基于最优分割的高分辨率遥感影像震害建筑物识别技术

杜妍开, 龚丽霞, 李强, 张景发

杜妍开, 龚丽霞, 李强, 张景发. 2020: 基于最优分割的高分辨率遥感影像震害建筑物识别技术. 地震学报, 42(6): 760-768. DOI: 10.11939/jass.20200027
引用本文: 杜妍开, 龚丽霞, 李强, 张景发. 2020: 基于最优分割的高分辨率遥感影像震害建筑物识别技术. 地震学报, 42(6): 760-768. DOI: 10.11939/jass.20200027
Du Yankai, Gong Lixia, Li Qiang, Zhang Jingfa. 2020: Earthquake damage building identification technology based on high resolution remote sensing image with optimal segmentation. Acta Seismologica Sinica, 42(6): 760-768. DOI: 10.11939/jass.20200027
Citation: Du Yankai, Gong Lixia, Li Qiang, Zhang Jingfa. 2020: Earthquake damage building identification technology based on high resolution remote sensing image with optimal segmentation. Acta Seismologica Sinica, 42(6): 760-768. DOI: 10.11939/jass.20200027

基于最优分割的高分辨率遥感影像震害建筑物识别技术

基金项目: 中国地震局地壳应力研究所中央级公益性科研院所基本科研业务费专项(ZDJ2018-14)资助
详细信息
    通讯作者:

    龚丽霞: e-mail:xiaolongzhu1900@hotmail.com

  • 中图分类号: P237

Earthquake damage building identification technology based on high resolution remote sensing image with optimal segmentation

  • 摘要: 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MS7.0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。
    Abstract: In order to improve the efficiency and the accuracy of information extraction about earthquake damage building, based on high resolution remote sensing image after the earthquake, and according to the features of earthquake damage buildings in remote sensing images, we took a case study of MS7.0 Haiti earthquake in 2010, through the ESP algorithm automatically chose the optimal segmentation scale to multi-scale segmentation of images, used object-oriented method to Haiti high-resolution remote sensing image information extraction of earthquake damage buildings. At the same time, it is compared with Support Vector Machine based on pixel, BP neural network and Decision Tree classification method based on CART algorithm, the experimental results show that the object-oriented classification method has better visual effect and higher classification accuracy, which is beneficial to the accurate extraction and rapid evaluation of earthquake damage information after the earthquake.
  • 地磁场按照变化特征可以分为稳定磁场和变化磁场,地磁场“日变化”是地球变化磁场的重要组成部分,太阳活动的影响产生变化磁场。变化磁场主要包括太阳静日变化、磁暴与地磁脉动等,是地球物理学地磁观测中记录的基本变化之一,地磁观测记录到的地磁变化是多种地磁信号叠加的结果(王亚丽等,2009)。由于低纬度地区的地磁场Z分量能灵敏地反映压磁效应,外空场的干扰也很小,所以,分析低纬地区Z分量日变化特征不仅能搞清其自身的变化规律,为深入研究赤道电射流效应提供依据,同时也可为震磁现象的研究提供帮助(张永忠,康国发,1995)。

    中国科学院于20世纪50年代末期建立了北京白家疃等7个地磁台,开始正式观测;1978年国家地震局成立以后,又陆续建立了满洲里等数十个地磁台,20世纪80年代中后期开始正式观测。随着经济的发展,‘九五’和‘十五’期间,陆续在全国各地建立了大量的地磁台,这些台站构成了中国地区地磁观测的基本台网(陈斌等,2010)。

    太阳活动(黑子谱、耀斑、日冕物质抛射和日珥抛射等)经过行星际空间、地球磁层、电离层和中性大气而影响着地球环境,对地球变化磁场有着重要影响。对地磁活动指数和太阳活动参数的统计分析有助于建立地磁与太阳活动之间的响应关系(徐文耀,2009)。太阳活动变化已成为研究地磁地震等自然现象成因或影响因素的重要内容。

