Application of Building Spatial Distribution Method Based on Remote Sensing Image in Earthquake Disaster Loss Pre-assessment
-
摘要: 房屋建筑数据是地震重点危险区预评估工作的基础，需基于获取到的房屋建筑信息开展人员伤亡、经济损失、救援物资需求等预评估工作。历年地震重点危险区预评估工作能够通过现场调查得到的房屋建筑信息占比极小，仅能进行抽样调查。因此，为批量完成危险区内全部房屋建筑损失估算，需基于遥感影像获取房屋建筑矢量数据，并建立数据库。为实现全国地震重点危险区预评估工作中大批量建筑物矢量化数据的快速获取，本文采用基于遥感影像的建筑物空间分布数据批量获取方法，得到地震重点危险区内建筑物空间矢量数据，结合现场抽样调查得到的建筑物属性信息，建立地震重点危险区建筑物空间分布数据库，进而为地震重点危险区灾害损失预评估工作提供数据基础。本文采用的方法可广泛应用于地震重点危险区房屋建筑信息获取工作中，可提高工作效率，降低工作成本，提升预评估工作的科学性和准确性。Abstract: Building data is the basis of pre-assessment of key earthquake risk areas. Based on the obtained building information, pre-assessment of casualties, economic losses and relief material needs can be carried out. In the pre-assessment of key earthquake risk areas over the years, the proportion of building information obtained through field investigation is very small, so it can only be sampled. Therefore, in order to estimate the loss of all buildings in the dangerous area in batches, the best way is to obtain the vector data of buildings based on remote sensing images and establish a database. In order to achieve the rapid acquisition of large quantities of building vector data in the pre-assessment of key seismic risk areas in China, this paper proposes a method of building spatial distribution data batch acquisition based on remote sensing images, and then obtains the building spatial vector data in the key seismic risk areas, combined with the building attribute information obtained from the field sampling survey, The spatial distribution database of buildings in key seismic risk areas is established to provide data basis for disaster loss pre assessment in key seismic risk areas. The method proposed in this paper can be widely used in the acquisition of building information in key seismic risk areas in the future, which can not only improve the work efficiency, but also reduce the cost, and improve the scientificity and accuracy of pre-assessment.
-
Key words:
- Key seismic risk area /
- Pre assessment /
- Remote sensing image /
- Building /
- Spatial distribution
-
引言
