遥感自动提取技术在房屋抗震调查中的应用

2023-12-15张朝阳刘珠妹

地震工程学报 2023年6期

张朝阳, 李雪,, 刘珠妹

(1. 防灾科技学院地质工程学院, 河北廊坊 065201; 2. 中国地震局地震研究所, 湖北武汉 430071)

0 引言

房屋建筑作为地震灾害的主要承灾体,其抗震性能直接影响地震造成的经济损失和人员伤亡程度[1]。已有震害统计数据表明,在地震及其次生灾害中房屋倒塌是造成人员伤亡的首要因素[2],例如2008年汶川8.0级地震共造成536万余间房屋倒塌,2 100万余间房屋受损,导致46万人伤亡,直接经济损失超过8 500亿元[3]。因此,全面掌握现有房屋建筑的空间分布及其抗震能力对于摸清地震灾害风险底数,预测震害损失,制定应急救援策略等具有十分重要的意义[4]。

传统房屋抗震能力评估主要是从土木工程结构角度,对房屋的结构类型、楼层高度、墙体材料、使用用途、地基基础和抗震构造措施等方面进行详细调查综合评判[5-7]。传统方法评估精准,但因评估专业性强,工作量大,效率不高,难以大范围开展。而利用遥感影像对房屋的抗震能力进行评估,可以提高房屋抗震能力的判别效率。

当前遥感房屋抗震能力判别主要以经验判别为主,通过人工解译提取房屋建筑的空间分布,再结合当地房屋基本情况对其抗震能力进行初步分类[8-9]。然而,独栋房屋遥感解译的工作量仍然不小,依靠人工解译全省或全国的房屋空间分布任务非常艰巨。如何从遥感影像上自动、高效地提取房屋对象,对于提高房屋抗震能力遥感判别效率至关重要,也是当前全国自然灾害风险普查房屋调查专题急需攻克的关键技术。

本文拟利用当前遥感图像处理领域流行的深度学习算法提出一种针对独栋房屋为对象的遥感自动提取方法,并将其应用于省级范围的房屋抗震能力调查,提高房屋抗震能力遥感初判工作的效率与精度。

1 研究方法

1.1 遥感房屋提取深度学习框架

传统的房屋遥感自动提取方法主要通过设计影像特征提取器,提取遥感影像中房屋对象的纹理、大小、阴影等特征,再通过这些特征对房屋进行分类和分割识别[10-11]。但由于人为设计的特征提取器难以实现提取对象的无偏估计,并且房屋样式的多样性增加了特征提取的难度,使得传统方法的提取精度不高,鲁棒性较差[12]。已有研究表明,相比于传统图像处理方法,基于卷积神经网络的深度学习方法在遥感图像分类与目标识别方面具有比较明显的优势。

当前主流的深度学习图像目标识别与提取算法主要有区域法和回归法两种类型[13]。由于本文旨在从高分辨率遥感影像上识别并提取独栋房屋轮廓,因此选择区域法中的Mask R-CNN(Mask Region-based Convolutional Neural Network)作为深度学习基础框架[14]。Mask R-CNN是利用Faster R-CNN检测影像上的目标对象,获取对象包容盒[15]。然后利用全卷积神经网(FCN,Fully Convolutional Networks for Semantic Segmentation)对包容盒内的影像进行分割,获取目标对象矢量轮廓,实现目标对象的提取(见图1)。

图1 Mask R-CNN网络结构示意图Fig.1 Mask R-CNN network structure diagram

1.2 多尺度聚合全卷积神经网络结构

由于不同类型房屋在遥感影像上的尺度差异较大,为了提高深度学习算法识别不同尺度大小房屋的能力,本文对原FCN网络结构进行了改进,在基础U-Net结构中设置了全链接层,构造了多尺度聚合的全卷积神经网络(MA-FCN),使其在分割识别时能同时兼顾房屋不同尺度下的影像特征,修改后的网络结构如图2所示。

