Research on Extraction Technology and Application of Rural Residential Buildings in Liaoning Province Based on UAV Image
-
摘要: 本研究以实地调研数据为基准,无人机影像数据分析为验证,进行了基于无人机识别能力范畴的辽宁农居建筑结构类型划分,并根据区域结构类型比例、影像特性等指标优化了农居遥感解译标志整体参数,提取了不同建筑结构的不同解译标志阈值区间,并基于无人机低空正射影像DOM、数字表面模型DSM制定改进型DSM提取算法处理流程与代码,利用Python语言及开发环境完成了遥感影像要素提取与评估系统开发应用。通过最优组合解译标志获取无人机影像解译一致性系数Kappa=0.723,表明制定的解译标志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。以改进型DSM提取算法为核心的建筑物提取软件提取建筑的整体精度为75%,基本满足地震应急需求。Abstract: Based on the field survey data and the analysis of UAV image data, this study formulates the classification of Liaoning rural residential building structure types based on the category of UAV recognition ability, optimizes the overall parameters of Liaoning rural residential remote sensing interpretation signs according to the proportion of regional structure types and image characteristics, extracts the threshold interval of different interpretation signs under different building structures, and formulates the processing flow and code writing of improved DSM extraction algorithm based on UAV DOM (Digital Orthophoto Map) DSM (digital surface model) image data , and completes the development and Application Research of remote sensing image element extraction and evaluation system by using Python language and development environment. The results show that the interpretation consistency coefficient kappa = 0.723 is obtained through the highest combined interpretation mark, which shows that the interpretation mark features are feasible to obtain the house structure type with good consistency. The overall accuracy of building extraction software with improved DSM extraction algorithm as the core is 75%, which basically meets the practical application needs of earthquake emergency. This research is of great practical significance to improve the rapid evaluation of post earthquake in this area.
-
Key words:
- Building /
- Type of structure /
- Interpretation marks /
- DSM extraction /
- System development
-
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)。
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 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。
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) 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。
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;Pe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 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)。
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NDVI中的近红外波段,以ρred(红波段地表反射率)+ρblue(蓝波段地表反射率)代替NDVI中的红光波段构建基于可见光3个波段的植被指数 VDVI,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)。
$$ V_{\rm{DVI}} = \frac{{2 \times {\rho _{{\rm{green}}}} - \left( {{\rho _{{\rm{red}}}} + {\rho _{{\rm{blue}}}}} \right)}}{{2 \times {\rho _{{\rm{green}}}} + \left( {{\rho _{{\rm{red}}}} + {\rho _{{\rm{blue}}}}} \right)}} = \frac{{2 \times {\rho _{{\rm{green}}}} - {\rho _{{\rm{red}}}} - {\rho _{{\rm{blue}}}}}}{{2 \times {\rho _{{\rm{green}}}} + {\rho _{{\rm{red}}}} + {\rho _{{\rm{blue}}}}}} $$ (1) 式中,ρgreen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)。
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)。
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)。
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:
(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。
-
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 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) 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 -
艾加秋, 王非凡, 杨兴明等, 2021. 基于背景匀质性双边滤波的SAR图像斑点噪声抑制算法. 遥感学报, 25(5): 1071—1084Ai J. Q. , Wang F. F. , Yang X. M. , et al. , 2021. SAR image speckle noise suppression algorithm based on background homogeneity and bilateral filtering. National Remote Sensing Bulletin, 25(5): 1071—1084. (in Chinese) 陈天恩, 冯启民, 陈红等, 2006. 基于遥感影像的城市震害模拟. 自然灾害学报, 15(2): 121—126 doi: 10.3969/j.issn.1004-4574.2006.02.020Chen T. E. , Feng Q. M. , Chen H. , et al. , 2006. RS image based city earthquake disaster simulation. Journal of Natural Disasters, 15(2): 121—126. (in Chinese) doi: 10.3969/j.issn.1004-4574.2006.02.020 黄兴荣, 徐兴彬, 2019. 基于Python爬虫技术和LDA模型的短文本获取技术分析. 电大理工, (3): 1—3, 11 doi: 10.19469/j.cnki.1003-3297.2019.03.0001Huang X. R. , Xu X. B. , 2019. Analysis of short text acquisition technology based on Python crawler technology and LDA model. Study of Science and Engineering at RTVU, (3): 1—3, 11. (in Chinese) doi: 10.19469/j.cnki.1003-3297.2019.03.0001 刘贾贾, 刘志辉, 刘龙等, 2019. 基于遥感影像的农村建筑物分类. 华北地震科学, 37(4): 65—72 doi: 10.3969/j.issn.1003-1375.2019.04.012Liu J. J. , Liu Z. H. , Liu L. , et al. , 2019. Classification of rural buildings in Zhangjiakou area based on remote sensing images[J]. North China Earthquake Sciences, 37(4): 65—72. (in Chinese) doi: 10.3969/j.issn.1003-1375.2019.04.012 明小娜, 王晓青, 周洋等, 2018. 基于高分卫星遥感影像的昭通城区建筑物结构类型解译标志构建. 测绘与空间地理信息, 41(9): 139—142 doi: 10.3969/j.issn.1672-5867.2018.09.038Ming X. N. , Wang X. Q. , Zhou Y. , et al. , 2018. Construction of building type interpretation criteria in Zhaotong city based on the high-resolution remote sensing image. Geomatics & Spatial Information Technology, 41(9): 139—142. (in Chinese) doi: 10.3969/j.issn.1672-5867.2018.09.038 秦思娴, 傅晓俊, 余咏胜等, 2015. 基于Python实现地理国情房屋建筑专题信息提取. 测绘与空间地理信息, 38(8): 1—3, 6 doi: 10.3969/j.issn.1672-5867.2015.08.001Qin S. X. , Fu X. J. , Yu Y. S. , et al. , 2015. Thematic data of buildings extraction using python in the census of national geographic conditions. Geomatics & Spatial Information Technology, 38(8): 1—3, 6. (in Chinese) doi: 10.3969/j.issn.1672-5867.2015.08.001 任媛媛, 张显峰, 马永建等, 2019. 基于卷积神经网络的无人机遥感影像农村建筑物目标检测. 南京师范大学学报(工程技术版), 19(3): 29—36 doi: 10.3969/j.issn.1672-1292.2019.03.005Ren Y. Y. , Zhang X. F. , Ma Y. J. , et al. , 2019. Target detection of rural buildings in UAV remote sensing images based on convolutional neural network. Journal of Nanjing Normal University (Engineering Technology Edition), 19(3): 29—36. (in Chinese) doi: 10.3969/j.issn.1672-1292.2019.03.005 王晓青, 魏成阶, 苗崇刚等, 2003. 震害遥感快速提取研究——以2003年2月24日巴楚—伽师6.8级地震为例. 地学前缘, 10(S1): 285—291Wang X. Q. , Wei C. J. , Miao C. G. , et al. , 2003. The extraction of seismic damage from remote sensing images——a case study of Bachu-Jiashi earthquake with MS=6.8 occurred on Feb. 24, 2003. Earth Science Frontiers, 10(S1): 285—291. (in Chinese) 薛腾飞, 张景发, 2017. 应用于地震应急的遥感自动制图实现. 自然灾害学报, 26(3): 19—27 doi: 10.13577/j.jnd.2017.0303Xue T. F. , Zhang J. F. , 2017. Implementation of remote sensing automatic mapping used for earthquake emergency. Journal of Natural Disasters, 26(3): 19—27. (in Chinese) doi: 10.13577/j.jnd.2017.0303 易文斌, 唐宏, 杨晋科, 2009. 面向对象的灾害信息遥感提取框架及其应用. 自然灾害学报, 18(5): 157—162 doi: 10.3969/j.issn.1004-4574.2009.05.024Yi W. B. , Tang H. , Yang J. K. , 2009. Research and application of object-oriented remote sensing framework for disaster information extraction. Journal of Natural Disasters, 18(5): 157—162. (in Chinese) doi: 10.3969/j.issn.1004-4574.2009.05.024 赵福军, 蔡山, 陈曦, 2010. 遥感震害快速评估技术在汶川地震中的应用. 自然灾害学报, 19(1): 1—7 doi: 10.13577/j.jnd.2010.0101Zhao F. J. , Cai S. , Chen X. , 2010. Application of rapid seismic damage assessment based on remote sensing to Wenchuan earthquake. Journal of Natural Disasters, 19(1): 1—7. (in Chinese) doi: 10.13577/j.jnd.2010.0101 周培诚, 程塨, 姚西文等, 2021. 高分辨率遥感影像解译中的机器学习范式. 遥感学报, 25(1): 182—197Zhou P. C. , Cheng G. , Yao X. W. , et al. , 2021. Machine learning paradigms in high-resolution remote sensing image interpretation. Journal of Remote Sensing, 25(1): 182—197. (in Chinese) 期刊类型引用(1)
1. 张文龙. 基于无人机倾斜摄影的建筑物精细化三维建模. 建筑与预算. 2023(11): 74-76 . 百度学术
其他类型引用(1)
-