我国是地震活动频繁且震害严重的国家，频繁的地震灾害严重威胁着人民的生命和财产安全。据统计，2007—2019年，我国共发生5级以上地震481次，地震主要集中在云南、四川、青海、新疆、西藏、甘肃等省份。自2015年起，中国地震局连续7年组织专家和年度地震重点危险区涉及的各省局单位开展预评估工作。地震发生前对可能遭受地震灾害损失的重点区域或行政区，通过技术系统开展设定地震（烈度）灾害损失的计算评估工作，并通过对目标地区调查点地形、交通、建筑、次生灾害和其他可能导致震后伤亡的因素进行实地调查，实现评估结果动态修正，提出有针对性的地震应急处置要点与对策建议。通过预评估工作使地方政府了解本辖区地震灾害风险和可能造成的灾害损失，有针对性地提升地震应急准备能力，为震后地方政府应急处置决策提供技术支撑。近年来的预评估结果在应对康定、阿拉善左旗、皮山、阿克陶、呼图壁、九寨沟、精河、墨江、长宁地震等多次地震中发挥了重要参考作用，有效提高了震后快速评估准确性和辅助决策的科学性，同时为地震重点危险区地方政府及时发现地震风险、加强应急准备工作提供了科学指导，有效提升了地震重点危险区综合防御能力。
地震重点危险区灾害损失预评估工作中最核心的内容是建筑物属性的获取，包括建筑物数量、结构类型、建筑面积、建筑年代等，在历年地震重点危险区灾害损失预评估工作中，主要通过现场抽样调查的方式获取以上信息，并结合人口普查数据、历史地震建筑物易损性矩阵等进行人员伤亡和直接经济损失等的预评估。由于每年的地震灾害损失预评估现场抽样调查时间很短，通常为10 d左右，且跨越的地理范围很广，实际调查时间非常有限，因此进行地震重点危险区整体预评估时，主要依靠的建筑物数据为第六次人口普查数据和各省级地震局近年来收集、整理的数据。随着遥感GIS技术的飞速发展，开展基于遥感与GIS技术的建筑物空间分布格网化方法研究具有重要现实意义，可弥补传统地震风险评估数据库及地震应急数据库中基础数据现势性差的不足（杨海霞，2015）。近年来，建筑物空间分布格网化方法主要有均匀分布法（徐国栋等，2011）、现场调查法（石玉成等，2013）、直接提取法（邓宏宇等，2013）、间接推算法（Sridharan等，2013）等。本文通过文献调研，对建筑物数据空间分布格网化方法进行分析总结，采用基于遥感影像的建筑物空间分布数据批量获取方法，通过遥感影像获取地震重点危险区内建筑物空间矢量数据，结合现场抽样调查得到的建筑物属性信息，建立地震重点危险区建筑物空间分布数据库，进而为地震重点危险区灾害损失预评估工作提供数据基础，提升预评估工作的科学性和准确性。技术流程如图1所示。
1. 基于高分遥感影像的建筑物矢量化处理
1.1 研究思路与技术方法
遥感影像较易获得基础地理信息数据，通过对遥感影像的分析、分离与提取，能够较全面地得到全国地物分布信息，对于开展全国地震重点危险区的预评估工作具有重要的辅助支撑作用。遥感影像中包含的地物信息种类较多，包括建筑、道路、桥梁、河流、湖泊、农田、人、车辆等，进行地震重点危险区灾害损失预评估时最重要的信息是建筑物，建筑物也是地震中造成人员伤亡和直接经济损失的最主要承灾体。基于遥感影像空间及影像光谱特征，从高分辨率全色或多光谱数据中提取建筑物所需的信息，将建筑物从众多的遥感影像信息中分类出来，并实现矢量化是本研究的核心目标。
国内外已有多位学者开展了基于遥感影像的建筑物提取和格网化研究，并取得一定成果，如罗磊等（2018）针对传统格网化方法存在计算误差较大、计算效率较低等问题，提出了基于GIS的震后修复建筑物空间分布格网化方法；杨海霞等（2015）提出了基于遥感和GIS的多源数据多因子建筑物空间分布格网化方法，用于提高地震风险评估和震后快速损失评估的准确性；熊俊楠等（2013）、魏本勇等（2017）和周中红等（2019）基于矢量化的网格数据开展了相关研究，提升了研究结果的科学性和准确性。考虑到地震重点危险区范围较大，各地区影响差异较大，对全国范围内的地震重点危险区建筑物进行矢量化提取工作仍存在一定难度。本文在借鉴前人研究成果的基础上，利用高分辨率的全色和多光谱数据的空间、纹理、光谱信息等特征对遥感影像进行分割和分类，通过ENVI实现高精度的分类结果和矢量输出。地震重点危险区建筑物遥感影像矢量化流程如图2所示。
图 2 地震重点危险区建筑物遥感影像矢量化流程Figure 2. Vectorization process of building remote sensing image in key seismic risk areas1.2 数据源
本文通过ENVI对地震重点危险区遥感影像进行面向对象的信息提取，采用Google无偏移遥感影像，影像清晰度级别主要为16～19级，像素分辨率为1.93～0.96 m。山区、高原地区多选用16、17级像素分辨率的遥感影像，平原地区选用18、19级像素分辨率的遥感影像。以山西省临汾市为例，16、17级影像存储空间理论值分别为25.59 GB、102.35 GB（图3），而分辨率最高的19、20级影像存储空间均达到了TB级别，影像在分类处理过程中还会产生大量的临时文件，占用数倍的计算机磁盘空间。因此，本文选取的遥感影像数据像素分辨率虽未达到最佳，会对处理结果产生影响，但适用于批量化、自动化的遥感影像矢量化处理工作。
