基于无人机倾斜影像的三维建筑物震害精细信息提取

无人机倾斜摄影技术建模生成的三维影像较好地展现了建筑物侧面和顶面的震害细节信息,然而影像的高维度特性难以直接基于三维影像提取震害信息,经过降低维度转换的二维纹理影像往往会导致建筑物震害信息的不完整性和破碎性。针对这些问题,本文以2017年九寨沟M_S7.0地震为例,提出了一种直接从九寨沟震后三维影像获取侧面纹理信息的方法,即将三维模型打散,实现纹理与不规则三角网分离,从而获取完整的纹理影像,然后利用金字塔模型的瓦片坐标范围、瓦片命名规则和建筑物单体的空间位置选取最优纹理影像,再使用加权均值方差法确定纹理影像中建筑物的外墙最佳分割尺度后,采用面向对象方法提取建筑物外墙和墙皮脱落信息,最后通过对这些建筑物震害特征的分析,判定单体建筑物的破坏等级。结果显示,该方法成功获取了建筑物完整的侧面震害纹理影像,并基于纹理影像提取了外墙、裂缝和墙皮脱落区域信息判定建筑物单体为中等、严重两个破坏等级。      

基于深度学习的倾斜摄影建筑物表面损毁信息提取

建筑物受损信息是地震受灾程度评估的基础,针对传统建筑物表面信息识别人工成本高、效率低等问题,受深度学习提取建筑物影像的启发,提出利用无人机倾斜摄影模型与深度学习相结合的方法提取震后建筑物表面破损信息。以2019年长宁6.0级地震为例,选用双河镇震后倾斜摄影模型切片图为数据源,对比分析面向对象分类方法、VGG-16模型和DeeplabV3+模型对建筑物表面损毁信息的提取结果。分析结果表明,针对建筑物表面破损信息的提取,尤其是细小裂缝的提取,语义分割网络DeeplabV3+模型具有较强的优势(准确率96.93%、召回率96.85%、总体精度96.89%),可实现建筑物表面破损信息的有效提取,具有较强的应用价值。     

基于最优分割的高分辨率遥感影像震害建筑物识别技术

为了提高建筑物震害信息提取的效率与准确度,针对震后高分辨率遥感影像,根据震害建筑物在遥感影像上的特征,以2010年海地M_S7.0地震为例,通过尺度参数估计算法自动选择最优分割尺度对影像进行多尺度分割,并采用面向对象方法对海地高分辨率遥感影像进行建筑物震害信息提取,同时与基于像元的支持向量机、反向传播神经网络、基于分类回归算法的决策树分类方法进行比较。试验结果表明,面向对象的分类方法具有更好的目视效果和更高的分类精度,有利于地震后震害信息的准确提取和快速评估。      

高分二号影像数据地物信息提取分割尺度研究

面向对象技术是提取高分辨率影像中地物信息的主流方法,而多尺度分割是面向对象技术的基础与关键,分割尺度的选择将直接影响最终信息提取的精度与质量。借助于eCognition平台,选用高分二号影像数据作为研究对象,采用多尺度分割的面向对象分类方法,充分利用遥感影像几何、纹理、光谱等信息,确定不同地物类别的最优化分割尺度,建立最佳分类规则,较好的提取了目标地物,更在一定程度上提高了分类精度,为震后灾害评估、震中道路快速提取提供技术支持。     

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

为提高震害信息获取时效性,对基于我国国产高分遥感影像的建筑物震害信息提取方法进行深入研究,本文以2017年5月11日新疆塔县M_S5.5地震为例,利用该地震前后极灾区高分遥感影像,利用结合纹理和形态学特征的方法进行了建筑物震害信息提取,通过变化检测分析获取了极灾区建筑物震害信息,并与基于像元级和基于目标级的信息提取结果进行对比,采用震后无人机影像目视解译结果对本文结果进行了精度验证。结果表明:通过缩减研究区范围可大力提高数据提取精度和速度;运用灰度共生矩阵、二值化、数学形态学等方法对影像进行迭代运算,能较好地提取高分遥感影像中的建筑物信息;通过对地震前后建筑物提取结果进行变化检测分析,能够有效地提取完全倒塌的建筑物,信息提取总体精度为90.45%,比基于像元级和基于目标级信息提取结果的精度分别提高了5.78%和5.23%,可为震后快速确定人员压埋点、部署救援力量提供决策依据,提高地震应急救援的时效性。      

面向对象的遥感震害信息提取方法——以汶川地震为例

本文总结了近年来利用遥感影像进行震害信息提取的方法和研究趋势,随着遥感影像分辨率的提高,震害信息提取逐渐从传统的基于像元方法向基于对象的方法转变.文中以汶川地震为例,利用面向对象的分类方法提取了典型震害信息,并提出了面向对象的变化检测方法的工作流程.对震害建筑物破坏情况,分别用最小距离分类、马氏距离分类、支撑向量机分类和面向对象分类进行了实验研究,并对这几种不同分类方法的实验结果进行了对比分析.实验结果表明,面向对象的震害信息提取方法克服了传统的基于像元的分类方法的缺点,提高了建筑物识别的精度,在建筑物震害和地震次生灾害的信息提取中取得了较好的效果.     

基于倾斜摄影的野马滩大桥震害位移评价

2021年5月22日青海玛多Ms7.4级地震中,野马滩1号、2号大桥结构严重震损,导致共玉高速交通中断.这是较为典型的近断层简支梁桥震害,为全面记录和保存震害信息,采用无人机倾斜摄影测量方法构建了两座大桥的精细震害三维模型.与上行线施工图对比显示,模型一致性较高.结合三维模型的关键尺寸与桥梁构件几何关系,量化分析了两座...     

多因素影响的建筑物群体震害预测方法研究

为了简化震害预测工作,提出了一种多因素影响的建筑物群体震害预测方法。首先,将已有数据库中的资料按不同相似度进行分类,从中选取所需要的样本数据。然后将所选取的样本数据按不同影响因素分类,分别求出考虑各影响因子下的震害矩阵,再由房屋普查资料得出预测区考虑各影响因素时各影响因子下的房屋的建筑面积,并将建筑面积比例作为各影响因子的权重,最终得出预测区某种结构类型整体的震害矩阵。利用文中方法建立了厦门市多层砌体结构的震害矩阵,与厦门市采用单体抽样法得出的震害矩阵相比较,其平均震害指数最大差值不大于0.041,验证了此方法的可行性。     

Rapid visual screening of soft-story buildings from street view images using deep learning classification

Rapid and accurate identification of potential structural deficiencies is a crucial task in evaluating seismic vulnerability of large building inventories in a region. In the case of multi-story structures, abrupt vertical variations of story stiffness are known to significantly increase the likelihood of collapse during moderate or severe earthquakes. Identifying and retrofitting buildings with such irregularities—generally termed as soft-story buildings—is, therefore, vital in earthquake preparedness and loss mitigation efforts. Soft-story building identification through conventional means is a labor-intensive and time-consuming process. In this study, an automated procedure was devised based on deep learning techniques for identifying soft-story buildings from street-view images at a regional scale. A database containing a large number of building images and a semi-automated image labeling approach that effectively annotates new database entries was developed for developing the deep learning model. Extensive computational experiments were carried out to examine the effectiveness of the proposed procedure, and to gain insights into automated soft-story building identification.

     

基于中分辨率遥感影像的居民区震害信息提取

针对中分辨率遥感影像建筑物震害信息弱以及变化检测法受非震害信息影响大等弱点, 本文建立了一种基于变化检测的居民区震害信息快速提取方法. 该方法利用主成分变换增强震害信息, 采用监督分类法提取似居民区, 并用灯光影像数据进一步对似居民区提取结果进行优化, 从而很好地消除了变化检测方法中非震害因素的影响. 在此基础上, 以2001年印度M_W7.6地震的极重灾区为研究区域, 利用震前、 震后Landsat卫星TM图像和震区灯光影像数据, 对本文算法进行了验证和分析. 结果表明, 在30—50 m中分辨率遥感影像上, 以建筑物为主的居民区震后图像变化最为显著的震害特征是反射率变大, 本文所建立的居民区震害信息提取方法在解决中分辨率遥感影像震害目标信息弱、 背景复杂等方面效果明显.      