    近年来许多学者研究地磁场低点位移和日变幅与地震发生的关系,并把它用于地震预报中,取得了较广泛的应用。例如:丁鉴海等(2003)研究垂直分量Z日变的低点位移与地震的关系,探讨了Z分量静日变幅月均值与地震的关系,其团队于2004年又根据地磁场Z分量日变幅变化异常与地震的对应关系进行了地震预测(丁鉴海等,2003);王庆玺和欧阳小龙(2001)分析了河南省6个台站相邻时段地磁场总强度的自相关系数,研究了各台站自相关系数的变化与地震的关系;袁桂平等(2018)利用江苏省地磁台站所记录的地磁垂直分量日变化幅度逐日比结合磁暴对逐日比异常与地震的对应关系进行研究,得到了磁暴时逐日比异常与地震的对应关系。通常认为,地磁场垂直分量与地下的介质密切相关,地震发生前Z分量日变化幅度会产生异常(冯志生等,2005)。

    因地磁场是矢量场,地磁场各要素值随时间的变化而变化,不同时间地磁场也是不相同的,各地磁台站记录的地磁场强度反映了当地地磁场的变化,且不同台站的各分量变化也有明显不同。

    为了研究我国21世纪以来地磁场日变化形态特征,本文拟利用2000—2020年我国区域地磁台站所记录的地磁观测数据,以及太阳活动变化对地磁场变化的影响,主要分析研究我国区域地磁场的日变形态变化特征,并探讨近年我国地磁场日变化的时空特征,为利用地磁场垂直分量的变化寻找地震地磁前兆提供参考和依据。

    地磁台垂直分量Z日变幅及极小值时间数据来自中国地震局地球物理研究所国家地磁台网中心;太阳黑子数来源于美国国家宇航局(National Aeronautics and Space Administration,缩写为NASA)和美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration,缩写为NOAA)。本文中采用的太阳黑子相对数是2000—2020年太阳黑子相对数的平滑均值。

    1) 统计我国地磁台站一个太阳日的极小值时间,初步分析中国大陆地区地磁场垂直分量极小值时间的特征。选择具有代表我国区域地磁场且有长期连续观测的基本台站(图1),检查台站每日观测数据,删除其中突跳的数据。

    图  1  我国地磁台分布示意图
    Figure  1.  Map of geomagnetic station distribution in China

    2) 日变化幅度年均值计算

    日变化幅度,简称日变幅,为Z分量一天中(24小时)日变化曲线上最大值与最小值之差,日变幅年均值为一年垂直分量日变幅总和除以总天数n

    $$ \begin{split} \\[-8pt] \Delta Z={\sum _{i=1}^{{n}}}\frac{ ( {Z_{\mathrm{max}}}-{Z_{\mathrm{min}}} ) }{i} \text{,} \end{split}$$ (1)

    式中,Zmax为最大值,Zmin为最小值,n为一年之中应用日变幅总天数。

    3) 采用皮尔逊相关系数法分析极小值与经度、日变幅$\Delta Z $与太阳黑子数R之间的相关关系,相关系数的表达式为

    $$ r ( x\text{,} y ) = \frac{{\mathrm{cov}} ( \mathrm{\Delta }Z\text{,} R ) }{\sqrt{{\mathrm{var}} ( \mathrm{\Delta }Z ) {\mathrm{var}} ( R ) }}\text{,} $$ (2)

    4) 计算台站地磁场Z分量不同季节日变化幅度年均值,即

    $$ \Delta Z_{m}= \frac{ {\sum\limits _ {n=1}^{4}}\mathrm{\Delta }Z_{n}}{4} \text{,} $$ (3)

