基于无人机热红外遥感数据的地震倒塌房屋提取

范熙伟 聂高众 邓 砚 安基文 夏朝旭

1）中国地震局地震与火山灾害重点实验室，北京 100029

2）中国地震局地质研究所，北京 100029

0 引言

地震作为重大自然灾害的一种特殊类型，与台风、洪涝等其他自然灾害相比具有预警或准备时间短、无法准确预测预报和全季节发生等特点，因此也更容易造成巨大的人员伤亡、经济财产损失和生态环境的破坏。有研究指出，在全球范围内由各种自然灾害导致的人员伤亡或经济损失事件中，仅有12%起由地震引起，但其造成的人员伤亡和财产损失量均达到总数的43%。此外，需要指出的是，研究发现从中国和全球尺度范围内看，大陆大地震主要在夜间发生（赵根模等，2001）。例如1966年邢台大地震、1986年唐山大地震发生于天亮前的3～6h，1999年土耳其伊兹米特大地震和1999年中国台湾集集地震也都发生在夜间。由于夜间发生地震时大部分居民在建筑物内，加之震后自救互救困难且救援队伍难以及时赶到，比白天发生的地震造成的损失更为惨重。因此，当夜间地震发生后尽早准确获取地震灾害的影响范围和程度，对于指导72h黄金救援期内的救援行动具有十分重要的意义。

基于机载或星载可见光遥感器获取的可见光遥感数据，通过目视判读或计算机进行解译，是及时获取地震灾情信息的最主要方式之一（范熙伟等，2017）。然而，可见光遥感只能在白天采集数据，且星载可见光遥感更需要晴空无云作为前提条件。当夜间发生地震时，仅仅依靠可见光遥感将只能等待天明，而地震后到天亮前宝贵的应急时间将被白白浪费，因此亟需一种能够在夜间地震发生后可及时获取灾情信息的手段。考虑到热红外遥感技术能够在夜间获取地表以及地下一定深度范围内信息的能力，为应对可见光遥感无法在夜间及时获取灾区灾情信息的情况，同时摆脱云层遮挡的影响，研究利用无人机热红外遥感技术快速获取夜间地震灾情信息十分迫切且必要。

相比可见光遥感，热红外遥感具有在夜间探测地表及地下一定深度范围内信息的能力。地表和地下的地物热红外辐射通过辐射和热传导，无论在白天或夜晚都能穿过大气层到达空中，为机载或星载热红外传感器所接收。热红外辐射的强度反映了地物本身的热辐射特性，各种不同地物的密度、热传导、热容量、热惯量均有差异，通过一系列分析处理及与地质、地球物理数据的复合应用，再经过野外地质观察、地质钻探、地球物理勘探的地质解释来检验，常可用于识别隐伏在地表下的一些地物。例如，Qin等（2011）研究利用ETM／Landsat－7热红外通道反演的地表温度数据探测中国腾冲地区的地热资源；还有学者将低分辨率的NOAA－9 AVHRR热红外通道数据及中分辨率的Landsat－5 TM 热红外通道数据相结合，探测地下煤火（Mansoretal．，1994）。对于地质体而言，其辐射率和表面温度的变化多是岩性差异的表现，一般表面粗糙、颜色较深的地质体具有较高的辐射率；表面光滑、颜色较浅的地质体具有较低的辐射率。基于此，可利用热红外遥感数据进行岩性探测（Rockwelletal．，2008）。此外，一些与下地壳和上地幔相通的全球性大断裂现今还具有张裂或张剪特性，沿此断裂带的区域热异常较高，很容易被热红外遥感发现，Ha等（2011）就曾利用超声波阵列结合热红外遥感数据确定断裂的走向和位置。除地热和断裂等自然地物外，针对人工地物的识别问题，有学者还研究利用机载多光谱热红外传感器探测地下浅层石油管线的位置（周彦儒等，1998；王琳等，2013）。

可以看出，上述研究主要集中于利用热红外遥感提取目标地物与环境存在温度差时的信息，而鲜有利用热红外遥感数据可在夜间获取地表信息这一优势研究夜间震后灾情获取的方法和途径。尽管可见光在灾情获取方面具有空间分辨率高等诸多优势，但作为地震应急时期的非常规方法，利用夜间热红外遥感数据获取地震灾情信息，进而为科学指导抗震救灾工作争取时间，研究意义十分重大。