城市震害预测中建筑物基础资料调查收集对策的探讨

概括总结了广东省地震局开展建筑物基础资料调查收集工作所取得的经验和存在的问题,提出了解决问题的方法和对策。     

Extraction of seismic precursory information from gravity tide at Kunming station based on HHT

Hilbert-Huang Transformation(HHT)is a recently-developed method for non-linear signal processing (Huang et al,1998).By performing empirical mode decomposition(EMD)with HHT,various frequency compo-     

基于深度学习的地震速度谱自动拾取研究

在常规的地震数据处理工作流程中,人工拾取地震速度谱中的叠加速度存在耗时长、效率低的问题,且容易受到人为经验的影响.本文基于目标检测的方法,应用改进后的FCOS（Fully Convolutional One-Stage Object Detection）神经网络模型实现速度谱中叠加速度的自动拾取.该方法将速度谱图像作为输入,经模型训练后输出"时间-速度"对序列.在处理低信噪比工区数据时,针对速度谱能量团聚焦特征较差的特点加入基于深度神经网络（Deep Neural Network,DNN）的线性回归模型以拟合出全局速度曲线.Marmousi模型数据和实际工区数据测试结果表明,本文所设计的地震速度谱自动拾取模型准确性较高、鲁棒性强,有效地缓解了人工拾取的负担,在保证速度拾取精度的同时显著地提高了效率.     

灰关联与人工神经网络在建筑物震害预测中的应用

基于灰关联识别方法,解析了各震害影响因子对多层砖房抗震性能的影响程度;并利用BP人工神经网络非线性模型对震害实例样本进行了训练。结果表明:利用灰关联分析,可得出各因子对多层砖房抗震性能影响程度的大小排序,有利于实际的工程抗震设计;基于BP人工神经网络模型的多层砖房的震害预测结果与震害实例的实际情况比较吻合,其思路和方法可推广于其他不同类型的建筑结构的震害预测。     

基于深度学习的地震断层智能识别研究进展

高精度地震勘探技术的发展与广泛应用对断层解释提出了新的要求,在构造复杂地区断层连续性差、识别难度大等问题严重限制了复杂地区油气藏勘探开发.深度学习作为一种新兴技术,为地震断层识别提供了新的方法.本文调研与分析多种地震断层智能识别方法,将断层智能识别网络分为两类:分类网络与语义分割.并分析经典卷积神经网络、残差网络、FC...     

全卷积神经网络在建筑物震害遥感提取中的应用研究

为解决建筑物震害信息提取自动化程度不高的问题,本文将全卷积神经网络应用于建筑物震害遥感信息提取。以玉树地震后获取的玉树县城区0.2m分辨率航空影像作为建筑物震害信息提取试验数据源,将试验区地物划分为倒塌建筑物、未倒塌建筑物和背景3类。对427个500×500像素的子影像进行人工分类与标注,选取393个组成训练样本集,34个用于验证。利用训练样本集对全卷积神经网络进行训练,采用训练后的网络对验证样本进行建筑物震害信息提取及精度评价。研究结果表明：建筑物震害遥感信息提取总体分类精度为82.3%,全卷积神经网络方法能提高信息提取自动化程度,具有较好的建筑物震害信息提取能力。     

Estimation of groundwater storage from seismic data using deep learning

Convolutional neural networks can provide a potential framework to characterize groundwater storage from seismic data. Estimation of key components, such as the amount of groundwater stored in an aquifer and delineate water table level, from active-source seismic data are performed in this study. The data to train, validate and test the neural networks are obtained by solving wave propagation in a coupled poroviscoelastic–elastic media. A discontinuous Galerkin method is applied to model wave propagation, whereas a deep convolutional neural network is used for the parameter estimation problem. In the numerical experiment, the primary unknowns estimated are the amount of stored groundwater and water table level, while the remaining parameters, assumed to be of less of interest, are marginalized in the convolutional neural network-based solution. Results, obtained through synthetic data, illustrate the potential of deep learning methods to extract additional aquifer information from seismic data, which otherwise would be impossible based on a set of reflection seismic sections or velocity tomograms.