文档介绍：该【基于DInSAR技术监测地震形变及深度学习提取损毁建筑物 ——以厄瓜多尔为例 】是由【珍珠夸克】上传分享，文档一共【5】页，该文档可以免费在线阅读，需要了解更多关于【基于DInSAR技术监测地震形变及深度学习提取损毁建筑物 ——以厄瓜多尔为例 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。
2021年9月BeijingSurveyingandMappingSeptember2021
引文格式:郭天豪,解斐斐,[J].北京测绘,2021,
35(9):1225-1229.
Referenceformat:GUOTianhao,XIEFeifei,
andExtractingDamagedBuildingsbyDeepLearning[J].BeijingSurveyingandMapping,2021,35(9):1225-1229.
DOI:.1007-
基于DInSAR技术监测地震形变及深度
学****提取损毁建筑物
———以厄瓜多尔为例
郭天豪1解斐斐1,2霍志玲1
(,山东青岛266590;,山东青岛266590)
[摘要]针对地震导致的地表变形、建筑物损坏等问题,利用合成孔径雷达差分干涉测量技术检测受
灾区,并利用深度卷积网络提取损坏建筑物。以2016年4月16日厄瓜多尔地震为例,利用Sentinel-1A雷达
数据获取地震形变。结果表明:厄瓜多尔地区整体地震形变在0~,;结合
光学遥感影像进行分析,结果表明:80%损坏严重的建筑物存在于形变变化区域,形变较大区域道路受阻更
为严重。基于高分辨率Worldview2光学卫星数据,利用ENVINet5深度卷积网络提取损坏建筑物,分类精度
为74%,验证其在震后建筑物提取应用的可行性。
[关键词]合成孔径雷达干涉测量;地震形变;深度学****网络;建筑物信息提取
[中图分类号]P258[文献标识码]A[文章编号]1007-3000(2021)09-1225-05
效途径[3-4]。为了提高地形形变精度,基于干涉
0引言
原理的合成孔径雷达干涉测量技术(Differential
根据中国地震台网数据显示,世界上地震发InterferometricSyntheticApertureRadar,DInSAR)
生频率非常频繁,2019年4月至2020年4月仅通过相位信息变化获得形变信息,精度可达到厘
强震()就发生了120余次。地米级甚至毫米级[5-7]。刘欢等基于成昆铁路复线
震若发生在人口密度大、建筑物密集地区,会严重工程需要,利用DInSAR技术监测垂直形变并验
危及当地人民的生命财产安全[1]。在当前技术手证其可行性与精度[8];焦昊分析了差分干涉方
段下,预测地震难题依旧没有解决。如何正确评估法,利用其监测山西霍尔辛赫煤矿地形形变并提
地震造成的地表破坏,特别是灾区建筑物破损统计出了具体解决方案[9];Emanuela等基于DInSAR
分布情况,对政府相关部门制定救灾方案、最大限测量技术建立数学模型分析造成东阿塞拜疆地
度地减少人员伤亡和财产损失等至关重要[2-3]。震的主要原因[10];Lorenzo等通过分析了250多
合成孔径雷达(SyntheticApertureRadar,篇论文综述InSAR技术在意大利滑坡监测研究
SAR)作为一种非接触式测量手段,具有全天时、方面的实际应用[4],有力地论证了干涉技术在监
全天候地对地观测优势,随其不断发展的SAR监测地形形变的优势。
测手段,已成为监测地震、火山等自然灾害的有随着高分辨率遥感技术的发展,利用高分辨
[收稿日期]2020-11-04
[基金项目]2019年国家级大学生创新创业训练计划项目(201910424033)
[作者简介]郭天豪(1998—),男,山东青岛人,大学本科在读,研究方向为摄影测量与遥感。
E-mail:******@
[通讯作者]万方数据解斐斐,E-mail:******@
1226北京测绘第35卷第9期
率遥感影像为震害损毁建筑物提取提供了有利
基础,成为当前研究的热点问题之一。然而,传
统的基于像元的方法由于“椒盐噪声”存在,解译
