杜浩國，林旭川，盧永坤，張方浩，張笑笑，徐俊祖，和仕芳

(1.云南省地震局，云南 昆明 650224；2.中國地震局工程力學(xué)研究所，黑龍江 哈爾濱 150080；3.云南大學(xué) 地球科學(xué)學(xué)院，云南 昆明 650031)

0 引言

應(yīng)急避難場所是地震發(fā)生后受災(zāi)居民緊急疏散的重要場所，也是自然災(zāi)害應(yīng)急響應(yīng)的重要組成部分?？茖W(xué)合理地利用有限避難空間，可以有效提高震后避難疏散效率和應(yīng)急響應(yīng)能力，最大限度減輕人員傷亡，具有較強(qiáng)的實(shí)際意義和研究價(jià)值。

國內(nèi)外眾多學(xué)者針對震后避難空間評價(jià)開展了很多研究，大致可分為傳統(tǒng)的評價(jià)方法、基于GIS空間分析技術(shù)和基于機(jī)器學(xué)習(xí)的3種評價(jià)方法。傳統(tǒng)的評價(jià)方法是通過問卷調(diào)查、實(shí)地調(diào)研等方式對應(yīng)急避難場所進(jìn)行評價(jià)，實(shí)現(xiàn)了從宏觀和主觀層面對應(yīng)急避難場所的評價(jià)，但對于應(yīng)急避難場所的空間化以及可視化分析不足。Mesrop(2020)開發(fā)的半自動(dòng)化設(shè)計(jì)算法被用來制作避難所研究模型，該研究解決了庇護(hù)所高度和面積的設(shè)計(jì)標(biāo)準(zhǔn)；Geng等(2020)提出一種多標(biāo)準(zhǔn)約束選址模型來優(yōu)化災(zāi)前避難所選址配置問題；呂偉等(2022)提出從適宜性和服務(wù)范圍雙重角度探究避難場所空間分布的合理性。

將GIS空間分析技術(shù)融入到應(yīng)急避難場所評價(jià)方法中，有效提高了應(yīng)急避難場所評價(jià)的精確度和可視化程度，但現(xiàn)有的基于GIS空間分析技術(shù)的評價(jià)方法不但需要人工處理大量的數(shù)據(jù)，而且采用的衛(wèi)星影像分辨率不足，不足以滿足對避難場所快速、精確評價(jià)的需求，如Yao等(2021)采用多準(zhǔn)則TOPSIS評價(jià)模型，對開放空間的安全性、可達(dá)性和可用性進(jìn)行了綜合定量評價(jià)；Huang等(2019)建立了城市應(yīng)急避難所適宜性評價(jià)指標(biāo)體系；魏本勇等(2019)基于GIS空間分析技術(shù)和實(shí)際調(diào)查數(shù)據(jù)，構(gòu)建了避難場所綜合服務(wù)效能指數(shù)。

隨著計(jì)算機(jī)科學(xué)、遙感技術(shù)、人工智能、地理空間分析技術(shù)的發(fā)展，使得有效解決城市化區(qū)域復(fù)雜的空間優(yōu)化問題成為可能，基于機(jī)器學(xué)習(xí)算法的評價(jià)方法能在短時(shí)間內(nèi)處理大量的數(shù)據(jù)，避免了人工數(shù)據(jù)搜集、處理帶來的主觀性差異，因此越來越多地被應(yīng)用到評價(jià)模型中，但該方法也存在不足，主要來自于衛(wèi)星影像時(shí)效性差、分辨率低的問題，導(dǎo)致數(shù)據(jù)提取與處理精度不高，如Su等(2021)考慮應(yīng)急避難所服務(wù)能力和人口分布的差異，提出了一種可變服務(wù)半徑和疏散半徑的兩步浮動(dòng)集水區(qū)方法；盧永華和李爽(2019)分別從供給點(diǎn)競爭、需求點(diǎn)定位、路網(wǎng)距離優(yōu)化等3方面對G2SFCA進(jìn)行改進(jìn)；魏本勇等(2022)針對地震災(zāi)害應(yīng)急疏散策略，構(gòu)建了一種基于避難場所容量限制的災(zāi)民應(yīng)急疏散分配與路徑選擇算法模型。