1 研究区和数据获取

1.1 研究区介绍

为利用热红外遥感数据提取倒塌房屋，本研究选择2008年“5·12”汶川大地震的北川老县城地震遗址区作为研究区。北川老县城地震遗址位于四川省绵阳市北川羌族自治县曲山镇，整个县城处于地震断裂带上，是全世界保存面积最大、原貌最完整、地震破坏最严重、次生灾害最全面、破坏类型最典型的地震遗址，也是四川省重点文物保护单位。“5·12”汶川大地震发生后，坐落在这次地震的发震断裂带中部的北川羌族自治县县城所在地受到了高强度的地震破坏，数十万间房屋倒塌，在瞬间成为一片废墟，15 000多人死亡，幸存下来的完整家庭不到10%。北川县作为“5·12”汶川地震的极重灾区，县城在汶川地震中受到的破坏最为严重，人员伤亡也最为惨重，是此次地震中惟一因遭到毁灭性破坏而需要整体搬迁的县级城市。

整个遗址分为老城区、新城区和沙坝地震断层3部分，总保护面积达1.2km2。由于北川老县城遗址保留了地震引起的山体垮塌、泥石流、堰塞湖等自然现象，也保留了各类垮塌、变形程度不同的房屋、桥梁、街道、道路等建筑物和构筑物，是一处破坏极为严重、灾害类型全、工程破坏类型全的灾难性地震遗址，故将其作为本论文的研究区。

1.2 无人机热红外遥感系统

考虑到热红外遥感载荷与无人机遥感平台的适配问题，本研究使用同为大疆公司生产的大疆经纬M 200系列无人机，搭载大疆禅思XT2热红外传感器，进行热红外遥感数据的获取。M200系列无人机包含3个型号：M200、M210和M210RTK。M200可搭载常规的下置云台，M 210可搭配下置双云台或上置单云台，M 210RTK配有D－RTK模块，可实现厘米级精准定位。考虑到震后应急的应用场景，选择搭载174Wh扩容电池的M200 V2版本进行数据获取，空载飞行时间可达38min。此外，该机型最大可承受风速为12m／s，并满足IP43级防护，在机体前方和下方各有1个立体视觉系统，上方具备红外感知系统，可实现前方、下方和上方的障碍物感知，适合在震后复杂的环境下获取数据。本研究使用的无人机系统与地震应急相关的主要参数见表1。

表1 本研究使用的无人机系统的主要参数Table 1 Key parameters of the unmanned aerial vehicle（UAV）used in this study

本研究使用的热红外遥感载荷为双镜头的禅思XT2，拥有1个热红外镜头和1个可见光镜头。热红外镜头与可见光镜头相比空间分辨率低很多，XT2共有640×512和336×256 2个分辨率的镜头，这里使用了分辨率较高的版本。此外，高分辨率版本的热红外镜头共有13mm、19mm和25mm 3种焦距可选，随着焦距的增加，其视场角变低，但每个像元的空间分辨率随之提高。由于无人机机载平台往往选择贴地飞行，即距地面100m的高度处飞行，因此与空间分辨率相比，在最短时间内获得最大的观测场景更为重要。本研究选择焦距为13mm、焦平面分辨率为640×512的禅思XT2进行遥感数据的获取。热红外相机的具体参数见表2。

表2 禅思XT2相机的主要参数Table 2 Key parameters of the Chansi XT2

当无人机的飞行高度为100m时，根据表2可知视场角为45°×37°，参考式（1）：

式中，D为地面覆盖范围，H为飞行高度，φ为遥感器视场角。 基于式（1）可计算得到每景热红外影像覆盖的空间范围约为82.84m×66.92m。此外，热红外镜头的瞬时视场角为1.308m r，当飞行高度为100m时，每个像元的空间分辨率为0.13m，即分辨率为分米级尺度，可满足震后建筑物倒塌等的研判要求。

除热红外镜头外，XT2还配备有可见光镜头，可在获取热红外数据的同时获得可见光图像。可见光镜头的焦距为8mm，视场角为57.12°×42.44°，焦平面分辨率为3 840×2 160。根据式（1）可知，当无人机飞行高度为100m时，可见光图像的覆盖范围为108.86m×77.66m，空间覆盖范围比热红外图像大。此外，可见光图像的分辨率为0.02m，即为厘米级别，约为热红外图像分辨率的1／6，可知热红外图像相比可见光图像分辨率低很多。

1.3 热红外数据的获取

为满足后续目视解译的需要，需要对每幅地面覆盖面积约99.4m×80.3m（当飞行高度为距地面120m时）的热红外图像进行拼接处理。由于XT2获取的热红外图像为16bit单通道图像，与传统的红绿蓝三通道可见光图像相比信息量较低，因此需要更高的航向和旁向重叠度才能满足图像拼接的需求。一般可见光图像需要在航向和旁向分别满足75%和50%以上重叠度，而热红外图像一般需满足航向和旁向90% 和80%以上重叠度。

