CN113674417B - 一种基于无人机倾斜摄影的地震伤亡人员聚集区评估方法 - Google Patents
一种基于无人机倾斜摄影的地震伤亡人员聚集区评估方法 Download PDFInfo
- Publication number
- CN113674417B CN113674417B CN202110839210.XA CN202110839210A CN113674417B CN 113674417 B CN113674417 B CN 113674417B CN 202110839210 A CN202110839210 A CN 202110839210A CN 113674417 B CN113674417 B CN 113674417B
- Authority
- CN
- China
- Prior art keywords
- building
- area
- casualties
- contour
- grid
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000011160 research Methods 0.000 claims abstract description 26
- 230000006378 damage Effects 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 239000010410 layer Substances 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 239000002356 single layer Substances 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000004141 dimensional analysis Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 abstract description 9
- 238000004220 aggregation Methods 0.000 abstract description 9
- 230000002265 prevention Effects 0.000 abstract description 6
- 238000004088 simulation Methods 0.000 abstract description 5
- 239000000284 extract Substances 0.000 abstract description 3
- 238000010219 correlation analysis Methods 0.000 abstract description 2
- 238000011835 investigation Methods 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 5
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241000700161 Rattus rattus Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Graphics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明属于地震工程技术领域,尤其涉及一种基于无人机倾斜摄影的地震伤亡人员聚集区评估方法。本发明利用携带倾斜相机的无人机对研究区域进行信息采集,结合区域的地理位置、地质条件和人员分布情况,对研究区域的建筑进行地震预测模拟,并根据建筑损坏状态和建筑基本信息预估人员伤亡。通过对人员伤亡分布进行热点分析得到伤亡热点,从而得到整个区域内的伤亡聚集区,为防灾规划提供空间上的指导。本发明自动识别和提取建筑信息,为区域建筑信息获取提供了技术支撑。对于区域伤亡的评估,不仅考虑了受灾体造成的人员伤亡数量和空间的分布,重点还引进了空间相关性分析方法对人员伤亡的空间分布特性进行了分析。
Description
技术领域
本发明属于地震工程技术领域,尤其涉及一种基于无人机倾斜摄影的地震伤亡人员聚集区评估方法。
背景技术
地震是人类面临的重大自然灾害,会造成巨大的人员伤亡和经济损失。已有的研究成果和地震应急救援经验都表明,虽然造成人员死亡的因素有很多,但救援的及时性与伤亡人员的存活率密切相关。而由于目前还无法准确预测地震的发生,减少地震灾害最有效的方法是根据情景评估地震灾害风险,确定危险区来合理分配防灾物质以及做好防灾规划。