    式中,$\Delta Z_{m} $为劳埃德不同季节日变幅年均值,$\Delta Z_{n} $为劳埃德季节中日变幅月均值。

    地磁日变化起源于电离层中的电流体系,其变化周期为一个太阳日,即一天(24小时)。该时间尺度的地磁观测资料的变化特征包含了静日变化、绕日变化及快变化等。我国地处北半球,Sq电流系使得地磁场垂直分量变化形态近似余弦函数,因此地面观测的地磁垂直分量日变化形态在正午前后出现极小值,称之为“日变低点”,也称为极小值时间。以2014年1月16日(世界时)磁静日为例,图2给出了我国区域河北红山台(简称LYH)垂直分量Z日变化曲线,呈现极大值—极小值—极大值的形态。因我国地域广阔,东西向跨度大,各地区极小值时间出现时间不同,但基本均出现在当地时间午时前后。

    图  2  2014年1月16日红山地磁台(LYH)垂直分量Z日变化曲线图
    Figure  2.  Daily variation curve of the vertical component at Hongshan geomagnetic station on January 16th,2014

    为分析垂直分量Z极小值时间的特征,本文选取我国区域具有代表性的15个地磁台记录的2014年Z极小值时间,统计结果列于表1。可以看出Z极小值时间集中在11: 00—14: 15(北京时间)之间,我国东部地区德都台极小值时间为11: 10,出现得最早,西部地区喀什台极小值时间为14: 13,出现得最晚,东西地区极小值时间相差了3小时3分钟。经研究分析发现,较大经度对应较早的Z极小值时间,较小经度对应较晚的Z极小值时间,即Z的极小值时间随着台站经度的增大出现得越来越早,Z分量极小值时间与台站地理经度其有相关性。利用皮尔逊(Pearson)相关关系法计算Z分量极小值时间与经度之间的相关系数,得到R=−0.976,二者存在高度负相关关系,极小值时间与纬度之间的相关系数R=−0.391,与纬度无明显相关性。

    表  1  2014年我国Z分量极小值时间统计表
    Table  1.  The minimum time statistics of Z-component in China in 2014
    序号台站名简称极小值时间序号台站名简称极小值时间
    1喀 什KSH14:139太 原TAY12:36
    2乌鲁木齐WMQ13:5810红 山LYH12:25
    3拉 萨LSA13:4611静 海JIH12:19
    4格尔木GLM13:4112满洲里MZL11:51
    5西 昌XIC12:5813大 连DLG11:50
    6通 海THJ12:5814长 春CHC11:42
    7成 都CDP12:5815德 都DED11:10
    8邕 宁YON12:40
    下载: 导出CSV 
    | 显示表格

    丁鉴海等(2003)利用白家疃等12个地磁台1—3年的观测资料的分析结果及王亚丽等(2009)利用1987—2007的地磁资料的统计分析均发现低点时间符合正态分布规律。因地磁场是矢量场,其随着时间不断发生变化。为了探究21世纪地磁场Z分量极小值时间连续区间上的变化特点,本文选取2015—2020年河北红山地磁台6年的观测记录,包括地磁静日、扰日和磁暴等记录的具体日期,从中共获得Z分量极小值时间2 193个,并以此为样本,对Z分量极小值时间作统计分析,得到90%的置信区间在12.35—12.68 h之间,极小值时间曲线明显呈现钟型,即两头低,中间高,左右对称的形态,符合正态分布规律,Z分量极小值时间平均在12: 25 (北京时间BJT),标准差δ=72 min,99.0%的数据集中在±3δ标准差之内。利用同样方法对其它台站Z分量极小值时间进行统计(图3),从图中可以看出,所有台站的地磁场分量极小值时间均符合正态分布规律,与丁鉴海等(2004)统计的低点时间符合正态分布规律的结果一致。

    图  3  垂直分量Z极小值时间分布图
    Figure  3.  Minimum time distribution of vertical component Z

    日变化幅度简称日变幅,地磁台的日变幅大小能直接反映地磁场一天活动的强弱。太阳活动对地磁场影响很大,太阳活动高年磁暴频繁发生,强度很大,太阳活动低年磁暴出现很少。在分析太阳活动周期时采用最多的数据就是太阳黑子数。太阳黑子数又称沃尔夫黑子相对数R,是描述太阳活动非常重要的一种参数,也是分析太阳活动周期时经常应用的指数(乐贵明,王家龙,2004)。根据太阳表面太阳黑子出现的平均数量和频率,太阳黑子数有大致11年的周期性,最长周期为13.6年,最短周期为9年(叶式辉,1978)。

