基于遥感影像的震后避难空间快速提取模型研究*——以2021年云南漾濞MS6.4地震为例

杜浩国，林旭川，卢永坤，张方浩，张笑笑，徐俊祖，和仕芳

(1.云南省地震局，云南 昆明 650224；2.中国地震局工程力学研究所，黑龙江 哈尔滨 150080；3.云南大学 地球科学学院，云南 昆明 650031)

0 引言

应急避难场所是地震发生后受灾居民紧急疏散的重要场所，也是自然灾害应急响应的重要组成部分。科学合理地利用有限避难空间，可以有效提高震后避难疏散效率和应急响应能力，最大限度减轻人员伤亡，具有较强的实际意义和研究价值。

国内外众多学者针对震后避难空间评价开展了很多研究，大致可分为传统的评价方法、基于GIS空间分析技术和基于机器学习的3种评价方法。传统的评价方法是通过问卷调查、实地调研等方式对应急避难场所进行评价，实现了从宏观和主观层面对应急避难场所的评价，但对于应急避难场所的空间化以及可视化分析不足。Mesrop(2020)开发的半自动化设计算法被用来制作避难所研究模型，该研究解决了庇护所高度和面积的设计标准；Geng等(2020)提出一种多标准约束选址模型来优化灾前避难所选址配置问题；吕伟等(2022)提出从适宜性和服务范围双重角度探究避难场所空间分布的合理性。

将GIS空间分析技术融入到应急避难场所评价方法中，有效提高了应急避难场所评价的精确度和可视化程度，但现有的基于GIS空间分析技术的评价方法不但需要人工处理大量的数据，而且采用的卫星影像分辨率不足，不足以满足对避难场所快速、精确评价的需求，如Yao等(2021)采用多准则TOPSIS评价模型，对开放空间的安全性、可达性和可用性进行了综合定量评价；Huang等(2019)建立了城市应急避难所适宜性评价指标体系；魏本勇等(2019)基于GIS空间分析技术和实际调查数据，构建了避难场所综合服务效能指数。

随着计算机科学、遥感技术、人工智能、地理空间分析技术的发展，使得有效解决城市化区域复杂的空间优化问题成为可能，基于机器学习算法的评价方法能在短时间内处理大量的数据，避免了人工数据搜集、处理带来的主观性差异，因此越来越多地被应用到评价模型中，但该方法也存在不足，主要来自于卫星影像时效性差、分辨率低的问题，导致数据提取与处理精度不高，如Su等(2021)考虑应急避难所服务能力和人口分布的差异，提出了一种可变服务半径和疏散半径的两步浮动集水区方法；卢永华和李爽(2019)分别从供给点竞争、需求点定位、路网距离优化等3方面对G2SFCA进行改进；魏本勇等(2022)针对地震灾害应急疏散策略，构建了一种基于避难场所容量限制的灾民应急疏散分配与路径选择算法模型。

笔者综合分析3种方法的优点，以无人机高分辨率遥感影像为基础，采用像元方法与面向对象方法把关注点聚焦于单一或少量邻近像元上建立基于遥感影像的震后避难空间快速提取模型，以2021年云南漾濞MS6.4地震为例，提取震后避难空间，并与实际避难空间进行对比。

1 研究方法及技术路线

1.1 技术路线

图1为基于遥感影像的震后避难空间快速提取模型流程图。第一步是数据获取，采用无人机获取研究区高分辨率影像、DSM(Digital Surface Model)数字地表模型(杜浩国等，2021b；陈晋等，2018)；第二步是地物提取，采用遥感影像面向对象分类方法，综合利用影像光谱、形状、空间、纹理等信息，提取影像中植被、道路、水体、楼层高度、空地、砖混(框架)结构建筑物、砖木(土木)结构建筑物等信息(杜浩国等，2021c)；第三步是数据处理，采用ArcGIS将矢量数据按照同一标准进行栅格化；第四步是模型算法构建，以栅格化的地物信息为基础，综合分析影响震后避难空间快速提取的各项指标，构建目标函数值(杜浩国等，2021a)；第五步是对比分析，将避难空间提取的结果与震后居民实际选取的避难空间相比较，对结果进行验证分析。