图 3 山西省临汾市遥感影像分辨率及存储空间Figure 3. Remote sensing image resolution and storage space of Linfen city, Shanxi province1.3 不同类别遥感影像数据的分割与合并
基于ENVI软件，根据地震重点危险区遥感影像中的临近像素亮度、纹理、颜色等特征信息首先对遥感影像进行分割，使用基于边缘的分割算法，仅需1个输入参数可产生多尺度分割结果。通过不同尺度上边界的差异控制，从而产生从细到粗的多尺度分割。
分割效果在一定程度上决定了分类效果的精确度，通过软件总的preview功能预览分割效果，选择理想的分割阈值，尽可能好地分割出边缘特征。基于边缘检测时，需结合合并算法达到最佳效果；基于亮度时，适用于微小梯度变化，无须合并算法即可达到较好的效果。本文选用的阈值为40～60。
影像分割时，如果阈值过低，部分特征会被错分，1个特征也可能被分成很多部分。因此，需通过合并功能进行修正。合并算法包括：①合并存在于大块、纹理性较强的区域，在结合光谱和空间信息的基础上迭代合并邻近的小斑块；②合并具有类似颜色和边界大小相邻节段。本文选用的阈值为80～95，多使用90。
1.4 建筑物空间数据特征提取
造成影像信息提取错分的地物包括道路、森林、草地、房屋旁边的水泥地等，通过ENVI软件，按照建筑物特征将其从其他地物影像中提取出来。
（1）划分植被覆盖区和非覆盖区
主要包含3种类别归属算法，分别为二进制、线性和二次多项式算法。选择二进制算法时，权重为0或1，对应完全不匹配和完全匹配；选择线性和二次多项式算法时，可通过Tolerance设置匹配程度，值越大，其他分割块归属这一类的可能性越大。
（2）剔除道路干扰
房屋建筑和道路遥感影像的最大区别在于房屋建筑近似矩形，可通过设置Rectangular fit属性剔除道路的干扰。需配置的规则包含以下几类：① Rectangular fit，设置值的范围为0.5～1，其他参数为默认值；② Area，设置值的范围为>45；③ Elongation，设置值的范围为<3。
（3）第3条属性描述，剔除水泥地干扰
水泥地反射率较高，居住房屋反射率较低，因此设置波段的象元值，Type为spectral，Name为Spectral Mean，Band为GREEN，Spectral Mean（GREEN）<650。
点击All Classes，最终的rule预览如图4所示。
（4）剔除水泥地干扰
水泥地反射率较高，居住房屋反射率较低，设置波段的象元值，配置规则为Spectral Mean（GREEN）<650。
根据以上规则完成建筑物遥感影像特征提取后，实现矢量化数据的输出，得到每栋房屋建筑轮廓矢量数据。图5～7所示为本文提取的建筑物矢量分布数据样图。
2. 建筑物空间分布格网化方法和数据库建设
近年来，随着地震灾害损失评估技术的改进和升级，建筑物格网数据已成为目前开展人员伤亡、经济损失评估工作的主要依据。建立建筑物格网矢量数据能够将地震重点危险区划分为多个指定大小的公里网格，为每个网格赋予各类数据的属性值，实现新的数据空间地理分布结果，并完成数据的建设。这样的数据库更接近真实的地理要素实际分布情况，避免基于行政区划为单元的评估方式对行政区内部地理要素分布均一化分配而造成的误差，从而提高预评估结果的精确度。
基于获取的房屋建筑矢量数据，首先使用Arcmap进行背景蒙版数据删除和数据缺失检查，应用Oracle和SDE进行空间数据存储，通过C#和Arcobject进行格网绘制和建筑物所属格网和区县计算，计算结果保存为SQL文件，通过Oracle客户端快速执行，在Oracle中进行分组计算，并将各格网和区县包含的建筑物面积和栋数进行汇总并存入图层中，进而完成建筑物矢量化数据的格网分布，建立建筑物矢量数据格网化分类数据库。
2.1 数据处理流程
由于数据量较大，需对各省份数据进行单独处理，同时需利用格网数据和区县数据进行计算和处理，流程如图8所示。
（1）绘制格网，按5 km×5 km的规格绘制覆盖全中国的网格；
（2）选择需要处理的数据，将已有shp数据导入临时创建的文件数据库中；
（3）导入完成后打开数据，将数据制作中产生的蒙版数据进行删除；
（4）将数据导入建立好的空图层中，单个市数据导入完成后，将数据库中的省编码为空的数据赋予省编码，同时给省名称、市编码、市名称进行赋值，并为建筑赋予唯一ID值；
（5）省份数据全部导入完成后，与格网进行叠加计算，将建筑物所属格网信息写入SQL文件进行保存；
（6）与区县数据进行叠加计算，将建筑物所属区县信息写入SQL文件进行保存；
（7）执行SQL文件，将相关信息入库；
（8）按格网、区县进行汇总计算，得到格网和区县内的建筑物数量（栋数）和占地面积，将汇总信息入库；
（9）汇总完成后将库中的建筑物数据导出为单个的文件数据库进行保存，选择下一个省完成步骤（2）～（8）；
