引言

建筑物作为地震灾害的承载体，其结构现状、抗震能力、抗震措施直接关系到人民的生命安全与财产损失。我省农村地区农居抗震能力普遍偏低，居民抗震减灾意识相对薄弱，多数农居未进行抗震设防，在地震中易遭受破坏。近年来，地震应急基础数据库与农村调查建筑物的实际情况产生了较大差异，制约了应急指挥系统的功能应用。利用无人机影像数据分析建立解译标志开展基础数据更新成为了信息获取新思路，不仅能够节省大量人力、物力，提升工作效率，且能最大限度地降低或消除作业人员因主观因素对结果造成的理解差异，对于避免地物地类混淆、提升解译结果可信度具有较好的效果，将其运用于该地区未来震后灾害损失快速评估中，会进一步提高震后快速评估的准确性。

近年来，无人机应用在通信保障、监测、灾情获取与灾情评估方面，与地震应急工作逐步融合并发挥效能，遥感影像提取技术的发展与应用逐步成为当今重要的研究方向之一。目前国内外学者开展了大量基于遥感技术的建筑物提取与评估研究，如王晓青等（2003）基于遥感影像表现特点建立了建筑物震害影像特征；刘贾贾等（2019）利用面向对象的遥感影像信息提取方法对建筑物进行了分类研究；明小娜等（2018）利用高分辨率遥感影像与地面调查相结合的方法，构建了城区建筑物解译标志；任媛媛等（2019）将深度学习应用于遥感影像目标识别中，用端到端的方式训练Faster R-CNN网络模型,并应用于农村建筑物快速精确识别中；周培城等（2021）总结了代表性的机器学习范式，分析了不同机器学习范式的优缺点及其在高分辨率遥感影像解译中的典型应用。上述研究成果为无人机遥感技术在防灾减灾中的应用奠定了基础。

本文采用实地调研与无人机数据抽样采集的方式对辽宁省农居建筑开展分析研究，基于遥感影像的几何、光谱、空间关系特征统计获取了农居建筑解译标志与参数信息，制定了面向对象与各类滤波算法相结合的创新算法处理流程与代码，完成了遥感影像要素提取与评估系统开发与测试工作。该软件已应用于辽宁省地震应急现场工作中，主要用于快速评估与专题产出，为震后快速评估与辅助决策提供技术支持。

1.   调研区域概况

1.1   研究区域

辽宁省位于东北地区南部，南濒黄海、渤海，辽东、辽西两侧为平均海拔800 m和500 m的山地丘陵；中部为平均海拔200 m的辽河平原，地处华北断块区北部，由辽东断块隆起带、下辽河-辽东湾断块凹陷带及辽西断块隆起带组成，郯城-庐江断裂带北延带纵向贯穿辽宁全省。辽宁省具备发生中等破坏性地震的条件与背景，其下辖14个地级市、16个县级市、17个县、8个自治县、59个市辖区，农村面积占比85%以上，农居分布较集中，多数农居建筑抗震设防等级未达标或未进行抗震设防，部分地区发展较慢，仍存在少量砖石、土木类房屋。

1.2   现场调查

现场调查区域以辽宁地市划分，各市实地采样2个农居调研点，共28个样区作为现场调查区域。调研点分布均匀，具备较强的代表性，采集区域农居建筑结构明显，分布集中，轮廓清晰，便于开展实地调研与无人机数据采集工作（图1）。分组完成数据采集工作，地面调研组侧重收集房屋结构类型、经纬坐标、年代、房屋进深与照片统计归档工作，共获取影像信息3 000余张，单体房屋统计数量2 070栋。如表1所示，采用大疆无人机（精灵4P）为测行平台，以大疆智图为拼接工具完成影像采集与处理工作，共获取影像6 835张，累计飞行面积2.6 km²，抽样区域占比40%，三维建模影像、正射影像28幅（分辨率0.026～0.03 m）。

图 1  调研点分布

Figure 1.  Survey point distribution map

下载: 全尺寸图片 幻灯片

表 1  工作量统计

Table 1.  Workload summary table

抽样点名称	抽样区域占比/%	单体样本数量/栋	航拍数据量/张	采集面积/m2
大红旗村	25	65	242	21 005
庄屯村	20	46	262	21 012
沈家村	25	80	270	21 111
隈子村	30	85	203	16 252
新立村	25	45	243	18 347
新台村	40	40	256	21 120
大东村	25	120	269	19 527
王木村	40	58	481	46 103
彩北新村	30	44	287	23 232
上堡村	40	62	117	74 632
花园村	30	50	233	142 692
后营子村	40	110	242	163 067
东花村	35	65	198	128 091
高家屯村	40	138	282	193 291
前百村	40	102	182	106 099
韩家沟村	35	110	224	151 743
化石戈村	35	105	318	213 242
宅山土村	40	75	267	179 833
乔坨子村	30	48	380	37 398
吕坊塘村	35	55	296	29 818
和尚沟村	40	62	199	112 231
土宝营村	50	38	158	100 138
任家村	40	102	189	102 709
西王村	35	115	192	116 452
纪家村	40	40	156	97 419
小红石村	30	45	298	223 836
稻池村	25	60	214	132 454
头台子村	40	105	177	96 217

