Multi-source remote sensing characteristics and mechanism analyses of building seismic damages
-
摘要: 随着遥感信息源的不断增加，多种遥感数据被用于详细判读建筑物的震害情况.为准确判读震害等级与建立震害自动识别模式，本文收集整理了汶川地震震区的震害遥感图像，通过目视判读、图像处理、统计分析，重点分析了各类震害建筑物在光学影像中的特征表现、在合成孔径雷达图像中的成像机理特征以及在激光雷达图像中的三维特征.在此基础上构建了建筑物简化模型，并联合光学影像和雷达图像对震害建筑物的影像特征剖面予以分析.结果显示：光学遥感图像色彩信息符合人眼色觉原理，具有较好的直观判读效果；合成孔径雷达图像能够记录地物侧面、表面的粗糙程度和角反射特点，信息量丰富但不直观；激光雷达图像能获取建筑物的三维信息，因此震害评估工作中需有效地综合利用多源遥感数据，才能实现最佳的判识效果.Abstract: With the increasing of remote sensing information sources, a variety of remote sensing data are used to interpret the seismic damage of buildings in seismic damage assessment. In order to accurately interpret the seismic damage grade and establish the automatic identification model, this paper focuses on the analyses of the characteristics of all kinds of buildings in the optical images, the imaging characteristics of synthetic aperture radar (SAR) images, and the three-dimensional characteristics of the light detection and ranging (LiDAR) images by means of visual interpretation, image processing, statistical analyses after collecting the remote sensing images of the MS8.0 Wenchuan earthquake in 2008 and MS7.1 Yushu earthquake in 2010. Furthermore, several simplified models of the building are constructed, and the profile features of the images involving many kinds destroyed building are analyzed in combination with the images from optical and radar sensors. The related study results show that the color information from optical remote sensing image is in accordance with the human eye color principle, which is propitious to obtain better interpretation of results; the SAR image can reflect the features of side/surface roughness and angle reflection; LiDAR image can obtain the three-dimensional information of the building. Therefore, the multi-source remote sensing data should be integrated effectively so as to achieve the best effect in seismic damage assessment.
-
引言
地震波的震相在地震学发展及地球结构研究中起着重要的作用。随着数值计算方法的发展和观测技术水平的提高，逐渐可以利用地震波形中尽可能多的信号来研究地球结构（崇加军，2013）。地震波是源自震源和震中区的弹性波，震相是地震波显示在地震记录图上的信号（赵荣国，1999）。震相分析对深入研究地球的内部构造和探查地震活动规律具有极为重要的意义，地震震相识别也是省级地震分析和编目工作的一项常规工作。地震震相识别中，人工识别的成分占较大比例，而且由于震源机制和传播介质的复杂性，同一种震相在不同地震中的形态均不相同（杨配新等，2004），因此常见的震相Pn，Pg，Sn，Sg较易识别，但非常见的震相识别难度较大。而康拉德面是不连续面，地震波速度在深度变化的过程中均匀变化，因此Pb震相不易被发现，难以得到地震分析人员的关注。
