Fast Extraction Method of Building Characteristics for Earthquake Catastrophe Insurance
-
摘要: 房屋建筑分类是抗震设计和地震风险分析的基础，是巨灾保险的纽带环节，也是结构易损性准确、完备分析的前驱保障，快速获取建筑特性参数非常关键。基于影像数据获取结构特性相比传统手段具有显著优势，然而其准确性具有一定挑战性，从影像数据得到实时的、较准确的结构特性成为地震保险数据获取技术的关注焦点。本文采用深度学习方法开展从影像数据中提取面向地震保险需求的建筑特性数据，构建基于深度学习方法的建筑高度识别模型和基于机器视觉的建筑高度识别方法，运用基于Xception神经网络深度学习和机器视觉的模型，对北京地区的建筑高度进行模型测试，该方法可为地震保险分析提供重要的基础数据支持。Abstract: Building classification is the basis of seismic design and earthquake risk analysis, and is also the link of catastrophe insurance. It is also the precursor to the accurate and complete analysis of structural vulnerability, and it is critical to quickly obtain building characteristic parameters. Obtaining structural characteristics based on image data has significant advantages over traditional methods. However, the accuracy of its related methods is a very challenging problem. Obtaining more accurate structural characteristics from image data in real time has become the focus of seismic insurance data acquisition technology. In this paper, deep learning method is used to extract building characteristic data oriented to earthquake insurance from image data. Building height recognition model based on deep learning methods were performed and applied in Beijing. The method can provide important basic data support for earthquake insurance analysis.
-
Key words:
- Earthquake /
- Catastrophe insurance /
- Building characteristics /
- Information extraction
-
引言
大数据时代，融媒体信息传播技术不断革新发展，信息传播渠道日益丰富，用户需求逐渐向通过多种媒体平台获取地震数据资源转变，加速了地震专业知识服务系统向多元化、智能化服务模式转型升级。
地震专业知识服务系统是由多要素构成的系统化、科学化、持续化的运转平台。面对政府、地震行业部门和社会公众等多层次需求，借助融媒体平台技术推进地震知识供给、地震知识研究、地震知识内容、地震知识用户和地震知识评价的有机互动，实现地震行业知识服务体系的构建与联动（樊帆，2019）。
大量地震科学研究涌现出海量的地震数据资源，且随着研究工作的深入，更多的研究成果将不断出现（吴微微等，2018）。因此，利用融媒体技术构建地震专业知识服务系统，实现地震信息资源整合，提高资源利用效率，对服务科技创新、促进经济发展具有重要意义。
1. 地震专业知识服务系统设计模式及特点
基于融媒体技术的地震专业知识服务系统设计采用云服务+组织端+用户端的设计思路，为各类数据用户提供六大支撑能力，助力政府、社会公众和科研机构等各类组织建设能力强大、独具一格的地震专业知识服务系统平台。
1.1 设计模式
1.1.1 云服务
地震专业知识服务系统依托融媒体交互服务平台（图 1），通过私有云和公有云相互配合的模式，提供能够满足社会各类组织不同需求的地震专业知识服务。
1.1.2 组织端
组织端分为技术支撑、业务支撑和数据支撑。技术支撑为运用成熟稳定的技术平台确保系统安全高效的运行；业务支撑为结合地震业务特点，梳理组织流程，理清地震行业间、业务间关系，整合相关业务系统；数据支撑为通过地震数据采集分析系统平台实现不同渠道的信息资源整合管理及数据分析，提供专业的地震数据服务。
1.1.3 用户端