下载: 导出CSV 

| 显示表格

1.3   典型房屋

通过对辽宁农居建筑结构的抽样调查，按照农居普查和抗震性能评价划分方法，确定了农居建筑结构类型，将农居结构类型整体划分为土木砖石木结构（Ⅰ类结构，占比13%）、砖木结构（Ⅱ类结构，占比38%）、约束砌体结构（Ⅲ类结构，占比48%）及其他结构（Ⅳ类结构，厂房，占比1%），如图2所示，受自身条件影响，不同区域结构类型差异较大，按区域划分可知辽西北、大连地区存在较多的土木、砖石木结构房屋（占比35%），辽南中部地区以约束砌体结构房屋为主（占比60%），沈抚、辽北地区以砖木结构房屋为主（占比63%），如图3所示。

图 2  房屋结构影像

Figure 2.  Structure type image

下载: 全尺寸图片 幻灯片

图 3  各类房屋结构比例及分布图

Figure 3.  Structure proportion and distribution map of various houses

下载: 全尺寸图片 幻灯片

Ⅰ类结构房屋均为单层建筑，建筑年代较久远，多为20世纪70年代末至80年代初建造。Ⅰ（a）类土木结构房屋多以土坯夯实或黏土掺杂稻草砌墙，泥浆或三合土作为胶结剂，竹条代替钢筋，木柱为梁，木梁多为坡屋面的檩条，铺上苇子后抹泥挂瓦，青瓦或黑瓦铺顶。Ⅰ（b）类砖石木结构房屋在Ⅰ类房屋中占比较大，修建年代多为20世纪80年代初期，以夯土或砖、石、土混砌墙体，墙体厚度多为外墙370 mm、内墙240 mm，泥浆或三合土作为胶结剂。墙体下部为块石，门框及四角设置砖，中间为毛石，承重体系多采用木梁柱体系，根据地域特点部分区域房屋搭建毛石地基，屋顶木梁加檩条，水泥或油毡纸铺顶。

Ⅱ类结构房屋修建年代多为20世纪80年代中期到90年代初期，墙体以块石和砖为主，厚砖砌体墙承重，黏土砂浆或水泥砂浆砌筑，结构形式上多采用“硬山搁檩”，少数设有地圈梁，无上圈梁与构造柱，部分檩下设垫木、三角木梁，剪刀撑结构较少，屋顶铺木板或秸秆后抹泥挂瓦，少数采用预制板铺顶，房檐外延设计。

Ⅲ类结构房屋修建年代多为20世纪90年代末期至2000年初，砖混结构，在结构类型细分中根据抗震设防标准又分为一定抗震设施的Ⅲ（a）类砖混结构及Ⅲ（b）类约束砌体结构。Ⅲ（a）类结构房屋多以单层建筑为主，砖墙承重，墙体厚度多为外墙370 mm、内墙240 mm，早期均采用配筋砖圈梁，后期房屋采用钢筋混凝土圈梁，未设置构造柱，水泥砂浆砌筑，楼板多采用现浇混凝土灌注，少有预制板搭建。Ⅲ（b）类结构与Ⅲ（a）类结构相似，多以双层建筑存在，其与Ⅲ（a）类结构的主要区别在于该类房屋均设有上圈梁、地圈梁，四角均设有构造柱，平立面规则。

Ⅳ类结构房屋与Ⅲ（b）结构房屋类似，多以厂房形式存在。

2.   解译标志分析

2.1   解译标志特征提取

本研究通过3D建模技术，结合Google Earth测量，以建筑物在影像中表现出的几何特性、光谱特性及空间特性的共性特征作为研究基础，建立影像与实际地物的对应关系，对解译标志特征与特征参数进行提取（表2）。