（10）所有数据完成后根据汇总情况对格网和区县数据进行配图展示。
2.2 格网绘制
由于需处理的数据量较大，采用5 km×5 km规格进行格网绘制，按照中国空间范围从左上角开始由上至下绘制，当一列绘制完成后，及时保存，然后绘制下一列。当格网覆盖中国全部范围后，结束绘制。格网数据表结构如表1所示。
表 1 格网数据表结构Table 1. Grid data table structure字段名 中文名 字段类型 字段长度 是否可空 OBJECTID 要素ID Integer 14 否 GRIDID 网格ID VarChar 14 否 BUILDNUM 建筑物数量 Number 20 是 EARTHAREA 建筑物占地面积 Number 10 是 BUILDAREA 建筑物面积 Number 10 是 2.3 数据入库
建筑物数据来源于遥感影像提取，为shape数据格式，数据量大，还有蒙版等中间数据，数据清理过程易出错，导致数据损坏，先将shape数据导入文件数据库，然后进行处理，可避免数据删除过程中造成数据损坏的问题。
建筑物数据需进行规范化处理，补充录入相关信息，入库后使用SQL语句赋予省、市编码和名称。赋值完成后按照省编码+000000+objectid的方式赋予建筑物唯一的建筑ID（表2）。
表 2 建筑物数据表结构Table 2. Buildings data table structure字段名 中文名 字段类型 字段长度 是否可空 OBJECTID 要素ID Integer 14 否 COUNTYID 区县ID VarChar 14 否 COUNTYNAME 区县名称 VarChar 40 是 CITYNAME 市名称 VarChar 40 是 PROVINCENAME 省名称 VarChar 40 是 BUILDID 建筑ID VarChar 14 是 GRIDID 网格ID VarChar 14 是 2.4 数据计算
按照格网和区县对建筑物所处位置进行计算，将建筑物所处网格和区县信息写入建筑物数据表中，遍历格网时先按数据所在省找到该区域内的网格，然后再按网格查找建筑物，建筑物和网格的关联信息写成SQL文件，利用数据库工具批量快速执行。
2.5 数据汇总
当一个省或直辖市的数据入库并计算完成后，以格网和区县为统计单位，进行建筑物数量和面积汇总，将汇总数据存储到格网和区县数据表中，如表3所示。
表 3 区县建筑数据表结构Table 3. District and county building data table structure字段名称 字段描述 字段类型 字段长度 OBJECTID 唯一标识符 Number 14 PROVINCE 省编码 nvarchar 14 XZQMC 区县行政区名称 nvarchar 40 XZQEMC 行政区名称拼音 nvarchar 40 FULLNAME 全名 nvarchar 40 CITY 市代码 nvarchar 10 CITYNAME 市名称 nvarchar 10 XZQDM 区县行政区代码 nvarchar 14 EARTHAREA 占地面积 Number 10 BUILDAREA 建筑面积 Number 10 BUILDNUM 建筑物数量 nvarchar 10 2.6 建筑物矢量数据格网化分类处理结果
山西省是我国历史地震相对较多的省份之一，也是历年地震重点危险区涵盖广泛的省份之一。以山西省为例，通过ENVI对该区域的遥感影像进行建筑物矢量化提取，并完成数据格网化分类处理，建立数据库，如图9～11所示。
图 9 山西省建筑物数量格网分布Figure 9. Distribution map of building quantity grid in Shanxi province
图 10 山西省建筑物格网数据统计Figure 10. Statistical table of building grid data in Shanxi province
图 11 山西省建筑物数量格网局部分布Figure 11. Local distribution map of building quantity grid in Shanxi provinc3. 建筑物矢量数据属性信息获取与应用
3.1 建筑物矢量数据属性信息获取
地震重点危险区灾害损失预评估工作中最重要的数据是建筑物，这是开展预评估工作的基础，而建筑物数据中最主要的属性信息是房屋结构类型和建筑面积，其中建筑面积主要通过房屋占地面积和层数计算获得。建筑物结构类型比例、层数等属性信息通常通过在地震重点危险区内抽样调查或当地相关部门上报获得。以山西省临汾市和晋中市为例，笔者曾对该区域进行现场实地调查，通过抽样调查的方式获取临汾市尧都区和晋中市榆次区房屋建筑主要结构类型比例和层数比例，如表4、5所示。通过前文获取的建筑物矢量数据得到房屋建筑占地面积，叠加不同地震重点危险区现场调查得到的建筑物结构类型比例和平均层数，计算得到各结构类型房屋建筑面积。