1923年，奥地利研究人员康拉德发现，大陆地壳内部还存在这样一个界面（Conrad，1925）：该界面以上，岩石密度较低，为硅铝层，由中酸性岩石组成；该界面以下，岩石密度较高，为硅镁层（铁镁层），由基性岩石组成。该界面被称为康拉德（Conrad）不连续面，简称康氏面或康拉德面（刘瑞丰等，2014）。此后许多地震学研究人员在大陆地壳内不同区域和不同尺度上也探测到了该界面（Berry，Fuchs，1973；胡德昭等，1989；郭杰等，2013），并对其进行了相关研究。胡德昭等（1989）在中国东南部地壳内探查到康拉德面；1970—1994年期间，苏联的超深钻井项目研究显示康拉德界面上的地震波速度跃变非常大（Richard，1989；Pavlenkova，1993）。但康拉德界面是否普遍存在仍有争议。相关研究认为，康拉德界面与研究区的地壳结构及其演化历史密切相关，在海洋地壳内或者有时在构造活动比较强烈的大陆地壳内，康拉德界面可能是缺失的（Litak，Brown，1989；Richard，1989；Pavlenkova，1993）。近期研究已在有些地质构造活动比较强烈的区域记录到的地震波形中发现有来自康拉德界面的强振幅震相（刘赛君等，2011；郭杰等，2013），且焦煜媛等（2017）已在青藏高原东北缘找到康拉德面存在的直接地震学证据。郭杰等（2013）在位于豫北东的濮阳市地震台的观测中发现了康拉德界面的反射波震相。
关于海南地区Pb震相的研究，也有一些相关的研究成果。范玉兰等（1990）在研究华南地区近震走时表时，描述到海口台、文昌台、定安台、那大台、琼中台等海南省台站在震中距大于151 km时，可记录到清晰的Pb震相；刘赛君等（2011）在海南岛西南海域地壳剖面海陆联合探测研究中提到Pb震相在50—130 km偏移距范围内可被追踪到。
这样看来，有些地区不仅有康拉德面存在的证据，而且前人已记录到海南地区存在Pb震相，因此有必要进一步研究海南地区的Pb震相，故本文一方面以云南省地震台网和广东省地震台网记录到的Pb震相为基础，采用折合走时分析，将其结果作为参考数据；另一方面重点分析海南省地震台网记录到的地震事件，并使用PTD方法（朱元清等，1990）重新定位地震事件的震源深度，以Pb震相理论到时结合实际波形，标注Pb震相，进而拟合标注的震相速度（林建民等，2008）。 此外，综合前人的研究成果（李志雄等，2008；刘赛君等，2011；黄海波等，2012；Kumar et al，2016 ）来分析Pb震相的物理特性，最后确定Pb震相。通过识别Pb震相，探查海南地区康拉德面的深度变化，对该地区一维速度模型的建立、地震定位精度的提高以及地震活动、地震定位深度等研究均具有重要意义。
1. 资料和方法
1.1 资料选取
本文研究区域为海南地区（106°E—114°E，17°N—23°N），选取2009年1月1日至2016年8月25日期间发生在研究区域内的地震，并按照以下标准严格筛选地震事件：① 至少被10个台站记录到；② 地震震级ML≥2.0；③ 地震事件含有Pn震相。最终统计筛选得到Pg震相1 549个，Pn震相588个，无Pb震相。由于研究区域的数据中不包含Pb震相，故以2009年至2016年云南省、广东省地震台网的数据为参考资料，按照上述标准，最终云南地区的震相筛选结果为：Pg震相49 521个，Pb震相3 406个，Pn震相10 781个；广东地区的震相筛选结果为：Pg震相5 038个，Pb震相23个，Pn震相2 240个。
1.2 方法
1.2.1 理论走时
由于近震波的传播路程短，受地球曲率影响小，因此在研究近震问题时，通常将地球表面及各层界面看作水平界面（刘瑞丰等，2014）。Pb震相是在康拉德面上的纵波性首波，其传播路径如图1所示。由该图所示的Pb震相走时路径，依据斯奈尔（Snell）定理和地震波走时方程，可求得Pb的理论走时为
${t_{{\rm{Pb}}}} {\text{＝}} \frac{\varDelta }{{{v_2}}} {\text{＋}} \left( {2{H_1} - h} \right)\frac{{\cos i}}{{{v_1}}},$
(1) 式中，tPb为Pb震相走时，Δ为震中距，H1为康拉德面深度，h为震源深度，v1为一维速度模型中第一层的Pg波平均速度，v2为第二层的Pb波速度，i为Pb波入射角。
1.2.2 折合走时
折合走时与介质厚度（康拉德界面或者莫霍面深度）、震源深度和波速相关（王莉婵等，2016），在同一震源深度的情况下，理论折合走时应为常数值b，震相走时可理解为横向走时和折合走时，因此将式（1）变换为
${t_{\rm redu}} {\text{＝}} t - \frac{\varDelta }{v},$
(2) 式中tredu为折合走时，t为理论震相或观测震相走时，v为波速。
1.2.3 PTD定位方法
PTD定位方法是采用初至波为Pg直达波的台站到时和初至波为Pn首波的台站到时，经转换后的到时差来确定地震的震源深度（朱元清等，1990）。测定震源深度的分辨率为深度每改变5 km，到时差改变0.7 s，换句话说，初动到时测量误差每增加0.1 s，深度误差则增加0.7 km （朱元清等，1997）。
本文可辨别出Pb震相的地震共计52次，由于原震源深度定位偏浅，8 km左右的深度占大部分，因此重新测定震源深度，便于下一步震相理论到时的计算。图2给出了使用PTD定位前后的震源深度比较，可见使用PTD方法测定深度可减小初动到时测量误差引起的深度误差，在深度测定方面有较大的优势。
![]()
图 2 使用PTD方法定位前、后震源深度沿纬度（上）和经度（下）方向的变化比较图Figure 2. Comparison of focal depths of the seismic events along latitude （upper） and longitude （lower） directions before and after location by PTD method1.2.4 模型选取