精度不高;面向对象的分割方法需要按照不同尺
度分割建立不同的尺度特征,自动化程度低,无
法充分满足抗震救灾、应急指挥的要求[11]。近年
来,基于机器学****的方法研究十分活跃,深度学<br****算法具有自学****和较强的容错能力,被广泛应
图1双轨法原理图
用于遥感图像处理,为高效、自动化震区损毁建
筑物提取提供可能性[12]。works,CNN)通过多层神经元组合低层特征形成
本文利用覆盖厄瓜多尔地区两景Sentinel-1A抽象的高层特征(属性类别或特征),整合特征提
数据,采用差分干涉提取地震的形变场;基于高取和分类器建模到一个学****框架下,减少人工/
分辨率Worldview2光学卫星数据,利用ENVINet5人为设计特征的工作。根据研究需要,本文选用
深度卷积网络对提取损坏建筑物,该研究为高ENVINet5卷积神经网络。
效、自动化提取地震信息提供技术参考。网络的输入是一张572×572的RGB影像,
共有5个尺度,9个块(block);编码器结构中的4
1原理与方法个block均由3个有效卷积和一个最大值池化的
,通过卷积和下采样降低Featuremap
DInSAR是利用形变事件发生前后的两期或尺寸增加个数,最终得到了32×32尺寸的Fea-
多期合成孔径雷达数据,通过干涉图差分处理来turemap;解码器结构中的4个block(最后一个略
获取地表微小形变的测量技术[13-14]。合成孔径有不同)由3个有效反卷积和1个上采样组成,
雷达生成的干涉条纹图主要包含五项相位信息:通过裁剪、合并相应尺度的Featuremap,最终得
地形相位、形变相位、大气延迟相位、平地相位和到了一个386×386尺寸的类别激活栅格。类别
相位噪声,相位计算公式为[15-16]激活栅格是一个灰度图像,其像素大致代表给定
特征的概率,图像越明亮的地方匹配度越高[19]。
φ=φdef+φtopores+φatm+φflat+φnoise(1)
式中,φdef为视线向的形变相位;φtopores为地形相2试验与分析
位;φatm为大气延迟相位;φflat为平地相位;φnoise为
噪声相位。
要获取地表的形变信息,必须消除其他的无本文选取2016年4月厄瓜多尔地震作为研究
用相位信息[17]。目前DInSAR技术主要有双轨对象,厄瓜多尔位于南美洲西北部,南接秘鲁,西境
2
法(two-pass)、三轨法(three-pass)、四轨法(four-濒临太平洋,国土面积约28万km。2016年4月
pass)三种方法。双轨法最早由Massonnet等[18]16日18时53分37秒,
提出,核心思想是利用形变事件前后两幅SAR影地震,,°N,
像生成干涉条纹图,°W,造成668人死亡,超23万人受伤。
(DigitalElevationModel,DEM)数据模拟地形干本文的数据源有两部分,一部分是用于地形
涉条纹图,从而消除地形相位信息的影响,得到变形监测的Sentinel-1A雷达数据和数字高程模型
地表形变信息,公式如下[18]:(Digitalelevationmodel,DEM)数据,另一部分是进
λ行震害损毁建筑物提取的Worldview2光学卫星数
ΔR=(φ-φ)(2)
4πptp据()。其中雷达数据为2016年4月
式中,ΔR为形变信息;φp为两幅SAR影像生成12日和24日两幅厄瓜多尔区域Sentinel-1A干涉
的干涉相位信息;φtp为地形相位信息。双轨差分宽幅模式斜距单视复数(IWSLC)卫星数据,极化
干涉原理如图1所示。方式为同向极化(VV),分辨率为5×20m,具体参
。DEM数据选用SRTMV490m
卷积万方数据神经网络(ConvolutionalNeuralNet-DEM产品。
第35卷第9期郭天豪,解斐斐,
表1SAR影像具体参数
日期轨道号极化方式观测模式分辨率/m重复周期/d波长/mm
2016-04-1240VVIW5×
2016-04-2440VVIW5×
注:IW为干涉宽幅模式;VV为同向极化。
,解缠结
本文采用双轨差分干涉雷达技术对4月16果如图3所示。为了实现控制测量,需要人工选