为了满足上述对某范围进行一定重叠度的遥感图像获取的需求，这里利用同样为大疆公司开发的DJIGSpro软件对无人机进行编程飞行，以获取数据。在苹果平板电脑平台的GSPro中以测绘航拍区域模式针对研究区新建任务，并选择相机、设置拍摄范围、相对地面飞行高度、航向和旁向重叠度等参数后，软件将自动完成航线的规划。

由于本研究主要针对震后应急工作，数据获取效率比数据质量更为重要，故拍照模式选择等时、等距间隔拍照，而非航点悬停拍照，以缩短无人机作业时间。采用这种模式后，将根据无人机相机的特性（相机快门曝光时间）、飞行高度和航向重叠度自动设置飞行速度。将航线规划上传至无人机后，即可自动完成图像拍摄，并自动返航。

2 数据处理

2.1 图像预处理

为基于热红外遥感数据进行倒塌房屋的提取，需要将其进行拼接处理，获得具有地理坐标的整幅图像，以协助救援人员及时从图像上判读倒塌房屋所在位置。图1为北川地震遗址的可见光和热红外图像经过正射校正和拼接处理后的图像。为了便于展示，将老城区和新城区分开进行显示，分别见图1和图2。

从图1和图2可以看出，可见光较热红外图像具有更为丰富的信息，其中植被表现为绿色，建筑物表现为灰色或屋顶具备的颜色，可较好地与背景进行区分。而热红外图像仅为单波段图像，建筑物和道路具有更高的灰度值，在图像中表现为白色，植被等由于灰度值较低，颜色更暗，但也能从热红外图像中识别出建筑物轮廓等细节信息，可用于倒塌建筑物的研判。

图1 北川地震遗址老城区（部分）可见光（a）和热红外图像（b）Fig．1 Visible（a）and thermal infrared（b）image of old town，Beichuan County．

图2 北川地震遗址新城区（部分）的可见光（a）和热红外图像（b）Fig．2 Visible（a）and thermal infrared（b）image of new town，Beichuan County．

2.2 解译判读标志

目视解译是遥感图像解译的一种，又称目视判读或目视判译，是遥感成像的逆过程，指专业人员通过直接观察或借助辅助判读仪器在遥感图像上获取特定目标地物信息的过程。目视解译主要依靠解译者的知识、经验和掌握的相关资料，通过大脑分析、推理、判断，提取遥感图像中有用的信息。与之对应的计算机解译是根据遥感图像中目标地物的各种特征（颜色、形状、纹理和空间位置等），通过模式识别技术等实现遥感图像的解译。由于人工目视解译具有精度更高的特点，往往作为遥感图像解译的真值，对计算机解译结果进行精度检验。

参照中华人民共和国地震行业标准《地震灾害遥感评估建筑物破坏》（DB／T 75－2018），基于遥感手段的单体建筑物，根据其受损程度和遥感特征表现，一般分为3种破坏类别：倒塌、局部倒塌和未倒塌。参考该标准，本研究将基于无人机热红外遥感数据的单体建筑物地震破坏程度分为上述3种类别。图3为倒塌、局部倒塌和未倒塌3种破坏类别的可见光和热红外图像示例，其中左图为可见光图像，右图为对应位置的热红外图像。

图3 建筑物破坏类型解译判读标志Fig．3 Interpretation features for building damage types．a倒塌；b部分倒塌；c未倒塌

3 倒塌房屋提取

3.1 基于热红外数据的倒塌房屋解译结果

基于目视解译方法和上面提到的3种破坏类型的解译标志，分别对北川地震遗址无人机拍摄的可见光和热红外遥感图像进行了目视解译。图4和图5分别为北川老城区和新城区的解译结果，图中由灰色多边形围成的区域为未倒塌房屋，由黄色多边形围成的区域为部分倒塌房屋，由红色多边形围成的区域为倒塌房屋。在研究区内（老城区和新城区）共识别出257座房屋，由于震后地质灾害覆盖了大部分老城区房屋，与老城区相比在新城区内识别出的房屋较多。其中，可见光图像识别出的未倒塌、部分倒塌和倒塌房屋数分别为118、46和93座；热红外图像识别出的上述3类破坏建筑物数分别为139、37和81座。由于热红外图像仅有一个通道，与可见光三通道图像相比蕴含的信息量较少，无法识别出颜色等信息，故识别出的倒塌房屋数量与可见光图像存在一定差别。如树木在热红外图像上表现为细碎的纹理特征，与部分倒塌和倒塌建筑物相似，这将造成一定的误判。

图4 北川地震遗址老城区（部分）倒塌房屋的解译结果，可见光（a）和热红外图像（b）Fig．4 Interpretion results of visible（a）and thermal infrared（b）image of old town，Beichuan County．