表 4 山西省临汾市尧都区和晋中市榆次区建筑物结构类型比例（单位：%）Table 4. Proportion table of building structure types in Yaodu district of Linfen city and Yuci district of Jinzhong city, Shanxi province（Unit：%）
地区结构类型 砌体结构 钢混结构 钢结构 单层民宅 单层厂房 临汾市尧都区 70.67 5.48 0.22 21.08 2.54 晋中市榆次区 57.47 5.53 1.75 31.28 3.97 表 5 山西省临汾市尧都区和晋中市榆次区建筑物层数比例（单位：%）Table 5. Proportion table of building floors in Yaodu district of Linfen city and Yuci district of Jinzhong city, Shanxi province（Unit：%）
地区层数 10层及以上 7～9层 3～6层 1～2层 临汾市尧都区 0.88 0.39 14.93 83.73 晋中市榆次区 1.42 0.35 16.37 81.86 3.2 建筑物格网数据在地震重点危险区灾害损失预评估中的应用
（1）通过前文所述方法，基于遥感影像获取建筑物空间分布格网数据，并建立数据库；
（2）应用Arcmap调用建筑物格网数据库中建筑物矢量数据，并叠加地震重点危险区矢量化范围图层；
（3）根据地震重点危险区现场调查情况，以县为单位分别给出不同建筑结构类型的房屋比例和平均高度。结合建筑物矢量化格网数据计算每个格网内不同结构类型房屋建筑面积，为地震重点危险区内的矢量化建筑物数据分配属性信息；
（4）综合历史震害矩阵和经过现场实地调研后修正的建筑物易损性矩阵，采用设定地震的方式完成人员伤亡、经济损失等的估算，进而实现地震重点危险区内的灾害损失预评估。
3.3 实际应用
以2020年山西省地震重点危险区中的浑源县为例，应用前文所述方法，基于遥感影像完成建筑物矢量化数据的提取与格网化分类处理，并建立数据库。通过现场实地调研获取建筑物结构类型比例，分配到格网化矢量数据中，应用矢量数据完成人员伤亡、经济损失等预评估工作。
浑源县县域总面积1 968 km2，总人口35.6万，其中城镇人口12万，农村人口23.6万，房屋总面积约836万m2。首先基于遥感影像获取建筑物矢量数据，如图12所示。经实地走访抽样调查，获取浑源县各类房屋建筑结构比例，如表6所示。浑源县恒山小镇现场调查时的建筑物实际情况如图13、14所示。
图 12 山西省浑源县恒山小镇建筑物矢量数据与遥感影像对比Figure 12. Comparison of building vector data and remote sensing images in Hengshan town, Hunyuan county, Shanxi province表 6 山西省浑源县建筑物结构类型比例（单位：%）Table 6. Proportion table of building structure types in Hunyuan county of Shanxi province（Unit：%）城镇地区 农村地区 结构类型 占比 结构类型 占比 砖混结构 77.16 砖混结构 7.60 砖木结构 3.20 砖木结构 72.30 土木结构 0.49 土木结构 11.20 土石结构 0 土石结构 8.90 钢混结构 18.66 钢混结构 0 钢结构 0.49 钢结构 0 木结构 0 木结构 0 其他结构 0 其他结构 0 根据遥感影像获取、建筑物矢量化提取、数据库建立、地面现场抽样调查可得到山西省地震重点危险区内涉及的各县市建筑物数据信息，进而完成预评估的计算。本文选定山西省浑源县永安镇（39.7°N，113.71°E）为震中位置，分别设定5.5、6.0、6.5级地震，得到预评估结果，如表7所示。
表 7 设定地震预评估结果Table 7. Table of pre-evaluation results震级 灾区面积/km2 灾区人口/万人 灾区GDP/亿元 预评估结果 死亡人数/人 受伤人数/人 需紧急安置人数/人 需紧急救援力量/人 需帐篷数/顶 5.5 1 096 36 17 0～20 10～80 14 600～16 600 2 000～2 200 2 500～2 700 6.0 4 723 88 36 5～60 50～200 39 800～41 800 5 200～5 400 6 700～6 900 6.5 14 956 261 160 15～100 600～2 000 97 400～99 400 14 600～16 600 15 400～17 400 4. 结论