筆者綜合分析3種方法的優(yōu)點(diǎn)，以無人機(jī)高分辨率遙感影像為基礎(chǔ)，采用像元方法與面向?qū)ο蠓椒ò殃P(guān)注點(diǎn)聚焦于單一或少量鄰近像元上建立基于遙感影像的震后避難空間快速提取模型，以2021年云南漾濞MS6.4地震為例，提取震后避難空間，并與實(shí)際避難空間進(jìn)行對比。

1 研究方法及技術(shù)路線

1.1 技術(shù)路線

圖1為基于遙感影像的震后避難空間快速提取模型流程圖。第一步是數(shù)據(jù)獲取，采用無人機(jī)獲取研究區(qū)高分辨率影像、DSM(Digital Surface Model)數(shù)字地表模型(杜浩國等，2021b；陳晉等，2018)；第二步是地物提取，采用遙感影像面向?qū)ο蠓诸惙椒?，綜合利用影像光譜、形狀、空間、紋理等信息，提取影像中植被、道路、水體、樓層高度、空地、磚混(框架)結(jié)構(gòu)建筑物、磚木(土木)結(jié)構(gòu)建筑物等信息(杜浩國等，2021c)；第三步是數(shù)據(jù)處理，采用ArcGIS將矢量數(shù)據(jù)按照同一標(biāo)準(zhǔn)進(jìn)行柵格化；第四步是模型算法構(gòu)建，以柵格化的地物信息為基礎(chǔ)，綜合分析影響震后避難空間快速提取的各項(xiàng)指標(biāo)，構(gòu)建目標(biāo)函數(shù)值(杜浩國等，2021a)；第五步是對比分析，將避難空間提取的結(jié)果與震后居民實(shí)際選取的避難空間相比較，對結(jié)果進(jìn)行驗(yàn)證分析。

圖1 基于遙感影像的震后避難空間

1.2 K鄰近分類法

K鄰近分類方法(k-Nearest Neighbor，簡稱KNN)是面向?qū)ο蠓诸惙椒ㄖ幸粋€(gè)重要的環(huán)節(jié)，依據(jù)待分類數(shù)據(jù)與訓(xùn)練樣本元素在n維空間的歐幾里得距離來對圖像進(jìn)行分類，n由分類時(shí)目標(biāo)物屬性數(shù)目來確定。相對傳統(tǒng)的最鄰近方法，K鄰近分類法產(chǎn)生的敏感異常和噪聲數(shù)據(jù)集更小，從而得到更準(zhǔn)確的分類結(jié)果，它會(huì)自己確定像素最可能屬于哪一類。如果一個(gè)樣本在特征空間中k個(gè)最相似(即特征空間中最鄰近)的樣本中大多數(shù)屬于某一個(gè)類別，則該樣本也屬于這個(gè)類別，其中k是不大于20的整數(shù)。K鄰近分類法中，所選擇的鄰居都是已經(jīng)正確分類的對象。該方法在定類決策上只依據(jù)最鄰近的一個(gè)或者幾個(gè)樣本的類別來決定待分樣本所屬的類別。如圖2所示，圓要被決定賦予哪個(gè)類，如果k=3，由于三角形所占比例為2/3，圓將被賦予三角形類；如果k=5，由于四方形比例為3/5，因此圓被賦予四方形類。

圖2 K鄰近分類法示意圖

K鄰近分類法的步驟為：①計(jì)算測試數(shù)據(jù)與各個(gè)訓(xùn)練數(shù)據(jù)之間的距離；②按照距離的遞增關(guān)系進(jìn)行排序；③選取距離最小的k個(gè)點(diǎn)；④確定前k個(gè)點(diǎn)所在類別的出現(xiàn)頻率；⑤返回前k個(gè)點(diǎn)中出現(xiàn)頻率最高的類別作為測試數(shù)據(jù)的預(yù)測分類。

1.3 地物特征

遙感影像信息提取的主要依據(jù)是影像對象的特征信息，包含光譜、形狀、紋理等多種特征，本文主要應(yīng)用了光譜平均灰度值(Avgband_X)、面積(Area)、延伸性(Elongation)、矩形度(Re-ct fit)、亮度(Bright)特征對影像進(jìn)行分類(曾濤等，2010)，具體公式見杜浩國(2021b)，李強(qiáng)和張景發(fā)(2016)文獻(xiàn)。