    为分析太阳活动对我国区域台站地磁场Z分量日变幅的影响,本文选取我国区域9个长期连续观测的地磁基准台2000—2020年地磁场垂直分量Z日变幅值,根据式(1)和式(2)计算2000年—2020年日变幅年均值$\Delta Z $与太阳黑子数R的相关系数(表2)。图4给出了2000—2020年地磁垂直分量日变幅年均值长期变化曲线与太阳黑子数的对比图。从图4可以看出,9个地磁站Z分量日变幅均值曲线与太阳黑子数都存在波峰波谷周期性变化,且变化趋势一致,太阳黑子数量多时ΔZ值大,太阳黑子数量少时ΔZ值也小,Z分量日变幅年均值ΔZ受太阳黑子数量的影响,具有大致11年的周期性。由此可见,日变幅年均值ΔZ受太阳黑子数影响,两者之间存在显著关联,当日变幅年均值ΔZ与太阳黑子数的相关系数介于0.843—0.987之间时,相关系数平均为0.929,两者存在高度正相关关系。

    表  2  2000—2020年地磁场垂直分量日变幅与太阳黑子数量间的相关系数
    Table  2.  Correlation coefficients between daily variation amplitude and sunspot number during 2000−2020
    地磁台站 相关系数 地磁台站 相关系数
    CHC 0.932 LZH 0.843
    COM 0.925 THJ 0.855
    CDP 0.987 WLM 0.937
    LSA 0.968 QGZ 0.912
    LYH 0.977
    下载: 导出CSV 
    | 显示表格
    图  4  2000—2020年地磁场垂直分量日变幅ΔZ(黑色)与太阳黑子数R(红色)曲线对比图
    Figure  4.  Comparison of daily variation amplitude of vertical component of geomagnetic field (ΔZ) curves (black) and sunspot number R (red) curves during 2000−2020

    2000—2020年太阳活动处于第23周期和第24周期,本文选用第24周期的太阳活动高年2014年和太阳活动低年2019年来分析一个太阳活动周期内太阳黑子数对地磁场垂直分量Z的影响。图5给出了我国27个地磁台的垂直分量在太阳活动高年和太阳活动低年的年均值ΔZ对比图,从图中可以明显看出,27个地磁台太阳活动高年的ΔZ大于太阳活动低年的ΔZ,不同地磁台在太阳活动高年和太阳活动低年日变幅变化幅度不同。除了有共性特征外,还存在明显的差异:在太阳黑子活动高年2014年和太阳黑子活动低年2019年,Z分量日变幅年均最大值均在云南省通海台,分别为38.2 nT和31.8 nT,Z分量日变幅年均最小值均在长春台,分别为18.7 nT和13.6 nT。不论太阳活动高年还是太阳活动低年,Z分量日变幅在我国南方地区均高于北方地区。

    图  5  2014年(太阳活动高年)和2019年(太阳活动低年)地磁场垂直分量日变幅差值图
    Figure  5.  Daily variation amplitude difference between 2014 (solar maximum) and 2019 (solar minumum)

    为了分析地磁场Z分量日变化幅度的季节变化特征,本文采用劳埃德季节(Lioyd’s season)划分方法,即一年分为3个季节:3月、4月、9月和10月是分点月份(春分和秋分),用E表示,5月、6月、7月和8月是夏至点月份,用J表示,11月、12月、1月和2月是冬至点月份,用D表示,其每个季节对应的Z分量日变幅的平均值分别表示为ΔZE,ΔZJ,ΔZD