表 2  解译标志特征汇总

Table 2.  Interpretation sign feature summary

解译特征		置信权重	建筑分类
			Ⅰ	Ⅱ	Ⅲ	Ⅳ
直接标志	单体房屋面积/m2 （不含院落）	0.2	≤70（小）	≤120（中等）	≤150（大）	≥150（大）
	房屋进深/m	0.4	≤6	6～7.5	7.5～8.5	≥9
	屋顶模式	0.08	微拱/微坡顶	坡面为主	平顶/坡面	平顶为主
间接标志	房屋高度范围/m	0.2	≤3（无砌台）	3～3.5（无砌台） 或4～5（有砌台）	3.5～4.5（无砌台） 或5～7.5（有砌台）	≥4.5（无砌台）
	院落面积/m2	0.08	≤160（小）	≤220（中等）	≤300（大）	≥300（大）
	空间分布	0.02	独立或偏僻	紧密分布，偶有零星	带状等规则分布	簇状或临街
	院落设施	0.02	偏旧（杂物、闲置）	偏旧（菜园）	整齐（副业）	整齐（水泥过道、副业）

下载: 导出CSV 

| 显示表格

Ⅰ类结构房屋屋顶多以拱顶或坡顶为主，房屋进深尺寸较小（5～6 m），院落面积与单体房屋面积较小，院落伴有杂物或未开垦土地，与院落的整体感不强，无地基，高度较低，屋顶多呈深灰或浅灰色，屋脊色调伴随一字或规律性中心扩散分布，几乎无阴影特征。房屋多为独立分布，或位置偏僻或紧邻大尺度建筑。

Ⅱ类结构房屋屋顶多为人字坡顶或平顶，房屋单体面积较小，进深多为6～7 m，影像表现多为规则长方形，院落宽度与建筑物宽度基本保持一致，院落面积较小，多伴有规则矩形院落，院落整体感一般。建筑高度较低，屋顶多呈深灰色，偶有褐色或深红色，色调变化多以屋脊为界，同侧色调分布均匀，正射影像下的阴影特征不明显，此类房屋多以区域性紧密分布，偶有零星点状分布，个体分界不易区分。

Ⅲ类结构房屋屋顶多为平顶，大多数伴有附着物（空调、热水器主机），单体面积较大，平面多为长方形、L形或井字形，边缘整齐，立面边缘略有凹凸，形状规则。屋顶色调不均匀，多伴有过渡表现，存在暗区、亮斑或其他斑块，墙体为深色，个别可见窗户纹理，阴影表现为细长状，阴影面积较小，房屋多呈簇状或条带状分布，少有零星分布，多处于临街、临路分布，院落规模较大且整齐，多伴有植被覆盖或开垦土地，房屋高度较高（局部地区房屋砌台较高）。

Ⅳ类结构房屋屋顶少有突起结构，多为平顶，单体面积较大，外形对称，平立面不规则，多呈T形、十字形、Y形等，边缘有凹凸，墙体立面凹凸明显。屋顶颜色过渡现象较少，多呈较亮或规律性均匀色调，阴影面积较长，分布状态与Ⅲ类房屋相似，房屋高度较高。

2.2   遥感解译标志验证

本次验证以实地数据为基准，对房屋进深、面积、高度、院落规模及屋顶模式共5种重要的解译特征进行数据提取分析，制定解译标准，确定参数区间，共统计7种解译标志下房屋数量在不同参数下的分布情况，以4种结构类型在不同参数下的房屋数量分布表现作为各类定量化指标制定依据（图4），最终得到了解译标志特征汇总，如表2所示。

图 4  解译标志建立流程

Figure 4.  Interpretation sign establishment process

下载: 全尺寸图片 幻灯片

本试验采用kappa系数分析法对解译标志提取房屋结构类型与实地调研数据开展一致性分析验证，依据5种解译特征参数，利用$ k=\dfrac{{p}_{0}-{p}_{{\rm{e}}}}{1-{p}_{{\rm{e}}}} $（其中，p₀为每类正确分类的样本数量之和除以总样本数，即总体分类精度；P_e是偶然一致性误差，即所有类别分别对应的“实际与预测数量的乘积”之总和，除以“样本总数的平方”）进行计算，分别得到房屋进深Kappa=0.681、房屋面积Kappa=0.592、高度Kappa=0.603、院落规模Kappa=0.448、屋顶模式Kappa=0.460。房屋进深+面积+高度Kappa=0.723（表3），分析表明单独解译标志提取结果一致性一般，多种解译标志结合提取结果一致性较高，表明采用此类解译特征对获得具有较好一致性的房屋结构类型具备一定的可行性。