1.4 基于DSM與DEM數(shù)字高程分類方法

DSM數(shù)字高程包含了地表建筑物、道路、空地、植被和農(nóng)田等高度的地面高程模型。DEM只包含了地形的高程信息，因此DSM是在DEM的基礎(chǔ)上，進(jìn)一步涵蓋了除地面以外的其它地表高程信息，本文從無人機(jī)遙感影像DSM中提取了建筑物高程信息計(jì)算建筑物樓層數(shù)：

(1)

式中：Ni為第i棟建筑物樓層數(shù)；Hi為第i棟建筑物的DSM值；hi為第i棟建筑物所在位置的DEM值；層高取統(tǒng)一值2.5 m。

1.5 精度分析

筆者采用Kappa系數(shù)作為衡量分類精度的指標(biāo)，具體公式見杜浩國(2021d)文獻(xiàn)。

1.6 目標(biāo)函數(shù)的確定

由于震后避難空間快速選取指標(biāo)均由遙感影像自動(dòng)獲取，因此筆者選取了5個(gè)避難空間快速選取指標(biāo)，分別為人口密度、空地面積、離主干道距離、高層建筑物的威脅、不穩(wěn)定建筑物威脅(鐘光淳等，2022)。

Ra表示高層建筑物對避難空間的威脅，可表示為：

(2)

式中：Na為避難空間周圍的高樓數(shù)量；Dh(i，j)為建筑物(i，j)到避難空間的距離；Hh(i，j)為建筑物高度。

Rb表示不穩(wěn)定建筑物對避難空間的威脅，可表示為：

(3)

式中：Nb為避難空間周圍不穩(wěn)定建筑物數(shù)量；Ds(i，j)表示到不穩(wěn)定建筑物距離。

目標(biāo)函數(shù)F越小，避難空間評價(jià)越好，可表示為：

(4)

式中：Ds(i，j)為第i個(gè)避難空間離道路距離；ρ(i，j)表示第(i，j)柵格的人口數(shù)量；(b-a)·(d-c)表示基于遙感影像提取的空地面積。

當(dāng)發(fā)生地震時(shí)，高層或不穩(wěn)定建筑會(huì)發(fā)生倒塌，對避難空間或道路造成阻礙，即避難空間越靠近高層或不穩(wěn)定建筑物，應(yīng)急疏散風(fēng)險(xiǎn)越大，因此疏散道路應(yīng)遠(yuǎn)離高層或不穩(wěn)定建筑物一定距離。

2 數(shù)據(jù)來源與處理

2.1 研究區(qū)概況

2021年5月21日21時(shí)48分，云南省大理州漾濞縣(99.87°E，25.67°N)發(fā)生MS6.4地震，震源深度8 km。地震造成3人死亡，34人受傷，縣城房屋遭受不同程度破壞，框架結(jié)構(gòu)房屋少數(shù)墻面開裂，土木結(jié)構(gòu)房屋局部倒塌(盧永坤等，2021；宴金旭等，2021；鐘江榮等，2021；張露露等，2021)。由于城區(qū)人口密度高，現(xiàn)有應(yīng)急避難場所還遠(yuǎn)不能滿足居民的避難需求，因此基于高分辨率影像對城區(qū)內(nèi)可用空地進(jìn)行快速提取、并將提取空地作為避難空間的可行性評估尤為重要。研究區(qū)影像分辨率為5 472×3 648，震后漾濞縣城GF7號(hào)衛(wèi)星影像、無人機(jī)航拍影像以及DSM數(shù)字表面高層模型如圖3所示。研究區(qū)影像數(shù)據(jù)由筆者于2021年5月22日10時(shí)采用無人機(jī)航拍獲取，分辨率為5 472×3 648。

圖3 震后漾濞縣城GF7號(hào)衛(wèi)星影像(a)、無人機(jī)航拍影像(b)以及 DSM數(shù)字表面高層模型(c)

2.2 地物提取

2.2.1 多尺度分割與K鄰近分類

影像多尺度分割與K鄰近分類是面向?qū)ο蠓诸惙椒ㄖ械囊豁?xiàng)基本內(nèi)容，只有通過影像分割才能得到影像對象，形成對象級分類的基本單元。黃慧萍和吳炳方(2003)提出了最大面積法確定分割尺度參數(shù)，其中最大對象面積隨著分割尺度變化的曲線呈階梯狀的形態(tài)，每一個(gè)曲線平臺(tái)即為一種類別的適宜尺度區(qū)間，符合地理實(shí)體空間分布特征連續(xù)性和突變性共存的現(xiàn)象。筆者選擇2021年漾濞MS6.4地震后城區(qū)的無人機(jī)航拍影像為研究對象，采用envi 5.3對研究區(qū)樣本進(jìn)行K鄰近分類與多尺度分割與合并，得到適宜于研究區(qū)影像的最佳分割與合并尺度，分別為65、95，如圖4所示。