日厄瓜多尔地震区域进行震后形变场反演,具体择控制点,应优先在去平后的干涉图上选择控制
流程如图2所示。点,避免有地形相位没有去除的区域和变化的区域
(干涉条纹密集区域);尽量选择相干性高的区域,
远离形变区,避免解缠错误的区域,不能位于解缠
错误的相位跃变上(phasejump),如相位孤岛等。
本文利用三次多项式校正方法,选取26个点,得到
。去除残差后
,。图4为转换到
制图坐标系下的形变数据,该形变数据表明厄瓜多
尔地区整体地震形变在0~。
图2形变反演流程图
当基线的垂直分量超出临界线的极限时,相
位信息不会被保留,相干性也将丧失,无法实现
干涉测量,只有当地面反射率具有多于两个天线
重叠时才能产生干涉图。
通过ENVI软件进行基线估计的运算以获得
主从影像基础信息及影像质量,雷达波一次2π
,可以检图3相位解缠图
。然后利用2
期Sentinel-1A的干涉宽幅模式数据,对距离相与
方位相参数调整,结合DEM中的投影坐标参数,
可以得到配准后的干涉条纹图。该干涉图是由两
部分组成的:一是平地相位干涉条纹,由于两次观
测的几何关系不同,即便观测的是平地,两回波信
号也会有一个相位差,形成干涉条纹;二是由实际
观测的地形产生的相位差。必须去掉前者,以得到
纯粹反映观测地形的干涉图,称为去平地效应。本图4形变结果图
文利用DEM数据对干涉相对去除平地效应。
本文从DigitalGlobe提供的光学影像中选取
由于三角函数的周期性,干涉相位的测量值
震后特征明显的建筑物区域,结合形变数据生成
都位于[-,],与真实相位相差2的整数倍,
πππ结果分析图(图5);从光学影像中可以看出,部分
相应的相位图呈条纹状。为了将所测得的相位损坏建筑物特征明显且大部分废墟在形变变化
信息转换成与传播路径直接相关的物理量,必须处;形变大的区域地形损坏较为严重,建筑物坍
对干涉相位的测量值进行二维相位展开处理。塌也会导致救援困难,大形变区域和形变变化区
本文采用最小费用流(MinimumCostFlow)进行域是损坏建筑物大概率存在处,也是灾后救援和
相位解缠万方数据,该方法使用于当有大面积的低相干或财产评估的重点。
1228北京测绘第35卷第9期
情况。由图9可知,对比光学影像和形变场结果
影像的相同区域,损坏建筑物分布在形变的变化
交界处附近,符合实际情况。
图5形变感兴趣区结果图
3震害损毁建筑物提取
全损坏建筑物指研究区光学影像中所提取
出来的全部损坏建筑物,废墟是指已经坍塌的建
筑物。由于提取结果是概率栅格图,因而需要选图7废墟提取结果图
择合适的概率值来区分不同损坏程度的建筑物,
废墟提取结果是在全损坏建筑物提取结果的基
础之上,通过目视解译选择合适的概率值筛选出
废墟,概率值68%以上为废墟。实验数据选取
DInSAR沉降形变大且房屋特征明显的子影像区
域,输入原始影像和标签数据训练分类模型,调
整网络参数,主要有损失权重、叠代次数、采样密
度等[19],提取流程如图6所示。
图8损坏建筑物提取结果图
图6提取损毁建筑物流程图图9损坏建筑物和形变场对比图
基于ENVINet5的深度学****框架进行研究区研究区损坏建筑物样本数为27个,正确分
建筑物提取和损坏建筑物提取。结果表明:提取类数为20个;建筑物样本为79个,正确分类数为
较大废墟效果较好,对于损坏程度较小的建筑物63个。由此可知,通过ENVINet5提取的损坏建
只能提取小部分。因为其框架是根据感兴趣区筑物精度达到74%,建筑物精度达到79%。说明
特征符合程度分类,特征越明显,概率越大,而损基于ENVINet5的深度学****网络框架对建筑物进
坏程度较小的建筑物特征不明显,概率就比较行提取精度较高,为震后受灾情况分析提供了良
小,提取结果如图7~8所示。好的科学依据,具有较强的可行性。
研究区光学影像和形变结果的影像空间分
4结束语
,在经过多次余震后,老房或旧房
万方数据
等建筑物在形变量较低的情况下,极易发生损坏本文以厄瓜多尔地区为研究区域,基于Sen-
第35卷第9期郭天豪,解斐斐,
tinel-1A雷达数据,采用双轨干涉测量技术,反演学报(工学版),2013,43(S1):92-95.