用户端分为交互支撑、运营支撑和服务支撑。交互支撑为设计符合用户体验的交互界面，让用户顺畅获取地震专业数据和服务更便捷；运营支撑为通过经验丰富的融媒体运营团队让地震专业知识融媒体平台提升价值和影响力；服务支撑为通过功能扩展和性能优化增加系统平台智能机器人的服务能力，让服务更加智能贴心，提升用户满意度。
1.2 系统特点
1.2.1 媒体融合渠道多元化
本系统将传统媒体与新媒体融合，可实现与现有地震信息系统资源共享，打破信息孤岛限制和束缚，为用户提供专业、统一的地震专业信息和服务。
1.2.2 管理集约化、扩展自由化
实现系统平台跨渠道多账号绑定，开展集群式监控和业务绩效考核，多部门间共享云服务和云资源，实现云平台共用共建；支持行业间各类服务系统集成，系统平台扩展性强，可实现信息和业务的整合对接；支持专业定制设计与开发，可建设符合自身需求和用户诉求的服务平台，助力地震行业信息服务向移动互联转型，提高服务能力。
1.2.3 交互多样化、服务人性化
自定义菜单、自动回复、独有的动态数据响应类型及贴合政府和企业实际需求的多种轻应用，让移动互联彻底改变工作方式和用户交流方式，提升用户参与度，帮助建立品牌认同感。便捷的消息管理、关键词自动回复能够显著减少用户等待响应的时间，提供准确的答案，服务导向的轻应用能够拓宽互动路径，使用户互动交流不仅限于一种方式。
2. 地震专业知识服务系统服务对象及内容
地震专业知识服务系统主要面向政府部门、社会科研院校机构、行业工作者等，秉承定制化服务理念，提供专题地震数据库和快速检索功能，为国家社会工程建设和高校研究等提供科学专业的地震数据支撑，是工程科技工作者提供科研、教育等地震专业知识服务的重要阵地。
地震专业知识服务系统内容涵盖海量科技文献和地震科学数据，拥有丰富的地震专业知识资源和完善的地震科学专业知识组织体系，可向受众提供70多万条地震科技文献和100多万地震科学数据，设置资源分类导航，按用户权限提供相应资源的全文下载。具体内容如下：
（1）地震科学专业知识资源。主要涉及期刊文献、硕博士论文、科技资料、地震速报、地震预警等数据。
（2）地震行业领域特色数据。主要涉及地震科普、地震前沿资讯、国外应急管理动态等数据。
（3）地震专业词表。通过领域核心词筛选，持续增加地震专业叙词量，丰富地震百科术语管理系统的知识管理功能。
此外，进行元数据汇交和数据资源权限设计，所有资源服务都支持“一站式”智能搜索引擎、分面筛选、知识发现等功能。
3. 地震专业知识服务系统功能及应用
地震专业知识服务系统注重结合地震行业领域的用户需求，加强地震专业知识资源关联分析和综合利用，对数据处理层进行优化，提升地震知识搜索、知识关联与聚类分析水平，支持跨领域信息一站式整合，涵盖地震专家学术圈、地震预警专题等特色应用，改进用户体验。
3.1 系统设计
高质量、高可用度的服务端，一方面可保证行业用户高效、稳定的使用平台完成数据资源各类服务请求，得到良好的体验，降低获取地震资源的成本；另一方面可适应地震数据资源需求形式随不同业务和科研需求变化的情况，易于维护平台的专业扩充业务（谢有顺等，2017）。Web Services是目前最适合实现SOA的技术集合，通过可编程接口将业务逻辑在互联网上发布为服务，服务可通过互联网以标准的协议来查找、订阅和调用，具有封闭性、松耦合性、协议规范性、高可集成性等特点。Web Services将不同的服务拼装在一起，以满足不同业务系统的需求，从而完成数据整合和系统互操作（蔡寅等，2014）。
系统架构按照分层思想进行设计，如图 2所示。架构中的各层次依据各部分在整个系统中的角色定位确定，重点考虑层内的高内聚性，层间的低耦合性，每层只着重本身的工作域，并向上一层提供资源或服务，单个层的变化只关系到其本身，而不会影响其他层次，保证系统的灵活性。
图 2 地震专业知识服务系统总体架构Figure 2. Overall framework of knowledge sharing platform for earthquake science（1）地震数据整合及加工：整合地震行业专有数据资源、其他领域相关数据资源，主要来自地震行业网站（CENC、CSI和CEA网站）。资源包括地震监测系统元数据、地震行业产品数据库和地震标准文献等。通过综合应用SOA、Web Service、异构数据库互联完成现有资源整合（包括文件系统、数据库和网页），以地震行业特色信息为核心，提高网络数据汇集宽度，开拓数据合作广度，建立地震科学专业知识服务系统。多模态地震数据经格式识别、索引生产、自动分词、排重过滤等多重加工流程生成平台数据资源，其中需要的过滤策略、周期设定及更新、数据格式、编码转换等处理均在此层完成。
（2）地震数据分析与组织：利用成熟的地震语义搜索技术进行定制开发，形成地震行业内智能化、集成化的数据资源分析平台，实现地震专业知识行业信息跟踪监测、抓取分类、聚类分析等自动化处理及机器学习、地震语义分析和地震知识图谱信息展示，所有功能输出均采用XML的方式进行，供特色资源与服务功能模块调用。
（3）专业资源与分享服务：提供地震基础知识库、数据资源产品库、标准知识库、行业专家库、国际应急管理动态库和地震科普知识库等，多维度体现地震领域的专有性、独特性。地震专业知识服务系统以网站和APP等多种服务形式向用户提供服务，用户通过访问门户网站使用相关特色应用与服务。同时，系统按照中国工程科技知识中心总平台的数据共享标准，建立与总平台数据共享机制。