图5 北川地震遗址新城区（部分）倒塌房屋的解译结果，可见光（a）和热红外图像（b）Fig．5 Interpretation results of visible（a）and thermal infrared（b）image of new town，Beichuan County．

3.2 热红外图像与可见光图像解译结果的对比

热红外图像与可见光图像相比具有空间分辨率低且通道单一的特点，因此这里利用可见光图像的目视解译结果，对热红外图像的解译结果进行验证。由于所使用的可见光图像为经正射校正和拼接处理后的图像，有的建筑物仅从垂直观测视角可能无法准确研判对应的破坏类型。因此，本研究在可见光正射影像的基础上，结合无人机可见光图像经三维建模软件Context cap ture构建的三维模型，进行建筑物破坏类型的识别。Context capture构建的三维模型提供了近乎沉浸式的三维场景浏览，具有分辨率高和真实性强等特点，可替代实地逐个建筑物调研，大大提高了地面真值的获取效率。图6为Context capture构建的北川地震遗址三维场景。

表3为可见光图像和热红外图像解译结果的混淆矩阵。从表中可以看出，绝大部分未倒塌房屋能被正确识别，而部分局部倒塌和倒塌房屋则未能被正确识别。基于该混淆矩阵可计算得到其总体精度（Overall Accuracy）为0.86。此外，3种破坏类型的制图精度、用户精度、错分误差和漏分误差见表4。从表4可以看出，除局部倒塌类型的制图精度为0.67外，3种破坏类型的制图精度和用户精度都＞0.8。其中局部倒塌的漏分误差也较高，为0.33。这是由于有部分倒塌类型房屋被漏分为未倒塌，造成漏分误差较高。

表3 热红外图像相比可见光图像解译震后倒塌房屋的混淆矩阵Table 3 Confusion matrix of the classification result of TIR data

表4 热红外图像相比可见光图像解译震后倒塌房屋的混淆矩阵Table 4 Classification accuracy of the TIR data

热红外图像相比可见光图像在建筑物破坏类型的识别上存在一定区别，这是因为可见光图像拥有3个通道，而热红外图像仅有1个通道，可见光图像具有更为丰富的信息。图7为同一位置的可见光和热红外图像，从可见光图像上可以看出建筑物基本未受到地震的破坏，但由于常年无人居住，屋顶长有植物。而热红外图像上同一位置由于植物的存在，相比正常屋顶显示为暗色调且边缘轮廓凹凸不平，因此无法区分出是植被还是建筑物破坏，对识别精度造成了一定影响。

图7 植被遮挡下的建筑物Fig．7 Buildings covered by vegetation．a可见光；b热红外图像

为便于后期的拼接处理，人们一般利用垂直观测图像进行建筑物破坏程度的识别。对照国家标准《建（构）筑物地震破坏等级划分》（GB／T 24335－2009）中给出的5种建筑物破坏等级：基本完好、轻微破坏、中等破坏、严重破坏和毁坏，垂直观测遥感技术尚无法完全区分出上述5种类型，仅能够对是否倒塌及部分倒塌建筑物进行区分，即文中提到的3种类型。

4 总结和结论

遥感技术具有高效、快速获取大范围地表信息的能力，因而被广泛应用于建筑物分布和高度等参数的获取及震后灾情快速获取等工作中，如震后倒塌房屋的研判和提取、震后滑坡、堰塞湖等次生灾害的识别等。但是，目前常用的可见光遥感技术无法在夜间获取信息。为了提高震后夜间获取灾情信息的能力，本文尝试利用热红外遥感数据进行夜间倒塌房屋的提取研究。

以北川地震遗址作为研究区，通过获取较高旁向和航向重叠度的可见光和热红外遥感图像，经拼接处理后，得到了北川地震遗址老城区和新城区的可见光和热红外整体图像。将震后房屋倒塌类型分为未倒塌、部分倒塌和倒塌3种破坏类型。利用可见光遥感数据提取的倒塌房屋作为真值进行对比发现，热红外遥感数据可用于夜间倒塌房屋的识别，其总体精度为0.86，其中3种破坏类型房屋的用户精度都在0.8以上。

本研究提出的方法仅识别了未倒塌、部分倒塌和倒塌3种建筑物破坏类型，但并未对建筑物的功能类型进行识别，即文中解译出的257座房屋在规模上存在较大差别。如办公建筑或集体宿舍相比农居，可能在建筑面积上具有相似之处，但建筑物内的人员数量存在巨大差别，从而影响震后搜救队伍的数量和出队种类。此外，不同功能的建筑物在不同时间段也往往具有不同的在室率，如办公楼在白天相比夜间人员更多，而居民楼则表现出相反的特点。因此，在识别倒塌建筑物时，可通过建筑物功能类别的信息，提出精准化的救援策略。