    根据式(3)劳埃德季节算法计算了2014和2019年我国区域台站的ΔZE,ΔZJ,ΔZD,分析地磁场垂直分量在不同季节的时空变化特征。图6为根据克里金差值法绘制的不同季节日变幅等值线图,即在太阳活动高年(2014年)和太阳活动低年(2019年)的分点月份、夏至点月份和冬至点月份的日变幅变化图。从图中可以看出,三个季节日变幅曲线均呈现波峰波谷的形态,不同季节变幅的变化较大,形态变化则较小。在太阳活动高年(2014年) ΔZJ最大,为31.5 nT,ΔZD最小,为21.4 nT,夏至点月份与冬至点月份日变幅相差了10.1 nT;在太阳活动低年(2019年) ΔZJ最大,为24.2 nT,ΔZD最小,为12.4 nT,夏至点月份与冬至点月份日变幅相差11.8 nT,说明夏至点月份地磁场比较活跃,冬至点月份地磁场比较平静,分点月份介于二者之间。太阳活动高年(2014年)三个季节日变幅均值大于太阳活动低年(2019年)相应季节日变幅均值,分点月份相差了7.3 nT,夏至点月份相差8.1 nT,冬至点月份相差9.0 nT,2014年地磁活动比2019年强烈,受太阳黑子活动影响较大。

    图  6  地磁场垂直分量在太阳活动高年(2014年)(左)和太阳活动低年(2019年)(右)不同季节的日变幅等值线图
    (a) 分点月份;(b) 夏至点月份;(c) 冬至点月份
    Figure  6.  Contour map of daily variation amplitude of vertical component in geomagnetic field in different seasons in high solar year (2014)(left) and low solar year (2019) (right)
    (a) Equinox month;(b) Summer solstice month;(c) Winter solstice month

    为了研究中国地区地磁场垂直分量的总体变化特征,利用我国地磁台站的日变幅数据绘制了我国区域2014年和2019年Z分量日变幅等值线(图7)。从图中可以看出,太阳活动高年(图7a)和太阳活动低年(图7bZ分量日变幅等值线变化一致,呈现波峰波谷的形态,日变幅数值随纬度的增加而减小。同一地区,太阳活动高年日变幅明显高于太阳活动低年。且从图中可以明显看出,不论太阳活动高年还是太阳活动低年,中高纬度地区日变幅ΔZ小于中低纬地区ΔZ,我国西南部区域Z分量日变幅年均值大于北部。

    图  7  太阳活动高年(2014)(a)和太阳活动低年(2019)(b)地磁场垂直分量日变幅等值线图
    Figure  7.  Contour map of daily variation amplitude of vertical component in geomagnetic field in high (2014) and low (2019) solar activity years

    地磁台站垂直分量日变幅在不同季节或在太阳活动高、低年表现出的不同变化是由太阳活动引起的。值得一提的是,在中国地区最大日变幅值出现在云南通海台,无论是在太阳活动高年还是低年,分点月和夏至月月均值的最大值同样在云南通海台。云南地区日变幅不仅与太阳活动有关,也与云南省位于特殊的地理位置有关,该省处于欧亚板块与印度洋板块相互作用的边缘地带,地下电性结构及地质构造复杂,地下电阻率存在异常(陈伯舫,1974赵旭东等,2022)。由此说明地磁场日变幅受太阳活动的影响,会随着太阳黑子数的变化而变化,地磁场日变幅的影响主要来自于高空对地球磁场的影响。

    本文利用2000—2020年中国地磁台垂直分量Z数据分析了地磁场垂直分量在地方时正午前后出现极小时间的分布特征,同时系统地分析了地磁场垂直分量日变化与太阳活动之间的关系,太阳活动高年、低年以及不同季节日变幅的变化,得到以下结论:

    1) 我国地磁场垂直分量日变曲线呈现上升—下降—上升的形态。不同地区的地磁观测台记录到的垂直分量极小值出现的时间有所不同,这一时间点随着地理经度的增大而提前,显示出与观测台站经度之间强烈的负相关性;极小时间通常出现在地方时的午时,且这一时间具有显著的当地时间依赖性,其分布符合正态分布规律。