（4）标准与规范：地震信息标准是数据交换与信息共享的基石，是实现数据互联互通、资源共建共享的关键，地震专业知识服务系统按照中国工程科技知识中心建设的相关标准规范进行开发设定。
（5）安全保障体系：地震科学专业知识服务系统的安全体系从物理安全、网络安全、系统安全到应用安全四个维度建设，实现非法用户屏蔽。数据包括用户认证与管理、权限管理、系统备份与恢复、访问日志管理、防病毒管理、网络安全管理、电源保护等部分。实现统一用户管理、统一认证、单点登录、分级授权，注重管理预防与技术防范相结合，确保系统和数据安全。对部分具有独立知识产权的数据资源通过开发数据控制访问接口，有效屏蔽存储与计算等基础物理设施。
3.2 系统功能
本系统是基于大数据的地震科学知识共享平台，功能覆盖面广，采用TRS产品和解决方案，具有成熟、稳定、强大的功能和友好的人机界面。系统采用B/S结构，简化了维护过程及客户端安装，用户只需打开IE浏览器输入地址即可访问。
地震专业知识服务系统是一个以地震领域为核心、提供专业知识服务的综合基础平台，以中国工程科技知识中心应用系统平台为依托，在传统信息服务字段检索的基础上，强调系统对知识内容的揭示、知识及成果的关联性构建，系统整体按照知识来源、知识组织与数据共享、知识服务的分层结构进行部署，具有体系科学、资源合理、技术先进、标准统一、性能可靠、服务多样等特点。地震专业知识服务系统功能规划设计架构如图 3所示。
图 3 地震专业知识服务系统功能规划设计架构图Figure 3. Functional planning and design framework for Seismology professional knowledge service system地震专业知识数据具有类型广、种类多、数据格式不一致以及年代长等特点，地震科学数据共享平台对这些分散的地震数据整合应用服务方面进行了有益的探索（袁媛等，2014）。通过整合地震行业专业数据文献、地震资料、地震科普资料、科技资源和地震目录等基础资源元数据，进一步开展地震数据加工，实现地震异构数据整合和元数据归一、加工、实体抽取，建立相关资源知识关联，形成地震科学专业知识标准加工处理流程（图 4），并对基础数据仓储。
为确保地震知识服务数据信息存取的速度和灵活性，采用体积小、速度快、成本低的MySQL数据库，其本身具有开源性、速度快和使用方便等优势，可以提高信息读取效率，更好地提高信息处理速度。基于该数据库特性设计了融媒体微信公众平台的数据服务路线技术方案（图 5）。
图 5 融媒体微信公众平台数据路线技术方案设计Figure 5. Technical scheme design of data route for wechat public platform of financial media根据政府行业和社会公众等需求，构建地震行业专业知识深度搜索、专家及机构知识能力评价、地图导航、资源分类挖掘等功能，实现地震专业知识挖掘等知识服务。
优化数据功能，在元数据整合、专业知识关联、数据聚类和可视化呈现等方面对系统功能进行改进和完善，提升地震专业知识搜索、数据关联与聚类分析水平，提供地震专家学术圈、地震预警专题等特色应用，支持跨领域地震信息融媒体服务一站式整合，改进用户体验。
3.3 应用实例
地震专业知识服务系统（图 6）的建设涉及技术标准与规范制定、地震数据资源整合、服务系统开发、网络环境搭建、数据维护更新及运行模式建立等。要发挥该系统功能，产生社会效益，既需完成一系列融媒体关键技术的研发，也必须制定科学合理的建设与运行机制、管理办法（邱儒琼等，2010）。
地震专业知识服务系统后台工作界面（图 7）采用可视化功能模块设计，可根据需要进行可视化操作，为信息管理、媒体库、社交媒体、工作流程管理等提供高效便捷的操作。
4. 结语
地震专业知识服务系统建设得益于融媒体平台的快速发展，使得地震行业在地震知识库、知识图谱、关联地震数据等关键技术方面取得了快速突破和发展。实际应用中，通过不断优化系统性能，整合地震业务知识体系，在科学规范的管理机制下，合理运用融媒体平台加强地震专业信息资源整合，促进地震科学知识共享，保障各行各业对地震数据知识的需要，全面提升地震科学知识融媒体平台公共服务能力和水平。
-
图 2 Xception神经网络模型识别建筑信息处理流程图
Figure 2. Xception neural network model recognition building information processing flow chart
图 3 冻结不同层参数实验结果
Figure 3. The experimental results of freezing different layer parameters
图 4 模型测算高度与真实高度的相关性和误差（北京市核心域区建筑）
Figure 4. The correlation and error between the model's measured height and the true height (Beijing's core urban area)
图 5 模型测算高度与真实高度的相关性和误差（1－9层）