图2 MA-FCN网络结构图Fig.2 MA-FCN network structure diagram

MA-FCN网络主体包括编码、跨越链接、解码、多尺度预测和输出五部分。编码层对包容盒影像逐层卷积,获取目标对象不同尺度下的影像特征。解码层与其相反,通过逐层反卷积,恢复原始目标影像。本文增加的跨越链接使得原U-Net网络可分别在各个尺度下对房屋的影像特征进行学习预测[16-17]。相比仅在最终卷积层进行学习预测的原网络结构,本文方法可以将不同尺度下的房屋影像特征引入到学习训练中,增强房屋识别的尺度鲁棒性。通过多尺度预测将不同尺度的房屋特征进行融合,并输出最终识别的房屋对象影像特征。

1.3 网络模型训练与精度评估

深度学习方法识别独栋房屋对象需要先利用房屋样本影像对网络模型进行训练,样本质量和训练参数设置是影响房屋识别精度的关键。

本文采用人工目视解译标注方式,在1∶1 000比例尺下勾绘高分辨率遥感影像上的独栋房屋建筑轮廓,获取房屋样本影像。然后对样本影像栅格像素进行二值化处理,生成黑白标签影像,其中1表示该像素属于房屋对象,0表示其属于非房屋对象。将对应的房屋样本影像和标签影像进行标准化分割,建立房屋样本库。

本文利用损失函数Loss和总体精度Acc两项指标确定网络模型训练中的参数设置。Loss和Acc的计算公式如下:

(1)

(2)

式中:N是总样本数;yi是第i个样本所属类别;pi是第i个样本的预测值;pii表示预测正确的像素数量;pij表示总像素数量。通过Loss和Acc确定网络模型训练的迭代次数和前向/反向传播样本数量。

1.4 房屋抗震能力遥感初判

由于仅依靠遥感影像难以对决定房屋抗震能力具体因素(例如,结构、材质、建筑年代、用途等)进行精确识别,因此,本文在自动提取房屋对象的基础上,借鉴经验估计方法对房屋的抗震能力进行初判,将其划分为“估计抗震能力达标”“疑似抗震能力不达标”和“疑似抗震能力严重不足”三类[18-19]。总体技术流程如图3所示。

图3 遥感房屋抗震能力初判流程图Fig.3 Flow chart of preliminary judgment of remote- sensing seismic reliability of houses

2 实验与结果

2.1 实验数据与实验平台

本文所用遥感影像为湖北全省18级谷歌影像,影像分辨率约为0.5 m,含有RGB三个波段,单个波段深度为8 bit。全省影像按1比5万标准图幅分幅,单幅影像栅格尺寸为46 603×35 744像素。分幅后的全省影像共计510幅,总数据量约2.5 TB。

实验平台采用lntel(R) Xeon(R) Silver 4210R CPU @ 2.4 GHz处理器,配置256 GB内存,搭载双GPU显卡,GPU型号为NVIDIA Tesla K80,显卡内存为24 G。软件环境方面,本文采用Windows10专业版64位操作系统,使用开发语言为Python,选择以TensorFlow框架作为后端的深度学习框架,Keras 作为搭建模型的工具,使用CUDA10.0版本的GPU运算平台以及cuDNN7.5深度学习GPU加速库。

2.2 房屋样本训练

本文在湖北全省不同市、县、村选择了19处进行房屋样本人工解译工作,解译面积近300 km2,解译独栋房屋对象共计5万余栋,并制作了房屋样本影像和对应的标签影像。按512×512像素尺寸对样本影像和标签影像进行标准化分块,生成近1.1万个独栋房屋样本。

随机挑选十分之一的房屋样本作为验证集,其余作为训练集,并将其用于房屋自动提取深度学习网络模型训练。迭代次数设定为60次,前向/反向传播样本数量设置为8,训练精度如图4所示。训练集初次迭代时Loss大于0.4,Acc约为0.9,当迭代超过50次以后,Loss和Acc均趋于平稳,其中Loss稳定在0.05左右,而Acc稳定在0.99左右。验证集初次迭代时Loss大于0.3,Acc约为0.93,当迭代次数增加时,Loss和Acc相比于训练集其在收敛趋势下存在一定的波动。迭代50次以后,Loss和Acc逐渐趋于平稳,Loss保持在0.07左右,而Acc稳定在0.97左右。房屋样本网络模型训练单次迭代用时约15 min,总训练耗时近15 h。

图4 房屋提取模型训练准确率和损失值Fig.4 Training accuracy and loss value of building extraction model