数据处理涉及理论值计算，速度模型是必不可少的部分，虽然目前大多采用IASP91模型，但由于本文涉及云南省（2015模型）、广东省（华南模型）和海南省（2015模型）的数据（朱元清等，2017），考虑到一维速度模型与到时数据之间的一致性（Wang，2014），本文采用各省的一维速度模型作为各自省份参与计算的理论到时，各省的速度模型列于表1。
表 1 云南、广东和海南各省份的地壳速度模型表Table 1. The crustal velocity model of Yunnan，Guangdong and Hainan Provinces省份 v1/（km·s−1） v2/（km·s−1） v3/（km·s−1） H1/km H/km 云南 6.01 6.60 7.89 20 41 广东 6.00 6.87 7.96 22 33 海南 6.00 6.84 7.97 21 30 注：v1和v2分别表示第一、二层的平均速度，v3表示莫霍面的平均速度，H1表示第一层的平均厚度，H表示莫霍面的平均厚度。 2. Pb震相识别
2.1 云南、广东Pb震相分析
采用折合走时分析云南、广东两省份的数据，结果显示：云南省的Pb震相数据基本处于理论震相范围内，标注的Pb震相接近该地区的康拉德面；广东省的Pb震相数据几乎全在理论震相范围内，标注的Pb震相在康拉德面上。这表明结果良好，与预期结果相符，故可用此方法分析海南的Pb震相数据。
2.2 海南Pb震相识别
震相识别的步骤为：① 对资料进行预处理，筛选出含有Pn震相的地震事件，共计281次；② 对281次地震事件使用PTD法重新定位其震源深度；③ 计算震相理论到时，结合人工分析识别出Pb震相；④ 对识别出的Pb震相进行速度拟合；⑤ 分析和佐证识别的Pb震相结果。
以近几年海南地区发生的影响较大的两次地震为例：事件1为2012年11月5日19时51分海南万宁ML4.1地震，那大台记录的波形见图3左；事件2为2014年7月28日10时10分海南儋州ML3.3地震，万宁台记录的波形见图3右。
那大台的震中距为169 km，PTD重新定位深度为10 km，计算其Pg，Pb，Pn的理论走时分别为28.21，27.26，26.06 s，在实际波形识别的相应结果分别为28.54，27.33，26.33 s。依据波形特性、振幅、周期等因素，Pb震相处于Pn震相与Pg震相之间，其振幅稍大于Pn，但小于Pg振幅，符合绕射波的动力学特征。实际人工识别Pb震相走时t2与理论走时t1相差无几，人工识别的Pb震相标注见图3。
以同样的方法，对万宁台记录到的事件2进行PTD定位计算，结果显示重定位深度为13 km，Pg，Pb，Pn震相的理论走时分别为21.60，21.18，20.71 s，实际波形识别的相应结果分别为21.61，21.22，21.04 s。
依据上述震相识别步骤，在281次地震事件中，从52次地震事件能识别出Pb震相57个，含有Pb震相的地震分布如图4所示。通过分析识别结果可知，能记录到Pb震相的台站共计16个，占全部台站个数（24）的67%，且分布均匀，统计台站记录到Pb震相的震中距处于66.75—234 km范围内，这与海南岛西南海域地壳剖面海陆联合探测研究中追踪到的Pb震相的震中距结果（刘赛君等，2011）基本相近。
采用速度线性拟合（图5）和折合走时（图6）两种方式分析Pb震相的速度，以佐证识别的震相是否与其物理意义相符，图6中折合走时理论值是基于海南模型计算而得。从图5可知，Pb速度为6.47 km/s，在对数据进行折合走时分析的过程中，扰动第二层的速度为6.65 km/s时，能达到图6的效果，这说明实际震相处于理论值范围内。海南地区在区域构造的伸展作用下，其地壳厚度相对正常大陆型地壳较薄，具有西南厚、东北薄的特点（黄海波等，2012），康拉德面作为上下地壳的分界面，穿过界面的波速由6.0 km/s激增至6.4 km/s （刘赛君等，2011）。
![]()
图 4 本文所用含有Pb震相的地震分布图Figure 4. Seismic events distribution with Pb phase used in this paper使用折合走时分析全部Pb震相，结果表明，实际震相基本处于理论震相范围内，尽管有些震相的实际走时与理论走时有偏差，这可能与一维模型单一、不能有效地反映局部地壳内部结构的复杂性和不均匀性有关。综合上述速度拟合分析，识别的Pb震相符合海南地区地震波在康拉德面滑行的物理意义。
3. 海南地区康拉德面
康拉德面是地球内部的次级不连续面，其深度介于10—40 km之间，在陆壳内的平均深度约为20 km （殷伟伟等，2017）。考虑到海南地区的地壳较薄，选取10—30 km作为反演海南地区的康拉德面深度Hi。当Hi以一定步长从10 km依次增加至30 km时，将记录到Pb震相的台站震中距、地震震源深度代入式（1），可得到理论走时t1，t1与实测走时t2之差的绝对值的最小值，即Pb震相的走时残差，为Y=min|t1−t2|，则57次地震的平均走时残差Si为
${S_i} = \frac{1}{{57}}\sum\limits_{i = 1}^{57} {{Y_i}} .$