    2) 地磁场垂直分量Z日变幅受太阳黑子活动的影响,两者存在高度正相关性,太阳黑子数越大,地磁活动越强,在太阳活动高年,Z分量日变化幅度明显大于太阳活动低年日变幅,日变幅曲线存在大约11年的周期性。太阳活动对日变幅影响差异不同,我国区域地磁场低纬度区域日变幅高于高纬度地区。

    3) 根据劳埃德季节分布发现,无论是太阳活动高年还是太阳活动低年,不同季节的Z分量日变化幅度在5月、6月、7月和8月明显大于11月、12月、1月和2月;太阳活动高年同一季节日变幅大于太阳活动低年日变幅,在太阳活动高年表现出较高强度的变化,垂直分量Z日变幅具有明显的季节分布特征。

    因日变化随着地理纬度和地方时变化,这些变化是由Sq (地球电场的一种日变化)电流体系引起的,同时还受到季节和太阳活动的影响。不同季节产生的影响也不同,且地磁台站的地理位置也会对此产生一定的影响(赵旭东等,2022),Z分量日变幅变化也不同,太阳活动对我国区域地磁台日变幅影响存在差异,南方区域地磁场日变幅高于北方地区。

    地磁场日变化是地磁学和震磁关系研究的一项基础性工作,可以反映区域电磁性质变化,本文的分析研究结果对认识和了解地磁场日变化特征和规律、为研究赤道电射流效应对地磁场的影响、外空对地球磁场的影响及了解地球内部活动提供了依据,也为地磁场日变化异常分析、地磁异常提取及地震研究工作提供一定的参考信息。

  • 图  1   主要技术流程

    Figure  1.   Main technical flow

    图  2   基于ESP算法的最优尺度分割评估结果

    Figure  2.   Evaluation results of optimal segmentation scale based on ESP algorithm

    图  3   实地调查的矢量结果

    Figure  3.   Vector results of field investigation

    图  4   研究区位置示意图

    Figure  4.   Location of the studied area

    图  5   基于面向对象分类结果

    Figure  5.   Classification results based on object-oriented

    图  6   基于各种方法的“噪声”现象对比

    Figure  6.   Comparison of “noise” phenomena based on various methods

    图  7   BP神经网络(a)、SVM(b)、基于CART算法决策树(c)分类结果

    Figure  7.   Classification results of BP neural network (a),SVM (b),decision tree based on CART algorithm method (c)

    表  1   各地物的特征规则集

    Table  1   The feature rule set of a variety of surface features

    地物类别特征规则集
    阴影亮度≤23
    植被均值≤30.5;矩形度≤0.9;紧致度≥1.61
    完全损毁建筑物GLCM角二阶矩≤0.002;GLCM同质性≤0.06;标准差≥30
    基本完好建筑物标准差≤12或标准差≥20;GLCM熵≥9;4.1≤GLDV熵≤4.3
    1.925≤密度≤2.222或1.19≤密度≤1.39
    中度破坏建筑物还未分类
    注:GLCM为灰度共生矩阵,GLDV为灰度差分矢量。
    下载: 导出CSV

    表  2   矢量分类结果中建筑物数量

    Table  2   The number of buildings achieved from the vector classification results

    建筑物类型实地调查所得数据个数面向对象分类所得数据个数
    基本完好建筑物274194
    中度破坏建筑物237308
    完全损毁建筑物235212
    总计746714
    下载: 导出CSV

    表  3   各分类方法的精度评价

    Table  3   Accuracy evaluation of various classification methods

    方法总体精度Kappa系数方法总体精度Kappa系数
    SVM 70.37% 0.5966 基于CART算法决策树 76.22% 0.633 0
    BP神经网络 74.96% 0.6537 面向对象 87.10% 0.819 3
    下载: 导出CSV

    表  4   各分类方法的错分率

    Table  4   The error rate of various classification methods

    方法基本完好中度破坏完全损毁
    SVM36.73%33.22%18.62%
    BP神经网络30.53%30.24%16.00%
    基于CART算法决策树37.00%40.44%9.08%
    面向对象20.00%5.56%14.29%
    下载: 导出CSV
  • 陈云浩,冯通,史培军,王今飞. 2006. 基于面向对象和规则的遥感影像分类研究[J]. 武汉大学学报(信息科学版),31(4):316–320.