对于区域的震害预测评估有两个难点,一是大范围的建筑信息难以获取。建筑倒塌是地震造成人员伤亡的主要原因,所以根据建筑的损伤状态来的得到人员损伤是一种广泛应用的方法。对建筑进行震害模拟首先需要有建筑高度,建筑年代,占地面积,结构类型等基本信息。但由于城镇建筑数量巨大,人工实地调研非常耗时,成本高昂。并且由于城镇化速度加快,建筑更新频繁使得原有的一些统计数据难以符合实际情况。这就造成了急需解决的建筑信息采集问题。
另一个难点是没有量化的方法和指标来确定区域范围人员伤亡分布危险聚集区,无法为防灾规划提供空间的指导。如只是进行人员数量的评估,虽然可以确定救援响应等级或者设防等级,却无法给出空间规划指导。即使按照建筑倒塌计算人员伤亡,也只是得到伤亡人员的空间分布。没有考虑建筑导致人员伤亡的空间关系,无法给出人员伤亡的危险分区。
目前的建筑信息采集方法主要有人工实地调研,卫星影像,无人机航拍几种手段。人工调研传统方式时间和金钱成本太高,卫星影像获取需要一定权限且时间灵活性不够,所以无人机航空影像已成为关注重点。倾斜的航空影像由于其具有建筑的侧面信息被广泛研究。一般的方式是通过拍摄到的建筑的侧面图像和由图像生成的衍生数据入手识别建筑及提取信息。但建筑相互间或建筑与树木间的遮挡使得侧面信息有时缺失无法识别。而基于衍生数据的方法主要是通过建筑各层轮廓的几何相似性由人工定义的阈值来识别建筑,这导致无法识别竖向不规则建筑。所以,在大范围内进行自动化地建筑识别与信息提取的方法需要进行改善与研究。
目前的人员伤亡预测评估方法中,主要是基于经验关系或地震场景模拟计算结果来评估灾区的总伤亡人数,无法给出伤亡情况的空间分布。随着技术的发展地理信息系统(Geographic Information System,GIS)被用于伤亡情况的空间管理。但这些方法只给出了伤亡人数的离散分布,而没有对伤亡人数的空间分布特征进行评估,这使得无法量化得到伤亡人数密集的地区。伤员聚集区域的确定对有限的救援力量的分配起着至关重要的作用,所以迫切需要提出一种评估和确定伤亡聚集区域的方法。
发明内容
本发明的目的在于提供一种基于无人机倾斜摄影的地震伤亡人员聚集区评估方法。该方法利用携带倾斜相机的无人机对研究区域进行信息采集,结合区域的地理位置、地质条件和人员分布情况,对研究区域的建筑进行地震预测模拟,并根据建筑损坏状态和建筑基本信息预估人员伤亡。通过对人员伤亡分布进行热点分析得到伤亡热点,从而得到整个区域内的伤亡聚集区,为防灾规划提供空间上的指导。
本发明采用的技术方案是:
一种基于无人机倾斜摄影的地震伤亡人员聚集区评估方法,包括如下步骤:
第一步:由携带倾斜相机的无人机获取研究区的航空图像,获得研究区的三维城市模型以及研究区域的数字正射影像(Digital Orthophoto Map,DOM)和数字表面模型(Digital Surface Model,DSM);
具体操作如下:将航空图像导入商业软件(ContextCapture、PhotoMesh、 Pix4D)得到的三维场景。所述的DOM和DSM是由该三维场景在SuperMap中进行三维分析生成;
第二步:处理数字正射影像数据(DOM)和数字表面模型(DSM),得到去除植被只保留建筑和地面的数字高程模型;
具体操作如下:将DOM中包含的红,绿,蓝(RGB)三波段信息通过公式(1) 转化为色调,饱和度,明度(HSV),并由色调(H)和明度(V)的范围(30≤H≤ 90,V<76.5)来定义植被区。利用确定的植被区做掩膜将DSM中植被区覆盖的栅格值设为零,得到剔除植被的DSM。最后利用改进的领域插值法对栅格进行插值,得到只保留建筑和地面高程的初始化的数字高程模型(Digital Elevation Model,DEM)。
第三步:以间隔距离d,从初始化的DEM中提取得到的建筑等高轮廓线;计算轮廓的面积,利用面积阈值剔除明显不是建筑的轮廓面;将剩余的轮廓进行mean-shift无监督聚类,根据每类中的轮廓数量来识别建筑轮廓簇。
所述的提取间隔距离d=h/2,其中h为研究区的最低建筑高度。所述面积阈值指建筑的轮廓面积一般在50-15000m2。所以,利用轮廓面积的阈值可以提出明显不是建筑的轮廓。将轮廓的形心作为对象,以形心间的距离为变量对轮廓的形心进行mean-shift聚类分析完成轮廓的聚类。最后确定建筑的轮廓簇,且将轮廓簇中高程最小的作为建筑占地轮廓,高程最大而且面积不小于主体轮廓 1/4的轮廓作为屋顶轮廓(根据建筑设计防火规范GB50016-2014)。
第四步:利用确定的建筑轮廓簇和数字高程模型确定建筑的占地面积和高度信息,并根据建筑的高度来预估建筑的结构类型,利用形成的三维模型预估建筑的建造年代。