表 3  建筑物类型混淆矩阵

Table 3.  Confusion matrix of building types

建筑分类	Ⅰ	Ⅱ	Ⅲ	Ⅳ
Ⅰ	224	46	30	0
Ⅱ	28	698	184	0
Ⅲ	18	40	776	2
Ⅳ	0	3	4	17

下载: 导出CSV 

| 显示表格

3.   建筑物提取方法与软件开发

3.1   试验设计

本试验以无人机低空正射影像DOM及对应数字表面模型DSM为输入数据源，根据正射影像波段反射率差异，通过试验设计构建了基于可见光3个波段的差异植被指数，利用双峰阈值法制定了植被区域有效检测阈值范围，去除植被影响后，基于屋顶像元值统计结果制定了阈值规则，实现了初步的房屋提取，为降低噪声对影像分割的影响，本试验采用双边滤波法对图像进行降噪处理，通过试验确定了面积与体态比等约束条件，并制定了相应的阈值范围，同时采用滤除地表要素策略，基于数字地形模型DTM生成了数字高程模型DEM，通过差值运算，得到归一化数字表面模型nDSM，基于经验高度阈值设定，解决了相邻建筑物之间连通性去除问题，通过综合分析与融合后，最终形成了改进型DSM提取方法（图5）。

图 5  改进型DSM提取流程

Figure 5.  Extraction process of improved DSM

下载: 全尺寸图片 幻灯片

本试验在算法设计上充分考虑了地物光谱及纹理信息，根据地物反射率特性，去除相关影响，结合面向对象的方法，更好地保持了地物的边缘特性，在条件约束下，利用nDSM技术保障了提取内容的完整度。算法基于Python语言开发实现，能够便捷地进行数据交互与函数调用，具有较强的移植性与嵌入性。同时算法的栅格数据单像素为最小处理单元，提取效果不受输入影像分辨率的影响，具备较强的应用拓展性。

3.2   方法与流程

通过构建植被模型，提取植被信息，每种地物选择50个代表区域，分别统计了红蓝绿光3个波段的平均值及标准差，平均值用于分析3个波段像元的总体差异，标准差反映每个波段像元值的波动范围。由于绿光波段具有较强的反射特性，红光和蓝光波段具有吸收特性，通过分析建立以绿光波段代替归一化植被指数N_DVI中的近红外波段，以ρ_red（红波段地表反射率）+ρ_blue（蓝波段地表反射率）代替N_DVI中的红光波段构建基于可见光3个波段的植被指数 V_DVI，如式（1）所示，其数值范围为[−1，1]。通过阈值分割多样本测试，最终采用双峰阈值法确定植被区域的有效检测阈值范围为[0.03，0.07]（图6）。

图 6  可见光植被指数结果

Figure 6.  Visible vegetation index results

下载: 全尺寸图片 幻灯片

式中，ρ_green为绿通道光谱值。

为降低噪声对无人机影像分割结果的影响，采用双边滤波方法（艾加秋等，2021）对图像进行降噪处理，达到保边去噪的目的。

根据分割后影像中房屋对象的形状特征统计分析结果，制定以面积大于20 m²、体态比数值大于0.2为提取指标，进而实现屋顶与硬化路面、车辆等相似干扰项的区分（图7）。

图 7  滤波影像效果

Figure 7.  Filtered image effect

下载: 全尺寸图片 幻灯片

基于面向对象的分割方法中，为保证分割对象的精确性，本研究采用滤除地表要素策略生成了DEM，运用简单形态滤波SMRF算法，得到nDSM，基于经验高度阈值设定，去除相邻建筑物之间的连通性问题。

利用GDAL去除数据无效值获得预处理后结果，使用pdal点云转换json参数文件，将.jpg文档转化为xyz的点云数据，SMRF算法将DSM点云数据生成nDSM点云数据，最后使用GDAL影像投影功能为nDSM添加准确的坐标信息，得到与DOM范围一致且空间参考统一的mDSM栅格数据文件（图8）。

图 8  nDSM提取

Figure 8.  NDSM extraction

下载: 全尺寸图片 幻灯片

3.3   软件开发

遥感影像要素提取与评估系统是基于QT5开源GIS矢栅一体化的桌面端展示程序，其开发环境是基于Python语言3.6版本，PyCharm 开发平台Miniconda开发环境实现完成。算法开发使用的三方库包主要以PDAL、GDAL、Shapely、Numpy、Matplotlib为主，界面开发以pyqgis+PyQT5为主，制图所用类使用QgsPrintlayout、QgsLayoutItemLabel、QgsLayoutItemLegend等（易文斌等，2009；秦思娴等，2015；黄兴荣等，2019）。