(3) 为了较好地反映康拉德面的深度和速度情况，通过计算康拉德面的速度和深度变化，可得到平均走时残差Si随深度和速度变化的分布。取Pb波速度为6.40—6.84 km/s，以0.1 km/s的步长计算所有走时残差；深度范围取10—30 km，以1 km的步长计算。计算结果表明速度为6.60—6.80 km/s、深度为19—22 km时残差最小。基于该结果，按上述方法重复，进一步细算速度和深度变化，速度以0.02 km/s为步长，深度以0.5 km为步长，计算结果如图7所示。结果表明，海南地区的Pb波速度为6.60—6.72 km/s、深度为19—21.5 km较为合理。
4. 讨论与结论
本文利用海南省记录到的地震事件，识别了Pb震相并反演得到海南地区的康拉德面深度。结果显示，海南地区的Pb波速度介于6.60—6.72 km/s之间、康拉德面在19—21.5 km左右较合理。海南地区Pb波速度与前人的研究结果（范玉兰等，1990；刘赛君等，2011）基本吻合，首次在海南地区得出康拉德面的合理范围。由于初至Pb震相难识别，缺乏实际震相支持，今后会持续关注这方面的震相数据。
本文结果能对地震分析识别Pb震相起到辅助作用，可为建立海南地区的地壳速度模型提供参考资料。但是，由于本文研究的大部分震源位于上地壳，研究结果具有一定的局限性，震源位于下地壳时震相的识别有待进一步研究。
上海市地震局的朱元清研究员和海南省地震局的李志雄研究员、张慧高工对本研究给予了指导，江苏省地震局廖发军高工分别为本文提供了PTD软件，审稿专家提出了修改意见，作者在此一并表示衷心的感谢！
-
![]()
图 1 汶川地震都江堰地区震后光学影像
(a) 基本完好建筑物；(b) 中等破坏建筑物；(c) 毁坏建筑物
Figure 1. Optical images of Dujiangyan area after the Wenchuan earthquake
(a) Intact building; (b) Moderately damaged building; (c) Destroyed building
![]()
图 2 完好建筑物SAR图像成像示例
A为叠掩区，B为角反射区，C为屋顶反射区，D为阴影区，θ为入射角
Figure 2. SAR imaging of intact buildings
A represents the layover area, B represents the angular reflection area, C represents the roof reflection area, D represents the shadow area, and θ represents incident angle
![]()
图 3 不同分辨率SAR图像中的建筑 (区)
(a) 分辨率为20 m的ENVISAT ASAR图像; (b) 分辨率为8 m的RADARSAT-1图像; (c) 分辨率为3 m的TerraSAR-X图像；(d) 分辨率为1 m的COSMO-SkyMed图像
Figure 3. The building samples in different resolution SAR images
(a) 20 m-resolution ENVISAT ASAR image; (b) 8 m-resolution RADARSAT-1 image; (c) 3 m-resolution TerraSAR-X image; (d) 1 m-resolution COSMO-SkyMed image
![]()
图 4 建筑物震害散射特征示意图
Figure 4. Schematic diagram of scatter characteristics of earthquake-damaged buildings
![]()
图 5 汶川地震都江堰地区中等破坏建筑物光学图像与SAR图像
(a) 震前谷歌图像；(b) 震后航片；(c) 震后COSMO-SkyMed图像
Figure 5. Optical image and SAR image of moderately damaged buildings in Dujiangyan area after the Wenchuan earthquake
(a) Google image before the earthquake; (b) Aerial image after the earthquake; (c) COSMO-SkyMed image after the earthquake
![]()
图 6 屋顶破坏建筑物光学图像 (a) 与SAR图像 (b).
红色框表示建筑物破坏区域
Figure 6. Optical image (a) and SAR image (b) of roof-damaged building
The damaged buildings are delineated by red squares
![]()
图 7 毁坏建筑物震害散射特征示意图
Figure 7. Schematic diagram of scatter characteristics of destroyed buildings
![]()
图 8 毁坏建筑物 (红圈内) SAR图像
Figure 8. SAR image of destroyed buildings delineated by red circles
![]()
图 9 结构破坏建筑物的LiDAR三维几何特征示意图
(a) 顶面倾斜的建筑物; (b) 底层平行倒塌的建筑物
Figure 9. Schematic diagram of LiDAR three-dimensional geometry for buildings with structural destruction