本文采用基于遥感影像实现建筑物空间分布数据批量获取的方法，得到地震重点危险区内建筑物空间矢量数据，结合现场抽样调查得到的建筑物属性信息，建立相应的地震重点危险区建筑物空间分布数据库，并将此方法应用于山西省地震重点危险区灾害损失预评估工作中，从而完成人员伤亡、经济损失、救援力量等结果的预评估。研究结果表明，该方法可提高工作效率，降低工作成本，提升预评估工作的科学性和准确性，可在未来地震重点危险区灾害损失预评估中推广使用。此外，本文所述方法也有不足之处，如在山区遥感影像中提取的建筑物效果不及平原地区，需在后续的工作中进一步提高和改进。
-
图 2 地震重点危险区建筑物遥感影像矢量化流程
Figure 2. Vectorization process of building remote sensing image in key seismic risk areas
图 3 山西省临汾市遥感影像分辨率及存储空间
Figure 3. Remote sensing image resolution and storage space of Linfen city, Shanxi province
图 9 山西省建筑物数量格网分布
Figure 9. Distribution map of building quantity grid in Shanxi province
图 10 山西省建筑物格网数据统计
Figure 10. Statistical table of building grid data in Shanxi province
图 11 山西省建筑物数量格网局部分布
Figure 11. Local distribution map of building quantity grid in Shanxi provinc
图 12 山西省浑源县恒山小镇建筑物矢量数据与遥感影像对比
Figure 12. Comparison of building vector data and remote sensing images in Hengshan town, Hunyuan county, Shanxi province
表 1 格网数据表结构
Table 1. Grid data table structure
字段名 中文名 字段类型 字段长度 是否可空 OBJECTID 要素ID Integer 14 否 GRIDID 网格ID VarChar 14 否 BUILDNUM 建筑物数量 Number 20 是 EARTHAREA 建筑物占地面积 Number 10 是 BUILDAREA 建筑物面积 Number 10 是 
下载: 导出CSV
表 2 建筑物数据表结构
Table 2. Buildings data table structure
字段名 中文名 字段类型 字段长度 是否可空 OBJECTID 要素ID Integer 14 否 COUNTYID 区县ID VarChar 14 否 COUNTYNAME 区县名称 VarChar 40 是 CITYNAME 市名称 VarChar 40 是 PROVINCENAME 省名称 VarChar 40 是 BUILDID 建筑ID VarChar 14 是 GRIDID 网格ID VarChar 14 是
下载: 导出CSV
表 3 区县建筑数据表结构
Table 3. District and county building data table structure
字段名称 字段描述 字段类型 字段长度 OBJECTID 唯一标识符 Number 14 PROVINCE 省编码 nvarchar 14 XZQMC 区县行政区名称 nvarchar 40 XZQEMC 行政区名称拼音 nvarchar 40 FULLNAME 全名 nvarchar 40 CITY 市代码 nvarchar 10 CITYNAME 市名称 nvarchar 10 XZQDM 区县行政区代码 nvarchar 14 EARTHAREA 占地面积 Number 10 BUILDAREA 建筑面积 Number 10 BUILDNUM 建筑物数量 nvarchar 10
下载: 导出CSV
表 4 山西省临汾市尧都区和晋中市榆次区建筑物结构类型比例（单位：%）
Table 4. Proportion table of building structure types in Yaodu district of Linfen city and Yuci district of Jinzhong city, Shanxi province（Unit：%）
地区结构类型 砌体结构 钢混结构 钢结构 单层民宅 单层厂房 临汾市尧都区 70.67 5.48 0.22 21.08 2.54 晋中市榆次区 57.47 5.53 1.75 31.28 3.97
下载: 导出CSV
表 5 山西省临汾市尧都区和晋中市榆次区建筑物层数比例（单位：%）
Table 5. Proportion table of building floors in Yaodu district of Linfen city and Yuci district of Jinzhong city, Shanxi province（Unit：%）