圖4 研究區(qū)原始影像(a)、分割尺度與合并尺度

2.2.2 選取樣本

根據(jù)高分辨率影像目視解譯分析，研究區(qū)地物可分為建筑物、道路、空地、水體4種類型，筆者從研究區(qū)中選取50個(gè)樣本，如圖5所示。

圖5 基于目視解譯的地物分布

2.2.3 地物提取規(guī)則

在地物提取中，規(guī)則的確定對處理結(jié)果起決定性作用，特定的目標(biāo)要和相應(yīng)的特征或多特征相對應(yīng)，要選擇合適的特征值或特征參數(shù)，才能有效地將建筑物、道路、空地、水體、植被等地表物體區(qū)分開。本文將光譜平均灰度值、面積、延伸性以及矩形度4類特征確定為研究區(qū)分類規(guī)則。筆者通過對研究區(qū)樣本(圖4a)反復(fù)試驗(yàn)得到最佳多規(guī)則組合分類結(jié)果，如圖6所示；表1為地物提取規(guī)則最佳參數(shù)設(shè)定，表中最大值與最小值表示影像中各類地物特征的取值范圍。

表1 研究區(qū)地物提取規(guī)則

圖6 多尺度分割結(jié)果(a)及基于規(guī)則分類結(jié)果(b)

2.2.4 地物提取結(jié)果

筆者采用實(shí)地調(diào)研與影像目視解譯的方法，分別對影像中的地物提取結(jié)果進(jìn)行了精度評價(jià)，評價(jià)結(jié)果如表2和圖7所示。本文基于高分辨率影像的地物提取結(jié)果總體精度為89.9%，Kappa系數(shù)為0.841，與實(shí)地調(diào)查結(jié)果幾乎完全一致。從表2中可以看出，對于提取面積較大、矩形度差別較小的空地，框架、磚混結(jié)構(gòu)建筑物和土木、磚木結(jié)構(gòu)建筑物提取效果最好，提取精度均在89%以上；而對于提取面積較小、矩形度差別較大的水體、道路與植被提取精度不高。

表2 漾濞縣城地物提取精度評價(jià)結(jié)果

圖7 漾濞縣城無人機(jī)航拍影像灰度圖(a)、遙感影像多特征融合的地物提取結(jié)果(b)及基于ArcGIS修正后的地物矢量化結(jié)果(c)

2.3 地物空間化

考慮到統(tǒng)計(jì)數(shù)據(jù)分辨率的限制，無法對過小尺度的柵格化模擬結(jié)果進(jìn)行檢驗(yàn)，同時(shí)柵格越小，必然會(huì)造成數(shù)據(jù)冗余。因此筆者將柵格大小統(tǒng)一選取為11 m×11 m，與植被、建筑物、道路、空地、水體等矢量數(shù)據(jù)進(jìn)行疊置分析，使每個(gè)柵格記錄各地物占總柵格面積的百分比；然后在疊置后的數(shù)據(jù)圖層屬性表中新建字段，借助 Select By Attribute功能，依次錄入回歸系數(shù)，運(yùn)用Field Calculator工具，進(jìn)行回歸運(yùn)算，并根據(jù)式(4)目標(biāo)函數(shù)將結(jié)果融合處理，使每個(gè)柵格代表一個(gè)回歸值，即完成植被、建筑物、道路、空地、水體等矢量數(shù)據(jù)的柵格化；最后將距離通過ArcGIS轉(zhuǎn)化為柵格數(shù)，轉(zhuǎn)化像元參數(shù)大小為40，得到圖8所示的研究區(qū)地物柵格化信息。

圖8 研究區(qū)空地(a)、建筑物(c)、建筑物結(jié)構(gòu)(e)、道路(g)、樓層數(shù)(i)、帳篷(k)矢量數(shù)據(jù)；空地(b)、建筑物(d)、建筑物結(jié)構(gòu)(f)、道路(h)、樓層數(shù)(j)、帳篷(l)柵格化數(shù)據(jù)Fig.8 The vector data of the open space(a)，buildings(c)，the architectural structure(e)，roads(g)，number of floors(i)，tents(k)and the rasterized data of the open space(b)，buildings(d)，the architectural structure(f)，roads(h)，number of floors(j)，tents(l)