(a) A building with inclined top; (b) A building with parallel collapsed bottom
![]()
图 10 倒塌建筑物的LiDAR三维几何示意图
(a) 完全垮塌建筑物 (杂乱无章); (b) 完全垮塌建筑物 (似有外形)
Figure 10. Schematic diagram of LiDAR three-dimensional geometry for collapsed buildings
(a) Completely collapsed building (disorderly and unsystematic); (b) Completely collapsed building (seems to have a shape)
![]()
图 11 墙体破坏建筑物的的LiDAR三维几何示意图
(a) 建筑物墙体开裂；(b) 建筑物中部截断
Figure 11. Schematic diagram of LiDAR three-dimensional geometry for wall-damaged buildings
(a) Building with wall crack; (b) Middle-cut building
![]()
图 12 大跨度破坏建筑物的LiDAR三维几何示意图
Figure 12. Schematic diagram of LiDAR three-dimensional geometry for a large-span damaged building
![]()
图 13 平顶建筑物SAR图像特征示意图 (金鼎坚，2012)
(a) θ＜arctan (h/w); (b) θ＞arctan (h/w)θ表示雷达入射角，w表示建筑物侧面宽度，h表示建筑物高度，g表示地面后向散射，c表示角反射，f表示墙面后向散射，r表示屋顶后向散射，s表示阴影.第二行表示地距图像上雷达回波的组成，条带高度表示回波的相对强度
Figure 13. Schematic diagram of SAR image of flat-top buildings
(a) θ < arctan (h/w); (b) θ > arctan (h/w) θ represents incident angle of radar, w represents building side width, h represents building height, g represents ground backscattering, c represents angle reflection, f represents wall backscattering, r represents roof backscattering, s represents shadow. The second line represents the composition of radar echoes on the ground image, and the height of the strip indicates the relative intensity of the echo
![]()
图 14 多层平顶建筑物的光学图像
(a)、SAR图像 (b) 与实地调查照片 (c) 图 (b) 中红色箭头表示视线方向，红色条带表示剖面线位置
Figure 14. Optical image (a), SAR image (b) and field survey image (c) of a multilayer flat-top building
In Fig.(b), red arrow indicates direction of sight, and the red stripe represents the location of the profile line
![]()
图 15 θ＜arctan (h/w) 时的建筑物剖面线
A为屋前地面散射部分；B为叠掩 (由地面回波、墙面回波和屋顶回波叠加形成) 部分，且存在地面和墙面形成的角反射效应；C为阴影部分；D为屋后地面散射部分
Figure 15. Building profile line on the condition of θ < arctan (h/w)
A represents ground scattering in front of house; B represent layerover (formed by ground echo, wall echo and roof echo), and there is an angle reflection effect formed by ground and wall; C represents shadow; D represents ground scattering behind the house
![]()
图 16 平顶建筑物的光学图像 (a)、SAR图像 (b) 与实地调查照片 (c)
图 (b) 中红色箭头表示视线方向，红色条带表示剖面线位置
Figure 16. Optical image (a), SAR image (b) and field survey image (c) of the flat-top building