Figure 5. The correlation and error of the model's measured height and the true height (1－9 layers)
图 6 模型测算高度与真实高度的相关性和误差（10层及以上）
Figure 6. The correlation and error of the model's measured height and the true height (above 10 layers)
表 1 冻结不同卷积层参数计算结果
Table 1. The experimental results of freezing different layer parameters
冻结层数 每次迭代时间/s 测试集误差 测试准确度 测试误差变化趋势 冻结全部卷积层参数 37 网络发散 — — 冻结前四层卷积层参数 36 0.4400 0.8342 在40次迭代后趋于稳定 冻结前三层卷积层参数 37 0.4189 0.8459 在60次迭代后趋于稳定 
下载: 导出CSV
-
杜浩国, 张方浩, 邓树荣等, 2018. 震后极灾区无人机最优航拍区域选择. 地震研究, 41(2): 209-215. doi: 10.3969/j.issn.1000-0666.2018.02.008 李金香, 赵朔, 金花等, 2019. 结合纹理和形态学特征的高分遥感影像建筑物震害信息提取. 地震学报, 41(5): 658-670. https://www.cnki.com.cn/Article/CJFDTOTAL-DZXB201905008.htm 李强, 张景发, 2016. 不同特征融合的震后损毁建筑物识别研究. 地震研究, 39(3): 486-493. doi: 10.3969/j.issn.1000-0666.2016.03.018 夏浩铭, 罗金辉, 雷利元等, 2012. 辅以纹理和BP神经网络的TM遥感影像分类. 地理空间信息, 10(1): 33-36. doi: 10.3969/j.issn.1672-4623.2012.01.012 Bengio Y., Simard P., Frasconi P., 1994. Learning long-term dependencies with gradient descent is difficult. IEEE Transactions on Neural Networks, 5(2): 157-166. doi: 10.1109/72.279181 Bengio Y., Delalleau O., Le Roux N., 2005. The curse of highly variable functions for local kernel machines. In: Proceedings of the 18th International Conference on Neural Information Processing Systems. Vancouver, British Columbia: MIT Press, 107-114. Choi J., Yoo Y. J., Choi J. Y., 2010. Adaptive shadow estimator for removing shadow of moving object. Computer Vision and Image Understanding, 114(9): 1017-1029. doi: 10.1016/j.cviu.2010.06.003 Ciodaro T., Deva D., de Seixas J. M., et al., 2012. Online particle detection with neural networks based on topological calorimetry information. Journal of Physics: Conference Series, 368(1): 012030. http://iopscience.iop.org/1742-6596/368/1/012030?rel=ref&relno=6 Farabet C., Couprie C., Najman L., et al., 2013. Learning hierarchical features for scene labeling. IEEE Transactions on Pattern Analysis and Machine Intelligence, 35(8): 1915-1929. doi: 10.1109/TPAMI.2012.231 Helmstaedter M., Briggman K. L., Turaga S. C., et al., 2013. Connectomic reconstruction of the inner plexiform layer in the mouse retina. Nature, 500(7461): 168-174. doi: 10.1038/nature12346 Hinton G., Deng L., Yu