    Chen Y H,Feng T,Shi P J,Wang J F. 2006. Classification of remote sensing image based on object oriented and class rules[J]. Geomatics and Information Science of Wuhan University,31(4):316–320 (in Chinese).

    龚丽霞,李强,张景发,曾琪明,刘明众,李成龙. 2013. 面向对象的房屋震害变化检测方法[J]. 地震,33(2):109–114. doi: 10.3969/j.issn.1000-3274.2013.02.014

    Gong L X,Li Q,Zhang J F,Zeng Q M,Liu M Z,Li C L. 2013. Object-oriented detection of earthquake building damages[J]. Earthquake,33(2):109–114 (in Chinese).

    李强,张景发,龚丽霞,薛腾飞,蒋洪波. 2018. SAR图像纹理特征相关变化检测的震害建筑物提取[J]. 遥感学报,22(增刊1):128–138.

    Li Q,Zhang J F,Gong L X,Xue T F,Jiang H B. 2018. Extraction of earthquake-collapsed buildings based on correlation change detection of multi-texture features in SAR images[J]. Journal of Remote Sensing,22(S1):128–138 (in Chinese).

    李强,张景发,罗毅,焦其松. 2019. 2017年“8.8”九寨沟地震滑坡自动识别与空间分布特征[J]. 遥感学报,23(4):785–795.

    Li Q,Zhang J F,Luo Y,Jiao Q S. 2019. Recognition of earthquake-induced landslide and spatial distribution patterns triggered by the Jiuzhaigou earthquake in August 8,2017[J]. Journal of Remote Sensing,23(4):785–795 (in Chinese).

    牟多铎,刘磊. 2019. ELM与SVM在高光谱遥感图像监督分类中的比较研究[J]. 遥感技术与应用,34(1):115–124.

    Mou D D,Liu L. 2019. Comparative study of ELM and SVM in hyperspectral image supervision classification[J]. Remote Sensing Technology and Application,34(1):115–124 (in Chinese).

    王东明,许立红. 2016. 破坏建筑物遥感信息提取技术:以尼泊尔8.1级地震为例[J]. 自然灾害学报,25(3):124–129.

    Wang D M,Xu L H. 2016. Extraction technology of remote sensing information on building damage:A case study of MS8.1 Nepal earthquake[J]. Journal of Natural Disasters,25(3):124–129 (in Chinese).

    吴剑. 2010. 基于面向对象技术的遥感震害信息提取与评价方法研究[D]. 武汉: 武汉大学: 1–5.

    Wu J. 2010. The Research of Earthquake Information Extraction and Assessment Based on Object-Oriented Technology with Remotely-Sensed Data[D]. Wuhan: Wuhan University: 1–5 (in Chinese).

    游永发,王思远,王斌,马元旭,申明,刘卫华,肖琳. 2019. 高分辨率遥感影像建筑物分级提取[J]. 遥感学报,23(1):125–136.

    You Y F,Wang S Y,Wang B,Ma Y X,Shen M,Liu W H,Xiao L. 2019. Study on hierarchical building extraction from high resolution remote sensing imagery[J]. Journal of Remote Sensing,23(1):125–136 (in Chinese).

    张峰,薛艳丽,李英成,丁晓波. 2008. 基于SVM的多源遥感影像面向对象建筑物提取方法[J]. 国土资源遥感,47(2):27–29.

    Zhang F,Xue Y L,Li Y C,Ding X B. 2008. Object-oriented building extraction of multi-source remote sensing imagery based on SVM[J]. Remote Sensing for Land &Resources,47(2):27–29 (in Chinese).

    张景发,李强,焦其松. 2017. 建筑物震害多源遥感特征与机理分析[J]. 地震学报,39(2):257–272. doi: 10.11939/jass.2017.02.009

    Zhang J F,Li Q,Jiao Q S. 2017. Multi-source remote sensing characteristics and mechanism analyses of building seismic damages[J]. Acta Seismologica Sinica,39(2):257–272 (in Chinese).