In Fig.(b), red arrow indicates direction of sight, and the red stripe represents the location of the profile line
![]()
图 17 θ＞arctan (h/w) 时的建筑物剖面线
A为屋前地面散射部分；B为叠掩 (由地面回波、墙面回波和屋顶回波叠加形成) 部分，且存在地面和墙面形成的角反射效应；C为屋顶散射部分；D为阴影部分；E为屋后地面散射部分
Figure 17. Building profile on the condition of θ > arctan (h/w)
A represents ground scattering in front of house; Brepresents layerover (formed by ground echo, wall echo and roof echo), and there is an angle reflection effect formed by ground and wall; C represents roof scattering; D represents shadow; E represents ground scattering behind the house
![]()
图 18 尖顶建筑物SAR图像特征示意图. (a) θ＜α；(b) θ＞α
Figure 18. Schematic diagram of SAR image of a spire building. (a) θ < α; (b) θ > α
![]()
图 19 尖顶建筑物的光学图像 (a)、SAR图像 (b) 和实地调查照片 (c)
图 (b) 中，红色箭头表示视线方向，红色条带表示剖面线位置
Figure 19. Optical image (a), SAR image (b) and field survey image (c) of the spire building
In Fig.(b), red arrow indicates direction of sight, and the red stripe represents the location of the profile line
![]()
图 20 θ＞α时建筑物剖面图
A为地面散射部分; B为叠掩 (包括地面回波、墙面回波和正面屋顶回波叠加组成) 部分，且存在地面和墙面形成的角反射效应；C为屋顶散射部分; D为阴影部分; E为屋后地面散射部分
Figure 20. Building profile on the condition of θ > α
A represents ground scattering; B represents layerover (formed by ground echo, wall echo and roof echo), and there is an angle reflection effect formed by ground and wall, C represents roof scattering, D represents shadow, E represents ground scattering behind the house
![]()
图 21 损毁建筑物的光学图像 (a)、SAR图像 (b) 和SAR图像剖面线分析图 (c)
图 (c) 中AA′为垂直于损毁建筑物屋顶的剖面
Figure 21. Optical image (a), SAR image (b) and SAR image profile (c) of the destroyed building
In Fig.(c), AA′ is a profile perpendicular to the roof of the destroyed building
![]()
图 22 损毁建筑物光学图像 (a)、SAR图像 (b) 和SAR图像剖面线分析图 (c)
图 (c) 中AA′为垂直于损毁建筑物屋顶的剖面
Figure 22. Optical image (a), SAR image (b) and SAR image profile (c) of the destroyed building
In Fig.(c), AA′ is a profile perpendicular to the roof of the destroyed building
表 1 宏观地面调查与遥感震害调查的建筑物震害类型对应表
Table 1 The correspondence of seismic damage types between macroscopic ground investigation and remote sensing investigation
序号 宏观地面调查分类 遥感震害调查分类 1 基本完好 2 轻微破坏 基本完好 3 中等破坏 4 严重破坏 中等破坏 5 毁坏 毁坏 
下载: 导出CSV
-
安立强. 2011.基于SAR影像的震害信息提取方法研究[D].北京:中国地震局地壳应力研究所: 30-37. An L Q. 2011. Seismic Damage Information Extraction From High Resolution SAR Imagery[D]. Beijing: Institute of Crustal Dynamics, China Earthquake Administration: 30-37 (in Chinese).