所述的建筑占地面积由建筑占地轮廓围成的面积计算得到。所述的建筑高度由栅格间的叠加进行地图代数运算来得到。所述根据高度来预估结构类型是由建筑层数(F)来预估建筑结构类型的,建筑的层数F由建筑高度h和假设层高 s来得到:F=h/s。预估标准如表1所示。
所述建筑建造年代指根据三维城市模型来预估的建筑年代。主要分为三个阶段:1978年以前,1979年至1989年,1989年之后。
第五步:利用建筑的基本信息构造用于抗震结构分析计算的多自由简化模型;根据研究区所在的地理位置查阅中国地震动参数区划图来确定用于评估的地震动输入;利用建筑的面积,高度和功能信息确定在不同时间段内建筑可能存在的人数。建立建筑损坏状态和人员伤亡之间的关系,得到建筑损坏导致的人口伤亡。
所述建立的建筑多自由简化模型实现了区域群体建筑快速地震场景模拟评估目的。地震动输入采用的是中国地震动参数区划图给出的罕遇地震动参数,这符合严重地震的评估,小震的评估意义不大。所述建筑所包含的人数根据建筑的建筑面积来确定,由公式(2)得到。
Pi=Si×δ×Ni (2)
其中Si是建筑I的单层建筑面积,δ是每人的建筑面积占比,Ni是建筑I的层数。δ根据建筑功能的不同可分两种:住宅1/40,办公1/5。所述建筑损坏状态与人员伤亡的关系指的是建筑倒塌照成的直接人员死亡关系,由公式(3)得到。
Ci=αi×βi×Pi (3)
其中,αi是人员的在屋率,跟时间段和建筑功能有直接关系,可由表2得到;βi是建筑倒塌造成的死亡率,由建筑结构所决定,如表3所示。
表2.不同时间段内不同功能建筑的人员在屋率
功能 | 晚上 | 白天 |
住宅 | 0.9 | 0.5 |
办公 | 0.1 | 0.8 |
表3.不同建筑类型倒塌造成的死亡率
结构类型 | 死亡率 |
低层砖混结构 | 3% |
多层砖混结构 | 3% |
多层框架结构 | 4% |
高层框架结构 | 4% |
高层框剪结构 | 4% |
第六步:将研究区域网格化处理,按照建筑的长度选择网格的宽度w;利用网格与建筑轮廓多边形的相交面积将建筑导致的人员伤亡按照面积占比映射到网格中。
所述区域网格化处理是指将研究区的地理范围,利用宽度w的网格进行划分,得到与研究区域地理范围一致的单元宽度为w的网格面。所述人员伤亡按照面积占比映射是将建筑多边形包含的伤亡人数分配到网格的方法,可以将离散的空间分布数据连续化,从而便于确定空间分布特性。网格I重分配得到的伤亡人数由公式(4)得到。
其中,n表示与网格I相交的建筑个数,Cj表示相交的第J个建筑造成的人员伤亡,Sij表示建筑J与网格I的相交面积,Sj表示建筑J的面积。
第七步:选择固定距离为完成映射的网格数据的空间关系的概念化,利用全局莫兰指数(Moran’s I)与距离范围的关系确定空间自相关性最显著时的峰值距离;利用峰值距离作为距离阈值进行热点分析(Getis-Ord Gi*),以Z-得分来确定空间范围内伤亡的热点区域,Z-得分由公式(5)得到。
其中,Gi*是网格I的Z-得分;ωi,j是网格I和网格J间的空间权重矢量,本发明中取1;xj是网格J的属性值;n是网格的总数量;是所有单元的平均值; S是标准差。
本发明具备的有益效果:
1.本发明充分利用无人机低空遥感成本低,时效快,覆盖范围广的优点,以倾斜摄影的图像数据形成的三维城市模型为研究对象,自动识别和提取建筑信息,为区域建筑信息获取提供了技术支撑。这大大减少了建筑信息调研的成本,同时也改善了原有的依赖建筑轮廓相似性来识别建筑的不足。自动化的建筑信息提取方法为区域范围的建筑震损预测评估提供了有力的基础数据保证。
2.对于区域伤亡的评估,不仅考虑了受灾体造成的人员伤亡数量和空间的分布,重点还引进了空间相关性分析方法对人员伤亡的空间分布特性进行了分析。得到的伤亡热点分布结果直观的展示了人员伤亡聚集的危险区,该危险区符合空间统计学,为震前防灾物资以及规划安排提供了具体的空间指导。
3.本发明建筑信息提取方法简便且自动化,仅需要利用无人机进行航拍就可以得到具体的建筑模型,地理位置,建筑轮廓,建筑面积,建筑高度等一系列的建筑基本信息。整个提取过程人工设定的阈值少,且是批量处理区域建筑所以时间成本低,有助于无人机倾斜摄影在地震工程中的应用与推广。
4.采用本发明提供的人员伤亡聚集区评价方法,可为区域危险评估确定提供可量化的指标,可以给有关部门提供防灾规划的空间指导。本发明可以根据实际需求来安排进行无人机飞行航次,根据研究区的范围来确定整个区域的相对空间人员伤亡聚集风险。这样就可以在指定条件下,将有限的资源最合理的分配到最危险的地方,完成防灾管理。
附图说明
图1为本发明的原始的数字表面模型(DSM)示例。
图2为本发明剔除植被后的数字表面模型(DSM)和插值初始化以后的数字高程模型(DEM)示例。