D., et al., 2012. Deep neural networks for acoustic modeling in speech recognition: the shared views of four research groups. IEEE Signal Processing Magazine, 29(6): 82-97. doi: 10.1109/MSP.2012.2205597 Jiang C. X., Ward M. O., 1994. Shadow segmentation and classification in a constrained environment. CVGIP: Image Understanding, 59(2): 213-225. doi: 10.1006/ciun.1994.1014 Krizhevsky A., Sutskever I., Hinton G. E., 2012. ImageNet classification with deep convolutional neural networks. In: Proceedings of the 25th International Conference on Neural Information Processing Systems - Volume 1. Lake Tahoe, Nevada: Curran Associates Inc. Le Cun Y., Boser B., Denker J. S., et al., 1990. Handwritten digit recognition with a back-propagation network. In: Touretzky D. S., ed., Advances in Neural Information Processing Systems 2. San Francisco CA: Morgan Kaufmann Publishers Inc., 396-404. Ma J. S., Sheridan R. P., Liaw A., et al., 2015. Deep neural nets as a method for quantitative structure-activity relationships. Journal of Chemical Information and Modeling, 55(2): 263-274. doi: 10.1021/ci500747n Mikolov T., Deoras A., Povey D., et al., 2011. Strategies for training large scale neural network language models. In: Proceedings of 2011 IEEE Workshop on Automatic Speech Recognition & Understanding. Waikoloa: IEEE, 196-201. Sainath T. N., Mohamed A. R., Kingsbury B., et al., 2013. Deep convolutional neural networks for LVCSR. In: Proceedings of 2013 IEEE International Conference on Acoustics, Speech and Signal Processing. Vancouver, BC: IEEE, 8614-8618. Szegedy C., Liu W., Jia Y. Q., et al., 2014. Going deeper with convolutions. In: Proceedings of 2015 IEEE Conference on Computer Vision and Pattern Recognition. Boston, MA: IEEE. Tompson J., Jain A., LeCun Y., et al., 2014. Joint training of a convolutional network and a graphical model for human pose estimation. In: Proceedings of the 27th International Conference on Neural Information Processing Systems - Volume 1. Montreal, Canada: MIT Press, 1799-1807. 期刊类型引用(2)
1. 刘佳，边俊伊，沈胜男. 基于事件本体的地震知识库构建研究. 图书情报工作. 2024(12): 18-30 . 
百度学术2. 王丽莉，达瓦桑布. 基于融媒体的设计理念与应用探究. 明日风尚. 2023(24): 122-124 . 百度学术其他类型引用(0)
-
下载:
点击查看大图
计量
- 文章访问数: 117
- HTML全文浏览量: 56
- PDF下载量: 7
- 被引次数: 2