图1 基于遥感影像的震后避难空间

1.2 K邻近分类法

K邻近分类方法(k-Nearest Neighbor，简称KNN)是面向对象分类方法中一个重要的环节，依据待分类数据与训练样本元素在n维空间的欧几里得距离来对图像进行分类，n由分类时目标物属性数目来确定。相对传统的最邻近方法，K邻近分类法产生的敏感异常和噪声数据集更小，从而得到更准确的分类结果，它会自己确定像素最可能属于哪一类。如果一个样本在特征空间中k个最相似(即特征空间中最邻近)的样本中大多数属于某一个类别，则该样本也属于这个类别，其中k是不大于20的整数。K邻近分类法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。如图2所示，圆要被决定赋予哪个类，如果k=3，由于三角形所占比例为2/3，圆将被赋予三角形类；如果k=5，由于四方形比例为3/5，因此圆被赋予四方形类。

图2 K邻近分类法示意图

K邻近分类法的步骤为：①计算测试数据与各个训练数据之间的距离；②按照距离的递增关系进行排序；③选取距离最小的k个点；④确定前k个点所在类别的出现频率；⑤返回前k个点中出现频率最高的类别作为测试数据的预测分类。

1.3 地物特征

遥感影像信息提取的主要依据是影像对象的特征信息，包含光谱、形状、纹理等多种特征，本文主要应用了光谱平均灰度值(Avgband_X)、面积(Area)、延伸性(Elongation)、矩形度(Re-ct fit)、亮度(Bright)特征对影像进行分类(曾涛等，2010)，具体公式见杜浩国(2021b)，李强和张景发(2016)文献。

1.4 基于DSM与DEM数字高程分类方法

DSM数字高程包含了地表建筑物、道路、空地、植被和农田等高度的地面高程模型。DEM只包含了地形的高程信息，因此DSM是在DEM的基础上，进一步涵盖了除地面以外的其它地表高程信息，本文从无人机遥感影像DSM中提取了建筑物高程信息计算建筑物楼层数：

(1)

式中：Ni为第i栋建筑物楼层数；Hi为第i栋建筑物的DSM值；hi为第i栋建筑物所在位置的DEM值；层高取统一值2.5 m。

1.5 精度分析

笔者采用Kappa系数作为衡量分类精度的指标，具体公式见杜浩国(2021d)文献。

1.6 目标函数的确定

由于震后避难空间快速选取指标均由遥感影像自动获取，因此笔者选取了5个避难空间快速选取指标，分别为人口密度、空地面积、离主干道距离、高层建筑物的威胁、不稳定建筑物威胁(钟光淳等，2022)。

Ra表示高层建筑物对避难空间的威胁，可表示为：

(2)

式中：Na为避难空间周围的高楼数量；Dh(i，j)为建筑物(i，j)到避难空间的距离；Hh(i，j)为建筑物高度。

Rb表示不稳定建筑物对避难空间的威胁，可表示为：

(3)

式中：Nb为避难空间周围不稳定建筑物数量；Ds(i，j)表示到不稳定建筑物距离。

目标函数F越小，避难空间评价越好，可表示为：

(4)

式中：Ds(i，j)为第i个避难空间离道路距离；ρ(i，j)表示第(i，j)栅格的人口数量；(b-a)·(d-c)表示基于遥感影像提取的空地面积。

当发生地震时，高层或不稳定建筑会发生倒塌，对避难空间或道路造成阻碍，即避难空间越靠近高层或不稳定建筑物，应急疏散风险越大，因此疏散道路应远离高层或不稳定建筑物一定距离。