厄瓜多尔地震形变场;利用ENVI5提供的Deep[6]吴涛,[J].遥感信息,2007
(1):84-89.
Learning模块的ENVINet5深度卷积网络对[7]
Worldview2光学卫星数据提取震后损坏建筑物。研究[D].三河:防灾科技学院,2018.
DInSAR形变结果显示,厄瓜多尔地区整体形变[8]刘欢,
值在0~,越靠近震中,地表凹陷程度越直变形监测中的应用[J].铁道建筑,2020,60(3):67-72.
[9][J].西部
大;远离震中,地表形变趋于0。由损坏建筑物分探工程,2020,32(3):159-161,165.
布可以看出,在形变值变化区域有80%以上概率[10]EMANUELAV,
存在损坏度较大建筑物,地形形变明显,道路阻Modelofthe2019,,East-AzerbaijanEarthquake(NW
塞严重,该区域应该成为后续救援的重点。利用Iran)ThroughtheInversionofSentinel-1DInSARMeasure-
ments[J].RemoteSensing,2020,12(8):1346.
深度卷积神经网络ENVINet5提取损坏建筑物的[11]吴剑,
过程为概率提取,相似程度越大,其概率越高。[J].地理与地理信息科学,2013,29(3):35-38.
本文所选感兴趣区提取分类精度达74%,这说明[12]
基于深度卷积网络在高分辨率光学影像上提取法[J].内江师范学院学报,2020,35(8):51-55.
[13]
灾后建筑物,精度高,效率高,节省人力、物力,有
时空分布特征[J].测绘学报,2019,48(2):135.
较好的可行性,对灾后房屋评估、灾区重建等提[14]侯丽燕,
供了科学依据。序列发震断层特征研究[J].地球物理学报,2020,63(4):
1357-1369.
参考文献[15]周鹏,-1A卫星SAR数据地震同震形变
场反演———以意大利佩鲁贾地震为例[J].河北北方学院
[1]李雯,
学报(自然科学版),2019,35(5):29-35.
[J].灾害学,2019,34(1):222-228.
[16]余景波,-InSAR形变测量的误差分析
[2]CRIPPAC,-
[J].计测技术,2011,31(1):3-6.
erogeneitiesofVerySlowRock-SlopeDeformationswithTargeted
[17]王风,PRINETV,
DInSARAnalyses[J].RemoteSensing,2020,12(8):1329.
表三维信息[J].自动化学报,2002,28(4):527-534.
[3]王东明,———以尼泊尔
[18]MASSONNETD,ROSSIM,CARMONAC,-
[J].自然灾害学报,2016,25(3):124-129.
placementFieldoftheLandersEarthquakeMappedbyRadar
[4]LORENZOS,MATTEODS,-
Interferometry[J].Nature,1993,364:138-142.
ometryforLandslideDetectioninItaly[J].RemoteSensing,
2020,12(8):1351.[19]崔珂玮,
[5]钱方明,[J].吉林大学方法研究[J].现代信息科技,2020,4(1):57-59.
MonitoringEarthquakeDeformationBasedonDInSARTechnologyand
ExtractingDamagedBuildingsbyDeepLearning
—TakeElguadoasAnExample
GUOTianhao1,XIEFeifei1,2,HUOZhiling1
(,ShandongUniversityofScienceandTechnology,QingdaoShandong266590,China;
,QingdaoShandong266590,China)
Abstract:Aimingattheproblemsofgrounddeformationandbuildingdamagecausedbyearthquake,thepaperapplied
16,2016asanexampleandobtainedtheseismicdeformationbyusingSentinel-,theoverallseismic
,
opticalremotesensingimage:wecouldknowtheprobabilityofseriouslydamagedbuildingsexistsinthedeformationregion
was80%,,thehighresolutionopticalsatellite
dataandusingENVINet5,theclassificationaccuracyofdamagedbuildingswas74%,whichverifiedthefeasibilityofits
applicationinbuildingextractionafterearthquake.
Keywords:DifferentialInterferometricSyntheticApertureRadar(DInSAR);seismicdeformation;deeplearning;building
informationextraction
万方数据