图3为本发明的初始化数字高程模型(DEM)采取的改进的领域插值法流程图。
图4为本发明的建筑高度信息提取方法的示意图。
图5为本发明中莫兰指数(Moran’s I)的Z得分与距离阈值的关系。
图6为建筑占地轮廓和屋顶轮廓分布图。
图7为极端条件下可能造成的建筑损坏分布图。
图8为白天发生地震造成的人员伤亡情况分布图。
图9为研究区的人员伤亡聚集程度分布图。
具体实施方式
以下结合技术方案和附图详细叙述本发明的具体实施方式。
一种基于无人机倾斜摄影的地震伤亡人员聚集区评估方法,包括如下步骤:
第一步:由携带倾斜相机的无人机获取研究区的航空图像,获得研究区的三维城市模型以及研究区域的数字正射影像(Digital Orthophoto Map,DOM)和数字表面模型(Digital Surface Model,DSM);
所述的三维的城市模型指通过将航空图像导入商业软件(ContextCapture、PhotoMesh、Pix4D)得到的三维场景。所述的DOM和DSM是由该三维场景在 SuperMap中进行三维分析生成(如图1);
第二步:处理数字正射影像数据(DOM)和数字表面模型(DSM),得到去除植被只保留建筑和地面的数字高程模型。
所述处理工作指将DOM中包含的红,绿,蓝(RGB)三波段信息通过公式(1) 转化为色调,饱和度,明度(HSV),并由色调(H)和明度(V)的范围(30≤H≤ 90,V<76.5)来定义植被区。利用确定的植被区做掩膜将DSM中植被区覆盖的栅格值设为零,得到剔除植被的DSM(如图2)。最后利用改进的领域插值法对栅格进行插值,得到只保留建筑和地面高程的初始化的数字高程模型(Digital Elevation Model,DEM)。改进的领域插值方法流程如图3。
其中,领域是由所求栅格周围8个栅格组成的。方法只对为0的栅格进行插值,有效值的方差和平均值可有公式(2),(3),(4)得到。
其中,xi是第i个有效栅格的值;N是有效点的个数,N′是满足条件xj≤μ的有效点数,xj是满足条件的第j个有效值。
第三步:将从初始化的DEM中提取得到的建筑等高轮廓线进行mean-shift 无监督聚类,根据每类中的轮廓数量来识别建筑轮廓簇。
所述的建筑等高轮廓线由第二步中得到的DEM按照间隔1.5m来得到所有的等高轮廓线。建筑的轮廓面积一般在50-15000m2所以,利用轮廓面积的阈值可以提出明显不是建筑的轮廓。将轮廓的形心作为对象,以形心间的距离为变量对轮廓的形心进行mean-shift聚类分析完成轮廓的聚类。本方法假设建筑的高度至少为3米,所以建筑的轮廓簇至少具有两个轮廓线。依照此规则最后确定建筑的轮廓簇,且将轮廓簇中高程最小的作为建筑占地轮廓,高程最大而且面积不小于主体轮廓1/4的轮廓作为屋顶轮廓(根据建筑设计防火规范GB50016-2014)。
第四步:利用确定的建筑轮廓簇和数字高程模型确定建筑的占地面积和高度信息,并根据建筑的高度来预估建筑的结构类型,利用形成的三维模型预估建筑的建造年代;
所述的建筑占地面积由第三步中确定的建筑占地轮廓围成的面积计算得到。所述的建筑高度由栅格间的叠加进行地图代数运算来得到。如图4,采用矢量转化为网格的方法得到屋顶栅格;采用数学形态学的开操作(腐蚀后的膨胀操作)得到建筑所处的足迹栅格。建筑高度由可公式(5)得到。
其中,n和m分别为Rr和Fr中包含的网格点个数。如图4所示,Rr(i)为Rr 的第i个点的标高,Fr(j)为Fr的第j个点的标高。
所述根据高度来预估结构类型是指假设建筑每层的高度为3m,由建筑高度来确定建筑的层数,再按照层数来预估建筑结构类型。预估标准如表1所示。
表1.建筑结构类型与层数的对应关系
建筑层数 | 预估建筑的结构类型 |
1-3 | 低层砖混结构 |
4-5 | 多层砖混结构 |
6-7 | 多层框架结构 |
8 | 高层框架结构 |
9- | 高层框剪结构 |
所述建筑建造年代指根据三维城市模型来预估的建筑年代。主要分为三个阶段:1978年以前,1979年至1989年,1989年之后。
第五步:利用建筑的基本信息构造用于抗震结构分析计算的多自由简化模型;根据研究区所在的地理位置查阅中国地震动参数区划图来确定用于评估的地震动输入,并利用多自由度时程分析方法确定建筑损坏状态;利用建筑的面积,高度和功能信息确定建筑在不同时间段可能存在的人数。建立建筑损坏状态和人员伤亡之间的关系,得到建筑顺坏导致的人口伤亡。
所述建立的建筑多自由简化模型是指将建筑楼层转化为质点建立的多自由度剪切简化模型。地震动输入采用的是中国地震动参数区划图给出的罕遇地震动参数,这符合严重地震的评估,小震的评估意义不大。多自由度时程分析方法实现了区域群体建筑快速地震场景模拟评估目的。结构最后的破坏响应可以根据结构在地震作用下的运动方程为公式(6)来计算:
其中M、C和K分别为结构的质量矩阵、阻尼矩阵和刚度矩阵,l为单位列向量,x为地面运动加速度。使用步骤四得到的建筑信息来计算质量矩阵和刚度矩阵,如公式(7)。
其中,m是结构单层质量,k0是结构层间抗剪刚度。m=m1*A1,m1单位面积质量,A1是建筑的单层面积。其中[φ1]为结构的一阶振型向量,T1为结构的第一阶周期,由结构类型和高度计算估算得到。
所述建筑所包含的人数根据建筑的建筑面积来确定,由公式(8)得到。
Pi=Si×δ×Ni (8)
其中Si是建筑I的单层建筑面积,δ是每人的建筑面积占比,Ni是建筑I的层数。δ根据建筑功能的不同可分两种:住宅1/40,办公1/5。所述建筑损坏状态与人员伤亡的关系指的是建筑倒塌照成的直接人员死亡关系,由公式(9)得到。
Ci=αi×βi×Pi (9)
其中,αi是人员的在屋率,跟时间段和建筑功能有直接关系,可由表2得到;βi是建筑倒塌造成的死亡率,由建筑结构所决定,如表3所示。
表2.不同时间段不同功能建筑的在屋率
功能 | 晚上 | 白天 |
住宅 | 0.9 | 0.5 |
办公 | 0.1 | 0.8 |
表3.不同建筑类型倒塌造成的死亡率和一阶周期
结构类型 | 死亡率 | 一阶周期(T1) |
低层砖混结构 | 3% | 0.221+0.025n |
多层砖混结构 | 3% | 0.064+0.053n |
多层框架结构 | 4% | 0.05n |
高层框架结构 | 4% | 0.018H |
高层框剪结构 | 4% | 0.014H |
注:H为建筑高度,n为建筑的层数
第六步:将研究区域网格化处理,按照建筑的长度选择网格的宽度为30米;利用网格与建筑轮廓多边形的相交面积将建筑导致的人员伤亡按照面积占比映射到网格中。
所述区域网格化处理是指将研究区的地理范围,利用ArcGIS中的渔网工具以宽度30米的网格进行划分得到格网线图层,再利用要素转面工具得到与研究区域地理范围一致的单元宽度为30米的网格面。所述人员伤亡按照面积占比映射是将建筑多边形包含的伤亡人数分配到网格的方法,可以将离散的空间分布数据连续化,从而便于确定空间分布特性。网格I重分配得到的伤亡人数由公式 (10)得到。
其中,n表示与网格I相交的建筑个数,Cj表示相交的第J个建筑造成的人员伤亡,Sij表示建筑J与网格I的相交面积,Sj表示建筑J的面积。
第七步:选择固定距离为完成映射的网格数据的空间关系的概念化,利用全局莫兰指数与距离范围的关系确定空间自相关性最显著时的峰值距离(如图 5);利用峰值距离作为距离阈值进行热点分析(Getis-Ord Gi*),以Z-得分来确定空间范围内伤亡的热点区域,Z-得分由公式(11)得到。
其中,Gi*是网格I的Z-得分;ωi,j是网格I和网格J间的空间权重矢量,本发明中取1;xj是网格J的属性值;n是网格的总数量;是所有单元的平均值; S是标准差。
所述空间关系的概念化选择为固定距离是考虑在进行空间分析时要体现数据点的本身特性(伤亡人数)所以采用的,这也可以体现出单点伤亡人数的影像范围。所述的热点分析最后的结果默认是以置信度来区分热点和冷点,但这虽然给出了空间统计的热点范围但具体的聚集程度没有体现。改为采用Z-得分作为最后的结果进行渲染可以更加明确空间中人员伤亡的分布特性,明确人员伤亡危险聚集点
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
实例1
以大连理工大学凌水校区主校区为例,根据无人机倾斜摄影的航空影像对该区域进行地震有可能造成的人员伤亡密集区评估确定。
第一步,由无人机倾斜图像数据得到研究区域的数字正射影像(DigitalOrthophoto Map,DOM)和数字表面模型(Digital Surface Model,DSM)(图1);
第二步,处理数据,得到得到只保留建筑和地面高程的初始化的数字高程模型(Digital Elevation Model,DEM)(图2);
第三步,将从初始化的DEM中提取得到的建筑等高轮廓线进行mean-shift 无监督聚类,根据每类中的轮廓数量来识别建筑轮廓簇。进行轮廓分析确定建筑占地轮廓和屋顶轮廓。如图6所示;
第四步,利用确定的建筑轮廓簇和数字高程模型确定建筑的占地面积和高度信息,并根据建筑的高度来预估建筑的结构类型,利用形成的三维模型预估建筑的建造年代;
第五步,利用建筑的基本信息构造用于抗震结构分析计算的多自由简化模型;根据研究区所在的地理位置查阅中国地震动参数区划图来确定用于评估的地震动输入为0.196g,并利用多自由度时程分析方法确定建筑损坏状态。但由于地震动输入小按此方法计算最高建筑损坏状态为严重破坏不会造成直接死亡。为了进一步分析伤亡危险区,调整地震动输入为0.4g,得到极端条件下可能造成的建筑损坏分布(如图7)。人数利用建筑的面积,高度和功能信息确定建筑在不同时间段可能存在的人数。建立建筑损坏状态和人员伤亡之间的关系,得到建筑损坏导致的人口伤亡分布。