3 結(jié)果

筆者將研究區(qū)所在的矩形區(qū)域分為105×99個(gè)柵格且每個(gè)柵格有唯一的位置信息，其中有效柵格共10 395個(gè)。圖9為避難空間附近威脅因素與有利因素，其中有利因素包括距主干道近、避難空間面積大等，威脅因素包括距不穩(wěn)定建筑物較近、距高層建筑物較近等。表3為避難空間優(yōu)選結(jié)果，其中編號(hào)為59、42、40、26、68和58的避難空間，其目標(biāo)函數(shù)值F相對較小，分別為0.009、0.019、0.021、0.045、0.066和0.068，即為最優(yōu)避難空間。

表3 避難空間優(yōu)選結(jié)果

圖9 避難空間附近威脅因素與有利因素

4 對比分析

對2021年漾濞MS6.4地震后使用本文模型提取的避難空間與居民實(shí)際避難地點(diǎn)進(jìn)行對比分析，驗(yàn)證基于遙感影像的震后避難空間快速提取模型的準(zhǔn)確性。將提取的避難空間柵格化結(jié)果作為底圖，疊加漾濞MS6.4地震后的帳篷位置分布結(jié)果，結(jié)果如圖10所示。表4為避難空間帳篷數(shù)量、F值與避難空間正射影像統(tǒng)計(jì)結(jié)果，結(jié)果以目標(biāo)函數(shù)值F由小到大排列，即以最優(yōu)到最差避難空間順序排列。由表4統(tǒng)計(jì)結(jié)果可知，編號(hào)為59、42、40、26、68的避難空間對應(yīng)的帳篷數(shù)量較多。由圖10分析可知，5個(gè)避難空間面積均在11 m×11 m×15=1 815 m2以上，避難空間周圍高程建筑物與不穩(wěn)定建筑物較少，且離主干道距離較近，人口密度相對較大；對于面積相對較大的避難區(qū)域43、57，其位于城邊人口密度小，附近不穩(wěn)定建筑物較多，且離主干道距離較遠(yuǎn)，導(dǎo)致模型計(jì)算F值較高，震后實(shí)際疏散人數(shù)少；綜上所述，基于遙感影像的震后避難空間快速提取模型計(jì)算結(jié)果與實(shí)際結(jié)果匹配。

圖10 本文模型提取的避難空間與震后

表4 避難空間帳篷數(shù)量、F值與避難空間正射影像統(tǒng)計(jì)結(jié)果

續(xù)表5

續(xù)表5

5 結(jié)論

筆者以2021年云南漾濞MS6.4地震后高分辨影像與DSM地表數(shù)字高程影像為基礎(chǔ)，依據(jù)影像的光譜、幾何形狀、面積、延伸性、亮度值等特征，采用遙感影像面向?qū)ο蠓诸惙椒▽τ跋裰械牡匚镞M(jìn)行提取，并結(jié)合ArcGIS對提取的地物矢量數(shù)據(jù)進(jìn)行柵格化，選取避難空間面積、到主干道距離、到不穩(wěn)定建筑物距離、到高程建筑物距離作為震后避難空間評價(jià)指標(biāo)，構(gòu)建目標(biāo)函數(shù)，建立基于遙感影像的震后避難空間快速提取模型，主要得出以下結(jié)論：

(1)基于遙感影像的震后避難空間快速提取模型共計(jì)提取到可用避難空間70個(gè)，根據(jù)目標(biāo)函數(shù)F得到最優(yōu)避難空間5個(gè)，其中每個(gè)避難空間在漾濞MS6.4地震中實(shí)際帳篷數(shù)量分別為72、55、54、30和44頂，模型計(jì)算結(jié)果與實(shí)際匹配。

(2)模型有效增強(qiáng)了震后避難空間選取的實(shí)時(shí)性、準(zhǔn)確性、高效性以及選取結(jié)果的直觀性和可視性。此外，模型構(gòu)建以ArcGIS為基礎(chǔ)，數(shù)據(jù)參照同一空間坐標(biāo)系，利于集成化解決不同領(lǐng)域數(shù)據(jù)共享問題。