    赵萍,傅云飞,郑刘根,冯学智,Satyanarayana B. 2005. 基于分类回归树分析的遥感影像土地利用/覆被分类研究[J]. 遥感学报,9(6):708–716. doi: 10.11834/jrs.200506103

    Zhao P,Fu Y F,Zheng L G,Feng X Z,Satyanarayana B. 2005. Cart-based land use/cover classification of remote sensing images[J]. Journal of Remote Sensing,9(6):708–716 (in Chinese).

    赵妍. 2017. 建筑物震害遥感影像面向对象变化检测研究[D]. 北京: 中国地质大学(北京): 1–5.

    Zhao Y. 2017. The Research of Building Earthquake Damage Change Detection Based on Object-Oriented Technology With Remote Sensing Image[D]. Beijing: China University of Geosciences (Beijing): 1–5 (in Chinese).

    Alonso-Benito A,Arroyo L A,Arbelo M,Hernández-Leal P,González-Calvo A. 2013. Pixel and object-based classification approaches for mapping forest fuel types in Tenerife Island from ASTER data[J]. Int J Wildland Fire,22(3):306–317. doi: 10.1071/WF11068

    Baatz M, Schäpe A. 1999. Object-oriented and multi-scale image analysis in semantic networks[C]//Proceedings of the 2nd International Symposium on Operationalization of Remote Sensing. Enschede: 16–20.

    Benediktsson J A,Swain P H,Ersoy O K. 1990. Neural network approaches versus statistical methods in classification of multisource remote sensing data[J]. IEEE Trans Geosci Remote Sens,28(4):540–550. doi: 10.1109/TGRS.1990.572944

    Drăguţ L,Tiede D,Levick S R. 2010. ESP:A tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data[J]. Int J Geograph Inf Sci,24(6):859–871. doi: 10.1080/13658810903174803

    Drăguţ L,Csillik O,Eisank C,Tiede D. 2014. Automated parameterisation for multi-scale image segmentation on multiple layers[J]. ISPRS J Photogr Remote Sens,88:119–127. doi: 10.1016/j.isprsjprs.2013.11.018

    Hussain M,Chen D M,Cheng A,Wei H,Stanley D. 2013. Change detection from remotely sensed images:From pixel-based to object-based approaches[J]. ISPRS J Photogr Remote Sens,80:91–106. doi: 10.1016/j.isprsjprs.2013.03.006

    Li Q,Gong L X,Zhang J F. 2019. A correlation change detection method integrating PCA and multi-texture features of SAR image for building damage detection[J]. Eur J Remote Sens,52(1):435–447. doi: 10.1080/22797254.2019.1630322

    Li X D,Yang W N,Ao T Q,Li H X,Chen W Q. 2011. An improved approach of information extraction for earthquake-damaged buildings using high-resolution imagery[J]. J Earthq Tsunami,5(4):389–399. doi: 10.1142/S1793431111001157

    Gulsen T K,Musaoglu N,Ersoy O K. 2011. Damage assessment of 2010 Haiti earthquake with post-earthquake satellite image by support vector selection and adaptation[J]. Photogrammetr Eng Remote Sens,77(10):1025–1035. doi: 10.14358/PERS.77.10.1025

    Turker M,Koc-San D. 2015. Building extraction from high-resolution optical spaceborne images using the integration of support vector machine (SVM) classification,hough transformation and perceptual grouping[J]. Int J Appl Earth Observ Geoinform,34:58–69. doi: 10.1016/j.jag.2014.06.016

图(7)  /  表(4)
计量
  • 文章访问数:  630
  • HTML全文浏览量:  322
  • PDF下载量:  25
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-02-23
  • 修回日期:  2020-05-28
  • 网络出版日期:  2021-02-06
  • 发布日期:  2020-11-14

目录

/

返回文章
返回