第六步,将研究区域网格化处理,按照建筑的长度选择网格的宽度为30米;利用网格与建筑轮廓多边形的相交面积将建筑导致的人员伤亡按照面积占比映射到网格中。如图8,白天发生地震造成的人员伤亡情况。
第七步,选择固定距离为完成映射的网格数据的空间关系的概念化,利用全局莫兰指数与距离范围的关系,通过改变距离阈值确定空间自相关性最显著时(Moran’s I的Z得分最大)的峰值距离(图5);利用峰值距离作为距离阈值进行热点分析(Getis-Ord Gi*),以Z-得分来确定空间范围内伤亡的热点区域, Z-得分由公式(11)得到。如图9所示,得到研究区的人员伤亡聚集程度分布图,确定最危险的区域。
Claims (3)
1.一种基于无人机倾斜摄影的地震伤亡人员聚集区评估方法,其特征在于,包括如下步骤:
第一步:由携带倾斜相机的无人机获取研究区的航空图像,获得研究区的三维城市模型以及研究区域的数字正射影像Digital Orthophoto Map,DOM和数字表面模型DigitalSurface Model,DSM;
具体操作如下:将航空图像导入商业软件ContextCapture、PhotoMesh、Pix4D得到的三维场景;所述的DOM和DSM是由该三维场景在SuperMap中进行三维分析生成;
第二步:处理数字正射影像数据DOM和数字表面模型DSM,得到去除植被只保留建筑和地面的数字高程模型;
具体操作如下:将DOM中包含的红,绿,蓝RGB三波段信息通过公式(1)转化为色调,饱和度,明度HSV,并由色调H和明度V的范围来定义植被区,其中30≤H≤90,V<76.5;利用确定的植被区做掩膜将DSM中植被区覆盖的栅格值设为零,得到剔除植被的DSM;最后利用改进的领域插值法对栅格进行插值,得到只保留建筑和地面高程的初始化的数字高程模型Digital Elevation Model,DEM;
第三步:以间隔距离d,从初始化的DEM中提取得到的建筑等高轮廓线;计算轮廓的面积,利用面积阈值剔除明显不是建筑的轮廓面;将剩余的轮廓进行mean-shift无监督聚类,根据每类中的轮廓数量来识别建筑轮廓簇;
所述的提取间隔距离d=h/2,其中h为研究区的最低建筑高度;
第四步:利用确定的建筑轮廓簇和数字高程模型确定建筑的占地面积和高度信息,并根据建筑的高度来预估建筑的结构类型,利用形成的三维模型预估建筑的建造年代;
所述的建筑占地面积由建筑占地轮廓围成的面积计算得到;所述的建筑高度由栅格间的叠加进行地图代数运算来得到;根据高度来预估结构类型是由建筑层数F来预估建筑结构类型的,建筑的层数F由建筑高度h和假设层高s来得到:F=h/s;
第五步:利用建筑的基本信息构造用于抗震结构分析计算的多自由简化模型;根据研究区所在的地理位置查阅中国地震动参数区划图来确定用于评估的地震动输入;利用建筑的面积,高度和功能信息确定在不同时间段内建筑可能存在的人数;建立建筑损坏状态和人员伤亡之间的关系,得到建筑损坏导致的人口伤亡;
第六步:将研究区域网格化处理,按照建筑的长度选择网格的宽度w;利用网格与建筑轮廓多边形的相交面积将建筑导致的人员伤亡按照面积占比映射到网格中;
所述区域网格化处理是指将研究区的地理范围,利用宽度w的网格进行划分,得到与研究区域地理范围一致的单元宽度为w的网格面;所述人员伤亡按照面积占比映射是将建筑多边形包含的伤亡人数分配到网格的方法,能将离散的空间分布数据连续化,从而便于确定空间分布特性;网格I重分配得到的伤亡人数由公式(4)得到;
其中,n表示与网格I相交的建筑个数,Cj表示相交的第J个建筑造成的人员伤亡,Sij表示建筑J与网格I的相交面积,Sj表示建筑J的面积;
第七步:选择固定距离为完成映射的网格数据的空间关系的概念化,利用全局莫兰指数Moran’s I与距离范围的关系确定空间自相关性最显著时的峰值距离;利用峰值距离作为距离阈值进行热点分析Getis-Ord Gi*,以Z-得分来确定空间范围内伤亡的热点区域,Z-得分由公式(5)得到;
其中,Gi*是网格I的Z-得分;ωi,j是网格I和网格J间的空间权重矢量,取1;xj是网格J的属性值;n是网格的总数量;是所有单元的平均值;S是标准差。
2.如权利要求1所述的一种基于无人机倾斜摄影的地震伤亡人员聚集区评估方法,其特征在于,所述的第三步中,所述面积阈值指建筑的轮廓面积,利用轮廓面积的阈值能提出明显不是建筑的轮廓;将轮廓的形心作为对象,以形心间的距离为变量对轮廓的形心进行mean-shift聚类分析完成轮廓的聚类;最后确定建筑的轮廓簇,且将轮廓簇中高程最小的作为建筑占地轮廓,高程最大而且面积不小于主体轮廓1/4的轮廓作为屋顶轮廓。