焦其松. 2015.基于LiDAR的建筑物震害分析[D].哈尔滨:中国地震局工程力学研究所: 43-48. http://cn.bing.com/academic/profile?id=1387c30999c57efc976ec3cbf7bf061a&encoded=0&v=paper_preview&mkt=zh-cn Jiao Q S. 2015. The Buildings Earthquake Damage Analysis Based on LiDAR[D]. Harbin: Institute of Engineering Mechanics, China Earthquake Administration: 43-48 (in Chinese). http://cn.bing.com/academic/profile?id=680bbfcb4fe8ab4346c63a728f1b4d4b&encoded=0&v=paper_preview&mkt=zh-cn
金鼎坚. 2012.高分辨率SAR影像建筑物震害信息提取方法研究[D].北京:中国地震局地震预测研究所: 49-52. Jin D J. 2012. Methods of Extracting Building Damage From High Resolution SAR Imagery[D]. Beijing: Institute of Earthquake Science, China Earthquake Administration: 49-52 (in Chinese).
李德仁. 2009.对地观测与抗震救灾[J].测绘科学, 34(1): 8-10. http://www.cnki.com.cn/Article/CJFDTOTAL-CHKD200901004.htm Li D R. 2009. Intelligent earth observation systems and earthquake relief[J]. Science of Surveying and Mapping, 34(1): 8-10 (in Chinese). http://cn.bing.com/academic/profile?id=8d845951d5c97e2c28986e622ed90722&encoded=0&v=paper_preview&mkt=zh-cn
柳稼航. 2003.利用遥感技术进行城市建筑物震害的自动识别与分类方法研究[D].北京:中国地震局地质研究所: 12-15. http://cn.bing.com/academic/profile?id=07ddb8f33545fc0d44d6a76153d35b9a&encoded=0&v=paper_preview&mkt=zh-cn Liu J H. 2003. A Method Study on Automatic Recognition and Classification of Earthquake-Caused Building Damage in Cities Using Remote Sensing[D]. Beijing: Institute of Geology, China Earthquake Administration: 12-15 (in Chinese).
刘金玉, 张景发, 刘国林. 2013.基于高分辨率SAR图像成像机理的震害信息分析[J].国土资源遥感, 25(3): 61-65. doi: 10.6046/gtzyyg.2013.03.11 Liu J Y, Zhang J F, Liu G L. 2013. An analysis of earthquake damage information based on imaging mechanism of the high resolution SAR image[J]. Remote Sensing for Land & Resources, 25(3): 61-65 (in Chinese).
邵芸, 宫华泽, 王世昂, 张风丽, 田维. 2008.多源雷达遥感数据汶川地震灾情应急监测与评价[J].遥感学报, 12(6): 865-870. http://www.cnki.com.cn/Article/CJFDTOTAL-YGXB200806006.htm Shao Y, Gong H Z, Wang S A, Zhang F L, Tian W. 2008. Multi-source SAR remote sensing data for rapid response to Wenchuan earthquake damage assessment[J]. Journal of Remote Sensing, 12(6): 865-870 (in Chinese).
王栋梁. 2007.遥感震害指数与地面调查震害指数关系的定量研究[D].北京:中国地震局地震预测研究所: 16-18. http://cn.bing.com/academic/profile?id=edc7c7630f40ed24ade15d0e513de21c&encoded=0&v=paper_preview&mkt=zh-cn Wang D L. 2007. Quantitative Study on the Relationship Between Seismic Damage Index of Remote Sensing and Seismic Damage Index of Ground[D]. Beijing: Institute of Earthquake Science, China Earthquake Administration: 16-18 (in Chinese).