2 数据来源与处理

2.1 研究区概况

2021年5月21日21时48分，云南省大理州漾濞县(99.87°E，25.67°N)发生MS6.4地震，震源深度8 km。地震造成3人死亡，34人受伤，县城房屋遭受不同程度破坏，框架结构房屋少数墙面开裂，土木结构房屋局部倒塌(卢永坤等，2021；宴金旭等，2021；钟江荣等，2021；张露露等，2021)。由于城区人口密度高，现有应急避难场所还远不能满足居民的避难需求，因此基于高分辨率影像对城区内可用空地进行快速提取、并将提取空地作为避难空间的可行性评估尤为重要。研究区影像分辨率为5 472×3 648，震后漾濞县城GF7号卫星影像、无人机航拍影像以及DSM数字表面高层模型如图3所示。研究区影像数据由笔者于2021年5月22日10时采用无人机航拍获取，分辨率为5 472×3 648。

图3 震后漾濞县城GF7号卫星影像(a)、无人机航拍影像(b)以及 DSM数字表面高层模型(c)

2.2 地物提取

2.2.1 多尺度分割与K邻近分类

影像多尺度分割与K邻近分类是面向对象分类方法中的一项基本内容，只有通过影像分割才能得到影像对象，形成对象级分类的基本单元。黄慧萍和吴炳方(2003)提出了最大面积法确定分割尺度参数，其中最大对象面积随着分割尺度变化的曲线呈阶梯状的形态，每一个曲线平台即为一种类别的适宜尺度区间，符合地理实体空间分布特征连续性和突变性共存的现象。笔者选择2021年漾濞MS6.4地震后城区的无人机航拍影像为研究对象，采用envi 5.3对研究区样本进行K邻近分类与多尺度分割与合并，得到适宜于研究区影像的最佳分割与合并尺度，分别为65、95，如图4所示。

图4 研究区原始影像(a)、分割尺度与合并尺度

2.2.2 选取样本

根据高分辨率影像目视解译分析，研究区地物可分为建筑物、道路、空地、水体4种类型，笔者从研究区中选取50个样本，如图5所示。

图5 基于目视解译的地物分布

2.2.3 地物提取规则

在地物提取中，规则的确定对处理结果起决定性作用，特定的目标要和相应的特征或多特征相对应，要选择合适的特征值或特征参数，才能有效地将建筑物、道路、空地、水体、植被等地表物体区分开。本文将光谱平均灰度值、面积、延伸性以及矩形度4类特征确定为研究区分类规则。笔者通过对研究区样本(图4a)反复试验得到最佳多规则组合分类结果，如图6所示；表1为地物提取规则最佳参数设定，表中最大值与最小值表示影像中各类地物特征的取值范围。

表1 研究区地物提取规则

图6 多尺度分割结果(a)及基于规则分类结果(b)

2.2.4 地物提取结果

笔者采用实地调研与影像目视解译的方法，分别对影像中的地物提取结果进行了精度评价，评价结果如表2和图7所示。本文基于高分辨率影像的地物提取结果总体精度为89.9%，Kappa系数为0.841，与实地调查结果几乎完全一致。从表2中可以看出，对于提取面积较大、矩形度差别较小的空地，框架、砖混结构建筑物和土木、砖木结构建筑物提取效果最好，提取精度均在89%以上；而对于提取面积较小、矩形度差别较大的水体、道路与植被提取精度不高。

表2 漾濞县城地物提取精度评价结果

图7 漾濞县城无人机航拍影像灰度图(a)、遥感影像多特征融合的地物提取结果(b)及基于ArcGIS修正后的地物矢量化结果(c)

2.3 地物空间化

考虑到统计数据分辨率的限制，无法对过小尺度的栅格化模拟结果进行检验，同时栅格越小，必然会造成数据冗余。因此笔者将栅格大小统一选取为11 m×11 m，与植被、建筑物、道路、空地、水体等矢量数据进行叠置分析，使每个栅格记录各地物占总栅格面积的百分比；然后在叠置后的数据图层属性表中新建字段，借助 Select By Attribute功能，依次录入回归系数，运用Field Calculator工具，进行回归运算，并根据式(4)目标函数将结果融合处理，使每个栅格代表一个回归值，即完成植被、建筑物、道路、空地、水体等矢量数据的栅格化；最后将距离通过ArcGIS转化为栅格数，转化像元参数大小为40，得到图8所示的研究区地物栅格化信息。

图8 研究区空地(a)、建筑物(c)、建筑物结构(e)、道路(g)、楼层数(i)、帐篷(k)矢量数据；空地(b)、建筑物(d)、建筑物结构(f)、道路(h)、楼层数(j)、帐篷(l)栅格化数据Fig.8 The vector data of the open space(a)，buildings(c)，the architectural structure(e)，roads(g)，number of floors(i)，tents(k)and the rasterized data of the open space(b)，buildings(d)，the architectural structure(f)，roads(h)，number of floors(j)，tents(l)

3 结果

笔者将研究区所在的矩形区域分为105×99个栅格且每个栅格有唯一的位置信息，其中有效栅格共10 395个。图9为避难空间附近威胁因素与有利因素，其中有利因素包括距主干道近、避难空间面积大等，威胁因素包括距不稳定建筑物较近、距高层建筑物较近等。表3为避难空间优选结果，其中编号为59、42、40、26、68和58的避难空间，其目标函数值F相对较小，分别为0.009、0.019、0.021、0.045、0.066和0.068，即为最优避难空间。

表3 避难空间优选结果

图9 避难空间附近威胁因素与有利因素

4 对比分析

对2021年漾濞MS6.4地震后使用本文模型提取的避难空间与居民实际避难地点进行对比分析，验证基于遥感影像的震后避难空间快速提取模型的准确性。将提取的避难空间栅格化结果作为底图，叠加漾濞MS6.4地震后的帐篷位置分布结果，结果如图10所示。表4为避难空间帐篷数量、F值与避难空间正射影像统计结果，结果以目标函数值F由小到大排列，即以最优到最差避难空间顺序排列。由表4统计结果可知，编号为59、42、40、26、68的避难空间对应的帐篷数量较多。由图10分析可知，5个避难空间面积均在11 m×11 m×15=1 815 m2以上，避难空间周围高程建筑物与不稳定建筑物较少，且离主干道距离较近，人口密度相对较大；对于面积相对较大的避难区域43、57，其位于城边人口密度小，附近不稳定建筑物较多，且离主干道距离较远，导致模型计算F值较高，震后实际疏散人数少；综上所述，基于遥感影像的震后避难空间快速提取模型计算结果与实际结果匹配。

图10 本文模型提取的避难空间与震后

表4 避难空间帐篷数量、F值与避难空间正射影像统计结果

续表5

续表5

5 结论

笔者以2021年云南漾濞MS6.4地震后高分辨影像与DSM地表数字高程影像为基础，依据影像的光谱、几何形状、面积、延伸性、亮度值等特征，采用遥感影像面向对象分类方法对影像中的地物进行提取，并结合ArcGIS对提取的地物矢量数据进行栅格化，选取避难空间面积、到主干道距离、到不稳定建筑物距离、到高程建筑物距离作为震后避难空间评价指标，构建目标函数，建立基于遥感影像的震后避难空间快速提取模型，主要得出以下结论：

(1)基于遥感影像的震后避难空间快速提取模型共计提取到可用避难空间70个，根据目标函数F得到最优避难空间5个，其中每个避难空间在漾濞MS6.4地震中实际帐篷数量分别为72、55、54、30和44顶，模型计算结果与实际匹配。

(2)模型有效增强了震后避难空间选取的实时性、准确性、高效性以及选取结果的直观性和可视性。此外，模型构建以ArcGIS为基础，数据参照同一空间坐标系，利于集成化解决不同领域数据共享问题。