3.如权利要求1或2所述的一种基于无人机倾斜摄影的地震伤亡人员聚集区评估方法,其特征在于,第五步中,所述的地震动输入采用的是中国地震动参数区划图给出的罕遇地震动参数,所述建筑所包含的人数根据建筑的建筑面积来确定,由公式(2)得到;
Pi=Si×δ×Ni (2)
其中Si是建筑I的单层建筑面积,δ是每人的建筑面积占比,Ni是建筑I的层数;δ根据建筑功能的不同可分两种:住宅1/40,办公1/5;所述建筑损坏状态与人员伤亡的关系指的是建筑倒塌造成的直接人员死亡关系,由公式(3)得到;
Ci=αi×βi×Pi (3)
其中,αi是人员的在屋率,跟时间段和建筑功能有直接关系;βi是建筑倒塌造成的死亡率,由建筑结构所决定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110839210.XA CN113674417B (zh) | 2021-07-23 | 2021-07-23 | 一种基于无人机倾斜摄影的地震伤亡人员聚集区评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110839210.XA CN113674417B (zh) | 2021-07-23 | 2021-07-23 | 一种基于无人机倾斜摄影的地震伤亡人员聚集区评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113674417A CN113674417A (zh) | 2021-11-19 |
CN113674417B true CN113674417B (zh) | 2024-01-26 |
Family
ID=78540025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110839210.XA Active CN113674417B (zh) | 2021-07-23 | 2021-07-23 | 一种基于无人机倾斜摄影的地震伤亡人员聚集区评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113674417B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114187539B (zh) * | 2022-02-17 | 2022-05-03 | 中国地震应急搜救中心 | 基于无人机倾斜摄影数据的地震人员伤亡评估方法 |
CN116050676B (zh) * | 2023-03-31 | 2023-06-16 | 四川互慧软件有限公司 | 一种基于突发群体事件的应急预案推荐系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960481A (zh) * | 2018-05-22 | 2018-12-07 | 北京师范大学 | 地震灾害伤亡人口估算方法及计算机可读介质 |
CN111243083A (zh) * | 2020-01-10 | 2020-06-05 | 丽水正阳电力建设有限公司 | 一种基于无人机倾斜摄影测量技术的三维建模方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108010092B (zh) * | 2017-12-26 | 2018-11-13 | 哈尔滨工业大学 | 一种基于低空摄影测量的城市高密度区太阳能利用潜力评估方法 |
-
2021
- 2021-07-23 CN CN202110839210.XA patent/CN113674417B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960481A (zh) * | 2018-05-22 | 2018-12-07 | 北京师范大学 | 地震灾害伤亡人口估算方法及计算机可读介质 |
CN111243083A (zh) * | 2020-01-10 | 2020-06-05 | 丽水正阳电力建设有限公司 | 一种基于无人机倾斜摄影测量技术的三维建模方法 |
Non-Patent Citations (2)
Title |
---|
High-resolution topography for understanding Earth surface processes: Opportunities and challenges;Tarolli P;Geomorphology;全文 * |