系统界面主要分为工具栏、图层管理区、数据展示区，具体功能包括：工具栏加载、导出矢量栅格数据文件；工具栏界面拖动、放大、缩小、清空画布、清空项目；图层显示区图层展示；数据展示区数据展示；面向对象和基于DSM数据建筑物专题信息提取一键式处理；专题成果文件导出；一键式专题出图。

专题制图模块开发是通过建立高度与面积规则进行专题制图。使用GIS空间统计数据功能获取建筑物高度和面积参数，匹配渲染规则，调用PyQGIS功能模块QgsPrintLayout渲染成图（薛腾飞等，2017）。

该软件通过开展功能设计分析，部署开发环境，开展框架与流程设计工作，规范专题图件产出内容，保证了提取过程快速实现，同时可根据实际需求，对提取结果进行可视化展示与数据处理模块后续开发，以提升遥感数据成果实时性与应用性，如图9所示（陈天恩等，2006；赵福军等，2010）。

图 9  软件功能代码展示

Figure 9.  Software function code display

下载: 全尺寸图片 幻灯片

本软件系统运算采用分块并行处理，将栅格大数据进行分块，多线程处理，通过代码整合，统一版本、编译、连接、运行。因改进型算法底层原理不同，在算法代码中需按顺序单独进行，故数据计算量较大，对计算机显卡与整体性能要求较高，试验采用联想P52S移动工作站测试获得专题图件15件，平均大小1.2 G，平均产出耗时3.1 min，数据压力测试稳定性良好，均未出现闪退、死机现象。准确性测试阶段采用大疆智图精拼DOM、DSM影像数据，飞行设定GSD控制在0.024～0.029 m，以旋翼无人机单架次采集数据量测试，生成建筑结构类型专题图的平均耗时为3 min，共统计房屋样本数量640条，正确分类样本数量475条，整体提取精度近75%。在提取效果分类统计（图10）中，Ⅰ类结构房屋提取精度约51%，Ⅱ类结构房屋提取精度为70%，Ⅲ类结构房屋提取精度为78%，Ⅳ类结构房屋提取精度为62%。由解译结果得出，本软件对Ⅰ、Ⅳ类结构房屋提取精度较低，对Ⅱ、Ⅲ类结构房屋提取精度较高，总结原因如下：

图 10  专题图件产出

Figure 10.  Thematic map output

下载: 全尺寸图片 幻灯片

（1）数据源质量不一。本次试验抽样点数据中Ⅰ、Ⅳ类结构房屋较其他类占比少，样本数据中此类房屋在通用性方面表现一般，数据精拼质量缺乏精细化处理，干扰条件筛选较粗糙，对此类房屋后续提取的准确性造成了一定影响。

（2）区域房屋特性差异较大。主要体现为部分房屋受地物（树木）遮挡，坡面屋顶光谱特征不明显，部分区域房屋垫高、房顶加盖与农村亮化工程等因素影响，导致Ⅱ、Ⅲ类结构房屋错分影响较大。

（3）提取算法通用性一般。1套阈值提取参数无法完全满足不同区域特性的房屋提取工作要求，通过调整阈值，可保证某类提取精度较高，利用地理区域变化选择合适的样本数据和分区域制定适应性强的提取参数是今后研究重点。

4.   结语

针对地震应急和日常业务工作需求，基于辽宁省农居建筑结构地域特性，利用无人机遥感解译技术手段建立农居建筑遥感解译标志，并探索了遥感影像要素提取方法，通过汇总工作流程，完成了系统开发应用工作，形成完整的无人机低空遥感应用于地质调查、灾害评估的技术路线，主要得出以下结论：

（1）基于本研究制定的遥感解译标志对获得具有较好一致性的房屋结构类型具备一定可行性，从成果应用效果来看，基于无人机遥感手段调查并确定建筑结构类型的方案可行，可应用于与辽宁地区农居结构类型相似的地区，对于结构类型差异较大的区域，应视当地的结构特征对解译参数予以适当调整。

（2）无人机DOM、DSM影像数据对房屋建筑信息表达不够全面，后期三维建模辅助应用对明确房屋侧面纹理、结构类型具有较好的纠正作用。受主观因素影响，基于本研究获得的遥感解译标志建立可在建筑结构类型、参数调整方面进一步优化。

（3）本研究利用软件提取的Ⅰ、Ⅳ类结构房屋精度较低，Ⅱ、Ⅲ类结构房屋精度较高。今后软件的优化工作应主要从深入挖掘区域房屋特性、提升算法优越性方面开展研究。

（4）基于Python的遥感影像要素提取与评估系统开发避免了人工干预带来的影响,提高了外业工作效率，同时Python具有的较强扩展性与适应能力为后续软件升级优化创造了良好开发条件。