误差矩阵的信息上,发展各种测量。本文采用计算房屋误差矩阵和Kappa 系数分析法对该地区房屋进行精度分析,精度分析评价流程图如图8 所示。
图8 精度分析评价流程图Fig.8 Accuracy analysis and evaluation process
误差矩阵,又称混淆矩阵(confusion matrix),是一个用于表示分为某一类别的像元个数与地面检验为该类别数的比较阵列,通常阵列中的列代表参考数据,行代表由遥感数据分类得到的类别数据[17-19],其模式如表1 所示。
表1 误差矩阵(交叉表)
Kappa 系数(Kappa Coefficient),它是通过把所有真实参考的像元总数乘以误差矩阵对角线的和,再减去各类中真实参考像元数与该类中被分类像元总数之积后,再除以像元总数的平方减去各类中真实参考像元总数与该类中被分类像元总数之积对所有类别求和的结果[20-22]。Kappa 系数的计算是基于误差矩阵的,计算表达式为:
其中,r 表示交叉表行的数量;xii为沿着对角线上第i 行、i 列的数值;xi+为i 行的总房屋数;x+i为i 列的总房屋数;N 为抽样房屋的总数。kappa 计算结果一般为-1~1,但通常kappa 是落在0~1 之间,数值越大说明目视判断的准确性越高,一般分为五组表示不同级别的一致性:0.0~0.20 极低的一致性(slight)、0.21~0.40 一般的一致性(fair)、0.41~0.60 中等的一致性(moderate)、0.61~0.80 高度的一致性(substantial) 和0.81~1 几乎一致(almost perfect)[23]。
对(1) 式进行变换得到:
其中,p0和pc都有着明确的含义:p0被称为观测精确性或一致性单元的比例,在遥感图像解释中反映的是解释正确的单元格的比例;pc被称为偶然性一致或期望的偶然一致的单元的比例,对于遥感图像解释则表示偶然性因素导致的错误解释的比例。
笔者在普兰店内随机选取三个抽样点进行精度分析,采用误差矩阵对抽样结果进行精度评价,通过无人机拍摄的遥感影像分类结果,与实地调研农居房屋的情况进行对比分析,结果如表2-4 所示。
表2 抽样点一遥感影像精度评价
从表2 可知,从影像上判读房屋共有959栋,石木类型的房屋798 栋,砖混结构类型的房屋133 栋,框架结构类型的房屋9 栋,其他类型的房屋19 栋,实际调查结果中石木类型的房屋813 栋,砖混结构类型的房屋122 栋,框架结构类型的房屋5 栋,Kappa 系数为0.8076,精度评价结果几乎一致,其他房屋为土木结构及居民自建较难区分类型的房屋。
表3 抽样点二遥感影像精度评价
从表3 可知,从影像上判读房屋共有860栋,石木类型的房屋640 栋,砖混结构类型的房屋197 栋,框架结构类型的房屋6 栋,其他类型的房屋17 栋,实际调查结果中,石木类型的房屋633 栋,砖混结构类型的房屋195 栋,框架结构类型的房屋17 栋,土木类型的房屋15 栋,Kappa 系数为0.8865,精度评价结果几乎一致。
表4 抽样点三遥感影像精度评价
从表4 可知,从影像上判读房屋共有931栋,石木类型的房屋746 栋,砖混结构类型的房屋157 栋,框架结构类型的房屋8 栋,其他类型的房屋20 栋,实际调查结果中石木类型的房屋739 栋,砖混结构类型的房屋155 栋,框架结构类型的房屋8 栋,土木类型的房屋29栋,Kappa 系数为0.8621,精度评价结果几乎一致。
4 结论
本文通过对无人机遥感影像中建筑物信息的描述建立无人机影像解译标志,随机选取三个抽样点进行精度分析,得到以下几点结论:
(1)通过随机选取的抽样点进行精度分析可知,Kappa 系数分别为0.8076、0.8865 及0.8621,表明精度评价结果与实际建筑物考察结果几乎一致,说明基于无人机调查建筑物结构类型是可行的;
(2)目视判读影像时,容易把土木和石木结构类型的房屋混淆,框架结构类型的房屋单体面积及阴影大也能够较好的判定,该地区石木结构的房屋多余砖混结构的房屋,对于出现的混分、误分现象,可以通过辅助建筑周边的地理环境,并与实际调研相结合,根据不同区域建筑物的特点建立不同的解译标志;
(3)无人机遥感照片能够宏观的展示某一地区建筑物的空间分布,直观了解房屋的面积、数量、层高及屋顶类型等基础信息,能够快速提高对建筑物识别的速度,与传统农居建筑物调查相比,节省了大量的时间,可广泛应用于地震应急评估及风险评估等工作中,为地震应急基础数据提供更新基础。