无人机数字摄影测量与激光雷达在地形地貌与地表覆盖研究中的应用及比较;罗达 等;地球环境学报;第10卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113674417A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113674417B (zh) | 一种基于无人机倾斜摄影的地震伤亡人员聚集区评估方法 | |
Grêt-Regamey et al. | Linking GIS-based models to value ecosystem services in an Alpine region | |
CN112052503B (zh) | 一种基于人工智能的商业街区建筑体块生成的方法 | |
CN104616093B (zh) | 一种地震灾害救援指挥调度系统及方法 | |
Sander et al. | Heights and locations of artificial structures in viewshed calculation: How close is close enough? | |
Ervin et al. | Landscape visibility computation: necessary, but not sufficient | |
CN109117745B (zh) | 一种基于建筑信息模型的云端人脸识别与定位方法 | |
CN113192086B (zh) | 地质灾害隐患变形强度分布图的生成方法和存储介质 | |
CN111523804B (zh) | 一种基于实景三维的应急避难场所效能评估方法 | |
CN116258608B (zh) | 融合gis和bim三维技术的水利实时监测信息管理系统 | |
CN111625999A (zh) | 一种基于深度学习技术的森林火灾预警模型及系统 | |
CN115659816A (zh) | 基于孪生模型的城市内涝点预测方法及系统 | |
Deng | Integrating multi-source remotely sensed datasets to examine the impact of tree height and pattern information on crimes in Milwaukee, Wisconsin | |
JP2010500618A (ja) | ノイズフィルタリング動作に基づいて建物データから群葉データを分離する地上空間モデリングシステム及び関連する方法 | |
CN110263109A (zh) | 一种融合互联网信息及gis技术的家庭户数估算方法 | |
Feng et al. | Application and prospect of a high-resolution remote sensing and geo-information system in estimating earthquake casualties | |
CN111080080B (zh) | 一种村镇地质灾害风险预估方法及系统 | |
CN112785876A (zh) | 终端区时序气象场景智能识别系统 | |
Santos et al. | Characterizing urban volumetry using lidar data | |
JP2010500668A (ja) | 大まかな許容範囲及び厳密な許容範囲のノイズフィルタリング動作に基づいて建物データから群葉データを分離する地上空間モデリングシステム及び関連する方法 | |
Duwal | Modelling urban growth in Kathmandu Valley | |
CN114842163A (zh) | 用于灾害评估的多尺度动态网格化模型构建方法 | |
Aqbelaghi et al. | Environmental approach in modelling of urban growth: Tehran City, Iran | |
KR20220157626A (ko) | 공간정보 융합기술을 활용한 노후 건축지구 화재위험지수 평가장치, 방법 및 그 방법을 기록한 기록매체 | |
Khalik Al-Tae et al. | Prediction analysis of trip production using cross-classification technique |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |