基于天地图的房屋建筑区数据提取方法及应用研究

范志伟，温 超，蒋宏毅，王晓山，杨 凡，2*

（1. 河北省地震局，河北 石家庄 050021；2. 中国地震局地质研究所，北京 100029）

0 引言

房屋建筑区是居民集中的重要设施，是人类生产、生活、居住、娱乐的主要活动空间和场所，主要包括高层房屋、多层房屋、低矮房屋、废弃房屋等不同类型房屋建筑。因为房屋建筑区人员相对集中的特点，大范围高精度的精准化提取房屋建筑区，能够为震后的快速损失评估和应急救援提供数据支撑。

数字地图数据具有覆盖范围广、时效性强、周期性短等特点。陈一祥等[1]提出了一种利用视觉显著性与知觉组织相结合的高分辨率遥感影像居民地提取方法；李金香等[2]运用灰度共生矩阵、数学形态学等方法提取新疆新源地区高分一号2m 分辨率影像居民地信息，运用目视解译、影像叠加分析、缓冲区分析等方法，进行居民地量化分级，为地震应急准备提供数据支持；王梦涵等[3]提出了利用多元信息提取城镇用地和农村居民地的方法；李瑞平等[4]提出一种多光谱和全色数据协同、分特征提取（SF）的方法用于提取丘陵地区居民地；胡斌斌等[5]提出了一种基于地名注记的街区式居民地边界提取方法；陆尘等[6]针对中国华北平原广泛分布的街区式农村居民地，提出一种基于监督分类机制且仅需单个人工标注样本的居民地遥感提取方法；刘闯等[7]提出了一种利用城市骨架线网的道路和居民地联动匹配方法；潘旭冉等[8]提出了一种基于“高分一号”遥感影像的全卷积网络方法，用于居民地的提取，该方法能够实现居民地信息精准有效提取；为了提高居民地信息提取效率，潘旭冉等[9]提出了结合高分辨率遥感影像中建筑物纹理方向和角点的方法；张迪等[10]结合地理国情普查数据，提出了利用平均斑块面积确定距离阈值的方法获取农村居民地范围；胡华龙等[11]提出了基于小波纹理和基元合并的居民地提取方法；倪欢等[12]提出了基于直角点统计特征的高分辨率遥感影像居民地提取方法；高峰等[13]提出了基于分形理论、方向最大方差、和修改方向最小方差的居民地提取方法；在三维建模方面，康承旭等[14]利用SketchUp 建模软件制作三维专题符号，结合ArcGis 软件对遥感影像精细化处理，在二维介质上构建三维立体模型；于浩等[15]利用监督分类、面向对象等方法结合光谱、纹理、几何特征对无人机影像数据开展建筑物信息提取测试，实现了建筑物自动提取；刘龙飞等[16]利用建筑物投影结合高分数据和实测数据，建立了建筑物高度估算模型，该模型具有识别精度高、普适性强等特点；程紫燕等[17]分析了基于天地图平台与地震应急评估决策系统深度融合的优劣势；赵曦等[18]研究了天地图与地震行业应用相结合的服务模式和集成方法。

在传统的房屋建筑区识别提取中存在以下不足：（1）受遥感影像分辨率的影响，提取精度不高；（2）建筑物块体轮廓边界提取误差较高、效率低；（3）高清遥感影像下载费用较高，解译过程繁琐，不易推广应用；（4）高清遥感影像数据量大，大区域范围提取房屋建筑区数据时，对机器性能要求较高，不能满足广大使用者需求。传统的房屋建筑区识别提取方法，是利用遥感影像数据通过人工判读选取样本，运用监督分类的方法提取房屋建筑区。传统方法提取精度的高低取决于监督分类的样本量，若样本量涵盖不同结构类型建筑信息较全，则提取精度就高。

本文提出的基于天地图2D 平面地图的房屋建筑区数据识别提取方法，减少了人工判读的工作量、降低了误差、提高了数据解译效率。所提取数据经过成图处理后，可为应急指挥救援更快速准确了解震中居民地分布情况，对震后的快速损失评估和应急指挥决策提供重要参考。

1 数据简介

天地图是我国境内基础地理信息数据涵盖内容最丰富、覆盖范围最广的互联网地图服务网站，是“数字中国”的重要组成部分。天地图的创建目的是为了提高地理信息相关资源的共享和利用效率，提高基础地理信息数据的公共服务能力和应用水平，是地理信息资源面向公众服务的重要方式。

天地图门户网站可为用户提供基于地理位置的信息浏览、查询、搜索、测量、路径分析等功能。天地图中国范围内的数据资源较为详细，数据源包括矢量数据、遥感影像数据。其中，矢量数据是天地图数据资源的主体，包括学校、医院、交通、水系、居民地等。

2 研究方法

本文以张家口地区天地图数据为例（图1）。

图1 张家口地区天地图数据Fig.1 Sky map data for Zhangjiakou area

天地图数据包含地理坐标信息和RGB 波段信息的栅格数据，栅格数据的涵盖内容主要包括：居民地、道路、水系。每个数据要素具有固定波段值，居民地RGB 波段值为（249/250/243），道路RGB 波段值取道路中心线值为（253/254/255），水系RGB 波段值为（171/198/239）。本文的识别提取目标为居民地，在数据二次处理重分类的过程中，将居民地设为1，其它数据内容设为2（图2）。由于栅格数据较大，在数据处理过程中可利用Python 代码进行重分类处理。代码如下：

图2 张家口地区天地图栅格数据重分类结果Fig.2 Reclassification results of Zhangjiakou area sky map raster data

按照重分类方法提取的房屋建筑区原始数据为栅格数据，为了后期数据处理的便捷性、灵活性，本研究将原始栅格数据通过格式转换的方式转为shp 矢量数据，房屋建筑区共计提取约46 万条数据。其中市区、县城、乡镇提取的房屋建筑区数据为建筑物单体矢量面，农村提取的房屋建筑区数据为房屋建筑区矢量面。在房屋建筑区原始栅格数据转矢量数据过程中，可利用Python 代码进行快速处理。代码如下：

3 提取结果验证与分析

为了验证房屋建筑区提取数据的精准性，本研究通过加载在线地图，随机抽样的方式对识别数据进行验证。随机抽样点综合考虑自然环境、人口经济等多种因素，结合空间分布均匀性原则，共计选取8 个抽样点（表1）。

表1 抽样点名称

对选取的8 个抽样点进行质量和精度分析，市区、县城区和乡镇城区的房屋建筑区数据为建筑物单体轮廓，农村的房屋建筑区数据为居民地轮廓数据（图3）。与天地图遥感影像数据叠加对比分析，市区、县城区、乡镇城区及农村房屋建筑区数据的几何形状和分布特征与遥感影像数据吻合度较高。

图3 抽样点分布及对比图Fig.3 Distribution of sampling points and comparison chart

该数据的识别提取能够满足震后应急需求，提高地震应急快速损失评估的计算精度，为震后应急精准化救援指挥提供数据支撑和科学依据。

4 数据应用实例

高精度房屋建筑区数据的识别提取，为城市三维建模提供数据支撑。与高清分辨率遥感影像数据叠加分析，实现城市三维场景的真实再现，为指挥者和救援人员提供第一手的震区基本资料，方便了解现场居民地的分布情况、交通情况、断裂分布等。为今后开展震后地质灾害调查、建筑物损坏等工作奠定基础。本文数据应用以山区居民地为例（图4）。

图4 房屋建筑区数据在三维建模中应用Fig.4 House building area data applied in 3D modeling

在天地图房屋建筑区数据识别提取的基础上，将房屋建筑区内建筑物块体的平均高度、建筑物结构类型、功能用途等信息对房屋建筑区三维场景建模的样例测试数据进行更新。在图4 的三维场景中，黄色线条为公路，红色线条为断裂，居民地内不同颜色房屋建筑区代表不同的建筑物结构类型。

在地震发生后，通过该数据应用模型方便指挥者快速了解震中居民地、断裂、交通、学校、医院、水库、大型化工厂、火电站等要素的分布状况。如：针对有滑坡地质灾害点的影像进行三维建模，判断是否在后期的余震影响下对交通及周边居民地造成二次破坏，可为救援人员提供救援路途中可能会遇到的次生地质灾害、提醒过往车辆需要紧急避让区域以及交通管制区，为减少人员伤亡提供最大限度的技术支持。通过对滑坡灾害点的解译计算，可以快速评估当前滑坡量及清理所需的车辆和工程耗时；加载地震滑坡风险性预评估的数据，通过地理空间分析功能，叠加交通、水库、湖泊等数据，可为指挥者提供交通管制区域及堰塞湖和堰塞塘的隐患排查区域，减少地震后的次生灾害带来的人员伤亡和经济损失。

5 结论

在房屋建筑区数据提取的过程中，借鉴了监督分类的思路和理念，通过重分类的方法，实现了对天地图含有RGB 波段信息的栅格数据进行识别提取，以满足在地震应急快速损失评估和应急救援指挥中的应用研究。将关于天地图房屋建筑区提取结果应用与地震应急救援工作相结合，以三维建模展示的方式，为应急指挥者快速了解震中区域的地形地貌、居民地分布情况、交通、断裂分布情况及潜在地质灾害隐患点提供直观的数据支撑，为应急救援决策的制定提供直观的可视化平台和科学技术支撑。