地区层数 10层及以上 7～9层 3～6层 1～2层 临汾市尧都区 0.88 0.39 14.93 83.73 晋中市榆次区 1.42 0.35 16.37 81.86
下载: 导出CSV
表 6 山西省浑源县建筑物结构类型比例（单位：%）
Table 6. Proportion table of building structure types in Hunyuan county of Shanxi province（Unit：%）
城镇地区 农村地区 结构类型 占比 结构类型 占比 砖混结构 77.16 砖混结构 7.60 砖木结构 3.20 砖木结构 72.30 土木结构 0.49 土木结构 11.20 土石结构 0 土石结构 8.90 钢混结构 18.66 钢混结构 0 钢结构 0.49 钢结构 0 木结构 0 木结构 0 其他结构 0 其他结构 0
下载: 导出CSV
表 7 设定地震预评估结果
Table 7. Table of pre-evaluation results
震级 灾区面积/km2 灾区人口/万人 灾区GDP/亿元 预评估结果 死亡人数/人 受伤人数/人 需紧急安置人数/人 需紧急救援力量/人 需帐篷数/顶 5.5 1 096 36 17 0～20 10～80 14 600～16 600 2 000～2 200 2 500～2 700 6.0 4 723 88 36 5～60 50～200 39 800～41 800 5 200～5 400 6 700～6 900 6.5 14 956 261 160 15～100 600～2 000 97 400～99 400 14 600～16 600 15 400～17 400
下载: 导出CSV
-
[1] 邓宏宇, 孙柏涛, Dong W. M., 2013. 遥感技术在地震应急基础数据库建设中的应用. 地震工程与工程振动, 33(3): 81—87.Deng H. Y., Sun B. T., Dong W. M., 2013. The application of remote sensing technology in the construction of earthquake emergency foundational database. Journal of Earthquake Engineering and Engineering Vibration, 33(3): 81—87. (in Chinese) [2] 罗磊, 汪斌, 2018. 基于GIS的震后修复建筑物空间分布格网化方法研究. 地震工程学报, 40(6): 1362—1365. doi: 10.3969/j.issn.1000-0844.2018.06.1362Luo L., Wang B., 2018. GIS-based gridding method for spatial distribution of post-earthquake repaired buildings. China Earthquake Engineering Journal, 40(6): 1362—1365. (in Chinese) doi: 10.3969/j.issn.1000-0844.2018.06.1362 [3] 石玉成, 高晓明, 谭明等, 2013. 2013年岷县漳县6.6级地震灾害损失评估. 地震工程学报, 35(4): 717—723. doi: 10.3969/j.issn.1000-0844.2013.04.0717Shi Y. C., Gao X. M., Tan M., et al., 2013. Disaster loss assessment of the Minxian-Zhangxian MS6.6 Earthquake, 2013. China Earthquake Engineering Journal, 35(4): 717—723. (in Chinese) doi: 10.3969/j.issn.1000-0844.2013.04.0717 [4] 魏本勇, 聂高众, 苏桂武等, 2017. 基于公里格网的地震人员埋压风险评估——以云南昭通市为例. 见: 2017中国地球科学联合学术年会论文集. 北京: 中国地球物理学会, 1938—1940. [5] 熊俊楠, 韦方强, 苏鹏程等, 2013. 基于多源数据的四川省GDP公里格网化研究. 应用基础与工程科学学报, 21(2): 317—327. doi: 10.3969/j.issn.1005-0930.2013.02.013Xiong J. N., Wei F. Q., Su P. C., et al., 2013. Research on GDP Spatialization approach of Sichuan province supported by multi-source data. Journal of Basic Science and Engineering, 21(2): 317—327. (in Chinese) doi: 10.3969/j.issn.1005-0930.2013.02.013 [6] 徐国栋, 袁艺, 方伟华等, 2011. 玉树7.1级地震震后损失快速评估. 地震工程与工程振动, 31(1): 114—123.Xu G. D., Yuan Y., Fang W. H., et al., 2011. Fast loss assessment of M7.1 Yushu earthquake. Journal of Earthquake Engineering and Engineering Vibration, 31(1): 114—123. (in Chinese) [7] 杨海霞, 2015. 建筑物空间分布格网化方法研究. 北京: 中国地震局地震预测研究所.Yang H. X., 2015. Research on gridding method of buildings’ spatial distribution. Beijing: Institute of Earthquake Science, China Earthquake Administration. (in Chinese) [8] 杨海霞, 王晓青, 窦爱霞等, 2015. 基于RS和GIS的建筑物空间分布格网化方法研究. 地震, 35(3): 136—146. doi: 10.3969/j.issn.1000-3274.2015.03.014Yang H. X., Wang X. Q., Dou A. X., et al., 2015. Multi-source and Multi-factor gridding method of building distribution based on RS and GIS. Earthquake, 35(3): 136—146. (in Chinese) doi: 10.3969/j.issn.1000-3274.2015.03.014 [9] 周中红, 陈文凯, 何少林等, 2019. 基于人口公里格网的地震压埋人员分布评估方法的应用与评价——以甘肃岷县漳县6.6级地震为例. 地震研究, 42(2): 288—294. doi: 10.3969/j.issn.1000-0666.2019.02.018Zhou Z. H., Chen W. K., He S. L., et al., 2019. Application and evaluation on a evaluating method for distribution of earthquake buried personnel based on population kilometer grid: taking Minxian-Zhangxian M6.6 earthquake as an example. Journal of Seismological Research, 42(2): 288—294. (in Chinese) doi: 10.3969/j.issn.1000-0666.2019.02.018 [10] Sridharan H., Qiu F., 2013. A spatially disaggregated areal interpolation model using light detection and ranging-derived building volumes. Geographical Analysis, 45(3): 238—258. doi: 10.1111/gean.12010 期刊类型引用(6)
1. 张萍，李必军，李垠，张亦梅，特木其勒，刘可，李治君. 面向震后快速灾害评估的遥感影像房屋数据空间化构建方法. 测绘通报. 2024(02): 69-73 . 
百度学术2. 罗嘉琦，帅向华，李继赓. 基于深度学习的倾斜摄影建筑物表面损毁信息提取. 中国地震. 2023(02): 271-281 . 百度学术3. 张树君，朱耿青，郑超，郑韵，林岩钊，王辉山. 遥感技术在房屋抗震设防能力初判中的应用探析. 地理空间信息. 2023(08): 118-121 . 百度学术4. 赵杰，王跃杰，程紫燕，王飞剑，郑树平. 基于遥感影像和经验估计初判山西省建筑物抗震能力. 山西地震. 2023(03): 18-22 . 百度学术5. 赵东旭，龙奇勇，彭军，柳翠明，李奇，陈可蕴. 多源地理时空数据辅助房屋建筑承灾体调查研究. 工程勘察. 2023(11): 69-73 . 百度学术6. 肖建华，许杰，唐婷婷，黎斌，罗丽. 江西省地震易发区房屋设施加固工程实施进展及对策探讨. 江西科学. 2022(06): 1152-1156 . 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: 258
- HTML全文浏览量: 78
- PDF下载量: 40
- 被引次数: 6