2.3 独栋房屋提取与抗震能力初判

将训练好的深度学习网络模型对湖北全省高分辨率遥感影像进行房屋对象识别,并对识别后的房屋对象进行矢量化和边界规则化处理。单幅影像房屋识别处理时间约为10 min,全省房屋识别总耗时近85 h。城市地区和农村地区独栋房屋识别效果如图5所示。自动提取湖北全省房屋建筑总计约1 060万余栋。

图5 房屋提取效果图(上排为原始影像,下排红色区域为自动提取后的房屋目标)Fig.5 Building extraction results (The uppers are original images,and the red areas in the bottom are extracted house targets)

利用遥感影像和经验估计方法对湖北全省房屋对象的抗震能力进行人工初判,估计抗震能力达标的房屋约为35.3%,疑似抗震能力不达标的房屋约为47.7%,疑似抗震能力严重不足的房屋约为17.0%。湖北省17个地市州的房屋抗震能力判别结果如图6所示。

图6 湖北省各地市州房屋抗震能力遥感初判结果统计图Fig.6 Statistical map of preliminary judgment results of remote-sensing seismic capacity of houses in cities and prefectures of Hubei Province

3 分析与讨论

3.1 房屋自动提取误差

本文以湖北省黄冈市英山县房屋抗震能力遥感初判试点工作报告[20]中人工解译统计的房屋数据与本次自动提取的房屋数据进行了对比,结果如表1所列。人工解译的英山县房屋数量为85 852栋,本文自动提取的房屋数量为86 775栋,总误差约为1.1%。

表1 英山县人工解译与自动提取房屋误差统计表Table 1 Statistical table of errors between manual interpret- ation and automatic extraction of buildings in Yingshan County

英山县大部分乡镇房屋自动提取误差总体在10%以内,方家咀乡、南河镇和温泉镇等个别乡镇房屋自动提取数量与人工统计结果差异较大。误差增大的原因主要有影像成像质量差异和房屋光谱纹理混淆。由于本文所用的谷歌影像为不同空间分辨率的遥感卫星在不同季节获取的影像拼接而成,导致局部地区存在明显色差[如图7(a)]。此外,部分地物在影像上的光谱和纹理特征与房屋类似(例如,光伏电池板,蔬菜大棚等[如图7(b)],导致算法提取房屋对象时发生误提或漏提。如要提高上述问题影像的房屋识别精度,需要分别在不同色差和房屋混淆影像上选取足够数量的正/负样本,再对网络模型进行补充训练。

图7 影像质量差异与地物光谱混淆Fig.7 Image quality difference and spectral confusion of ground objects

3.2 房屋抗震能力判别误差

本文利用湖北省黄冈市黄梅县2019年人工现场调查的农村贫困户房屋鉴定数据对遥感初判的房屋抗震能力进行了一致性检验。黄梅县人工调查房屋总数约2.3万栋,调查内容包括房屋结构、层数、墙体材料、屋面类型及材料、地基基础、承重墙、抗震构造措施等。综合归类后将其分为估计抗震能力达标、疑似抗震能力不达标和疑似抗震能力严重不足三类,每类房屋调查数量分别为0.3万余栋、1.5万余栋和0.5万余栋。将其与本文提取的房屋进行空间叠加分析后,对本文遥感初判的房屋抗震能力分类精度统计如图8所示,其中估计抗震能力达标的房屋遥感初判总体精度约为90.9%,疑似抗震能力不达标的约为72.3%,疑似抗震能力严重不足的约为85.4%。

图8 黄梅县部分房屋抗震能力遥感初判误差Fig.8 Errors of the preliminary judgment for seismic reliability of buildings in Huangmei County

统计方式也会造成统计结果与实际情况的不一致。本文实验结果为按房屋栋数统计结果,如按房屋占地面积统计,则湖北省三类房屋比例分别为40.4%、44.5%、15.1%。由于抗震能力达标的建筑多为按抗震规范建设的高层住宅,以及大型商场、车站等城市公共建筑,而抗震能力严重不足的房屋多为城中村和农村的低矮自建房。因此,如按建筑面积统计,则估计抗震能力达标的房屋占比将进一步提升。