张红, 王超, 张波, 吴樊, 闫冬梅. 2009.高分辨率SAR图像目标识别[M].北京:科学出版社: 1-3. http://www.cnki.com.cn/Article/CJFDTOTAL-SYQY201603027.htm Zhang H, Wang C, Zhang B, Wu F, Yan D M. 2009. Target Recognition in High Resolution SAR Image[M]. Beijing: Science Press: 1-3 (in Chinese).
张磊. 2008.遥感震害快速评估关键技术研究[D].北京:中国地震局地壳应力研究所: 19-20. Zhang L. Research on Key Technologies of Rapid Assessment of Seismic Damage of Remote Sensing[D]. Beijing: Institute of Crust Dynamics, China Earthquake Administration: 19-20 (in Chinese). http://cn.bing.com/academic/profile?id=278f79c9ca3180c4ec8feee31a08d5d7&encoded=0&v=paper_preview&mkt=zh-cn
赵福军. 2010.遥感影像震害信息提取技术研究[D].哈尔滨:中国地震局工程力学研究所: 43-44. http://cn.bing.com/academic/profile?id=631dd596b400074637f8014ab04761d8&encoded=0&v=paper_preview&mkt=zh-cn Zhao F J. 2010. Seismic Disaster Information Extraction From Remotely Sensed Imagery[D]. Harbin: Institute of Engineering Mechanics, China Earthquake Administration: 43-44 (in Chinese). http://www.academia.edu/16045087/Geographic_Information_Systems_GIS_Techniques_Applications_and_Technologies
赵凌君. 2009.高分辨率SAR图像建筑物提取方法研究[D].长沙:国防科学技术大学: 16-18. Zhao L J. 2009. Building Extraction From High Resolution SAR Imagery[D]. Changsha: National University of Defense Technology: 16-18 (in Chinese).
中华人民共和国国家质量监督检验检疫总局, 中国国家标准化管理委员会. 2011. GB/T 18208.3-2011地震现场工作第3部分:调查规范[S].北京:中国标准出版社: 10. General Administration of Quality Supervision, Inspection and Quarantine of the People's Republic of China, Standardization Administration of the People's Republic of China. 2011. GB/T 18208.3-2011 Post-Earthquake Field Works, Part 3: Code for Field Survey[S]. Beijing: China Standards Press: 10 (in Chinese).
Brunner D, Lemonine G, Bruzzone L. 2010. Earthquake damage assessment of buildings using VHR optical and SAR imagery[J]. IEEE Trans Geosci Remote Sens, 48(5): 2403-2420. doi: 10.1109/TGRS.2009.2038274
Gamba P, Dell′Acqua F, Trianni G. 2007. Rapid damage detection in Bam area using multitemporal SAR and exploiting ancillary data[J]. IEEE Trans Geosci Remote Sens, 45(6): 1582-1589. doi: 10.1109/TGRS.2006.885392
Matsuoka M, Yamazaki F. 2002. Application of the damage detection method using SAR intensity images to recent earthquakes[C]//Proceedings of 2002 IEEE International Geoscience and Remote Sensing Symposium. Toronto, Canada: IEEE, 4: 2042-2044.
Matsuoka M, Yamazaki F. 2004. Use of SAR intensity imagery for earthquake damage detection[C]//Proceedings of the 2nd International Workshop on Remote Sensing for Post-Disaster Response. Newport Beach, CA, USA: Beckman Center of the National Academies: 125.
Mitomi H, Yamazaki F, Matsuoka M. 2000. Automated detection of building damage due to recent earthquakes using aerial television images[C]//Proceedings of the 21st International Asian Conference on Remote Sensing.Taipei, China: Center for Space & Remote Sensing Research, Taiwan University: 401-406.
Turker M, San B T. 2004. Detection of collapsed buildings caused by the 1999 Izmit, Turkey earthquake through digital analysis of post-event aerial photographs[J]. Int J Remote Sens, 25(21): 4701-4714. doi: 10.1080/01431160410001709976
Zhu L, Shimamura H, Tachibana K, Li Y, Gong P. 2008. Building change detection based on object extraction in dense urban areas[C]//The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Science. Beijing: International Society for Photogrammetry and Remote Sensing, XXXVII: 905-908.
计量
- 文章访问数: 742
- HTML全文浏览量: 403
- PDF下载量: 15
